تخمين و تصحيح فاز باقيمانده متغير با زمان در داده هاي لرزه اي

Time-varying residual phase estimation and correction in seismic data

تخمين و تصحيح فاز باقي‌‌مانده در يك مقطع لرزه‌اي برانبارش شده امري ضروري و مهم است. تشخيص فاز ناپاياي باقي‌‌مانده در داده‌ها‌ بدون استفاده از اطلاعات نگاره‌هاي چاه با استفاده از روش‌هاي آماري قابل انجام است. روش بيشينه‌سازي كشيدگي با چرخش فاز ثابت از مشهورترين روش‌هاي آماري بعد از برانبارش جهت تخمين فاز ناپايا در داده‌هاي لرزه‌اي است. معيار كشيدگي به عنوان كومولانت مرتبه چهار، باعث حفظ اطلاعات فازي موجك مي­شود؛ كه اين امر نقش مهم اين معيار را در مراحل تفسير داده لرزه‌اي نشان مي‌دهد. در اين مقاله با تغيير مسئله بيشينه‌سازي كشيدگي منظم شده براي تخمين فاز ناپايا كه توسط van der Baan and Fomel در سال 2009 ارائه شده، نشان داده خواهد شد؛ كه حجم محاسبات در عين حفظ كيفيت نتايج، به طور قابل ملاحظه ­اي كاهش خواهد يافت. روش پيشنهادي به دليل حجم محاسباتي كمتر و همچنين تعداد پارامترهاي آزاد كمتر نسبت به روش‌ مشابه منظم‌سازي كاراتر بوده و لذا براي آناليز داده‌هاي بزرگ مقياس راحت‌تر قابل استفاده است. تأثير روش ارائه شده در شناسايي و تصحيح فاز ناپاياي باقي‌مانده در سيگنال‌هاي لرزهاي بر روي مثال‌هاي مصنوعي و واقعي نشان داده شده است.

The residual phase estimation and correction of a post-stack seismic section is important and necessary. The remaining non-stationary phase detection of data without the use of well logs information can be made using statistical methods. Kurtosis maximization approach by constant-phase rotation is the most popular post-stack statistical methods that can reveal the non-stationary phase of seismic data. Kurtosis criterion is a fourth-order statistics that preserves the wavelet phase information and plays an important role in seismic data interpretation. In this paper, we change the problem of regularized kurtosis maximization for non-stationary phase estimation that is presented by van der Baan and Fomel (2009) to reduce significantly the computational volume while maintaining the quality of our results. The proposed approach due to lower computational volume, and also, the fewer number of free parameters is more efficient than similar regularization approaches. Therefore, for large-scale data analysis, it is easier to use. The effectiveness of the proposed technique for identifying and correcting the non-stationary residual phase of the seismic signals are shown on both synthetic and field data.