تحلیل زمان بسامد داده‌های لرزه‌ای با استفاده از روش تبدیل فشرده‌سازی همزمان چندگانه بازچینی شده در زمان برای آشکارسازی سایه کم بسامد

نوع مقاله : سایر مقالات

نویسندگان

1 دانشکده معدن، نفت و ژئوفیزیک دانشگاه صنعتی شاهرود

2 دانشگاه صنعتی شاهرود - دانشکده مهندسی معدن، نفت و ژئوفیزیک

3 هیئت علمی دانشگاه صنعتی شاهرود

4 دانشکده مهندسی برق دانشگاه جینان، چین

چکیده

شناسایی سایه کم-بسامد از این حیث که در ارتباط با مخازن گازی هستند، بسیار اهمیت دارد. این سایه های کم-بسامد که ناشی از میرایی گاز بر روی امواج لرزه ای هستند، باعث می شوند تا بسامد های پایین در زیر مخازن گازی نسبت به بسامد های بالا دامنه قوی تری داشته باشند. لذا در صورتی که دقت زمانی مناسبی در شناسایی این نشانگر در نظر گرفته شود، مخزن گازی و به تبع آن موقعیت آن با دقت قابل توجهی شناسایی خواهد شد. یکی از روش های شناسایی سایه های کم-بسامد، تبدیل های زمان-بسامد هستند. لذا آن دسته از تبدیل های زمان-بسامدی که دارای قدرت تفکیک زمانی و بسامدی مطلوبی هستند، می توانند در شناسایی سایه های کم-بسامد کمک شایانی داشته باشند. در این مقاله، از روشی با عنوان تبدیل فشرده سازی همزمان چندگانه بازچینی شده در زمان (TMSST) استفاده می شود که نسبت به تبدیل های زمان-بسامد متداول از قبیل STFT، RM، SST و MSST از قدرت تفکیک زمانی و بسامدی بالاتری بهره می برد. لذا، با اعمال تبدیل ذکر شده بر روی یک داده مصنوعی و یک داده واقعی، این مهم به نمایش گذاشته شده است. به عنوان یک کاربرد لرزه ای، مقاطع تک- بسامد حاصل از یک میدان هیدروکربنی در محیط متلب تهیه و ناهنجاری های سایه کم-بسامد با استفاده از این روش زمان-بسامد با قدرت تفکیک بالا شناسایی گردیدند. علاوه بر این، در این مقاله از پارامتر رِنی که به طور مستقیم با تُنُکی در ارتباط بوده و جهت ارزیابی تمرکز انرژی مورد استفاده قرار می گیرد، استفاده شده است. عدد بدست آمده برای پارامتر رنی با استفاده از روش پیشنهادی در این مقاله، دلیلی دیگر در راستای اثبات عملکرد قابل توجه این روش در بدست آوردن نمایش زمان-بسامد با قدرت تفکیک زمانی و بسامدی بالا به طور همزمان می باشد.

کلیدواژه‌ها


رداد، م، 1398، تحلیل زمان- بسامد داده­های لرزه­ای با روش تبدیل S بازچینی­شده برای آشکارسازی سایه کم- بسامد، نشریه پژوهش­های ژئوفیزیک کاربردی، دوره 5، شماره 2، صفحات 283-293.
 
روشندل، ا، نجاتی، ع، 1391، تجزیه طیفی با قدرت تفکیک زیاد و کاربرد آن در آشکارسازی سایه­های  کم ناشی از مخازن گازی، مجله ژئوفیزیک ایران، جلد 6، شماره 1، صفحه 61-68.
 
Auger, F., & Flandrin, P. (1995). Improving the readability of time-frequency and time-scale representations by the reassignment method. IEEE Transactions on Signal Processing, 43(5), 1068–1089.
Auger, F., Flandrin, P., Lin, Y.-T., McLaughlin, S., Meignen, S., Oberlin, T., & Wu, H.-T. (2013). Time-frequency reassignment and synchrosqueezing: An overview. IEEE Signal Processing Magazine, 30(6), 32–41.
Cao, H., Wang, X., He, D., & Chen, X. (2020). An improvement of time-reassigned synchrosqueezing transform algorithm and its application in mechanical fault diagnosis. Measurement, 155, 107538.
Castagna, J. P., Sun, S., & Siegfried, R. W. (2003). Instantaneous spectral analysis: Detection of low-frequency shadows associated with hydrocarbons. The Leading Edge, 22(2), 120–127.
Chabyshova, E., & Goloshubin, G. (2014). Seismic modeling of low-frequency “shadows” beneath gas reservoirs. Geophysics, 79(6), D417–D423.
Chen, H., Kang, J., Chen, Y., Xu, D., & Hu, Y. (2017). An improved time-frequency analysis method for hydrocarbon detection based on EWT and SET. Energies, 10(8), 1090.
Chen, X., Chen, H., Fang, Y., & Hu, Y. (2020). High-Order Synchroextracting Time-Frequency Analysis and Its Application in Seismic Hydrocarbon Reservoir Identification. IEEE Geoscience and Remote Sensing Letters.
Chen, X., Chen, H., Li, R., Hu, Y., & Fang, Y. (2020). Multisynchrosqueezing Generalized S-Transform and Its Application in Tight Sandstone Gas Reservoir Identification. IEEE Geoscience and Remote Sensing Letters.
Daubechies, I., Lu, J., & Wu, H.-T. (2011). Synchrosqueezed wavelet transforms: An empirical mode decomposition-like tool. Applied and Computational Harmonic Analysis, 30(2), 243–261.
Daubechies, I., & Maes, S. (2017). A nonlinear squeezing of the continuous wavelet transform based on auditory nerve models. In Wavelets in medicine and biology (pp. 527–546). Routledge.
Dragomiretskiy, K., & Zosso, D. (2013). Variational mode decomposition. IEEE Transactions on Signal Processing, 62(3), 531–544.
Fang, Y., Hu, Y., Li, M., Chen, H., Chen, X., & Li, J. (2021). Second-Order Horizontal Multi-Synchrosqueezing Transform for Hydrocarbon Reservoir Identification. IEEE Geoscience and Remote Sensing Letters, 19, 1–5.
Gabor, D. (1946). Theory of communication. Part 1: The analysis of information. Journal of the Institution of Electrical Engineers-Part III: Radio and Communication Engineering, 93(26), 429–441.
Gholtashi, S., Nazari Siahsar, M. A., RoshandelKahoo, A., Marvi, H., & Ahmadifard, A. (2015). Synchrosqueezing-based transform and its application in seismic data analysis. Iranian Journal of Oil & Gas Science and Technology, 4(4), 1–14.
Hamidi, M., Hosseini, S. K., & Sadeghi, H. (2011). SUCCESSFUL APPLICATION S-TRANSFORM TIME-FREQUENCY METHOD IN HYDROCARBON RESERVOIRS AND LOW FREQUENCY SHADOWS DETECTION. Proceedings of the 10th SEGJ International Symposium, 1–4.
Huang, N. E., & Wu, Z. (2008). A review on Hilbert‐Huang transform: Method and its applications to geophysical studies. Reviews of Geophysics, 46(2).
Huang, Z., Zhang, J., Zhao, T., & Sun, Y. (2015). Synchrosqueezing S-transform and its application in seismic spectral decomposition. IEEE Transactions on Geoscience and Remote Sensing, 54(2), 817–825.
Liu, G., Fomel, S., & Chen, X. (2011). Time-frequency analysis of seismic data using local attributes. Geophysics, 76(6), P23–P34.
Mahdavi, A., Kahoo, A. R., Radad, M., & Monfared, M. S. (2021). Application of the local maximum synchrosqueezing transform for seismic data. Digital Signal Processing, 110, 102934.
Mallat, S. (1999). A wavelet tour of signal processing. Elsevier.
Martin, W., & Flandrin, P. (1985). Wigner-Ville spectral analysis of nonstationary processes. IEEE Transactions on Acoustics, Speech, and Signal Processing, 33(6), 1461–1470.
Pinnegar, C. R., & Mansinha, L. (2003). The S-transform with windows of arbitrary and varying shape. Geophysics, 68(1), 381–385.
Radad, M., Gholami, A., & Siahkoohi, H. R. (2015). S-transform with maximum energy concentration and its application to detect gas bearing zones and low-frequency shadows. Journal of the Earth and Space Physics, 41(3), 403–412.
Ren, H., Goloshubin, G., & Hilterman, F. (2007). Spectra crossplot. Leading Edge (Tulsa, OK), 26(12). https://doi.org/10.1190/1.2821943
Shirazi, M., Kahoo, A. R., & Chen, Y. (2018). Detection of Low-frequency Shadows Associated with Gas Using High-resolution Empirical Wavelet Transform. 80th EAGE Conference and Exhibition 2018, 2018(1), 1–5.
Sinha, S., Routh, P. S., Anno, P. D., & Castagna, J. P. (2005). Spectral decomposition of seismic data with continuous-wavelet transform. Geophysics, 70(6), P19–P25.
Stockwell, R. G., Mansinha, L., & Lowe, R. P. (1996). Localization of the complex spectrum: the S transform. IEEE Transactions on Signal Processing, 44(4), 998–1001.
Sun, S., Castagna, J. P., & Siegfried, R. W. (2002). Examples of wavelet transform time-frequency analysis in direct hydrocarbon detection. In SEG Technical Program Expanded Abstracts 2002 (pp. 457–460). Society of Exploration Geophysicists.
Tary, J. B., Herrera, R. H., & van der Baan, M. (2018). Analysis of time-varying signals using continuous wavelet and synchrosqueezed transforms. Philosophical Transactions of the Royal Society A: Mathematical, Physical and Engineering Sciences, 376(2126), 20170254.
Thakur, G., & Wu, H.-T. (2011). Synchrosqueezing-based recovery of instantaneous frequency from nonuniform samples. SIAM Journal on Mathematical Analysis, 43(5), 2078–2095.
Tu, X., Zhang, Q., He, Z., Hu, Y., Abbas, S., & Li, F. (2020). Generalized Horizontal Synchrosqueezing Transform: Algorithm and Applications. IEEE Transactions on Industrial Electronics.
Wang, Q., Gao, J., & Liu, N. (2019). Second-order synchrosqueezing wave packet transform and its application for characterizing seismic geological structures. IEEE Geoscience and Remote Sensing Letters, 17(5), 760–764.
Wang, S., Chen, X., Cai, G., Chen, B., Li, X., & He, Z. (2013). Matching demodulation transform and synchrosqueezing in time-frequency analysis. IEEE Transactions on Signal Processing, 62(1), 69–84.
Wu, G., & Zhou, Y. (2018). Seismic data analysis using synchrosqueezing short time Fourier transform. Journal of Geophysics and Engineering, 15(4), 1663–1672.
Yu, G. (2018). Demodulated synchrosqueezing transform. 2018 Chinese Automation Congress (CAC), 3468–3471.
Yu, G., Lin, T., Wang, Z., & Li, Y. (2020). Time-reassigned multisynchrosqueezing transform for bearing fault diagnosis of rotating machinery. IEEE Transactions on Industrial Electronics, 68(2), 1486–1496.
Yu, G., Lin, T., Wang, Z., & Li, Y. (2021). Time-Reassigned Multisynchrosqueezing Transform for Bearing Fault Diagnosis of Rotating Machinery. IEEE Transactions on Industrial Electronics, 68(2). https://doi.org/10.1109/TIE.2020.2970571
Yu, G., Wang, Z., & Zhao, P. (2018). Multisynchrosqueezing transform. IEEE Transactions on Industrial Electronics, 66(7), 5441–5455.
Yu, G., Wang, Z., Zhao, P., & Li, Z. (2019). Local maximum synchrosqueezing transform: an energy-concentrated time-frequency analysis tool. Mechanical Systems and Signal Processing, 117, 537–552.
Yu, G., Yu, M., & Xu, C. (2017). Synchroextracting transform. IEEE Transactions on Industrial Electronics, 64(10), 8042–8054.