地球物理成像與醫(yī)學成像的約束反演方法研究
發(fā)布時間：2020-12-28 12:23
近些年來,陸地和淺�？碧降卣饠祿幚斫洺Ｓ龅浇乇韽碗s性的挑戰(zhàn)。一般來說,常見的非線性近地表速度建模方法如初至走時層析成像和全波形反演均存在多解性問題。與地球物理成像方法類似,一些醫(yī)學成像手段如電阻抗成像也屬于高度病態(tài)的問題。約束反演方法已經被廣泛應用于地球物理成像以及醫(yī)學成像來解決非線性反演的多解性問題。對于近地表速度建模來說,初至走時層析成像由于有限的初至走時信息以及射線理論的限制,無法對復雜構造例如速度反轉、薄層構造等進行精確成像,從而無法保證靜校正量的準確性。靜校正層析反演（Tomographic Inversion with Statics,TIS）被用來同時解決短波長靜校正和速度建模問題。靜校正最優(yōu)化的初至走時層析成像方法（Statics-Optimized Traveltime Tomography,SOTT）可以在保證長波長靜校正量準確的同時進行速度建模。我們結合這兩種方法來考慮利用長短波長靜校正量進行約束速度建模,提出了長短波長靜校正量約束下的走時層析成像。我們首先應用TIS方法得到短波長靜校正量,并將其校正到拾取的初至走時,然后通過長波長靜校正最優(yōu)化對初至走時層析成...
【文章來源】：中國科學技術大學安徽省 211工程院校 985工程院校
【文章頁數】：115 頁
【學位級別】：博士
【部分圖文】：
圖２．１：觀測系統(tǒng)位于地表時的長波長靜校正近地表模型
?第２章長短波長靜校正約束下的走時層析成像???（ｃ）??Ｄｉｓｔａｎｃｅ?（ｋｍ）??０?２?４?６?８?１０??ｉ：Ｊ一＇？：二?ｉ??：：１．．．．．＿．－—；，！ｒ！?Ｉｔ，??（ｄ）??Ｄｉｓｔａｎｃｅ?（ｋｍ）??０?２?４?６?８?１０??°?ｉ１?１?１?１?１?１?１?１?１?１?ｉ?ｒ２?＾??ｉ?＿?—．?一．?＿２－５１??｜；ｊ??圖２．２理論模型測試：（ａ）真實理論模型；（ｂ）初始速度模型；（ｃ）傳統(tǒng)走時層析成像重構??的速度模型；（ｄ）長短波長靜校正約束下的走時層析成像重構的速度模型（位于上方的白??線表示最終基準面；位于下方的白線表示中間基準面）。??圖２．２ｂ展示了用于傳統(tǒng)走時層析成像和長短波長約束的走時層析成像的初??始模型。圖２．２ｃ顯示了通過傳統(tǒng)走時層析成像估計的近地表模型。傳統(tǒng)的走時??層析成像結果包含了真實模型的大多數特征，但是，由于高速異常體底部為速??度反轉帶，傳統(tǒng)走時層析成像無法對其進行重建。長短波長約束的走時層析成??像重建的速度模型如圖２．２ｄ所示。我們可以看到，相比于傳統(tǒng)的走時層析成像，??我們的方法重構的速度模型的高速異常體速度反轉界面分辨率顯著提高，并且??最上層的低速區(qū)域也顯示出更高的分辨率。??為了進一步定量說明我們的結果，我們分別計算了長短波長靜校正約束下??的走時層析成像以及傳統(tǒng)層析成像得到的炮點和檢波點的長波長靜校正量，并??將其和真實長波長靜校正量（利用如圖２．２ａ中所示的真實理論速度模型計算得??２０??
?第２章長短波長靜校正約束下的走時層析成像???到的靜校正量）進行對比，如圖２．３ａ所示。兩種方法計算得到的長波長靜校正??量相對于真實長波長靜校正量的差異如圖２．６ｂ所示。不難發(fā)現，相對于傳統(tǒng)走??時層析成像來說，在整體趨勢上，長短波長靜校正約束下的走時層析成像得到??的靜校正量和真實靜校正量更加接近，這意味著我們的方法得到了更加準確的??長波長靜校正量。??⑷??１０?＇?１?■?＇??－－－Ｔｒｕｅ?ｓｈｏｔ?ｓｔａｔｉｃｓ???Ｓｈｏｌ?ｓｔａｔｉｃｓ?ｏｆ?ｔａｖｅｌｔｉｍｅ?ｔｏｍｏｇｒａｐｈｙ??ｑ?？?—?Ｓｈｏｔ?ｓｔａｔｉｃｓ?ｏｆ?ｓｔａｔｉｃ－ｃｏｎｓｔｒａｉｎｅｄ?ｔｏｍｏｇｒａｐｈｙ??■?�。颍酰�?ｒｅｃｅｉｖｅｒ?ｓｔａｔｉｃｓ???Ｒｅｃｅｉｖｅｒ?ｓｔａｔｉｃｓ?ｏｆ?ｔａｖｅｌｔｉｍｅ?ｔｏｍｏｒａｐｈｙ??ｙ??Ｒｅｃｅｉｖｅｒ?ｓｔａｔｉｃｓ?ｏｆ?ｓｔａｔｉｃｘｘａｎｓｔｒａｉｎｅｄ?ｔｏｍｏｇｒａｐｈｙ??－４０?＇?１?１?１?１???０?２０００?４０００?６０００?８０００?１００００??Ｄｉｓｔａｎｃｅ?（ｍ）??（ｂ）??１２?ｉ?ｉ?ｉ?ｉ???Ｓｈｏｔ?ｓｔａｔｉｃｓ?ｒｅｓｉｄｕａｌ?ｏｆ?ｔｒａｖｅｌｔｉｍｅ?ｔｏｍｏｇｒａｐｈｙ??－－－Ｓｈｏｔ?ｓｔａｔｉｃｓ?ｒｅｓｉｄｕａｌ?ｏｆ?ｓｔａｔｉｃ－ｃｏｎｓｔｒａｉｎｅｄ?ｔｏｍｏｇｒａｐｈｙ??ｑ?．??Ｒｅｃｅｉｖｅｒ?ｓｔａｔｉｃｓ?ｒｅｓｉｄｕａｌ?ｏｆ?ｔｒａｖｅｌｔｉｍｅ?ｔｏｍｏｇｒａｐｈｙ?＿??／?——?Ｒｅｃｅｉｖｅｒ?ｓｔａｔｉ
【參考文獻】：
期刊論文
[1]基于深度學習卷積神經網絡的地震波形自動分類與識別[J]. 趙明,陳石,Dave Yuen. 地球物理學報. 2019(01)
[2]基于分布式壓縮感知的微震數據壓縮與重構[J]. 趙小虎,劉閃閃,沈雪茹,鄧園芳. 中國礦業(yè)大學學報. 2018(01)
[3]基于偏移成像道集的剩余靜校正方法[J]. 徐錦承,張劍鋒. 地球物理學報. 2016(02)
[4]近地表反射和折射法的進展及應用[J]. 劉江平,王瑩瑩,劉震,潘小康,宗育泉. 地球物理學報. 2015(09)
[5]全波形反演研究現狀及發(fā)展趨勢[J]. 楊勤勇,胡光輝,王立歆. 石油物探. 2014(01)
[6]地震數據壓縮重構的正則化與零范數稀疏最優(yōu)化方法[J]. 曹靜杰,王彥飛,楊長春. 地球物理學報. 2012(02)
[7]初至波波形反演方法及其數值模擬試驗[J]. 潘艷梅,董良國,劉玉柱,郭小龍. 石油物探. 2009(02)
[8]地震成像與空間成像、醫(yī)學成像的交叉與融合[J]. 毛寧波,戴塔根. 地球物理學進展. 2003(04)
[9]復雜地形條件下靜校正的綜合尋優(yōu)[J]. 林依華,張中杰,尹成,周熙襄. 地球物理學報. 2003(01)
[10]層析成像低速帶速度反演和靜校正方法[J]. 林伯香,孫晶梅,劉清林. 石油物探. 2002(02)
本文編號：2943746
【文章來源】：中國科學技術大學安徽省 211工程院校 985工程院校
【文章頁數】：115 頁
【學位級別】：博士
【部分圖文】：
圖２．１：觀測系統(tǒng)位于地表時的長波長靜校正近地表模型
?第２章長短波長靜校正約束下的走時層析成像???（ｃ）??Ｄｉｓｔａｎｃｅ?（ｋｍ）??０?２?４?６?８?１０??ｉ：Ｊ一＇？：二?ｉ??：：１．．．．．＿．－—；，！ｒ！?Ｉｔ，??（ｄ）??Ｄｉｓｔａｎｃｅ?（ｋｍ）??０?２?４?６?８?１０??°?ｉ１?１?１?１?１?１?１?１?１?１?ｉ?ｒ２?＾??ｉ?＿?—．?一．?＿２－５１??｜；ｊ??圖２．２理論模型測試：（ａ）真實理論模型；（ｂ）初始速度模型；（ｃ）傳統(tǒng)走時層析成像重構??的速度模型；（ｄ）長短波長靜校正約束下的走時層析成像重構的速度模型（位于上方的白??線表示最終基準面；位于下方的白線表示中間基準面）。??圖２．２ｂ展示了用于傳統(tǒng)走時層析成像和長短波長約束的走時層析成像的初??始模型。圖２．２ｃ顯示了通過傳統(tǒng)走時層析成像估計的近地表模型。傳統(tǒng)的走時??層析成像結果包含了真實模型的大多數特征，但是，由于高速異常體底部為速??度反轉帶，傳統(tǒng)走時層析成像無法對其進行重建。長短波長約束的走時層析成??像重建的速度模型如圖２．２ｄ所示。我們可以看到，相比于傳統(tǒng)的走時層析成像，??我們的方法重構的速度模型的高速異常體速度反轉界面分辨率顯著提高，并且??最上層的低速區(qū)域也顯示出更高的分辨率。??為了進一步定量說明我們的結果，我們分別計算了長短波長靜校正約束下??的走時層析成像以及傳統(tǒng)層析成像得到的炮點和檢波點的長波長靜校正量，并??將其和真實長波長靜校正量（利用如圖２．２ａ中所示的真實理論速度模型計算得??２０??
?第２章長短波長靜校正約束下的走時層析成像???到的靜校正量）進行對比，如圖２．３ａ所示。兩種方法計算得到的長波長靜校正??量相對于真實長波長靜校正量的差異如圖２．６ｂ所示。不難發(fā)現，相對于傳統(tǒng)走??時層析成像來說，在整體趨勢上，長短波長靜校正約束下的走時層析成像得到??的靜校正量和真實靜校正量更加接近，這意味著我們的方法得到了更加準確的??長波長靜校正量。??⑷??１０?＇?１?■?＇??－－－Ｔｒｕｅ?ｓｈｏｔ?ｓｔａｔｉｃｓ???Ｓｈｏｌ?ｓｔａｔｉｃｓ?ｏｆ?ｔａｖｅｌｔｉｍｅ?ｔｏｍｏｇｒａｐｈｙ??ｑ?？?—?Ｓｈｏｔ?ｓｔａｔｉｃｓ?ｏｆ?ｓｔａｔｉｃ－ｃｏｎｓｔｒａｉｎｅｄ?ｔｏｍｏｇｒａｐｈｙ??■?�。颍酰�?ｒｅｃｅｉｖｅｒ?ｓｔａｔｉｃｓ???Ｒｅｃｅｉｖｅｒ?ｓｔａｔｉｃｓ?ｏｆ?ｔａｖｅｌｔｉｍｅ?ｔｏｍｏｒａｐｈｙ??ｙ??Ｒｅｃｅｉｖｅｒ?ｓｔａｔｉｃｓ?ｏｆ?ｓｔａｔｉｃｘｘａｎｓｔｒａｉｎｅｄ?ｔｏｍｏｇｒａｐｈｙ??－４０?＇?１?１?１?１???０?２０００?４０００?６０００?８０００?１００００??Ｄｉｓｔａｎｃｅ?（ｍ）??（ｂ）??１２?ｉ?ｉ?ｉ?ｉ???Ｓｈｏｔ?ｓｔａｔｉｃｓ?ｒｅｓｉｄｕａｌ?ｏｆ?ｔｒａｖｅｌｔｉｍｅ?ｔｏｍｏｇｒａｐｈｙ??－－－Ｓｈｏｔ?ｓｔａｔｉｃｓ?ｒｅｓｉｄｕａｌ?ｏｆ?ｓｔａｔｉｃ－ｃｏｎｓｔｒａｉｎｅｄ?ｔｏｍｏｇｒａｐｈｙ??ｑ?．??Ｒｅｃｅｉｖｅｒ?ｓｔａｔｉｃｓ?ｒｅｓｉｄｕａｌ?ｏｆ?ｔｒａｖｅｌｔｉｍｅ?ｔｏｍｏｇｒａｐｈｙ?＿??／?——?Ｒｅｃｅｉｖｅｒ?ｓｔａｔｉ
【參考文獻】：
期刊論文
[1]基于深度學習卷積神經網絡的地震波形自動分類與識別[J]. 趙明,陳石,Dave Yuen. 地球物理學報. 2019(01)
[2]基于分布式壓縮感知的微震數據壓縮與重構[J]. 趙小虎,劉閃閃,沈雪茹,鄧園芳. 中國礦業(yè)大學學報. 2018(01)
[3]基于偏移成像道集的剩余靜校正方法[J]. 徐錦承,張劍鋒. 地球物理學報. 2016(02)
[4]近地表反射和折射法的進展及應用[J]. 劉江平,王瑩瑩,劉震,潘小康,宗育泉. 地球物理學報. 2015(09)
[5]全波形反演研究現狀及發(fā)展趨勢[J]. 楊勤勇,胡光輝,王立歆. 石油物探. 2014(01)
[6]地震數據壓縮重構的正則化與零范數稀疏最優(yōu)化方法[J]. 曹靜杰,王彥飛,楊長春. 地球物理學報. 2012(02)
[7]初至波波形反演方法及其數值模擬試驗[J]. 潘艷梅,董良國,劉玉柱,郭小龍. 石油物探. 2009(02)
[8]地震成像與空間成像、醫(yī)學成像的交叉與融合[J]. 毛寧波,戴塔根. 地球物理學進展. 2003(04)
[9]復雜地形條件下靜校正的綜合尋優(yōu)[J]. 林依華,張中杰,尹成,周熙襄. 地球物理學報. 2003(01)
[10]層析成像低速帶速度反演和靜校正方法[J]. 林伯香,孫晶梅,劉清林. 石油物探. 2002(02)
本文編號：2943746
本文鏈接：http://www.wukwdryxk.cn/shoufeilunwen/jckxbs/2943746.html
