近日，中国石油大学（北京）郭江峰副教授、谢然红教授、肖立志教授团队在工程学顶级期刊《IEEE Transactions on Geoscience and Remote Ssensing》（IF = 8.125分）发表重要学术文章Variational Mode Decomposition for NMR Echo Data Denoising，旨在提出一种用于核磁共振回波数据去噪的变分模态分解(VMD)新方法，提高核磁共振测量技术在非常规储层中的应用效果。

　　核磁共振(NMR)弛豫测量技术是一种无创、无损的非常规储层评价技术。核磁共振仪检测到的回波数据是一种弱信号，其特点是信噪比低。对于低信噪比的回波数据，实现高精度的核磁共振弛豫谱反演是一个挑战，这也将影响核磁共振测井对非常规储层的评价。

　　本文提出了一种用于核磁共振回波数据去噪的变分模态分解(VMD)方法。利用VMD方法将核磁共振回波数据分解为本征模态函数(IMFs)的集合。IMF值是VMD的一个重要参数，不同IMF值的VMD结果不同。提出了一种最优选择IMF数的方法。分解后的函数由不同频率的信号组成。噪声来自高频信号，而有价值的数据来自低频信号。选取VMD中有效的IMFs作为去噪后的回波数据求和。通过数值模拟和现场使用高精度多模态核磁共振微观观测系统LIME-MRI-D2对页岩样品进行核磁共振数据采集和处理，评价了基于VMD方法的核磁共振回波数据去噪的有效性和实用性。

　　研究结果表明，与原始回波数据和经验模态分解(empirical mode decomposition, EMD)降噪相比，基于VMD降噪后的倒核谱具有更高的质量。对于核磁共振回波数据，基于VMD的方法比基于EMD的方法具有更高的去噪质量。该方法已经成功运用到核磁共振测井数据处理中，并取得良好应用效果。该研究工作获得了国家自然科学基金项目(42174131)和中国石油大学(北京)科学基金项目(2462022QNXZ001)资助。

　　论文链接：https://ieeexplore.ieee.org/abstract/document/10019297