DECONVOLUÇÃO DA MIGRAÇÃO USANDO DECOMPOSIÇÃO DE DOMÍNIO
Documento
Informações da Tese
Título
DECONVOLUÇÃO DA MIGRAÇÃO USANDO DECOMPOSIÇÃO DE DOMÍNIO
Autor
Luana Nobre Osorio
Resumo
A migração por quadrados mínimos (do inglês Least-squares migration - LSM) revelou-se uma técnica eficiente para atenuar efeitos de desfoque e artefatos gerados por problemas no operador de migração, pelos limites da banda de frequência dos dados sísmicos, cobertura incompleta da geometria de aquisição, assinatura da fonte e amplitudes desbalanceadas causadas pelo caminho da onda em meios com alta complexidade na subsuperfície. A deconvolução da migração (do inglês Migration deconvolution - MD) é uma abordagem da técnica de quadrados mínimos no domínio da imagem que aproxima o operador Hessiano por um conjunto de funções de espalhamento pontual (do inglês point spread functions, PSFs) pré-calculadas. Nesta tese, introduz-se um novo fluxo de trabalho, integrando os métodos MD e decomposição de domínio (DD). As técnicas de DD têm como objetivo resolver sistemas lineares grandes e complexos, particionando os problemas em menores, facilitando a computação paralela e fornecendo uma maior convergência em algoritmos iterativos. A proposta consiste em, ao invés de resolver o problema em um domínio único, conforme realizado convencionalmente, particionar o problema em subdomínios com sobreposição e resolvê-los de forma independente. Além disso, usando o operador pseudo-Hessiano, a convergência do algoritmo é acelerada, sugerindo que o problema inverso fica melhor condicionado. Experimentos usando dados sintéticos demonstram que o algoritmo proposto reduz drasticamente o número de iterações necessárias para convergência do método, além de proporcionar um aprimoramento considerável na resolução da imagem e melhor continuidade de eventos com baixa iluminação, obtendo-se, desta forma, uma imagem com amplitudes melhor balanceadas.
Abstract
Least-squares migration (LSM) is technique for mitigating blurring effects and migration artifacts generated by the limited data frequency bandwidth, incomplete geometry coverage, source signature, and unbalanced amplitudes caused by complex wavefield propagation in the subsurface. Migration deconvolution (MD) is an imagedomain approach for least-squares migration, which approximates the Hessian operator using a set of precomputed point spread functions (PSFs). We introduce a new workflow by integrating the MD and domain decomposition (DD) methods. The DD techniques aim to solve large and complex linear systems by splitting problems into smaller parts, facilitating parallel computing, and providing a higher convergence in iterative algorithms. The following proposal suggests that instead of solving the problem in a unique domain, as conventionally performed, we split the problem into subdomains that overlap and solve each of them independently. We accelerate the convergence rate of the conjugate gradient solver by applying the DD methods to retrieve a better reflectivity, which is mainly visible in regions with low amplitudes. Moreover, using the pseudo-Hessian operator as preconditioner, the convergence of the algorithm is accelerated, suggesting that the inverse problem becomes better conditioned. Experiments using the synthetic Pluto model demonstrate that the proposed algorithm dramatically reduces the required number of iterations while providing a considerable enhancement in the image resolution and better continuity of poorly illuminated events.
Ano
2021
Orientadores
Luiz Landau | André Bulcão