Automatic First Break Detection Using Support Vector Machines

Publikationen: Thesis / Studienabschlussarbeiten und HabilitationsschriftenDissertation

Organisationseinheiten

Abstract

Statische Korrekturen sind für die Verarbeitung von seismischen Landdaten ein essentieller Schritt. Alle automatischen Methoden benötigen Nachbearbeitung der Resultate, um Fehler in der Identifikation von Ersteinsätze oder der den Ersteinsätzen entsprechenden Wellenformen zu entfernen. Die manuelle Detektion der Ersteinsätze ist in Verbindung mit automatischen oder halbautomatischen Methoden nach wie vor die verlässlichste Methode. Durch die steigende Anzahl von Spuren in seismischen Messungen stellt manuelles Bearbeiten von Ersteinsätzen einen kostenintensiven Prozess dar. Der Bedarf der Industrie an automatischen Algorithmen zur Festlegung von Ersteinsätzen mit verlässlichen Resultaten und gleichzeitiger Erkennung und Entfernung von fehlerhaften Ersteinsätzen ist nach wie vor hoch. In dieser Arbeit wir eine neue Methode zur automatischen Erkennung und Klassifizierung von Ersteinsätzen, die “Support Vector Machine” (SVM), vorgestellt und gemeinsam mit vier anderen konventionellen Methoden getestet. Der Vorteil der vorgestellten Methode liegt in der Möglichkeit, die Ergebnisse anderer Methoden und Algorithmen in die neue Anwendung zu inkludieren. Die neue Methode basiert auf der Erkennung und Messung von Similaritäten der Wellenformen. Ein großer Vorteil liegt darin, dass als Eingangssignal jede beliebige Wellenform herangezogen werden kann. Zusätzlich kann das Ergebnis der Klassifizierung für nachbearbeitende Schritte herangezogen werden, um fehlerhaft detektierte Ersteinsätze zu entfernen. Es wurden drei verschieden seismische Datensätze verwendet, um den Algorithmus zu testen und die Effizienz zu vergleichen: Ein synthetischer Datensatz, ein 2D Vibroseis-Datensatz und eine 3D Schussseismik. Die Genauigkeit der SVM – Klassifizierung beträgt bei allen getesteten Datensätzen über 98 %. Die Genauigkeiten der konventiellen Methoden betragen 81 %, 69 % bzw. 65 %. In Kapitel 4 wird bewiesen, dass die Genauigkeit der vorgestellten Methode höher als bei konventionellen Methoden ist. Weiters wird gezeigt, das die Entfernung von fehlerhaften Einsätzen anhand der SVM – Klassifizierung ein hilfreiches Werkzeug für jeden beliebigen Datensatz darstellt.

Details

Titel in ÜbersetzungAutomatische Erkennung der Ersteinsätze
OriginalspracheEnglisch
QualifikationDr.mont.
Betreuer/-in / Berater/-in
  • Millahn, Karl, Beurteiler A (intern)
  • Brückl, Ewald, Beurteiler B (extern), Externe Person
StatusVeröffentlicht - 2011