CN109031415A - 一种基于深度卷积神经网络的可控震源数据振铃压制方法 - Google Patents

Abstract

本发明公开了一种基于深度卷积神经网络的可控震源数据振铃压制方法，其特征在于，所述振铃压制方法包括以下步骤：步骤1：首先从实际地震数据中提取地震子波，并合成伪反射系数，将地震子波与伪反射系数进行卷积，得到合成地震数据；步骤2：将伪反射系数作为要拟合的输出，合成地震数据作为输入，对深度卷积神经网络进行训练；步骤3：将实际地震数据输入已训练好的网络中，在输出端得到振铃压制后的结果。

Description

一种基于深度卷积神经网络的可控震源数据振铃压制方法

技术领域

本发明涉及物理勘探技术领域，特别是涉及基于深度卷积神经网络的可控震源数据振铃压制方法。

背景技术

在地球物理勘探中，可控震源作业是一种常见的高效、安全的地震资料获取方式。可控震源勘探的方法是通过将人工设计激发信号作为扫描信号激发地下介质振动并接收。由于扫描信号的频带有限，因此接收到的地震数据中往往存在较为明显的振铃效应，导致初至波的信噪比较低，单炮初至起跳不干脆，从而影响了初至拾取的精度以及后续的处理过程。地震数据的振铃现象实际上是扫描信号对地层的脉冲响应进行频谱截断从而产生的频谱缺失在时空域的表现。因此振铃压制问题的难点在于通过一定手段将缺失的频谱进行一定程度的恢复，从而拓宽信号频谱，减弱振铃影响，为后续的初至拾取做准备。

目前对振铃压制从而提高初至拾取精度的方法主要是从对可控震源地震信号的形成方式进行建模，并利用传统信号处理的方法进行的，如反褶积的方法、小波变换的方法。反褶积的目的是提高分辨率和从由子波卷积得到的地震数据中恢复反射系数，在实际应用中有各种方法来实现，如基于重加权的反褶积方法，基于统计蒙特卡洛马尔科夫链(MCMC)的方法，以及多通道半盲反褶积(MSBD)方法，以及互相关记录反褶积、振动信号反褶积。小波变换由于可以表征信号局部特征，因此可以对带噪声的地震信号进行整形作用，从而突出起跳位置，便于初至拾取。但是现有方法多数是通过较强的假设和先验条件进行建模，需要人工设置参数，且对不同数据，尤其是与模型假设差异较大的数据，泛化能力较为受限。

因此希望有一种基于深度卷积神经网络的可控震源数据振铃压制方法，以解决现有技术中存在的问题。

发明内容

本发明的目的在于提供一种基于深度卷积神经网络的可控震源数据振铃压制方法，该方法利用深度卷积神经网络对二维地震道集进行去振铃处理，并通过神经网络的前向传播输出振铃压制后的处理结果。

本发明提供一种基于深度卷积神经网络的可控震源数据振铃压制方法，所述振铃压制方法包括以下步骤：

步骤1：首先从实际地震数据中提取地震子波，并合成伪反射系数，将地震子波与伪反射系数进行卷积，得到合成地震数据；

步骤2：将伪反射系数作为要拟合的输出，合成地震数据作为输入，对深度卷积神经网络进行训练；

步骤3：将实际地震数据输入已训练好的网络中，在输出端得到振铃压制后的结果。

优选地，利用自相关法提取所述步骤1中的地震子波，具体包括以下步骤：实际地震道数据与地震子波的关系，如公式(1)模型：

y(t)＝r(t)*w(t) (1)

其中y(t)表示实际地震道数据，r(t)为反射系数，w(t)为地震子波，反射系数与地震子波进行卷积操作；

若假设反射系数是白噪声，即自相关为脉冲函数，对于地震道数据的自相关与地震子波的自相关之间有公式(2)关系：

在共含有N道数据的地震道集中，每一道的数据y_i(t)都是由反射系数r_i(t)与地震子波w(t)卷积而成，其中i表示道号，即公式(3)：

y_i(t)＝r_i(t)*w(t)，i＝1,2,...,N (3)

在反射系数的均值上加汉宁窗进行约束，如公式(4)所示：

又由维纳-辛钦定理定理，得到地震子波的功率谱，如公式(5)所示：

其中FT表示傅里叶变换，利用地震子波功率谱得到振幅谱并通过傅里叶反变换IFT得到提取出的地震子波，即公式(6)所示：

优选地，所述步骤1中的伪反射系数合成采用复地震道变换方法，复地震道变换方法生成逼近实际数据的人工合成标签样本，具体步骤如下：

对于典型道集中的每一道，都通过希尔伯特变换分解成包络与相位的乘积，如公式(7)所示：

y(t)＝env(t)cosθ(t) (7)

其中env(t)表示信号y(t)的包络，θ(t)为瞬时相位；

对于信号的包络，计算出其低频部分b(t)并从信号包络中减去低频部分，如公式(8)所示：

g(t)＝env(t)-b(t) (8)

完成以上操作后，将g(t)和原始地震道信号的相位θ(t)按照公式(9)所示方法重新组合，即可合成伪反射系数：

优选地，所述步骤2中的深度卷积神经网络的网络层数为9层，所述深度卷积神经网络由卷积层、批规范化层和激活层组成。

优选地，所述深度卷积神经网络的第二深度卷积神经网络层至第八深度卷积神经网络层的外结构相同，卷积核的数量不同；第一深度卷积神经网络层得到的输出结果利用跳线传至网络中间与第四和第六深度卷积神经网络层的输出共同作为下一层的输入，以提高训练效率，并保护图像细节；

其中，所述卷积层利用卷积核k对输入图像进行卷积操作，并加入偏置b后送到下一层；使用所述批规范化层解决深度网络训练中的内部协方差偏移；所述激活层中间采用ReLU函数，激活层的操作如公式(10)：

ReLU(x)＝max(0,x) (10)

第九深度卷积神经网络层采用tanh激活函数，tanh激活函数的操作如公式(11)：

因此，作为操作层的第一深度卷积神经网络层表示为公式(12)：

o_1,c＝ReLU(k_1,c*x+b_1,c)，c＝1,...,C₁ (12)

其中，x为输入图像，k_1,c为第1层中卷积层的第c个卷积核，b_1,c为第1层的第c个偏置，o_1,c表示第1层的输出中对应于第c个卷积核和偏置的特征映射，C₁为第一层卷积核的总数，即输出的特征映射的数量；

同理，中间层的操作可以表示为公式(13)：

o_j,c＝ReLU(BN(k_j,c*n_j+b_j,c)),j＝2,...,L-1；c＝1,...,C_j (13)

其中，n_j为第j层的输入，k_j,c为第j层中卷积层的第c个卷积核，b_j,c为第j层的第c个偏置，o_j,c表示第j层的输出中对应于第c个卷积核和偏置的特征映射，C_j为第j层卷积核的总数，L为网络总层数；

输出层的操作为公式(14)：

其中为网络的输出，即振铃压制后的结果。

本发明公开的一种基于深度卷积神经网络的可控震源数据振铃压制方法，通过较少的样本训练得到的网络即可应用于较多炮集并取得较好效果，提高了处理效率；训练样本通过实际数据合成得到，无需额外收集有监督学习所需要的输入和参考图像；可以适应差异较大的地震数据，对于一批新的数据，只需对地震数据中抽取少量典型炮集进行输入和参考的合成即可完成训练并应用于该数据，从而提高了处理效率。

附图说明

图1是基于深度卷积神经网络的可控震源数据振铃压制方法的流程图。

图2是去振铃深度卷积神经网络结构示意图。

图3是合成数据去振铃前后对比图，其中图(a)为输入含振铃合成地震数据，图(b)为深度卷积神经网络输出结果。

图4是合成地震数据实验结果的f-K域对比图，其中图(a)为输入的经理想滤波后的含振铃合成地震数据的f-K谱，图(b)为神经网络去振铃结果的f-k谱，图(c)为原始合成数据(理想滤波前)的f-K谱，其中图(d)是原始合成数据与神经网络去振铃后的数据之差的f-K谱。

图5是实际可控震源数据去振铃前后结果对比图，其中图(a)为原始数据，图(b)为本模型处理后的结果。

具体实施方式

为使本发明实施的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行更加详细的描述。在附图中，自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。所描述的实施例是本发明一部分实施例，而不是全部的实施例。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1所示，基于深度卷积神经网络的可控震源数据振铃压制方法的具体步骤：

(1)首先利用自相关法提取地震子波并合成伪反射系数。

地震子波的提取利用的是自相关法，具体说明如下：

对于实际地震道数据与地震子波的关系，可以用以下模型表示：

y(t)＝r(t)*w(t) (1)

其中y(t)表示实际观察到的地震道数据，r(t)为反射系数，w(t)为地震子波。其中*表示卷积操作。若假设反射系数是白噪声，即自相关为脉冲函数，那么对于地震道数据的自相关与地震子波的自相关之间有如下关系：

R_yy(t)＝y(t)*y(-t)

＝r(t)*w(t)*r(-t)*w(-t)

＝w(t)*w(-t)

＝R_ww(t) (2)

在共含有N道数据的地震道集中，每一道的数据y_i(t)(i表示道号)都可以看作是由反射系数r_i(t)与地震子波w(t)卷积而成，即：

y_i(t)＝r_i(t)*w(t)，i＝1,2,...,N (3)

根据式(2)，考虑对观测到的每一道地震数据分别做自相关，并对所有道的结果求取平均，从而使得反射系数更符合白噪声的假设。同时，考虑到地震子波具有有限的支撑，因此在反射系数的均值上加汉宁窗进行约束(在实验中选取的汉宁窗窗长为1201个采样点)。如下式所示：

又由维纳-辛钦定理定理，可以得到地震子波的功率谱：

其中FT表示傅里叶变换。从而可以利用地震子波功率谱得到振幅谱并通过傅里叶反变换IFT得到提取出的地震子波，即：

伪反射系数合成采用复地震道变换(complex-trace transform，CTT)方法，该方法可以提高地震数据的分辨率，并压制随机噪声。因此本发明采用该方法生成逼近实际数据的人工合成标签样本。CTT方法的实现过程如下：

对于典型道集中的每一道，都可以通过希尔伯特变换分解成成包络与相位的乘积：

y(t)＝env(t)cosθ(t) (7)

其中env(t)表示信号y(t)的包络，θ(t)为瞬时相位。对于信号的包络，计算出其低频部分b(t)并从信号包络中减去低频部分：

g(t)＝env(t)-b(t) (8)

完成以上操作后，将g(t)和原始地震道信号的相位θ(t)按照如下方法重新组合，即可合成伪反射系数：

将合成地震数据与伪反射系数分别作为网络的输入和参考输出，对神经网络进行训练。深度卷积神经网络的一个示意图如图2所示。可以看出，该网络共有9层，由卷积层(conv)，批规范化层(BN)，以及激活层(ReLU、tanh)组成。除第一层与最后一层外，中间各层除了卷积核的数量以外结构相同。另外，本网络将第一层网络得到的输出结果利用跳线传至网络中间，并和第4层、第6层的输出共同作为下一层的输入，以提高训练效率，并保护图像细节。

其中，卷积层利用卷积核k对输入图像进行卷积操作，并加入偏置b后送到下一层；批规范化层是深层神经网络的一个常用策略，可以解决深度网络训练中的内部协方差偏移现象；激活层中间采用ReLU函数，ReLU层的操作如下：

ReLU(x)＝max(0,x) (10)

最后一层采用tanh激活函数，tanh激活函数的操作如下：

因此，深度卷积神经网络的第1层，即输入层的操作可以表示为：

o_1,c＝ReLU(k_1,c*x+b_1,c)，c＝1,...,C₁ (12)

其中，x为输入图像，k_1,c为第1层中卷积层的第c个卷积核，b_1,c为第1层的第c个偏置，o_1,c表示第1层的输出中对应于第c个卷积核和偏置的特征映射(feature map)，C₁为第一层卷积核的总数，也即输出的特征映射的数量，在图2所示的网络示意图中，该值为32。

同理，中间层的操作可以表示为：

o_j,c＝ReLU(BN(k_j,c*n_j+b_j,c)),j＝2,...,L-1；c＝1,...,C_j (13)

其中，n_j为第j层的输入，k_j,c为第j层中卷积层的第c个卷积核，b_j,c为第j层的第c个偏置，o_j,c表示第j层的输出中对应于第c个卷积核和偏置的特征映射，C_j为第j层卷积核的总数。L为网络总层数，在图2所示的网络示意图中L的值为9。

输出层的操作为：

其中为网络的输出，即振铃压制后的结果，其余符号含义同前。

该网络层数较深，因此可以更好的学习输入与输出之间的映射关系。另外，该网络是端对端的结构，在传播过程中没有池化层或步长大于1的卷积层，因此保证了数据尺寸不变，从而可以更好的保护细节，减少信息丢失。

(3)神经网络训练完成后，将待处理的可控震源地震数据按照道集顺序依次通过神经网络，在网络的输出端得到压制振铃后的结果。

为了验证本发明的有效性与优越性，将本发明所提出的方法分别应用于合成地震数据以及实际地震数据，以展示本发明中深度卷积神经网络模型的振铃压制和频谱拓宽的效果。

本实验以Python语言实现(版本号：2.7.13)，其中的深度卷积神经网络利用TensorFlow(版本号：1.3.0)框架搭建。训练和测试所使用的操作系统为Linux系统(Ubuntu16.04.3 LTS，内核版本号：4.13.0)。机器配置为：CPU型号：Intel(R)Core(TM)i7-7700KCPU@4.20GHz；内存大小：16G；GPU型号：GeForce GTX 1080。

首先对合成地震信号进行实验。实验中采用的合成信号参数如下：时间采样点数：1000；空间采样点数：600；时间采样率：500Hz；空间采样间隔：3.125m；速度：1301～2300m/s；子波类型：Ricker子波，主频60Hz；为了形成训练样本对(即含有振铃和不含振铃数据对)，利用理想带通滤波器对合成的地震数据进行频率域滤波以产生振铃现象。为模拟可控震源的频带范围，采用的理想滤波器的通频带为6Hz～72Hz。

用滤波前的合成地震图像作为参考输出，滤波后的含振铃合成地震图像作为网络输入，对网络进行训练。网络训练完成后，按照前述参数重新生成与训练集不同的合成地震数据，并进行带通滤波，利用该数据作为测试样例，得到结果如图3所示。对输入和输出的结果变换至f-K域，并与无振铃信号的f-K谱相比较，结果如图4所示。

结合图3和图4的结果可以看出，本发明提出的模型可以有效地拓宽合成地震数据的频带，压制时空域的振铃效应。

对实际可控震源地震数据进行实验。这里将实际地震数据中的中的一个道集数据用来合成训练样本，并进行训练。将训练好的网络应用于该地震资料中的其他的可控震源道集数据，结果如图5所示(图5(a)是含振铃的输入，5(b)是网络的输出，仅展示一个道集作为示意)。可以看出，本发明可以很好地减弱可控震源地震数据的振铃效应，从而可以为后续的初至拾取处理提供帮助。

最后需要指出的是：以上实施例仅用以说明本发明的技术方案，而非对其限制。尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (5)

1.一种基于深度卷积神经网络的可控震源数据振铃压制方法，其特征在于，所述振铃压制方法包括以下步骤：

步骤1：首先从实际地震数据中提取地震子波，并合成伪反射系数，将地震子波与伪反射系数进行卷积，得到合成地震数据；

步骤2：将伪反射系数作为要拟合的输出，合成地震数据作为输入，对深度卷积神经网络进行训练；

步骤3：将实际地震数据输入已训练好的网络中，在输出端得到振铃压制后的结果。

2.根据权利要求1所述的基于深度卷积神经网络的可控震源数据振铃压制方法，其特征在于：利用自相关法提取所述步骤1中的地震子波，具体包括以下步骤：实际地震道数据与地震子波的关系，如公式(1)模型：

y(t)＝r(t)*w(t) (1)

其中y(t)表示实际地震道数据，r(t)为反射系数，w(t)为地震子波，反射系数与地震子波进行卷积操作；

若假设反射系数是白噪声，即自相关为脉冲函数，对于地震道数据的自相关与地震子波的自相关之间有公式(2)关系：

在共含有N道数据的地震道集中，每一道的数据y_i(t)都是由反射系数r_i(t)与地震子波w(t)卷积而成，其中i表示道号，即公式(3)：

y_i(t)＝r_i(t)*w(t)，i＝1,2,...,N (3)

在反射系数的均值上加汉宁窗进行约束，如公式(4)所示：

又由维纳-辛钦定理定理，得到地震子波的功率谱，如公式(5)所示：

其中FT表示傅里叶变换，利用地震子波功率谱得到振幅谱并通过傅里叶反变换IFT得到提取出的地震子波，即公式(6)所示：

3.根据权利要求1所述的基于深度卷积神经网络的可控震源数据振铃压制方法，其特征在于：所述步骤1中的伪反射系数合成采用复地震道变换方法，复地震道变换方法生成逼近实际数据的人工合成标签样本，具体步骤如下：

对于典型道集中的每一道，都通过希尔伯特变换分解成包络与相位的乘积，如公式(7)所示：

y(t)＝env(t)cosθ(t) (7)

其中env(t)表示信号y(t)的包络，θ(t)为瞬时相位；

对于信号的包络，计算出其低频部分b(t)并从信号包络中减去低频部分，如公式(8)所示：

g(t)＝env(t)-b(t) (8)

完成以上操作后，将g(t)和原始地震道信号的相位θ(t)按照公式(9)所示方法重新组合，即可合成伪反射系数：

4.根据权利要求3所述的基于深度卷积神经网络的可控震源数据振铃压制方法，其特征在于：所述步骤2中的深度卷积神经网络的网络层数为9层，所述深度卷积神经网络由卷积层、批规范化层和激活层组成。

5.根据权利要求4所述的基于深度卷积神经网络的可控震源数据振铃压制方法，其特征在于：所述深度卷积神经网络的第二深度卷积神经网络层至第八深度卷积神经网络层的外结构相同，卷积核的数量不同；第一深度卷积神经网络层得到的输出结果利用跳线传至网络中间与第四和第六深度卷积神经网络层的输出共同作为下一层的输入，以提高训练效率，并保护图像细节；

其中，所述卷积层利用卷积核k对输入图像进行卷积操作，并加入偏置b后送到下一层；使用所述批规范化层解决深度网络训练中的内部协方差偏移；所述激活层中间采用ReLU函数，激活层的操作如公式(10)：

ReLU(x)＝max(0,x) (10)

第九深度卷积神经网络层采用tanh激活函数，tanh激活函数的操作如公式(11)：

因此，作为操作层的第一深度卷积神经网络层表示为公式(12)：

o_1,c＝ReLU(k_1,c*x+b_1,c)，c＝1,...,C₁ (12)

其中，x为输入图像，k_1,c为第1层中卷积层的第c个卷积核，b_1,c为第1层的第c个偏置，o_1,c表示第1层的输出中对应于第c个卷积核和偏置的特征映射，C₁为第一层卷积核的总数，即输出的特征映射的数量；

同理，中间层的操作可以表示为公式(13)：

o_j,c＝ReLU(BN(k_j,c*n_j+b_j,c)),j＝2,...,L-1；c＝1,...,C_j (13)

其中，n_j为第j层的输入，k_j,c为第j层中卷积层的第c个卷积核，b_j,c为第j层的第c个偏置，o_j,c表示第j层的输出中对应于第c个卷积核和偏置的特征映射，C_j为第j层卷积核的总数，L为网络总层数；

输出层的操作为公式(14)：

其中为网络的输出，即振铃压制后的结果。