基于MapReduce的叠前偏移并行处理方法和装置制造方法及图纸

提供了一种基于MapReduce的叠前偏移并行处理方法和装置，该方法包括：将地震道集数据按照偏移距大小排序，生成共偏移距道集数据；根据预先设置的偏移距分组参数，将共偏移距道集数据分组成偏移距组；针对每个偏移距组执行映射Map操作，得到成像空间；以及合并各成像空间得到成像结果数据。该方法和装置通过利用MapReduce并行模型，改进了叠前偏移并行实现方式，提高了叠前偏移的计算效率和大规模数据适应性，为地震勘探提供高效准确的地震成像数据。

【技术实现步骤摘要】

本专利技术属于地震勘探领域中地震资料处理
，具体涉及一种基于MapReduce的叠前偏移并行处理方法和装置。
技术介绍
叠前偏移处理一直以来对大规模并行计算有很高要求，随着勘探规模的扩大，面对上千平方公里探区的巨大规模数据体，现有的积分法叠前时间偏移面临计算效率降低，并行处理规模小，对硬件的要求高的问题。如何提高叠前时间偏移的规模适应性，提高大规模资料处理时的计算效率和系统适应性，提高叠前时间偏移处理的经济效益，是叠前时间偏移处理面临的一个问题。
技术实现思路
本公开的目的在于解决上述现有技术中存在的难题，提供一种基于MapReduce的叠前偏移并行处理方法和装置，提高了叠前偏移处理的计算效率，使之适应于大规模计算。一方面提供了一种基于MapReduce的叠前偏移并行处理方法，该方法包括：将地震道集数据按照偏移距大小排序，生成共偏移距道集数据；根据预先设置的偏移距分组参数，将共偏移距道集数据分组成偏移距组；针对每个偏移距组执行映射Map操作，得到成像空间；合并各成像空间得到成像结果数据。另一方面提供了一种基于MapReduce的叠前偏移并行处理装置，该装置包括：用于将地震道集数据按照偏移距大小排序，生成共偏移距道集数据的部件；用于根据预先设置的偏移距分组参数，将共偏移距道集数据分组成偏移距组的部件；用于针对每个偏移距组执行映射Map操作，得到成像空间的部件；用于
合并各成像空间得到成像结果数据的部件。本专利技术的各方面通过利用MapReduce并行模型，改进了叠前偏移并行实现方式，提高了叠前偏移的计算效率和大规模数据适应性，为地震勘探提供高效准确的地震成像数据。附图说明通过结合附图对本公开示例性实施方式进行更详细的描述，本公开的上述以及其它目的、特征和优势将变得更加明显，其中，在本公开示例性实施方式中，相同的参考标号通常代表相同部件。图1示出了基于MapReduce的处理流程的示意图。图2示出了根据本专利技术的一个实施例的基于MapReduce的叠前偏移并行处理方法的流程图图3示出了偏移距组分组方案的一个示例的示意图。图4示出了本专利技术的一个具体示例的处理过程示意图。图5示出了本专利技术实施例的处理效果示意图。具体实施方式下面将参照附图更详细地描述本公开的优选实施方式。虽然附图中显示了本公开的优选实施方式，然而应该理解，可以以各种形式实现本公开而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了使本公开更加透彻和完整，并且能够将本公开的范围完整地传达给本领域的技术人员。本专利技术利用MapReduce并行计算模型改进现有叠前偏移处理的并行实现方式，利用高效的数据分组方案实现大规模并行计算。通过并行方式的改造，提高了叠前偏移处理的计算效率。MapReduce是Google公司开发的一种并行处理计算模型，由于在海量数据的处理中具有很好的扩展性和良好的容错性，被广泛应用在网页索引、数据
挖掘、科学模拟以及云计算平台中。MapReduce提供了一种在大规模计算机集群上对海量数据进行分布式处理的方法，它将复杂并行计算过程高度的抽象到了两个函数，映射Map和归约Reduce。通过将海量数据集分割成小数据集交给不同的计算机进行处理，从而实现并行化。对于数据，MapReduce将其看作一系列的〈key，value〉对(键值对)，对数据处理过程则简化成Map映射和Reduce归约两个阶段。在MapReduce平台里，往往将一个作业的输入数据集分成若干个独立的数据库，由Map并行处理，将一组〈key，value〉对映射成一组新的〈key，value〉对，作为Reduce的输入，执行相关操作。MapReduce的处理流程示意图如图1所示，由输入(分块)、Map任务、Reduce任务、输出(结果)四部分构成。MapReduce是通常应用于互联网的大数据处理中的技术，然而专利技术人认识到，MapReduce并行模型的海量数据处理优势，能够为叠前偏移处理实现大规模、高效计算提供一种有效的解决方案。实施例1图2示出了根据本专利技术的一个实施例的基于MapReduce的叠前偏移并行处理方法的流程图，该方法包括：步骤201，将地震道集数据按照偏移距大小排序，生成共偏移距道集数据；步骤202，根据预先设置的偏移距分组参数，将共偏移距道集数据分组成偏移距组；步骤203，针对每个偏移距组执行映射Map操作，得到成像空间；以及步骤204，合并各成像空间得到成像结果数据。本实施例通过利用MapReduce并行模型改进了叠前偏移并行实现方式，提高了叠前偏移的计算效率和大规模数据适应性，为地震勘探提供高效准确的地震成像数据。生成共偏移距道集数据在一个示例中，首先对地震道集数据(例如共中心点地震道集数据)按照偏移距大小进行排序，例如，可将地震道集数据按照偏移距从小到大(或者从大到小)的顺序排列，所得到的排列后数据在本文中称为共偏移距道集数据。分组成偏移距组在一个示例中，将共偏移距道集数据分组成偏移距组可包括：根据预先设置的偏移距分组参数将共偏移距道集数据进行一次分组得到初级偏移距组；以及在初级偏移距组的道数不超过阈值的情况下，将初级偏移距组作为所述偏移距组，在初级偏移距组的道数超过阈值的情况下，针对所述初级偏移距组进行二次分组，得到次级偏移距组，作为所述偏移距组。1、一次分组在一个示例中，可根据预先设置的偏移距分组参数，将共偏移距道集数据进行一次分组得到初级偏移距组，其中每个初级偏移距组对应于一块一次分组后的共偏移距道集数据(也称为数据块)。在一个示例中，偏移距分组参数可以由用户根据需要预先设置。例如，用户可以通过不同的分组参数进行试处理，从试处理结果中选择效果好的分组参数作为偏移距分组参数。以下给出一种分组方式的示例，其中，以最大偏移距值Fmax、最小偏移距值Fmin、偏移距间隔Df作为偏移距分组参数。本领域技术人员应理解，偏移距分组参数不限于该示例中所列的这些，只要其能够作为偏移距组分组方案的依据即可。在该示例中，共偏移距道集数据的一次分组方案可由下式来表达： F N max = [ | F max - F min | D f + 1 ] - - - ( 1 ) ]]> F N = [ | F i - F min | D f + 1.5 ] - - 本文档来自技高网...

【技术保护点】
一种基于MapReduce的叠前偏移并行处理方法，该方法包括：将地震道集数据按照偏移距大小排序，生成共偏移距道集数据；根据预先设置的偏移距分组参数，将共偏移距道集数据分组成偏移距组；针对每个偏移距组执行映射Map操作，得到成像空间；以及合并各成像空间得到成像结果数据。

【技术特征摘要】
1.一种基于MapReduce的叠前偏移并行处理方法，该方法包括：将地震道集数据按照偏移距大小排序，生成共偏移距道集数据；根据预先设置的偏移距分组参数，将共偏移距道集数据分组成偏移距组；针对每个偏移距组执行映射Map操作，得到成像空间；以及合并各成像空间得到成像结果数据。2.根据权利要求1所述的基于MapReduce的叠前偏移并行处理方法，其中，将共偏移距道集数据分组成偏移距组包括：根据预先设置的偏移距分组参数将共偏移距道集数据进行一次分组得到初级偏移距组；以及在初级偏移距组的道数不超过阈值的情况下，将初级偏移距组作为所述偏移距组，在初级偏移距组的道数超过阈值的情况下，针对所述初级偏移距组进行二次分组，得到次级偏移距组，作为所述偏移距组。3.根据权利要求2所述的基于MapReduce的叠前偏移并行处理方法，还包括：在进行二次分组的情况下，对每个Map操作的结果进行归约Reduce操作，以对属于同一初级偏移距组的结果进行归约处理。4.根据权利要求2所述的基于MapReduce的叠前偏移并行处理方法，其中，按照以下表达式，将共偏移距道集数据进行一次分组： F N max = [ | F max - F min | D f + 1 ] ]]> F N = [ | F i - F min | D f + 1.5 ] ]]>其中，FNmax表示分组数，Fmax表示最大偏移距值，Fmin表示最小偏移距值，Df表示初级偏移距组之间的偏移距间隔，Fi为组成一个初级偏移距组的所有地震道集数据的偏移距，FN为初级偏移距组的组号。5.根据权利要求1-4中任意一项所述的基于MapReduce的叠前偏移并行处理方法，还包括：根据计算设备的处理资源状态，对成像空间进行分块，并分别处理分块后的成像空间。6.一种基于MapReduce...

【专利技术属性】
技术研发人员：亢永敢，赵改善，魏嘉，杨祥森，孙成龙，许自龙，庞世明，杨子兴，
申请(专利权)人：中国石油化工股份有限公司，中国石油化工股份有限公司石油物探技术研究院，
类型：发明
国别省市：北京;11