CN110058305A - 一种基于卷积神经网络的das地震数据降噪方法 - Google Patents
一种基于卷积神经网络的das地震数据降噪方法 Download PDFInfo
- Publication number
- CN110058305A CN110058305A CN201910444172.0A CN201910444172A CN110058305A CN 110058305 A CN110058305 A CN 110058305A CN 201910444172 A CN201910444172 A CN 201910444172A CN 110058305 A CN110058305 A CN 110058305A
- Authority
- CN
- China
- Prior art keywords
- noise
- seismic data
- das
- network
- das seismic
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/28—Processing seismic data, e.g. analysis, for interpretation, for correction
Abstract
本发明涉及一种基于卷积神经网络的DAS地震数据降噪方法,属于二维DAS地震数据的噪声消减方法。在卷积神经网络的基础上,通过改进网络结构与参数建立适用于DAS地震数据消噪处理的去噪网络模型,在网络的卷积层对有效信号与噪声的特征进行自动提取,进一步根据其特征差异实现DAS地震数据的智能去噪。本发明不仅可以有效的去除DAS地震数据中的噪声,而且很好的保护了反射同向轴信息,在提高DAS地震数据信噪比的同时使数据的分辨率与保真度不受影响,为后续反射振幅、速度以及频率信息的准确获取提供了有力保障,可以广泛应用于DAS地震数据的噪声压制。
Description
技术领域
本发明涉及的是实际地震勘探环境下数据采集所得二维DAS地震数据的噪声消减方法。
背景技术
分布式光纤声传感器(DAS)是一种新型的勘探数据采集技术,其具有阵列接收,作业高效低成本,宽频,抗电磁干扰能力强等优点,已经成为了世界范围内勘探数据采集的研究热点,具有广阔的发展前景。然而,DAS技术的广泛应用仍然面临着一些挑战,其中之一即为所采集到的数据噪声水平普遍偏高,具有“弱信号,强干扰”特征。此外,DAS数据中噪声类型也极其复杂,存在由于电缆拍击和沿钻孔套管的振铃而产生的强相干噪声,由于光纤传播过程中的产生的长周期高振幅的衰落噪声,由震动耦合引起的光学系统噪声,自调制噪声以及棋盘噪声等,给有效信号的恢复带来了极大困难。
传统方法在压制噪声时往往很难兼顾数据的分辨率和保真度,使得DAS地震数据处理结果无法满足地震信号处理的“三高”要求,即高信噪比、高分辨率、高保真度。
传统去噪算法如F-X反褶积、经验模态分解、基于阈值的多尺度几何分析去噪算法等往往需要满足一定的前提假设和适用条件,在某些情况下它们的应用受到限制,无法在不损伤有效信号的前提下压制噪声,对数据的分辨率与保真度存在较大影响。另外,传统方法还需要根据实际情况对大量参数进行调试,去噪效率较低,无法满足宽频宽方位,单点高密度采集时代大数据处理的要求。上述方法虽然在常规地震勘探方面取得了相对较好的噪声压制效果,然而面对信噪比较低,噪声类型极其复杂的DAS数据,传统方法的处理结果往往不尽人意。如何从噪声性质如此复杂的DAS采集资料中提取有效地震信号将是DAS技术广泛推广的重要环节。
发明内容
本发明提供一种基于卷积神经网络的DAS地震数据降噪方法,以解决现有消噪方法存在的噪声压制不彻底、有效信号衰减严重、调参时间过长效率低下、适应性较差的问题。
本发明采取的技术方案是,包括下列步骤:
(1)DAS地震数据获取
沿着光纤测井布设光缆,单个传感器信息经高速示波器采集到计算机进行数据处理后,得到一道地震数据波形记录,记录的长度与接收时间成正比,N道记录经过组合可以得到一幅二维DAS地震数据;
(2)网络结构
所构建的去噪网络模型是由卷积层、批标准化层和线性整流函数所构成的;
其中卷积层用Conv来表示,通过卷积核与地震数据的卷积操作实现地震数据特征的自动提取;
批标准化层用BN来表示,用于解决梯度弥散的问题、并具有加速网络收敛的作用;
线性整流函数用ReLU来表示,具有加速网络训练的作用;
其中第一个卷积层采用的卷积核大小为5×5×1×128,最后一个卷积层采用的卷积核大小为5×5×128×1,其余卷积层采用的卷积核大小为5×5×128×128;
(3)训练集
从实际获取的DAS地震数据出发,将实际数据与合成数据相结合构建包含信号训练集和噪声训练集的DAS去噪训练集;
信号训练集:从实际DAS地震数据分析入手,对DAS地震数据中有效信号的特征属性进行研究,根据所获取的信息指导构建相应的地质层模型,并对地质层模型进行丰富和完善使其既具有针对性又具有泛化性,进一步采用有限差分法进行正演模拟,对所获取的合成有效信号进行分块处理和幅值归一化处理后即可得到信号训练集;
噪声训练集:为了实现较好的去噪效果,利用实际DAS地震数据中不含有效信号的纯噪声数据制作噪声训练集,通过尽可能多的收集具有不同特性的噪声,如电缆拍击和套管振铃等产生的强相干噪声,光纤传播产生的衰落噪声,震动耦合引起的光学系统噪声,自调制噪声以及棋盘噪声等,从而使经过分块处理和幅值归一化处理后得到的噪声训练集足够丰富和完备;
(4)去噪方法
对于实际含噪DAS地震数据y,可以表示为:
y=x+v (1)
其中x代表DAS地震数据中的有效信号,v代表DAS地震数据中的噪声,包括随机噪声与规则噪声,该去噪网络的工作原理是建立一个映射实现网络输入含噪DAS地震数据y到网络输出噪声v之间的映射,即:
其中Θ={W,b}是网络中的参数,包含权重W和偏置b,越接近v说明网络的拟合效果越好,即网络对DAS地震数据中噪声的预测效果越好,为了使尽可能的接近噪声v,采用如下损失函数对网络中的参数Θ进行训练,即:
其中代表噪声训练集,Patch size=100,Q=64为批处理大小,即Batchsize,代表网络对含噪DAS地震数据yk中噪声部分的估计,l(Θ)越小说明网络中参数Θ的优化越好,相应的网络对含噪DAS地震数据中噪声的预测效果越好,进一步可以通过如下式子得到去噪后的DAS地震数据即:
本发明所述步骤(2)网络结构中,构建16层的去噪网络模型,共含有16个模块,第一个模块由Conv和ReLU组成,中间14个模块由Conv、BN和ReLU组成,最后一个模块由单独一个Conv组成。
本发明所述步骤(4)去噪方法中,采取如下步骤对网络进行训练:
a)分别从信号训练集和噪声训练集中随机抽取64个Patch Size大小为100×100的数据,记为和为了模拟不同信噪比的DAS地震数据,令其中是[1,6]之间的随机数;
b)将网络输入含噪DAS地震数据的幅值限制在[-1,1]之间,设的幅度最大值为令得到幅值归一化后的含噪DAS地震数据以及相应的DAS噪声;
c)将作为网络的输入,作为网络的期望输出对网络进行训练。
本发明在卷积神经网络的基础上,通过改进网络结构与参数建立适用于DAS地震数据消噪处理的去噪网络模型。在网络的卷积层对有效信号与噪声的特征进行自动提取,进一步根据其特征差异实现DAS地震数据的智能去噪。本发明不仅可以有效的去除DAS地震数据中的噪声,而且很好的保护了反射同向轴信息,在提高DAS地震数据信噪比的同时使数据的分辨率与保真度不受影响,为后续反射振幅、速度以及频率信息的准确获取提供了有力保障。
本发明的有益效果是:针对采集得到的实际DAS数据,在卷积神经网络的基础上构建适用于DAS数据处理的去噪网络模型,实现DAS数据的准确、高效、智能去噪。
对DAS地震数据中分布不均匀的强背景噪声消减的更加彻底,有效信号也更加清晰,具有非常明显的消噪优势。经过本发明方法处理后,噪声基本上得到了比较有效的压制,有效信号也更加清晰,可以得到很好的识别;合成DAS和实际DAS地震数据的处理结果表明,本发明方法可以在基本不损伤有效信号的前提下压制噪声,对数据的分辨率与保真度均具有较好的保持,满足地震数据处理的“三高”要求。此外,本发明方法还避免了常规方法对参数的大量调试,可以在一定程度上实现DAS地震数据的智能去噪,满足宽频宽方位,单点高密度采集时代大数据处理的要求;本发明相较于常规地震数据处理方法更具优势,可以广泛应用于DAS地震数据的噪声压制。
附图说明
图1是16层去噪网络结构示意图,由卷积层Conv,批标准化层BN和线性整流函数ReLU组成,网络的输入为含噪DAS地震数据,输出为含噪DAS地震数据中噪声部分的估计;
图2a是所构建的三层地质模型以及地震波正演模拟传播示意图,共含有三种介质,方点线为介质1与介质2分界面,圆点线为介质2和介质3分界面,震源坐标为(0,0);
图2b是所检测到的地震波直达波以及反射波信号;井口位于坐标(0,0),井深300米,DAS检波器间隔为1米,采样频率为4kHz;
图3a是加入实际DAS噪声的模拟DAS含噪数据;
图3b是图3a所示模拟DAS含噪数据经shearlet稀疏变换处理后的结果;
图3c是图3a所示模拟DAS含噪数据经F-X反褶积处理后的结果;
图3d是图3a所示模拟DAS含噪数据经本发明去噪网络处理后的结果;
图4a是图3a中纯净DAS信号的F-K谱;
图4b是图3a中实际DAS噪声的F-K谱;
图4c是图3a所示模拟DAS含噪数据的F-K谱;
图4d是图3a所示模拟DAS含噪数据经shearlet稀疏变换处理结果的F-K谱;
图4e是图3a所示模拟DAS含噪数据经F-X反褶积处理结果的F-K谱;
图4f是图3a所示模拟DAS含噪数据经本发明去噪网络处理结果的F-K谱;
图5a是某地区实际DAS地震数据,采样频率为4kHz,DAS检波器间隔为1米;
图5b是图5a经本发明去噪网络处理后的结果。
具体实施方式
包括下列步骤:
(1)DAS地震数据获取
沿着光纤测井布设光缆,与传统的地震波信号采集系统需要等间隔的布设检波器不同,一条光缆就是一条智能化多功能传感系统,可以根据实际需要设置采样道间距等信息,震源采用等高落槌、岩石敲击等方式,单个传感器信息经高速示波器采集到计算机进行数据处理后可以得到一道地震数据波形记录,记录的长度与接收时间成正比,N道记录经过组合可以得到一幅二维DAS地震数据;
(2)网络结构
图1所示即为所构建的16层去噪网络模型,共含有16个模块;第一个模块由Conv和ReLU组成,中间14个模块由Conv、BN和ReLU组成,最后一个模块由单独一个Conv组成,此外,考虑到DAS地震数据信噪比较低,噪声类型较为复杂,根据实际情况对网络的结构参数进行了调整,所选取的16层网络深度是根据实验结果选取的,一般来说增加网络的深度会使网络的去噪性能得以提升,但过度增加网络的深度不仅可能会导致网络性能的不稳定,而且还会大大增加网络的训练难度;为了寻找最佳的网络深度,通过实验在网络性能和训练效率之间进行权衡,最终确定了网络的深度为16;另一方面,为了较好的区分有效信号与噪声,需要提取足够多有效信号与噪声的特征差异,该过程可以通过增大网络的宽度来实现,而网络宽度的增加可以通过加大卷积核的大小和卷积核的数量来实现,为了提高网络的去噪性能与训练效率,本发明中第一个卷积层采用的卷积核大小为5×5×1×128,最后一个卷积层采用的卷积核大小为5×5×128×1,其余卷积层采用的卷积核大小为5×5×128×128;
(3)训练集
现阶段还没有公开的适用于DAS地震数据处理的训练集,本发明从实际获取的DAS地震数据出发,将实际数据与合成数据相结合构建包含信号训练集和噪声训练集的DAS去噪训练集;
信号训练集:从实际DAS地震数据分析入手,对DAS地震数据中有效信号的特征属性(如主频,不同介质中的视速度等)进行研究,根据所获取的信息指导构建相应的地质层模型并对地质层模型进行丰富和完善使其既具有针对性又具有泛化性,进一步采用有限差分法进行正演模拟,对所获取的合成有效信号进行分块处理和幅值归一化处理后即可得到信号训练集;图2a所示即为本发明所构建的部分地质层模型以及地震波在其中的传播示意图,震源坐标为(0,0),雷克子波,两次敲击,主频为200Hz,井口在震源右侧距离震源1m处位置,坐标为(1,0),深度300m,光纤传感器安置在井壁上,间隔为1m,介质1中地震波传播速度为1400m/s,密度为1.4g/cm3,介质2中地震波传播速度为1700m/s,密度为1.9g/cm3,介质3中地震波传播速度为2100m/s,密度为2.5g/cm3,图2b为在该模型条件下采集得到的合成DAS有效信号,光纤传感器采样频率为4kHz,采样间隔为1m;
噪声训练集:为了实现较好的去噪效果,利用实际DAS地震数据中不含有效信号的纯噪声数据制作噪声训练集,通过尽可能多的收集具有不同特性的噪声,如电缆拍击和套管振铃等产生的强相干噪声,光纤传播产生的衰落噪声,震动耦合引起的光学系统噪声,自调制噪声以及棋盘噪声等,从而使经过分块处理和幅值归一化处理后得到的噪声训练集足够丰富和完备;
(4)去噪方法:
对于实际含噪DAS地震数据y,可以表示为:
y=x+v (1)
其中x代表DAS地震数据中的有效信号,v代表DAS地震数据中的噪声,包括随机噪声与规则噪声,该去噪网络的工作原理是建立一个映射实现网络输入含噪DAS地震数据y到网络输出噪声v之间的映射,即:
其中Θ={W,b}是网络中的参数,包含权重W和偏置b,为了建立该映射,采取如下步骤对网络进行训练:
a)分别从信号训练集和噪声训练集中随机抽取64个Patch Size大小为100×100的数据,记为和为了模拟不同信噪比的DAS地震数据,令其中是[1,6]之间的随机数;
b)将网络输入含噪DAS地震数据的幅值限制在[-1,1]之间,设的幅度最大值为令得到幅值归一化后的含噪DAS地震数据以及相应的DAS噪声;
c)将作为网络的输入,作为网络的期望输出对网络进行训练,通过更新参数Θ={W,b}使如下损失函数最小;
其中代表噪声训练集,Patch size=100,Q=64为批处理大小,即Batchsize,代表网络对含噪DAS地震数据yk中噪声部分的估计;
最后将含噪DAS数据y作为经上述步骤训练完成后的网络的输入,得到映射进一步通过如下式子得到去噪后的DAS数据即:
为了验证本发明方法的有效性,首先将本发明应用于合成DAS地震数据中噪声的消减,所采用的合成DAS地震数据如图3a所示,由合成有效信号与实际DAS噪声叠加所构成,采样频率为4kHz,采样间隔为1m。合成有效信号是通过正演模拟生成的,震源为雷克子波,主频为200hz,幅值为1。分别选用shearlet多尺度稀疏变换、F-X反褶积以及本发明方法对被实际DAS噪声污染的地震数据进行处理,结果如图3b,3c和3d所示。从shearlet多尺度稀疏变换和F-X反褶积方法的处理结果中可以看出,面对噪声分布不均匀、强度较大的DAS地震数据,两种方法的压噪效果均不彻底,都有不同程度的噪声残留,有效信号的特性保持也不完整。相比之下本发明方法对DAS地震数据中分布不均匀的强背景噪声消减的更加彻底,有效信号也更加清晰,具有非常明显的消噪优势。从图4a-4f所示的f-k谱图的对比结果中也可以看出,本发明方法在能量保持及噪声压制方面都是最优的。
为了验证本发明方法的应用效果,将本发明应用于实际DAS地震数据。所采用的DAS地震数据采集自中国某油田,如图5a所示。该记录采样间隔为1m,采样频率为4kHz。记录中存在着大量的随机噪声以及规则噪声,有效信号基本被噪声所淹没而无法识别。如图5b所示,经过本发明方法处理后,噪声基本上得到了比较有效的压制,有效信号也更加清晰,可以得到很好的识别。
合成DAS和实际DAS地震数据的处理结果表明,本发明方法可以在基本不损伤有效信号的前提下压制噪声,对数据的分辨率与保真度均具有较好的保持,满足地震数据处理的“三高”要求。此外,本发明方法还避免了常规方法对参数的大量调试,可以在一定程度上实现DAS地震数据的智能去噪,满足宽频宽方位,单点高密度采集时代大数据处理的要求。本发明相较于常规地震数据处理方法更具优势,可以广泛应用于DAS地震数据的噪声压制。
Claims (3)
1.一种基于卷积神经网络的DAS地震数据降噪方法,其特征在于,包括下列步骤:
(1)DAS地震数据获取
沿着光纤测井布设光缆,单个传感器信息经高速示波器采集到计算机进行数据处理后,得到一道地震数据波形记录,记录的长度与接收时间成正比,N道记录经过组合可以得到一幅二维DAS地震数据;
(2)网络结构
所构建的去噪网络模型是由卷积层、批标准化层和线性整流函数所构成的;
其中卷积层用Conv来表示,通过卷积核与地震数据的卷积操作实现地震数据特征的自动提取;
批标准化层用BN来表示,用于解决梯度弥散的问题、并具有加速网络收敛的作用;
线性整流函数用ReLU来表示,具有加速网络训练的作用;
其中第一个卷积层采用的卷积核大小为5×5×1×128,最后一个卷积层采用的卷积核大小为5×5×128×1,其余卷积层采用的卷积核大小为5×5×128×128;
(3)训练集
从实际获取的DAS地震数据出发,将实际数据与合成数据相结合构建包含信号训练集和噪声训练集的DAS去噪训练集;
信号训练集:从实际DAS地震数据分析入手,对DAS地震数据中有效信号的特征属性进行研究,根据所获取的信息指导构建相应的地质层模型,并对地质层模型进行丰富和完善使其既具有针对性又具有泛化性,进一步采用有限差分法进行正演模拟,对所获取的合成有效信号进行分块处理和幅值归一化处理后即可得到信号训练集;
噪声训练集:为了实现较好的去噪效果,利用实际DAS地震数据中不含有效信号的纯噪声数据制作噪声训练集,通过尽可能多的收集具有不同特性的噪声,如电缆拍击和套管振铃等产生的强相干噪声,光纤传播产生的衰落噪声,震动耦合引起的光学系统噪声,自调制噪声以及棋盘噪声等,从而使经过分块处理和幅值归一化处理后得到的噪声训练集足够丰富和完备;
(4)去噪方法
对于实际含噪DAS地震数据y,可以表示为:
y=x+v (1)
其中x代表DAS地震数据中的有效信号,v代表DAS地震数据中的噪声,包括随机噪声与规则噪声,该去噪网络的工作原理是建立一个映射实现网络输入含噪DAS地震数据y到网络输出噪声v之间的映射,即:
其中Θ={W,b}是网络中的参数,包含权重W和偏置b,越接近v说明网络的拟合效果越好,即网络对DAS地震数据中噪声的预测效果越好,为了使尽可能的接近噪声v,采用如下损失函数对网络中的参数Θ进行训练,即:
其中代表噪声训练集,Patch size=100,Q=64为批处理大小,即Batchsize,代表网络对含噪DAS地震数据yk中噪声部分的估计,l(Θ)越小说明网络中参数Θ的优化越好,相应的网络对含噪DAS地震数据中噪声的预测效果越好,进一步可以通过如下式子得到去噪后的DAS地震数据即:
2.根据权利要求1所述的一种基于卷积神经网络的DAS地震数据降噪方法,其特征在于,所述步骤(2)网络结构中,构建16层的去噪网络模型,共含有16个模块,第一个模块由Conv和ReLU组成,中间14个模块由Conv、BN和ReLU组成,最后一个模块由单独一个Conv组成。
3.根据权利要求1所述的一种基于卷积神经网络的DAS地震数据降噪方法,其特征在于,所述步骤(4)去噪方法中,采取如下步骤对网络进行训练:
a)分别从信号训练集和噪声训练集中随机抽取64个Patch Size大小为100×100的数据,记为和为了模拟不同信噪比的DAS地震数据,令其中是[1,6]之间的随机数;
b)将网络输入含噪DAS地震数据的幅值限制在[-1,1]之间,设的幅度最大值为令得到幅值归一化后的含噪DAS地震数据以及相应的DAS噪声;
c)将作为网络的输入,作为网络的期望输出对网络进行训练。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910444172.0A CN110058305A (zh) | 2019-05-24 | 2019-05-24 | 一种基于卷积神经网络的das地震数据降噪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910444172.0A CN110058305A (zh) | 2019-05-24 | 2019-05-24 | 一种基于卷积神经网络的das地震数据降噪方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110058305A true CN110058305A (zh) | 2019-07-26 |
Family
ID=67324576
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910444172.0A Pending CN110058305A (zh) | 2019-05-24 | 2019-05-24 | 一种基于卷积神经网络的das地震数据降噪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110058305A (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110969092A (zh) * | 2019-11-05 | 2020-04-07 | 国网河北省电力有限公司电力科学研究院 | 脉冲信号去噪方法、装置及终端设备 |
CN111190227A (zh) * | 2020-01-09 | 2020-05-22 | 吉林大学 | 基于残差卷积生成对抗模型的低信噪比地震数据消噪方法 |
CN111708087A (zh) * | 2020-07-09 | 2020-09-25 | 中国科学技术大学 | 一种基于DnCNN神经网络对地震数据噪声压制的方法 |
CN112965113A (zh) * | 2021-02-01 | 2021-06-15 | 冉曾令 | 一种地震数据信噪比提升方法 |
CN113484913A (zh) * | 2021-08-16 | 2021-10-08 | 成都理工大学 | 一种多粒度特征融合卷积神经网络的地震资料去噪方法 |
CN113570041A (zh) * | 2021-07-29 | 2021-10-29 | 中国地质大学(北京) | 一种神经网络以及利用该神经网络压制海上光纤拖缆地震数据噪声的方法 |
CN113687414A (zh) * | 2021-08-06 | 2021-11-23 | 北京大学 | 基于数据增广的卷积神经网络地震层间多次波压制方法 |
CN114167500A (zh) * | 2020-09-10 | 2022-03-11 | 中国石油天然气股份有限公司 | 基于卷积神经网络的邻炮干扰分离方法及装置 |
CN115291281A (zh) * | 2022-09-30 | 2022-11-04 | 中国科学院地质与地球物理研究所 | 基于深度学习的实时微地震震级计算方法及装置 |
CN115453616A (zh) * | 2022-08-04 | 2022-12-09 | 山东大学 | 基于深度学习的隧道地震勘探数据增强方法及系统 |
WO2023123951A1 (zh) * | 2021-12-29 | 2023-07-06 | 中国石油天然气集团有限公司 | 利用局部fk变换提高das信噪比的方法及装置 |
US11898901B2 (en) | 2022-05-27 | 2024-02-13 | Saudi Arabian Oil Company | Method and system for mapping fiber optic distributed acoustic sensing measurements to particle motion |
CN113570041B (zh) * | 2021-07-29 | 2024-05-10 | 中国地质大学(北京) | 一种神经网络以及利用该神经网络压制海上光纤拖缆地震数据噪声的方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10032256B1 (en) * | 2016-11-18 | 2018-07-24 | The Florida State University Research Foundation, Inc. | System and method for image processing using automatically estimated tuning parameters |
CN108876735A (zh) * | 2018-06-01 | 2018-11-23 | 武汉大学 | 一种基于深度残差网络的真实图像盲去噪方法 |
CN109782339A (zh) * | 2019-01-14 | 2019-05-21 | 西安交通大学 | 一种基于3D-DnCNN网络的叠后三维地震资料随机噪声压制方法 |
-
2019
- 2019-05-24 CN CN201910444172.0A patent/CN110058305A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10032256B1 (en) * | 2016-11-18 | 2018-07-24 | The Florida State University Research Foundation, Inc. | System and method for image processing using automatically estimated tuning parameters |
CN108876735A (zh) * | 2018-06-01 | 2018-11-23 | 武汉大学 | 一种基于深度残差网络的真实图像盲去噪方法 |
CN109782339A (zh) * | 2019-01-14 | 2019-05-21 | 西安交通大学 | 一种基于3D-DnCNN网络的叠后三维地震资料随机噪声压制方法 |
Non-Patent Citations (3)
Title |
---|
KAI ZHANG 等: "Beyond a Gaussian Denoiser: Residual Learning of Deep CNN for Image Denoising", 《IEEE TRANSACTIONS ON IMAGE PROCESSING》 * |
郑升 等: "Shearlet域深度残差CNN用于沙漠地震信号去噪", 《吉林大学学报(信息科学版)》 * |
韩卫雪 等: "基于深度学习卷积神经网络的地震数据随机噪声去除", 《石油物探》 * |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110969092A (zh) * | 2019-11-05 | 2020-04-07 | 国网河北省电力有限公司电力科学研究院 | 脉冲信号去噪方法、装置及终端设备 |
CN110969092B (zh) * | 2019-11-05 | 2024-01-23 | 国网河北省电力有限公司电力科学研究院 | 脉冲信号去噪方法、装置及终端设备 |
CN111190227A (zh) * | 2020-01-09 | 2020-05-22 | 吉林大学 | 基于残差卷积生成对抗模型的低信噪比地震数据消噪方法 |
CN111190227B (zh) * | 2020-01-09 | 2021-06-04 | 吉林大学 | 基于残差卷积生成对抗模型的低信噪比地震数据消噪方法 |
CN111708087A (zh) * | 2020-07-09 | 2020-09-25 | 中国科学技术大学 | 一种基于DnCNN神经网络对地震数据噪声压制的方法 |
CN114167500A (zh) * | 2020-09-10 | 2022-03-11 | 中国石油天然气股份有限公司 | 基于卷积神经网络的邻炮干扰分离方法及装置 |
CN112965113A (zh) * | 2021-02-01 | 2021-06-15 | 冉曾令 | 一种地震数据信噪比提升方法 |
CN113570041A (zh) * | 2021-07-29 | 2021-10-29 | 中国地质大学(北京) | 一种神经网络以及利用该神经网络压制海上光纤拖缆地震数据噪声的方法 |
CN113570041B (zh) * | 2021-07-29 | 2024-05-10 | 中国地质大学(北京) | 一种神经网络以及利用该神经网络压制海上光纤拖缆地震数据噪声的方法 |
CN113687414A (zh) * | 2021-08-06 | 2021-11-23 | 北京大学 | 基于数据增广的卷积神经网络地震层间多次波压制方法 |
CN113687414B (zh) * | 2021-08-06 | 2022-07-22 | 北京大学 | 基于数据增广的卷积神经网络地震层间多次波压制方法 |
CN113484913B (zh) * | 2021-08-16 | 2023-06-16 | 成都理工大学 | 一种多粒度特征融合卷积神经网络的地震资料去噪方法 |
CN113484913A (zh) * | 2021-08-16 | 2021-10-08 | 成都理工大学 | 一种多粒度特征融合卷积神经网络的地震资料去噪方法 |
WO2023123951A1 (zh) * | 2021-12-29 | 2023-07-06 | 中国石油天然气集团有限公司 | 利用局部fk变换提高das信噪比的方法及装置 |
US11898901B2 (en) | 2022-05-27 | 2024-02-13 | Saudi Arabian Oil Company | Method and system for mapping fiber optic distributed acoustic sensing measurements to particle motion |
CN115453616A (zh) * | 2022-08-04 | 2022-12-09 | 山东大学 | 基于深度学习的隧道地震勘探数据增强方法及系统 |
CN115291281A (zh) * | 2022-09-30 | 2022-11-04 | 中国科学院地质与地球物理研究所 | 基于深度学习的实时微地震震级计算方法及装置 |
CN115291281B (zh) * | 2022-09-30 | 2022-12-20 | 中国科学院地质与地球物理研究所 | 基于深度学习的实时微地震震级计算方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110058305A (zh) | 一种基于卷积神经网络的das地震数据降噪方法 | |
CN108983284B (zh) | 一种适用于海上斜缆数据的f-p域鬼波压制方法 | |
CN107817527B (zh) | 基于块稀疏压缩感知的沙漠地震勘探随机噪声压制方法 | |
CN113935467B (zh) | 基于迭代多尺度注意力网络的das井中勘探数据噪声抑制方法 | |
CN108845352B (zh) | 基于vmd近似熵与多层感知机的沙漠地震信号去噪方法 | |
CN105445801B (zh) | 一种消除二维地震资料随机噪音的处理方法 | |
CN102798894B (zh) | 一种基于稀疏反演的滑动扫描谐波压制方法 | |
CN106873038A (zh) | 一种从深度域地震数据中提取深度域地震子波的方法 | |
CN105974468A (zh) | 一种能够同时进行五维地震数据重建和噪声压制的方法 | |
CN112255685B (zh) | 一种obs与海面拖缆地震数据联合成像方法及处理终端 | |
CN104570116A (zh) | 基于地质标志层的时差分析校正方法 | |
CN115905805A (zh) | 一种基于全局信息判别gan的das数据多尺度噪声消减方法 | |
CN106873036A (zh) | 一种基于井震结合的去噪方法 | |
Li et al. | Distributed acoustic sensing vertical seismic profile data denoising based on multistage denoising network | |
CN111708087A (zh) | 一种基于DnCNN神经网络对地震数据噪声压制的方法 | |
CN104133248A (zh) | 一种高保真声波干扰压制方法 | |
Zhao et al. | Coupled noise reduction in distributed acoustic sensing seismic data based on convolutional neural network | |
CN109283579B (zh) | 一种基于克希霍夫积分反偏移的层间多次波预测方法 | |
CN114218982A (zh) | 基于改进WGAN网络和CBDNet的微地震记录去噪方法 | |
Wang et al. | Attribute-guided target data separation network for DAS VSP data | |
CN105676292A (zh) | 一种基于二维曲波变换的三维地震数据去噪方法 | |
CN110850474A (zh) | 一种海洋地震资料震源鬼波压制方法和系统 | |
CN105093328A (zh) | 一种滑动扫描谐波压制方法及装置 | |
CN112558159A (zh) | 一种声波测井初至拾取方法 | |
CN110261899B (zh) | 地震数据z字形干扰波去除方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190726 |
|
WD01 | Invention patent application deemed withdrawn after publication |