SlideServe
Télécharger Obtenir Pro
Menu
Accueil Pro
Préférences
ApparenceLight Aide et commentaires
© SlideServe · v2026

Selecting Robust Parameters for Migration Deconvolution

mae avatar
mae
45 diapositives · 630 Views · Sep 24, 2014

Selecting Robust Parameters for Migration Deconvolution. Jianhua Yu. University of Utah. Outline. Problem and Goal. Main parameter selection. Examples. Conclusions. 0.6. MD. 2-D Poststack MIG (Unocal). Depth (km). 2.8. 3-D Point Scatterer Model. 3 km. 3 km. 0. 0. Depth Slides.

Selecting Robust Parameters for Migration Deconvolution - slide 1
01 / 45Selecting Robust Parameters for Migration Deconvolution
1 / 17

Télécharger la présentation

Selecting Robust Parameters for Migration Deconvolution
Une image / un lien ci-dessous est fourni (tel quel) pour télécharger la présentation

Politique de téléchargement : le contenu du site vous est fourni TEL QUEL pour votre information et votre usage personnel ; il ne peut être vendu, concédé sous licence ni partagé sur d’autres sites sans l’accord de son auteur.Le contenu vous est fourni TEL QUEL, pour votre information et votre usage personnel uniquement. Téléchargez la présentation en cliquant sur ce lien. Lors du téléchargement, si vous ne parvenez pas à télécharger une présentation, l’éditeur a peut-être supprimé le fichier de son serveur.Pendant le téléchargement, si vous ne parvenez pas à obtenir une présentation, le fichier a peut-être été supprimé par l’éditeur.

F I N

Plus de contenu associé

Transcription de la présentation

  1. Selecting Robust Parameters for Migration Deconvolution Jianhua Yu University of Utah

  2. Outline Problem and Goal Main parameter selection Examples Conclusions

  3. 0.6 MD 2-D Poststack MIG (Unocal) Depth (km) 2.8

  4. 3-D Point Scatterer Model 3 km 3 km 0 0

  5. Depth Slides 1 km 3 km 5 km MIG MD X (km) Y (km) X (km) Y (km) 3 3 0 0 0 0 1 Amplitude

  6. Depth Slides 7 km 9 km 10 km MIG MD X (km) Y (km) X (km) Y (km) 3 3 0 0 0 0 Amplitude

  7. Improving the stability of MD Algorithm Developed a stable MD filter Unstable MD at some data sets Problem: Solution:

  8. Outline Problem and Goal Main parameter selection Examples Conclusions

  9. Blurring operator Mig: MD is to eliminate this blurring influence in migration image by designing MD operator F R = F M MD: T M = L LR T -1 Reflectivity F= (L L ) Migrated Section Prestack Migration Deconvolution

  10. Define the MD filter length MD filter length Velocity cube Aperture width variation along the depth Calculating migration Green’s function with geometry, velocity, and depth level Inversion algorithm-regularization (Hu, 2001) Migrated cube Inverted MD fiter by inversion End of loop on iz PSMD algorithm: For iz=1, nz (depth or time slice)

  11. N Depth Level i Depth Level 1 Depth Level N L L L N: MD filtering length L: Aperture width parameter CDP Depth (km)

  12. For iz=1, nz (depth or time slice) Define the MD filter length Calculating migration Green’s function with the varied aperture width along the depth and associated with geometry, velocity Inverted MD filter by inversion and applied to the migrated image End of loop on iz Improved PSMD algorithm:

  13. Outline Problem and Goal Main parameter selection Examples Conclusions

  14. 10 km 3X3 Sources; 11 X 11 Receivers 3-D Point Scatterer Model 3 km 3 km 0 0 Imaging: dx=dy=50 m dz=100 m

  15. Z=1 km Z=3 km 0 0 0 0 0 0 0 0 0 0 0 0 X (km) X (km) X (km) X (km) X (km) X (km) Y (km) Y (km) Y (km) Y (km) Y (km) Y (km) 3 3 3 3 3 3 3 3 3 3 3 3 Z=5 km MIG MD Depth Slices

  16. Z=7 km Z=9 km 0 0 0 0 0 0 0 0 0 0 0 0 X (km) X (km) X (km) X (km) X (km) X (km) Y (km) Y (km) Y (km) Y (km) Y (km) Y (km) 3 3 3 3 3 3 3 3 3 3 3 3 Z=10 km MIG MD Depth Slices

  17. Z=7 km Z=9 km 0 0 0 0 0 0 0 0 0 0 0 0 X (km) X (km) X (km) X (km) X (km) X (km) Y (km) Y (km) Y (km) Y (km) Y (km) Y (km) 3 3 3 3 3 3 3 3 3 3 3 3 Z=10 km MIG MD(new) Depth Slices

  18. Kx Kx Kx Kx Kx Kx Ky Ky Ky Ky Ky Ky Spectrum of Green’s function (Old) Spectrum of Green’s function (New) Z=1 km Z=3 km Z=5 km

  19. Kx Kx Kx Kx Kx Kx Ky Ky Ky Ky Ky Ky Spectrum of Green’s function (Old) Spectrum of Green’s function (New) Z=7 km Z=9 km Z=10 km

  20. Z=1 km Z=3 km 0 0 0 0 0 0 0 0 0 0 0 0 X (km) X (km) X (km) X (km) X (km) X (km) Y (km) Y (km) Y (km) Y (km) Y (km) Y (km) 3 3 3 3 3 3 3 3 3 3 3 3 Z=5 km MD MD (new) Depth Slices

  21. Z=7 km Z=9 km 0 0 0 0 0 0 0 0 0 0 0 0 X (km) X (km) X (km) X (km) X (km) X (km) Y (km) Y (km) Y (km) Y (km) Y (km) Y (km) 3 3 3 3 3 3 3 3 3 3 3 3 Z=10 km MD MD (new) Depth Slices

  22. Outline Problem and Goal Main parameter selection Examples: 2-D Meandering Model Conclusions

  23. 3-D Point Scatterer Model 3 km 3 km 0 0 Source: 5X5 Receiver: 21X 21

  24. Meandering Stream Model Model PSDM Image MD

  25. Outline Problem and Goal Main parameter selection Examples: 2-D marine data Conclusions

  26. 0.6 MD Poststack MIG from Unocal Depth (km) 2.8

  27. 0.6 MD MD Depth (km) 2.8

  28. 0.6 MD MIG Depth (km) 2.8

  29. 0.5 P-P PSTM by Unocal Time (s) MD 5

  30. 0.5 MIG Time (s) MD 5

  31. MIG Time (s) MD

  32. Outline Problem and Goal Main parameter selection Examples 2-D PS marine data Conclusions

  33. X (km) 0 6 0 PS PSTM Image ( by Unocal) Time (s) 8

  34. X (km) PSTM PSTMD 0 6 0 MD Time (s) 8

  35. X (km) 0 6 0 PSTM PSTMD MD Time (s) 8

  36. Outline Problem and Goal Main parameter selection Examples 2-DLand data Conclusions

  37. Mig MD Time (s)

  38. Time (s)

  39. Outline Problem and Goal Main parameter selection Examples 3-D SEG/EAGE data Conclusions

  40. 3-D SEG/EAGE Salt Model 1.0-1.4 km

  41. Mig (z=1 km) MD (z=1 km) X (km) X (km) 5 9.8 5 9.8 3 Y (km) 10

  42. Outline Problem and Goal Main parameter selection Examples Conclusions

  43. Filter length N=5-11; Parameter that controls aperture width ranges from 0.005-0.04. Aperture width and filter length in designing MD filter are two key parameters Varied aperture width in MD with the depth improved the stability of MD Conclusions

  44. Acknowledgments • Thank Alan Leeds for his constructive suggestions and providing challenging data to test our MD in Chevron. • Thank Aramco, ChevronTaxco, and Unocal for providing the data sets • Thank 2002 UTAM sponsors for their financial support