نشریه علوم زمین خوارزمی

نشریه علوم زمین خوارزمی

انتخاب خودکار زمان اولین رسیدها با استفاده از ترکیب چند نشانگر لرزه‌ای

نویسنده
میثم کورکی
دانشگاه تحصیلات تکمیلی صنعتی و فن آوری پیشرفته
10.22034/KJES.2025.11.2.103161
چکیده
روش شکست مرزی به عنوان ابزاری کارآمد و دقیق برای تعیین وضعیت لایه‌های زیر سطحی، اهمیت بسیاری دارد. هر چه انتخاب زمان اولین رسیدها در داده‌های این روش دقیق‌تر باشد، تفسیر کامل‌تر، ودر نتیجه اطلاعات بهتری به دست می‌آید عمومأ کیفیت اولین رسیدها وابسته به ساختار سطحی، نوع چشمه و نسبت سیگنال به نوفه می‌باشد. بنابراین اگر وضعیت لایه‌های نزدیک سطح پیچیده یا نسبت سیگنال به نوفه کم باشد، تعیین خودکار زمان اولین رسیدها کار دشواری خواهد بود. در این تحقیق برای انتخاب زمان اولین رسیدها در داده‌های با فاز کمینه و فاز صفر از الگوریتم‌ها و تکنیک‌های خودکار استفاده شده است. الگوریتم‌ها برای داده‌ با فاز کمینه، براساس این واقعیت بنا شده که تبادل بین نوفه و نوفه همراه با سیگنال به طور خودکار می‌تواند با شناسایی تغییر ناگهانی در هر یک از نشانگرهای پیشنهادی نسبت انرژی، آنتروپی یا بُعد فراکتال تشخیص داده شود؛ این تکنیک‌ها با استفاده از پنجره‌هایی که در طول ردلرزه متحرک‌اند، محاسبات را انجام می‌دهد. همچنین استفاده از نشانگر هموارکننده‌ی حافظ لبه‌ی (EPS) مناسب، موجب افزایش وضوح این تغییر ناگهانی شده، که به تشخیص دقیق شروع زمان اولین رسیدها می‌انجامد. تکنیک‌های مربوط به داده دارای فاز صفر (با توجه به تفاوت لحظه‌ی شروع زمان اولین رسید روی منحنی با‌ داده‌های دارای فاز کمینه و فاز صفر) با اعمال سه نشانگر انرژی ردلرزه، آنتروپی و بعد فراکتال صورت می‌گیرد. اگر در داده‌ها سطح نوفه خیلی بالا باشد، به گونه‌ای که الگوریتم موفق به تشخیص زمان اولین رسید نباشد، انتخابی اشتباه صورت می‌گیرد. به کمک درون‌یابی ردلرزه‌های قبل و بعد از آن، انتخاب زمان این نوع رسیدها ، تصحیح می‌گردد. لازم به ذکر است این نشانگرها روی داده مصنوعی و واقعی اعمال شد و نتایج دقیق و کاملی برای داده با فازکمینه و فاز صفر حاصل گردید.

کلیدواژه‌ها
ردلرزه
انتخاب زمان اولین رسید
نشانگر نسبت انرژی
نشانگر آنتروپی
نشانگر هموارکننده‌ی حافظ لبه (EPS)

عنوان مقاله English

Automatic first-arrival picking via combined seismic attributes

نویسنده English

Meysam kourki
Graduate University of Advanced Technology
چکیده English

The refraction method is a highly efficient and accurate tool for determining the condition of subsurface layers and is therefore of great importance. The more accurately the first-arrival times are picked in data acquired by this method, the more complete the interpretation will be, and consequently, better information can be obtained. In general, the quality of first arrivals depends on near-surface structure, source type, and the signal-to-noise ratio. Therefore, if the near-surface layering is complex or the signal-to-noise ratio is low, automatic picking of first-arrival times becomes a challenging task. In this study, automatic algorithms and techniques are used to pick first-arrival times in both minimum-phase and zero-phase data. The algorithms developed for minimum-phase data are based on the fact that the transition between noise and signal-contaminated noise can be automatically detected by identifying sudden changes in any of the proposed attributes, including energy ratio, entropy, or fractal dimension. These techniques perform calculations using moving windows along the seismic trace. In addition, the use of a suitable edge-preserving smoothing (EPS) indicator enhances the clarity of these sudden changes, leading to more accurate detection of the onset of first-arrival times. The techniques applied to zero-phase data (considering the difference in the onset of first arrivals compared to minimum-phase data) are based on the application of three attributes: trace energy, entropy, and fractal dimension. If the noise level in the data is very high such that the algorithm fails to detect the first-arrival time, an incorrect pick may occur. In such cases, the picked times are corrected using interpolation from the neighboring preceding and following traces. It should be noted that these attributes were applied to both synthetic and real data, yielding accurate and reliable results for both minimum-phase and zero-phase datasets.

کلیدواژه‌ها English

Seismic Trace
First Arrival Time Picking
Energy Ratio Attribute
Entropy Attribute
Fractal Dimension Attribute
Edge-Preserving Smoothing Attribute (EPS)
Alali, A., Kazei, V., Kalita, M., Alkhalifah, T., 2022. Deep learning unflooding for robust subsalt waveform inversion. Geophysical Prospecting. https://doi.org/10.1111/1365-2478.13193.
Azwin, I., Saad, R., Nordiana, M., 2013. Applying the seismic refraction tomography for site characterization. APCBEE Procedia 5, 227–231.
Coppens, F., 1985. First arrival picking on common-offset trace collections for automatic estimation of static corrections. Geophysical Prospecting 33(8), 1212–1231.
Denis, A., Crémoux, F., 2002. Using the entropy of curves to segment a time or spatial series. Mathematical Geology 34, 899–914.
Dip, A.C., Giroux, B., Gloaguen, E., 2021. Microseismic monitoring of rockbursts with the ensemble Kalman filter. Near Surface Geophysics 19, 429–445.
Ervin, C.P., Mc Ginnis, l.D., Otis, R.M., Hall, M.L., 1983. Automated analysis of marine refraction data: A computer algorithm. Geophysics 48, 582–589.
Fabien-Ouellet, G., Fortier, R., 2014. Using all seismic arrivals in shallow seismic investigations. Journal of Applied Geophysics 103, 31–42.
Fabien-Ouellet, G., Sarkar, R., 2020. Seismic velocity estimation: A deep recurrent neural-network approach. Geophysics 85, 21–29.
Feder, J., 1988. Fractals. Plenum Press.
Gelchinsky, B., Shtivelman, V., 1983. Automatic picking of first arrivals and parameterization of traveltime curves. Geophysical Prospecting 31, 915–928.
Hatherly, P.J., 1982. A computer method for determining seismic first arrival times. Geophysics 47, 1431–1436.
Hu, L., Zheng, X., Duan, Y., Yan, X., Hu, Y., Zhang, X., 2019. First-arrival picking with a U-net convolutional network. Geophysics 84(5), 45–57.
Korvin, G., 1992. Fractal models in the earth sciences. Elsevier.
Leite, E.P., Vidal, A.C., 2011. 3D porosity prediction from seismic inversion and neural networks. Computers & Geosciences 37(9), 1174–1180.
Lim, J.-S., 2005. Reservoir properties determination using fuzzy logic and neural networks from well data in offshore Korea. Journal of Petroleum Science and Engineering 49(3), 182–192.
Mandelbort, B., 1983. The fractal geometry of nature: W. H. Freeman and company. Science 156, 636–638.
Mardan, A., Javaherian, A., Mirzakhanian, M., 2017. Channel characterization using support vector machine. In 79th EAGE Conference and Exhibition Workshops, (cp–519).
Mardan, A., Giroux, B., Fabien-Ouellet, G., (2023). Weighted-average time-lapse seismic full-waveform inversion. Geophysics 88, 25–38.
Mansouri Siah Goli, H., Riahi, M., 2020. Determinarion of geochemical paramiters of Savak formation using seismic and Well-Log data. Kharazmi Journal of Earth Sciences 6(2), 425-444. (in Persian)
Marsden, D., 1993. Static corrections—a review The Leading Edge 12, 115–120. doi: 10.1190/1.1436912.
Nasr, M., Giroux, B., Dupuis, J.C., 2022. Python package for 3D joint hypocenter-velocity inversion on tetrahedral meshes: Parallel implementation and practical considerations. Computational Geosciences, 1–25.
Peitgen, H.O., Jürgens, H., Saupe, D., 1992. Fractals for the classroom: Introduction to fractals and chaos. Springer.
Peraldi, R., Clément, A., 1972. Digital processing of refraction data: Study of first arrivals. Geophysical Prospecting 20, 529–548.
Rahimi, M., Riahi, M., 2021. Integration of permiability estimation methodes using geosattistics and artificial neural network. Kharazmi Journal of Earth Sciences 7(2), 251-269. (in Persian)
Röth, G., Tarantola, A., 1994. Neural networks and inversion of seismic data. Journal of Geophysical Research: Solid Earth 99(10), 6753–6768.
Sabbione, J.I., Velis, D.R., 2010. Automatic first-breaks picking: New strategies and algorithms. Geophysics 75, 67–76.
Sharifi, N., Sheikh zakaria, J., Heydari, R., Mirzakhanian, M., J., 2020. Prosity estimation using post-stack seismic inversion method in part of Qom Formation in the Aran Anticline Central Iran Kharazmi Journal of Earth Sciences 6(2), 359-374. (in Persian)
Spagnolini, U., 1991. Adaptive picking of refracted first arrivals. Geophysical Prospecting 39, 293–312.
Turcotte, D.L., 1997. Fractals and chaos in geology and geophysics. Cambridge University Press.
Veezhinathan, J., Wagner, D., 1990. A neural network approach to first break picking. In International Joint Conference on Neural Networks, pp. 235–240.
Walia, R., Hannay, D., 1999. Source and receiver geometry corrections for deep towed multichannel seismic data. Geophysical Research Letters 26(14), 1993–1996.
Wu, H., Zhang, B., Li, F., Liu, N., 2019. Semi automatic first-arrival picking of microseismic events using pixel-wise convolutional image segmentation. Geophysics 84(6), 143–155.
Yilmaz, O., 2001. Seismic data analysis: Processing, inversion, and interpretation of seismic data. SEG.
Yuan, S., Liu, J., Wang, S., Wang, T., Shi, P., 2018. Seismic waveform classification and first-break picking using convolution neural networks. IEEE Geoscience and Remote Sensing Letters 15(2), 272–276.
Zhao, X., Mendel, J.M., 1988. Minimum-variance deconvolution using artificial neural networks. In SEG Technical Program Expanded Abstracts 1988, pp. 738–741.