作者简介: 刁瑞(1985-),男,硕士,2011年获中国石油大学(华东)地球探测与信息技术专业硕士学位,现在胜利油田物探研究院工作,主要从事地震资料处理及地球物理方法研究工作,公开发表论文数篇。
原始微地震监测数据的信噪比相对较低,监测数据品质决定了微地震有效信号的定位精度,提高监测数据信噪比是微地震处理的关键环节。改进S变换对窗函数进行能量归一化处理,解决了常规S变换时频谱中频率定位不准的问题,具有更高的时频分辨率精度。利用改进S变换的良好二维时频域聚焦特性,设计时变的二维时频域滤波器,将时频域去噪方法引入到微地震监测数据的去噪处理中。利用改进S变换对微地震监测数据进行时频分析,能够更加准确地分析不同信号分量的振幅能量以及频率随时间的变化情况,实现微地震有效信号分量与噪声干扰分量的有效分离。通过合成模拟信号和实际井中微地震监测数据的试处理和对比分析,验证了该方法的可行性和有效性。
The microseismic monitoring data have low signal-to-noise ratio and contain lots of noise with different characteristics.The location accuracy of the microseismic event depends on the signal-to-noise ratio of microseismic monitoring data.In microseismic monitoring data processing,it is very important to improve the signal-to-noise ratio.The improved S transform,which has high time-frequency solution,is useful for microseismic monitoring data.Microseismic events can be better processed in time-frequency spectrum than in conventional Fourier transform.Based on the fine focus in time-frequency domain and flexible window function choice of improved S transform,the authors designed a 2D time variable time-frequency filter,which was used to process micro-seismic monitoring data.The combined signal and field micro-seismic monitoring data demonstrate the feasibility and efficiency of the method.
时频分析的基本思想是设计时间和频率的联合函数, 同时描述信号在不同时间和频率的能量密度或强度, 是分析非平稳信号的有力工具[1]。Stockwell等[2]提出的S变换继承并发展了短时傅里叶变换和连续小波变换, 采用可变的高斯窗函数, 时频分辨率随着频率发生变化, 基本小波不需要满足容许性条件, 并且S变换与傅里叶谱保持直接的联系。由于S变换的基本小波是固定不变的, 使得S变换的应用受到限制, 许多学者通过改进基本小波或窗函数得到了改进的S变换, 并取得了良好的应用效果。Pinneagar等[3]将改造后的S变换应用于地震信号与含噪声非平稳信号的处理; 高静怀等[4]将改进S变换用于薄层的地震探测、有色噪声与信号的识别和预测砂岩储层; 陈学华等[5, 6, 7]利用改进S变换进行时频谱分解、油气储层低频阴影检测和油气识别等; 刁瑞等[8, 9, 10]将改进S变换与谱模拟方法相结合, 应用于地震资料的高分辨率处理中。
原始微地震监测数据中噪声的类型多、能量强、分布范围广, 微地震监测数据的信噪比相对较低。在微地震监测数据处理过程中, 首先要提高微地震监测数据的信噪比, 然后才能进行微地震有效信号的准确定位。提高微地震监测数据的信噪比是微地震处理的关键环节, 通常采用信号增强和噪声压制两种思路来消除微地震监测数据中的噪声, 常用的经典去噪处理方法包括:中值滤波、多项式拟合、反褶积滤波、频率域滤波和时间域褶积滤波等[11, 12, 13, 14, 15]。笔者利用改进S变换的良好二维时频域聚焦特性, 设计时变的二维时频域滤波器, 将其引入到微地震监测数据的有效信号提取和噪声干扰压制中。基于改进S变换的二维时频域去噪方法具有多分辨率、去相关性和较高保真度, 适应于低信噪比的非平稳信号。通过合成模拟信号和实际井中微地震监测数据的去噪效果对比分析, 验证了基于改进S变换的二维时频域微地震去噪方法的可行性和有效性。
常规S变换的时频窗口能够随着频率尺度自适应地调整, 具有较高的时频分辨率。但随着频率的增加, 常规S变换[6]的窗函数幅值会迅速增大, 对时频谱的能量分布产生明显的加权效应, 高频端出现异常能量值。为解决时频谱中频率定位不准的问题, 对常规S变换的窗函数进行能量归一化处理, 实现提高时频分辨率精度的目的, 改进S变换的窗函数为[7]
其中:f为频率, t为时间, τ 为窗函数的时间位置, λ 和p为用于调节窗函数的时间延续长度和衰减趋势, λ > 0, p> 0。微地震原始数据h(t)的改进S变换的二维时频谱表达式为
式中:h(t)是微地震原始数据, SGT(τ , f)是微地震数据的时频谱。改进S变换的窗函数包络可以随着参数λ 和p的不同而变化, 根据实际应用的需要合理的选择参数 λ 和p, 能够有效调节改进S变换的时频分辨率, 具有较高的适应性和灵活性。
线性调频信号能够有效检验时频分析方法的时频聚集性能, 图1a为线性调频合成信号, 合成信号由一个频率从低到高递增的线性调频信号、一个频率从高到低递减的线性调频信号、一个低频范围信号和一个高频范围信号分量叠加而成; 图1b是短时傅里叶变换的时频谱, 虽然能够识别出两个线性调频信号分量, 但是高频信号分量却无法分辨, 低频信号分量的分辨率也很低; 图1c是S变换的时频谱, 可以分辨出各个信号分量, 其中的低频信号分量具有较高的频率分辨率, 而高频信号分量具有较高的时间分辨率, 具有类似多分辨率的特性, 但是时频谱的分辨率整体较低; 图1d是改进S变换的时频谱, 各个信号分量都能清晰地分辨出来, 在低频端时频分辨率仍然较高, 而高频端的频率分辨率明显提高。通过对比图1b、图1c和图1d, 改进S变换的时频谱具有较好的时频分辨率, 合成信号中的低频端和高频端的信号分量能够清晰地分辨, 两个线性调频信号的时频分辨率整体较高, 对非平稳信号中不同频率信号分量有更强的识别能力。
原始微地震监测数据中包含声波、井场干扰、村镇车辆干扰和随机干扰等各种噪声, 各类噪声分量在时间域和频率域内与微地震有效事件分量混叠在一起, 仅仅从时间域或频率域识别噪声比较困难。相对于在一维时间域或频率域分析, 在二维时间— 频率域对微地震原始数据进行时频分析, 能够更好地区分有效信号分量和噪声分量频率随时间的变化规律。
根据微地震监测数据中有效信号的时频特征进行针对性的去噪处理。原始微地震监测数据可以表示为
其中:h(t)为原始微地震监测数据; hsignal(t)为微地震中的有效信号分量; hnoise(t)为微地震监测数据中的噪声分量。对式(3)进行改进S变换处理, 可以得到二维时频域的表达式
其中:H(τ , f)为h(t)的二维时频谱; Hsignal(τ , f)为hsignal(t)的二维时频谱; Hnoise(τ , f)为hnoise(t)的二维时频谱。改进S变换是线性和可逆的, 获得微地震监测数据的二维时频谱之后, 根据噪声分量在二维时频谱上的分布特征来设计时变滤波器, 使得噪声分量Hnoise(τ , f)趋近于零, 最大限度地保留微地震有效信号分量Hsignal(τ , f), 最后经改进S逆变换处理, 就可以得到噪声压制后的高信噪比微地震监测数据。
根据对实际原始微地震监测数据的频谱分析, 微地震有效信号分量的频率范围具有一定带宽, 而噪声分量一部分分布在低频端和高频端, 另一部分的频率范围与微地震有效信号分量的频率范围相互重叠。根据噪声分量在时频域的分布范围, 利用微地震有效信号分量与噪声分量的时间方向和频率方向两个方面的差异特征, 设计二维时频域滤波器, 其数学表达式为
其中:τ ∈ [τ 1, τ 2]和f∈ [f1, f2]是微地震有效信号分量的分布范围。在二维时频域中对原始微地震监测数据进行时变滤波处理
其中:hsignal(t)是经过二维时变滤波处理后的微地震有效信号分量。通过二维时频域滤波处理后, 只保留二维时频域内特定范围内的微地震有效信号分量, 达到了压制噪声分量的目的。
通过合成模拟信号分析时频域去噪方法的可行性, 并与常规的频率域带通滤波方法进行对比。图2是合成模拟信号及其二维时频谱。图2a是包含4个分量信号和1个合成的模拟信号(Ⅴ ), 其中4个分量分别是:低频余弦噪声信号(Ⅱ )、40 Hz主频的地面规则干扰波噪声信号(Ⅰ )、150 Hz主频的高频噪声信号(Ⅲ )和60 Hz主频的微地震有效信号(Ⅳ ), 其中建筑工地等地面规则干扰波噪声信号等间隔500 ms规则出现。图2b是合成模拟信号的改进S变换二维时频谱, 从时频谱上可以看到这4类信号的时间分布和频率特征, 4类信号从频率特征上来看, 低频噪声信号和高频噪声信号是易于区分和压制的, 但是规则干扰波噪声信号与微地震有效信号的频率范围重叠在一起, 带通滤波方法不能有效压制噪声信号。规则干扰波噪声信号与微地震有效信号在时间分布上可以区分, 因此可以根据微地震有效信号与噪声信号在二维时频谱上的时间域和频率域两方面的分布特征, 利用时频域滤波器进行针对性的去噪处理。
图3是带通滤波与时频域滤波的噪声压制效果对比, 其中图3a是原始噪声分量, 其中包括:低频余弦噪声信号、地面规则干扰波噪声信号和高频噪声信号; 图3b是带通滤波方法处理后得到的噪声信号分量; 图3c是图3a与图3b的差值, 该差值能够反映带通滤波方法去噪效果的好坏, 带通滤波方法去掉的噪声信号与原始模拟噪声信号分量差别较大, 去噪效果不理想; 图3d是时频域滤波方法压制的噪声信号分量; 图3e是图3a与图3d的差值, 该差值能够反映时频域滤波方法去噪效果的好坏。时频域滤波方法去掉的噪声信号与原始模拟噪声信号分量基本一致, 噪声信号分量得到了较好的压制。
图4是带通滤波与时频域滤波的有效信号识别结果对比, 其中图4a是原始微地震有效信号分量; 图4b是带通滤波处理得到的微地震信号分量; 图4c是图4a与图4b的差值; 图4d是时频域滤波处理得到的微地震信号分量; 图4e是图4a与图4d的差值, 两者的差值很小, 通过时频域滤波方法处理后, 识别的有效信号与模拟微地震有效信号基本一致。
从图3和图4可以看出, 相对于常规的频率域带通滤波方法, 时频域去噪方法能够较好地压制噪声。尽管40 Hz主频的地面规则干扰波噪声信号与60 Hz主频的微地震有效信号的频率范围相互重叠, 但是结合时间方向和频率方向两个方面的差异特征, 时频域滤波方法能够在时频域范围内有效压制该类干扰波噪声信号。
将基于改进S变换的时频域去噪方法引入到实际井中微地震监测数据中, 通过试处理分析验证该方法的可行性。图5是某工区实际井中微地震数据的二维时频谱, 从图中可以看出:微地震数据中低频噪声广泛分布, 1 650 ms处的微地震有效信号的频率范围为30~150 Hz。在不同时间段上, 二维时频域中微地震有效信号与噪声信号存在较明显的频率差异, 根据时间方向和频率方向两个变量能够更加有效地压制微地震数据中的各类噪声信号。
图6a是实际原始井中微地震监测数据; 图6b是进行带通滤波处理后得到的微地震监测数据, 带通滤波范围是20~120 Hz; 图6c是进行带通滤波处理后得到的微地震监测数据, 带通滤波范围是30~80 Hz; 图6d是进行时频域去噪处理后的微地震监测数据。分析红色框内的井中微地震监测数据, 对比滤波去噪处理前后的微地震有效信号, 时频域去噪方法能够有效压制噪声, 去噪后的微地震监测数据的信噪比明显提升。
改进S变换具有较好的时频分辨率, 利用改进S变换对微地震监测数据进行时频分析, 能够更加准确地分析微地震有效信号分量和干扰波噪声信号分量的能量以及频率随时间的变化规律。由于微地震监测数据中各类噪声信号分量在时间域和频率域内与微地震有效信号分量混叠在一起, 仅仅从一维时间域或一维频率域压制噪声是比较困难的, 在二维时频域内进行时变滤波处理, 利用微地震有效信号与噪声信号的时间域和频率域两个方面的特征差异, 能够得到较好地压制各类噪声信号。通过合成模拟信号和实际井中微地震监测数据的去噪处理对比分析, 基于改进S变换的二维时频域去噪方法能够较好地压制噪声信号, 实现提高微地震监测数据的信噪比的目的。
The authors have declared that no competing interests exist.
[1] |
|
[2] |
|
[3] |
|
[4] |
|
[5] |
|
[6] |
|
[7] |
|
[8] |
|
[9] |
|
[10] |
|
[11] |
|
[12] |
|
[13] |
|
[14] |
|
[15] |
|