Wave Separation. Part Two: Applications La séparation des ondes. Deuxième partie : applications

• Main Authors: Glangeaud F., Mari J. L.
• Format: Article
• Language: English
• Published: EDP Sciences 2006-11-01
• Series: Oil & Gas Science and Technology
• Online Access: http://dx.doi.org/10.2516/ogst:1994002
• ISSN: 1294-4475; 1953-8189

Identifying waves in seismic sections sometimes requires the waves to be separated. The geophysicist has a variety of complementary filters at his disposal that can be used to perform optimum separations if they are carefully chosen and combined. The first part of this article was devoted to the principle and methods of wave separation. Wave separation methods can be divided up into three categories : acceptance region methods, inversion methods and matrix methods. The tau-p method and f-k filtering belong to the first category while the parametric method belongs to the second one. Matrix filtering by means of the cross-spectral matrix (SMF : Spectral Matrix Filtering), the singular value decomposition (SVD) and the Karhunen-Loeve method (KLT-Karhunen-Loeve Transform) belong to the third group. Matrix methods are used both to separate waves and to break data down into a signal space and a noise space. Here in the second part, we use synthetic data to compare how well the SVD and SMF methods perform in separating waves with only one eigenvector. We show that SMF filtering can be made much more effective by introducing models and present the SMF method with adapted or constrained models. We also introduce a field example of wave separation by conventional SMF filtering, then a synthetic example and two field examples of wave separation by SMF filtering with models. We demonstrate the advantages of using different wave separation methods together (f-k, KLT and SMF) to achieve optimum separation. The data that serve to illustrate this are full waveform acoustic data acquired in a horizontal drain hole. A VSP-type well survey is used to compare the different methods : f-k, SVD, SMF and the parametric method. The last example shows how SMF processing can be used for anisotropy measurement. The f-k filter requires a large number of traces that have been distance sampled at short intervals. The more stable the wave that is being extracted and the more clearly located it is in the f-k domain, the more efficient the filter is. The method is very cost-effective in CPU time. The KLT or SVD filter requires flattening the wave that is to be extracted, which must additionally be of greater amplitude. Filtering is carried out without any edge effect and the wave amplitude variations are preserved. It serves to separate the normal incidence wave from the other waves and the noise. The SMF filter (spectral matrix) is expensive in CPU time It makes the hypothesis that the wave is locally stable and does not require the data to be flattened. It can be used to separate very close neighboring waves without resorting to restrictive a priori hypotheses. It gives a measurement of time delays and also provides a measurement of variations in amplitude and phase spectra during propagation. This measurement is much better than the one supplied by the Wiener method, since it operates on all the traces. Additionally, it is used to separate data into a signal space and a noise space. The parametric method is the most expensive as regards time. It is simple to implement and requires no flattening or preparation of data. It extracts the waves according to chosen parameters, especially time delays. It is particularly recommended in offset vertical seismic profiling where the slowness of upgoing waves is unknown. It is robust with respect to some input parameters if the noise is low in comparison to the signal that is to be extracted. Many applications to field data have illustrated the effectiveness of these wave separation techniques. However, application to a new type of data often requires performance to be monitored to choose the best method. <br> L'identification d'ondes dans les sections utilisées en prospection sismique nécessite parfois de séparer ces ondes. La première partie de cet article a été consacrée au principe et aux méthodes de séparation d'ondes. Les méthodes de séparation d'ondes peuvent être classées en trois familles : les méthodes à gabarit, les méthodes d'inversion et les méthodes matricielles. Le filtrage f-k et la méthode tau-p appartiennent à la première famille. La méthode paramétrique appartient à la deuxième famille. Le filtrage matriciel à l'aide de la matrice interspectrale (SMF : Spectral Matrix Filtering), la méthode de Karhunen-Loève (TKL : Transformation de Karhunen-Loève) et la méthode SVD (Singular Value Decomposition) appartiennent à la troisième famille. Les méthodes matricielles permettent à la fois une séparation d'ondes et l'éclatement des données en un espace signal et un espace bruit. Dans la deuxième partie, nous comparons les performances des méthodes SVD et SMF pour séparer les ondes avec un seul vecteur propre sur données synthétiques. Nous montrons que l'efficacité du filtrage SMF peut être grandement améliorée en introduisant des modèles. Nous présentons la méthode de filtrage SMF avec modèles adaptés ou contraints. Nous présentons un exemple réel de séparation d'ondes par le filtrage SMF classique, puis un exemple synthétique et deux exemples réels de séparation d'ondes par filtrage SMF avec modèles. Nous montrons le bénéfice d'utiliser conjointement différentes méthodes de séparation d'ondes (f-k, TKL et SMF) pour arriver à une séparation optimale; les données servant à cette illustration sont des données de diagraphies acoustiques en champ total acquises dans un drain horizontal. Un exemple de sismique de puits de type PSV permet une comparaison des différentes méthodes : f-k, SVD, SMF et méthode paramétrique. Le dernier exemple montre que la mesure d'anisotropie est facilitée par le filtrage matriciel de type SMF. Le filtre f-k a besoin d'un grand nombre de traces finement échantillonnées en distance. Il est d'autant plus efficace que l'onde à extraire est stable et bien localisée dans le domaine f-k. Il est très peu coûteux. Le filtre TKL nécessite une mise à plat de l'onde à extraire qui doit être de plus grande amplitude. Le filtrage est effectué sans effet de bord et les variations d'amplitude de l'onde sont préservées. Il permet de séparer les données en un espace signal et un espace bruit. Le filtre SMF (matrice spectrale) est coûteux en temps de calcul. Il fait l'hypothèse que l'onde est localement stable. Il ne nécessite pas la mise à plat des données. Il permet de séparer des ondes très voisines sans faire appel à des hypothèses a priori fortes. Il donne une mesure des écarts de temps. Il donne une mesure des variations de spectre d'amplitude et de phase lors de la propagation bien supérieure à celle fournie par la méthode de Wiener puisqu'il opère sur l'ensemble des traces. Il permet également de séparer les données en un espace signal et un espace bruit. La méthode paramétrique est la plus coûteuse en temps. Elle est simple à mettre en oeuvre et ne nécessite ni mise à plat ni préparation de données. Elle extrait les ondes en fonction des paramètres retenus, notamment les écarts de temps. Elle est particulièrement recommandée en profil sismique déporté où la lenteur des ondes montantes n'est pas connue. Elle est robuste vis-à-vis de quelques paramètres d'entrée si le bruit est faible par le rapport au signal à extraire. Les multiples applications à des données réelles ont illustré l'efficacité de ces techniques de séparation d'ondes. Par contre, l'application à un nouveau type de données nécessite souvent un contrôle des performances pour choisir la meilleure méthode.