Что такое findslide.org?

FindSlide.org - это сайт презентаций, докладов, шаблонов в формате PowerPoint.


Для правообладателей

Обратная связь

Email: Нажмите что бы посмотреть 

Яндекс.Метрика

Презентация на тему Вейвлеты при анализе скважинных данных

Содержание

План Кратномасштабный вейвлет-анализПроизвольный информационный сигналРешаемые задачиПримерыВыводыВопросыШестая пара
Вейвлеты при анализе скважинных данныхКидрасова Гульназ 410Ни одна вещь не возникает и План Кратномасштабный вейвлет-анализПроизвольный информационный сигналРешаемые задачиПримерыВыводыВопросыШестая пара Вспомним про вейвлеты:Берем порождающий вейвлет (функция с нулевым средним значением, локализованная по НО! И непрерывное и дискретное вейвлет-преобразования с произвольным шагом по масштабу и Произвольный информационный сигнал =региональная функция тренда+циклические компоненты с определенным периодом повторения+локальные особенности Выделение пластовФильтрация данных Корреляция скважини т.д.  Применение к задаче выделения пластов Сигнал есть сумма функций, каждая из которых отражает вклад различных частотных составляющих. Преобразование коэффициентов методом трешолдинга(кратко: применяем преобразование trc к коэффициентам d, которое определяется Применение к задаче выделения пластов  Применение вейвлет-преобразования Хаара к каротажным данным.Коэффициент с = 5, m=7 Применение вейвлет-преобразования Хаара к каротажным данным.Коэффициент с = 15 Подвергнем коэффициент dk,i’дополнительному преобразованию, которое зануляет все коэффициенты с индексами k меньше Применение преобразования Хаара с удалением деталей уровня 1(осреднение деталей характерной длиной 2) Применение преобразования Хаара с удалением деталей уровня 4(осреднение деталей характерной длиной 16) Выводы1) использование вейвлет-преобразований Хаара в большинстве случаев даёт достоверную картину2) алгоритм, основанный Да, мы все поняли ВопросыОсновная идея кратномасштабного вейвлет-анализаДля решения каких задач в скважинной геофизике можно использовать КМА?Что такое трешолдинг коэффициентов? Список литературыС.С. Крайниковский, «ВЕЙВЛЕТ-ОБРАБОТКА ДАННЫХ В ГЕОФИЗИЧЕСКИХ ИССЛЕДОВАНИЯХ СКВАЖИН»Wavelet Analysis and Its
Слайды презентации

Слайд 2 План
Кратномасштабный вейвлет-анализ
Произвольный информационный сигнал
Решаемые задачи
Примеры
Выводы
Вопросы





Шестая пара

План Кратномасштабный вейвлет-анализПроизвольный информационный сигналРешаемые задачиПримерыВыводыВопросыШестая пара

Слайд 3 Вспомним про вейвлеты:
Берем порождающий вейвлет (функция с нулевым

Вспомним про вейвлеты:Берем порождающий вейвлет (функция с нулевым средним значением, локализованная

средним значением, локализованная по оси аргументов)
Получаем «пакет» вейвлетов посредством

сдвигов и растяжений по оси времени порождающего вейвлета. Это наш базис
Дискретное или непрерывное вейвлет-преобразование
Profit


Периоды вейвлет-преобразования

Временной сдвиг

сигнал

его вейвлет-спектр


Слайд 4 НО! И непрерывное и дискретное вейвлет-преобразования с произвольным

НО! И непрерывное и дискретное вейвлет-преобразования с произвольным шагом по масштабу

шагом по масштабу и сдвигу обладают сильной избыточностью.

Достаточно знать

вейвлет-преобразование на некоторой решетке частотно-временной области, густой в области высоких частот сигнала, и редкой в области низких частот. Для этого нужен кратномасштабный вейвлет-анализ (КМА).

Идея КМА - масштабировать вейвлет в постоянное число раз, и сдвигать его во времени с шагом, равным интервалу носителя масштабированного вейвлета.


Слайд 5 Произвольный информационный сигнал
=
региональная функция тренда
+
циклические компоненты с

Произвольный информационный сигнал =региональная функция тренда+циклические компоненты с определенным периодом повторения+локальные

определенным периодом повторения
+
локальные особенности (аномалии) разного порядка +
флуктуации (шумы)



КМА - инструмент разделения сигнала на составляющие, анализа их порядка и реконструкции сигналов из определенных составляющих (или с исключением определенных составляющих, например шумов или малозначимых деталей)


Слайд 6 Выделение пластов
Фильтрация данных
Корреляция скважин
и т.д.

Выделение пластовФильтрация данных Корреляция скважини т.д.

Слайд 7  
Применение к задаче выделения пластов

 Применение к задаче выделения пластов

Слайд 8 Сигнал есть сумма функций, каждая из которых отражает

Сигнал есть сумма функций, каждая из которых отражает вклад различных частотных

вклад различных частотных составляющих. Суммы, соответствующие функциям Ψk,i отражают

«вклад» частот характерным размером длины 2k .

Основным утверждением, используемым в обработке дискретных сигналов, является существование разложения сигнала по базисным функциям разных уровней (преобразование Хаара):



Слайд 9 Преобразование коэффициентов методом трешолдинга
(кратко: применяем преобразование trc к

Преобразование коэффициентов методом трешолдинга(кратко: применяем преобразование trc к коэффициентам d, которое

коэффициентам d, которое определяется как trc(x) = x ,

если x ≥ c и trc (х) = 0 иначе)

Разложение сигнала по базисным функциям разных уровней


Слайд 10 Применение к задаче выделения пластов
 

Применение к задаче выделения пластов 

Слайд 11
Применение вейвлет-преобразования Хаара к каротажным данным.
Коэффициент с =

Применение вейвлет-преобразования Хаара к каротажным данным.Коэффициент с = 5, m=7

5, m=7


Слайд 12

Применение вейвлет-преобразования Хаара к каротажным данным.
Коэффициент с =

Применение вейвлет-преобразования Хаара к каротажным данным.Коэффициент с = 15

Слайд 13 Подвергнем коэффициент dk,i’дополнительному преобразованию, которое зануляет все коэффициенты

Подвергнем коэффициент dk,i’дополнительному преобразованию, которое зануляет все коэффициенты с индексами k

с индексами k меньше фиксированного значения l . В

таком случае происходит удаление всех деталей, характерный размер которых менее δ = 2l-1

Слайд 14
Применение преобразования Хаара с удалением деталей уровня 1
(осреднение

Применение преобразования Хаара с удалением деталей уровня 1(осреднение деталей характерной длиной 2)

деталей характерной длиной 2)


Слайд 15
Применение преобразования Хаара с удалением деталей уровня 4
(осреднение

Применение преобразования Хаара с удалением деталей уровня 4(осреднение деталей характерной длиной 16)

деталей характерной длиной 16)


Слайд 16 Выводы
1) использование вейвлет-преобразований Хаара в большинстве случаев даёт

Выводы1) использование вейвлет-преобразований Хаара в большинстве случаев даёт достоверную картину2) алгоритм,

достоверную картину
2) алгоритм, основанный на вейвлет-преобразованиях позволяет более гибко

настраивать параметры обработки кривых
3) недостатком может являться то, что длина пласта всегда есть число, кратное 2kh , что вносит некоторую «машинную составляющую» в картину разреза. Однако для работы алгоритмов интерпретации этот фактор не является существенным, либо может быть устранён при доработке алгоритма.

Слайд 17
Да, мы все поняли

Да, мы все поняли

Слайд 18 Вопросы
Основная идея кратномасштабного вейвлет-анализа
Для решения каких задач в

ВопросыОсновная идея кратномасштабного вейвлет-анализаДля решения каких задач в скважинной геофизике можно использовать КМА?Что такое трешолдинг коэффициентов?

скважинной геофизике можно использовать КМА?
Что такое трешолдинг коэффициентов?


  • Имя файла: veyvlety-pri-analize-skvazhinnyh-dannyh.pptx
  • Количество просмотров: 103
  • Количество скачиваний: 0