CN111190227A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN111190227A CN111190227A CN202010024210.XA CN202010024210A CN111190227A CN 111190227 A CN111190227 A CN 111190227A CN 202010024210 A CN202010024210 A CN 202010024210A CN 111190227 A CN111190227 A CN 111190227A
- Authority
- CN
- China
- Prior art keywords
- noise
- network
- layer
- record
- sub
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000012549 training Methods 0.000 claims abstract description 57
- 230000008569 process Effects 0.000 claims abstract description 13
- 230000009467 reduction Effects 0.000 claims abstract description 12
- 230000006870 function Effects 0.000 claims description 24
- 238000012545 processing Methods 0.000 claims description 19
- 238000004422 calculation algorithm Methods 0.000 claims description 15
- 238000005070 sampling Methods 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 6
- 230000003042 antagnostic effect Effects 0.000 claims description 6
- 238000005422 blasting Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 6
- 230000005284 excitation Effects 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 239000000203 mixture Substances 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 4
- 238000012546 transfer Methods 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 239000002360 explosive Substances 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 2
- 230000001427 coherent effect Effects 0.000 abstract description 6
- 230000009286 beneficial effect Effects 0.000 abstract description 4
- 230000008901 benefit Effects 0.000 abstract description 4
- 230000001629 suppression Effects 0.000 abstract 2
- 238000001514 detection method Methods 0.000 abstract 1
- 230000000694 effects Effects 0.000 description 9
- 238000004088 simulation Methods 0.000 description 5
- 230000008030 elimination Effects 0.000 description 4
- 238000003379 elimination reaction Methods 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- 238000002790 cross-validation Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 239000004576 sand Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000008485 antagonism Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
Images
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. for interpretation or for event detection
- G01V1/36—Effecting static or dynamic corrections on records, e.g. correcting spread; Correlating seismic signals; Eliminating effects of unwanted energy
-
- 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. for interpretation or for event detection
- G01V1/36—Effecting static or dynamic corrections on records, e.g. correcting spread; Correlating seismic signals; Eliminating effects of unwanted energy
- G01V1/362—Effecting static or dynamic corrections; Stacking
-
- 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. for interpretation or for event detection
- G01V1/36—Effecting static or dynamic corrections on records, e.g. correcting spread; Correlating seismic signals; Eliminating effects of unwanted energy
- G01V1/364—Seismic filtering
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V2210/00—Details of seismic processing or analysis
- G01V2210/20—Trace signal pre-filtering to select, remove or transform specific events or signal components, i.e. trace-in/trace-out
- G01V2210/21—Frequency-domain filtering, e.g. band pass
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V2210/00—Details of seismic processing or analysis
- G01V2210/30—Noise handling
- G01V2210/32—Noise reduction
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Acoustics & Sound (AREA)
- Environmental & Geological Engineering (AREA)
- Geology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Geophysics (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明提供一种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,属于地震数据消噪的方法。生成对抗模型的建立,构建训练集,生成对抗模型的训练,将该生成网络所获得的噪声压制结果与预期结果送入对抗网络进行鉴别,通过整个网络的前向传播与反向传播过程不断更新网络模型参数。网络模型参数更新后,利用生成网络可产生新一轮的噪声压制结果,同样再与预期结果送入对抗网络进行鉴别,进入测试阶段,对测试集中实际含噪数据进行噪声消减。优点是压制随机噪声及相干噪声,提高地震资料的信噪比,恢复的反射轴更清晰,反射波位置更准确,有利于实际测区地下地质构造的探明以及准确估算油气储量和分布。
Description
技术领域
本发明属于地震数据消噪的方法,尤其是指一种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。
背景技术
随着地震勘探技术的进步与发展,探寻复杂地质区油气矿藏的目标得以实现。在塔里木地区的实际地震勘探工作中,由于地质环境恶劣,风沙常年不断且无固定规律,野外所采集的地震勘探数据严重受到风吹沙动、检波器随机振动、近、远场人文活动产生的随机噪声污染以及地滚波(面波)等相干噪声污染。随机噪声的成分和性质十分复杂,大量的高强度随机噪声往往湮没了有效地震信号,使得有用信息的提取和判别极为困难;面波能量集中在低频0-20Hz,能量是有效地震信号的数倍,对反射轴的位置、连续性破坏严重,也是塔里木地区实际地震数据处理的一个难点。
由于产生原因不同,规律性质等不同,随机噪声和面波往往需要通过不同的处理手段得以消除。在随机噪声消减的常用方法中,某些传统方法,如f-x域预测滤波、小波去噪、经验模态分解等,已经被成功应用于地震信号处理领域。上述方法在压制随机噪声方面确实产生了一定的效果,但由于其约束条件要求严格,参数调试过程复杂冗长等,导致对于不同地震记录的去噪效果并不稳定。时频峰值滤波技术(TFPF)是近年来较为有效的消减实际地震勘探数据随机噪声的方法,目前对低信噪比数据的处理效果比上述方法更优。然而,当将TFPF应用于塔里木地区时,由于随机噪声与有效信号的频带严重叠合,使得该方法对反射信号和随机噪声等同处理,无法实现有效分离。对面波而言,由于其主频较低,往往采用带通方法就可以有效的消减面波,但同样是由于有效信号与面波频带有部分叠合,故带通滤波也会令反射信号中的低频成分受到损失,致使信噪比无法提升。
近年来,随着深度学习理论的发展以及硬件计算能力的提高,神经网络凭借自主学习、自适应提取特征信息的优势逐渐显出其在信号处理中的优势。生成对抗网络思想自被提出后,一直是学术研究的热点,其核心的用途是图像分类,近年逐渐被应用到其他领域。
发明内容
本发明提供一种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,以解决目前存在的对地震勘探数据中的噪声不能进行有效消减的问题。
本发明采取的技术方案是:包括下列步骤:
(一)初至前噪声记录及地震勘探实际记录的获取
炮点激发前获得的记录为初至前噪声记录,炮点激发后获得的记录为地震勘探实际记录;
(二)生成对抗模型的建立
基于残差卷积的生成对抗模型由生成子网络G和鉴别子网络D两部分组成;其中,生成子网络G用于噪声消减,由残差卷积神经网络构成,将生成子网络G的输出训练为接近预期的纯净信号是训练整个网络框架模型的最终目的;鉴别子网络D用于鉴别生成子网络G的输出与预期输出间的差异,通过定义损失函数衡量鉴别子网络D网络的鉴别能力,损失函数越小,鉴别能力越强;上述对抗模型构成了一个动态的“博弈过程”,达到了两个子网络对抗性学习的目的;
(1)生成子网络G的构建
生成子网络G由输入模块、输出模块及若干个MG模块组成,其中,输入模块由一层卷积层Conv和一层线性修正单元Relu组成;输出模块由一层Conv和一层L2损失层组成;其余若干MG模块均由一层conv、一层批量归一化层BN以及一层Relu组成,该模型采用残差学习的策略,用噪声集作为网络标签,自主学习含噪数据中噪声、即残差的特征,从而完成对含噪数据的噪声消减任务;
(2)鉴别子网络D的构建
鉴别子网络D由输入模块、输出模块及若干个MD模块组成,其中,输入模块由一层Conv和一层带泄露修正线性单元LeakyRelu组成,输出模块由一层Conv和一层逻辑损失层Logistic组成;其余MD模块由一层Conv,一层BN以及一层LeakyRelu组成,鉴别子网络D的所有卷积层均使用跨步卷积来替代空间池化,将卷积得到的结果进行下采样;
(三)构建训练集
用于训练生成对抗模型的数据集称为训练集,所用的训练集包含纯净反射信号集和噪声集两个部分;
(1)纯净反射信号集
用单个雷克子波模拟检波器所接收到的一道地震勘探纯净反射信号,数学公式如下:
其中t为时间,A为幅值,f0为主频,将多道纯净反射信号依照水平反射层面反射波时距曲线构成一幅纯净反射记录,由于每道只含有单个子波,故该记录只含有一条反射轴,同理,可根据水平反射层面反射波时距曲线的曲率、原点不同,构造出含有2-10条反射轴的纯净反射记录,上述纯净反射记录构成纯净反射信号集;
为了构造更加丰富、更符合实际构造的纯净反射信号集,除雷克子波外,还采用零相位子波和混合相位子波来生成纯净反射记录,充实纯净反射信号集,公式如(2)、(3)所示:
零相位子波:
混合相位子波:
其中r1和r2是用于调整零相位子波和混合相位子波的波形参数;
(2)噪声集
噪声集由面波记录和取自被测地的初至前噪声记录生成,面波记录与纯净反射记录的生成方法类似,由面波的时距曲线为直线,通过不同的斜率参数可构造出多簇每簇含2-5条轴的面波记录,将面波记录与初至前噪声记录叠加,构成训练生成对抗模型所需的噪声记录,多幅噪声记录构成噪声集;
(四)生成对抗模型的训练
对于生成子网络G,设含噪信号为x=u+v,其中u为纯净记录,取自纯净反射信号集,v为噪声,取自噪声集,欲使x通过基于残差学习策略的生成子网络G进行前向传播学习到的噪声Gf(x)接近v,即:
Gf(x)≈v (4)
其中N表示训练集中纯净反射记录的总数,i=1,2,...,N,xi和vi分别表示训练集中与第i个纯净记录ui对应的生成子网络G的含噪输入及其中包含的真实噪声;
(1)鉴别子网络D参数更新:
定义鉴别子网络D的损失函数JD如下:
JD=JCE(D(u),label1)+JCE(D(G(x)),label0) (6)
其中JCE(·)表示二元交叉熵,D(·)为鉴别子网络D的输出结果,label1和label0分别为网络标签1和标签0,G(x)为生成子网络G的去噪输出,表示为:
G(x)=x-Gf(x) (7)
利用前向传播及反向传播算法对鉴别子网络D各模块参数进行更新,以达到损失函数JD最小化;
(2)生成子网络G参数更新
其中λ1和λ2为权重系数,利用前向传播及反向传播算法对生成子网络G各模块参数进行更新,以达到损失函数JG最小化;
(3)利用Adam优化器对上述鉴别子网络D和生成子网络G进行交替的迭代更新,完成对整个网络的训练过程;
(五)实际地震勘探数据的消噪处理
利用基于残差卷积网络的生成对抗模型对实际地震勘探记录进行处理,当生成对抗网络达到最优后,将采集的地震勘探实际记录输入生成子网络G,该网络的去噪输出即为消噪后的实际地震数据。
本发明所述步骤(一)中,地震勘探的数据获取过程采用与地质构造走向垂直的方向安排测线,沿地震测线等间距布置多个检波器组,选择中间放炮对称排列方式来接收地震波信号,根据观测仪器的不同,检波器组的数量为30-1000个;
在未放炮时,检波器接收实际环境中的噪声,即为地震初至前噪声;炸药激发后,检波器接收来自地下的反射波、地滚波、直达波以及环境中的噪声;每个检波器接收的信号通过放大器和记录器,生成一道随时间变化的波形记录,其长度与接收时间成正比,与检波器的采样频率成反比,多个检波器可记录多个波形,构成多道地震勘探记录。
本发明所述步骤(二)中,所选择的生成子网络G和鉴别子网络D均为卷积神经网络,均包含卷积层、BN层和非线性激活层,卷积层逐层提取细节特征;BN层加快收敛速度,提高网络泛化能力;非线性激活层引入非线性和稀疏性,缓解过拟合现象,
所述步骤(1)使用的生成子网络G模型在输入与输出之间加入了跳过连接,促进各模块之间特征及参数的传递,同时,通过在MG模块的卷积层设置膨胀卷积,扩大感受野的范围以提取更多的信号特征,上述网格架构既可降低网络学习的复杂程度又能缩短模型收敛的运算时间。
本发明利用生成对抗模型构建低信噪比地震数据去噪网络,通过构建丰富的反射信号集与多种噪声干扰数据集对生成对抗模型中的卷积神经网络进行交替训练,并利用训练出的残差卷积神经网络消减地震数据中的随机噪声及相干噪声,提高地震数据的信噪比,为后续反射振幅、速度及频率信息的准确提取提供有力保障,进而有利于准确估算油气储量及分布范围。
本发明优点:
当前地震勘探数据去噪方法对噪声类型多样、性质特征不明确等情况下低信噪比数据的去噪能力有限。本发明构建的基于残差卷积生成对抗模型的去噪网络,通过生成子网络自主学习含噪数据与纯净数据之间的差异,即隐式学习各不同类型噪声的性质特征,通过前向传递、反向传递算法,交替更新鉴别子网络与生成子网络的海量参数,是具有较强去噪能力的卷积神经网络。基于此网络的噪声消减方法可有效的消减地震勘探数据中掺杂的噪声,提高勘探记录的信噪比,使有效同相轴信息更准确和清晰,更利于后续处理及解释工作,具有较强的实用性。
附图说明
图1是基于残差卷积神经网络的生成对抗模型示意图,在训练该网络模型时,含噪输入由训练集中的纯净反射记录与噪声记录叠加而成,预期记录为其中的纯净反射记录;含噪输入经生成子网络G处理后的去噪输出与预期记录一同送入鉴别子网络D,利用前向和反向传播算法更新鉴别子网络D内部的各模块参数以及生成子网络G内部的各模块参数,依次交替迭代更新(参数更新过程用虚线表示),往复训练,使该生成对抗模型各子网络参数达到最优;
图2是生成子网络G的结构示意图,该网络由输入模块、输出模块及若干个MG模块组成。其中,输入模块由一层卷积层(Conv)和一层线性修正单元(Relu)组成;输出模块由一层Conv和一层L2损失层组成;其余若干MG模块均由一层conv、一层批量归一化层(BN)以及一层Relu组成;在输入与输出之间加入跳过连接,促进各模块之间特征及参数的传递。该网络利用残差学习理论去除含噪输入中的噪声部分,将去噪后的数据作为生成子网络G的输出;
图3是鉴别子网络D的结构,该网络由输入模块、输出模块及若干个MD模块组成,其中,输入模块由一层Conv和一层带泄露修正线性单元(LeakyRelu)组成,输出模块由一层Conv和一层逻辑损失层(Logistic)组成;其余MD模块由一层Conv,一层BN以及一层LeakyRelu组成,鉴别子网络D通过最小化损失函数尽力区分生成子网络G的输出和预期记录,促使生成子网络G网络产生更接近预期记录的结果;
图4是塔里木地区实际地震勘探记录片段,该片段共有记录156道,采样时间为0.002秒,每道采集1000数据点,该片段含有较强的随机噪声及面波干扰,部分反射轴被切断甚至淹没;
图5是一幅用于生成对抗网络训练的纯净反射记录,反射信号信号集由多幅相似的但参数不同的纯净反射记录构成,这些记录自身作为预期记录被送入图1的网络中,同时,这些记录与噪声集中的噪声记录叠加后构成图1的“含噪输入”;
图6是一幅用于生成对抗网络训练的噪声记录,其中初至前噪声记录取自塔里木测区,面波记录依照其低主频、强能量及时距曲线为直线等性质模拟产生,噪声集由多幅相似的噪声记录组成,噪声记录与纯净反射记录叠加后构成图1的“含噪输入”;
图7是用于对所训练的生成对抗网络进行交叉验证的正演记录,该记录中纯净反射信号及噪声的产生过程与训练集产生过程一致,但均未用在训练过程中;
图8是基于残差卷积生成对抗模型的正演数据消噪结果。交叉验证共处理10幅正演记录,信噪比分析如表3所示;
图9是基于残差卷积生成对抗模型的塔里木地区实际地震数据消噪结果,其中网络模型中各模块的参数与图8正演数据实验参数完全一致;
图10是采用时频域滤波(TFPF)方法处理实际数据的消噪结果,其中滤波窗长参数根据反射信号主频范围及最优条件选取为13;
图11是采用带通滤波器处理实际数据的消噪结果,为有效消减面波干扰,通带设置为20Hz-80Hz。
具体实施方式
包括下列步骤:
(一)初至前噪声记录及地震勘探实际记录的获取
地震勘探的数据获取过程采用与地质构造走向垂直的方向安排测线,沿地震测线等间距布置多个检波器组,选择中间放炮对称排列方式来接收地震波信号,根据观测仪器的不同,检波器组的数量为30-1000个;
在未放炮时,检波器接收实际环境中的噪声,即为地震初至前噪声;炸药激发后,检波器接收来自地下的反射波、地滚波(面波)、直达波以及环境中的噪声;每个检波器接收的信号通过放大器和记录器,生成一道随时间变化的波形记录,其长度与接收时间成正比,与检波器的采样频率成反比,多个检波器可记录多个波形,构成多道地震勘探记录。炮点激发前获得的记录为初至前噪声记录,炮点激发后获得的记录为地震勘探实际记录。
(二)生成对抗模型的建立
基于残差卷积的生成对抗模型由生成子网络G和鉴别子网络D两部分组成;其中,生成子网络G用于噪声消减,由残差卷积神经网络构成,将生成子网络G的输出训练为接近预期的纯净信号是训练整个网络框架模型的最终目的;鉴别子网络D用于鉴别生成子网络G的输出与预期输出间的差异,通过定义损失函数衡量鉴别子网络D网络的鉴别能力,损失函数越小,鉴别能力越强;上述对抗模型构成了一个动态的“博弈过程”,达到了两个子网络对抗性学习的目的;
所选择的生成子网络G和鉴别子网络D均为卷积神经网络,均包含卷积层、BN层和非线性激活层。卷积层逐层提取细节特征;BN层加快收敛速度,提高网络泛化能力;非线性激活层引入非线性和稀疏性,缓解过拟合现象。
(1)生成子网络G的构建
生成子网络G由输入模块、输出模块及若干个MG模块组成,其中,输入模块由一层卷积层(Conv)和一层线性修正单元(Relu)组成;输出模块由一层Conv和一层L2损失层组成;其余若干MG模块均由一层conv、一层批量归一化层(BN)以及一层Relu组成,该模型采用残差学习的策略,用噪声集作为网络标签,自主学习含噪数据中噪声(即残差)的特征,从而完成对含噪数据的噪声消减任务;
本发明使用的生成子网络G模型在输入与输出之间加入了跳过连接,促进各模块之间特征及参数的传递,同时,通过在MG模块的卷积层设置膨胀卷积,扩大感受野的范围以提取更多的信号特征,上述网格架构既可降低网络学习的复杂程度又能缩短模型收敛的运算时间。
(2)鉴别子网络D的构建
鉴别子网络D由输入模块、输出模块及若干个MD模块组成,其中,输入模块由一层Conv和一层带泄露修正线性单元(LeakyRelu)组成,输出模块由一层Conv和一层逻辑损失层(Logistic)组成;其余MD模块由一层Conv,一层BN以及一层LeakyRelu组成,鉴别子网络D的所有卷积层均使用跨步卷积来替代空间池化,将卷积得到的结果进行下采样。
(三)构建训练集
用于训练生成对抗模型的数据集称为训练集,所用的训练集包含纯净反射信号集和噪声集两个部分;
(1)纯净反射信号集
用单个雷克子波模拟检波器所接收到的一道地震勘探纯净反射信号,数学公式如下:
其中t为时间,A为幅值,f0为主频,将多道纯净反射信号依照水平反射层面反射波时距曲线构成一幅纯净反射记录,由于每道只含有单个子波,故该记录只含有一条反射轴,同理,可根据水平反射层面反射波时距曲线的曲率、原点不同,构造出含有2-10条反射轴的纯净反射记录,上述纯净反射记录构成纯净反射信号集;
为了构造更加丰富、更符合实际构造的纯净反射信号集,除雷克子波外,还采用零相位子波和混合相位子波来生成纯净反射记录,充实纯净反射信号集,公式如(2)、(3)所示:
零相位子波:
混合相位子波:
其中r1和r2是用于调整零相位子波和混合相位子波的波形参数;
(2)噪声集
噪声集由面波记录和取自被测地的初至前噪声记录生成,面波记录与纯净反射记录的生成方法类似,由面波的时距曲线为直线,通过不同的斜率参数可构造出多簇每簇含2-5条轴的面波记录,将面波记录与初至前噪声记录叠加,构成训练生成对抗模型所需的噪声记录,多幅噪声记录构成噪声集;
(四)生成对抗模型的训练
对于生成子网络G,设含噪信号为x=u+v,其中u为纯净记录,取自纯净反射信号集,v为噪声,取自噪声集,欲使x通过基于残差学习策略的生成子网络G进行前向传播学习到的噪声Gf(x)接近v,即:
Gf(x)≈v (4)
其中N表示训练集中纯净反射记录的总数,i=1,2,...,N,xi和vi分别表示训练集中与第i个纯净记录ui对应的生成子网络G的含噪输入及其中包含的真实噪声;
(1)鉴别子网络D参数更新:
定义鉴别子网络D的损失函数JD如下:
JD=JCE(D(u),label1)+JCE(D(G(x)),label0) (6)
其中JCE(·)表示二元交叉熵,D(·)为鉴别子网络D的输出结果,label1和label0分别为网络标签1和标签0,G(x)为生成子网络G的去噪输出,表示为
G(x)=x-Gf(x) (7)
利用前向传播及反向传播算法对鉴别子网络D各模块参数进行更新,以达到损失函数JD最小化;
(2)生成子网络G参数更新
其中λ1和λ2为权重系数。利用前向传播及反向传播算法对生成子网络G各模块参数进行更新,以达到损失函数JG最小化;
(3)利用Adam优化器对上述鉴别子网络D和生成子网络G进行交替的迭代更新,完成对整个网络的训练过程;
(五)实际地震勘探数据的消噪处理
利用基于残差卷积网络的生成对抗模型对实际地震勘探记录进行处理。当生成对抗网络达到最优后,将采集的地震勘探实际记录输入生成子网络G,该网络的去噪输出即为消噪后的实际地震数据。
下边通过具体实例来进一步说明本发明的效果。
(一)初至前噪声记录及地震勘探实际记录的获取
初至前噪声记录及地震勘探实际记录均在2018年采集于中国西北塔里木地区。初至前噪声记录采集于放炮前,地震勘探实际记录采集于放炮后,如附图4所示。该地震勘探实际记录共有156道,采样时间为0.002秒,每道采集1000数据点,记录中含有大量随机噪声及面波,反射同相轴被面波切断甚至覆盖,位置及连续性都遭到破坏;同时大量随机噪声也严重影响了反射信号的幅值及能量信息。
(二)生成对抗模型的建立
本例中基于残差卷积网络的生成对抗模型各参数选择如下:生成子网络G模型除输入、输出模块外,还包含12个由一层conv、一层BN以及一层Relu组成的MG模块,在第6-8个MG的conv层设置了膨胀率为2的膨胀卷积,扩大了感受野的范围,以便提取更多的信号特征;鉴别子网络D模型在输入、输出模块之间插入2个由一层Conv,一层BN以及一层LeakyRelu组成的MD模块,LeakyRelu的泄漏率为0.2。上述网络的具体参数如表1和表2所示。
表1生成子网络G参数设置
表2鉴别子网络D参数设置
(三)、构建训练集
(1)纯净反射信号集
由于待处理的地震勘探实际记录段靠近炮点,反射信号的主频较高,可达50Hz,故构建纯净反射信号集时,主频范围设置在25-50Hz,图5给出了纯净反射信号集中的一幅记录,本例所用纯净反射信号集共20幅相似记录。
(2)噪声集
本例待处理的地震勘探实际记录既有大量随机噪声,又有幅值很强的面波成分,故构建噪声集时两种类型的噪声都要包含到。由于塔里木地区随机噪声产生原因复杂,特性规律尚未有准确表征,故本例不采用模拟的随机噪声来构建噪声集,而采用放炮前所采集的初至前噪声作为噪声集中记录的随机噪声成分;对于面波,由于特性规律较强,主频较低,时距曲线为直线,故利用上述性质产生主频为10Hz的两束面波记录作为噪声集中记录的相干成分。将随机噪声成分与相干噪声成分叠加就构成了噪声集中的一幅噪声记录,如图6所示,本例噪声集共5幅相似记录。
为适应生成对抗模型的处理需求,需对不同尺寸的训练集进行裁剪处理,本例根据硬件处理速度及内存环境等因素,利用100×100(贴片大小)的滑动窗口对上述训练集进行滑动截取,步长为80,以获得统一大小的贴片,其中纯净反射信号集中贴片1268块,噪声集中贴片五百余块。后续生成对抗模型的训练以这些贴片作为训练集,即公式(5)中的N=1268。噪声贴片数量小于纯净反射信号贴片时,可多次利用同一个噪声贴片匹配不同的纯净反射信号贴片对生成对抗模型进行训练。
(四)生成对抗模型的训练
随机给定生成对抗模型中各参数的初值,将训练集中的所有贴片依次送入生成对抗模型中,利用前向传播及反向传播算法最小化损失函数公式(6)及公式(7),以此交替更新鉴别子网络D模型和生成子网络G模型参数,直到损失函数收敛,训练结束。本例为均衡对抗性和收敛速度,取λ1=1,λ2=0.1,迭代次数取100次。
(五)地震勘探记录的消噪处理
将待处理的地震勘探记录输入训练后的生成子网络G模型,该生成子网络G的输出结果即为地震勘探数据的消噪结果。
(1)地震勘探模拟记录的消噪处理
首先处理10幅200道含初至前噪声的待处理记录(其中一幅如图7所示)。这些记录中纯净信号的产生方式与训练集中纯净反射信号的产生方式相同,但未出现在训练集中,也并未用于训练;所叠加的初至前噪声未出现在训练集的噪声集中,也并未用于训练。将上述10幅含噪声地震勘探模拟记录输入第4)步训练完成后的生成子网络G模型,获得10幅消噪结果,其中图7对应的消噪结果如图8所示。从处理结果可见,含噪记录中的初至前噪声被明显压制,消噪后同相轴位置、连续性均得到较好的恢复,下方设置的一处断轴也恢复到了较理想的程度,几乎未出现“拖尾”现象。为定量分析去噪效果,利用信噪比(SNR)衡量去噪性能,计算公式如下:
其中u代表纯净数据,表示去噪后的数据。上述10幅地震勘探模拟记录处理前后的信噪比对比如表3所示。由数据分析可见,本例所建立的生成对抗网络模型经大量数据训练,能够隐式的学习到噪声的特性表征,较大幅度的提高地震勘探模拟记录的信噪比,在未处理记录信噪比约-5dB的情况下,可提升20dB左右。
表3交叉验证实验的信噪比结果
(2)地震勘探实际记录的消噪处理
同样利用第4)步训练完成后的生成子网络G模型处理图4的地震勘探实际记录,消噪结果如图9所示。由图9可见,本例训练的生成对抗网络对随机噪声也具有较强的消减作用,致使整幅记录地震反射轴的能量、连续性得到了较好的恢复。此外,面波受到了明显的抑制,原始记录中被面波切断,甚至淹没的反射轴变得清晰、连贯。若不采用所训练的生成对抗网络,而利用近年较为有效的消减地震勘探实际记录噪声的TFPF方法,处理效果如图10所示。尽管方法的相关参数调整至最优,随机噪声的消减效果并不明显,且面波未得到有效的消减,这也使该方法在处理某些测区的强复杂噪声时受到局限。图11为利用通带为20Hz-80Hz的带通滤波器对地震勘探实际记录进行消减的结果。由于面波的主频在20Hz以下,该带通滤波器可以较好地消减面波及20Hz以下的噪声。但与此同时,处于同样频带的反射信号能量也被消减,致使反射信号能量受损,反射轴无法得到有效恢复。
综上所述,基于残差卷积生成对抗模型的地震勘探资料噪声去除方法是有效且实用的,它利用构建的生成对抗网络模型对信号及噪声进行有效的特征学习,既可以去除地震勘探实际记录中的面波干扰,又可以去除整幅记录的随机噪声,保护有效反射信号的能量,恢复反射轴的连续性。这不但有利于更准确的识别反射同相轴的位置,更能提高实际地震勘探实际记录的信噪比,有利于后续的处理、解释及精确探明地下地质构造。
Claims (4)
1.一种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,其特征在于,包括下列步骤:
(一)初至前噪声记录及地震勘探实际记录的获取
炮点激发前获得的记录为初至前噪声记录,炮点激发后获得的记录为地震勘探实际记录;
(二)生成对抗模型的建立
基于残差卷积的生成对抗模型由生成子网络G和鉴别子网络D两部分组成;其中,生成子网络G用于噪声消减,由残差卷积神经网络构成,将生成子网络G的输出训练为接近预期的纯净信号是训练整个网络框架模型的最终目的;鉴别子网络D用于鉴别生成子网络G的输出与预期输出间的差异,通过定义损失函数衡量鉴别子网络D网络的鉴别能力,损失函数越小,鉴别能力越强;上述对抗模型构成了一个动态的“博弈过程”,达到了两个子网络对抗性学习的目的;
(1)生成子网络G的构建
生成子网络G由输入模块、输出模块及若干个MG模块组成,其中,输入模块由一层卷积层Conv和一层线性修正单元Relu组成;输出模块由一层Conv和一层L2损失层组成;其余若干MG模块均由一层conv、一层批量归一化层BN以及一层Relu组成,该模型采用残差学习的策略,用噪声集作为网络标签,自主学习含噪数据中噪声、即残差的特征,从而完成对含噪数据的噪声消减任务;
(2)鉴别子网络D的构建
鉴别子网络D由输入模块、输出模块及若干个MD模块组成,其中,输入模块由一层Conv和一层带泄露修正线性单元LeakyRelu组成,输出模块由一层Conv和一层逻辑损失层Logistic组成;其余MD模块由一层Conv,一层BN以及一层LeakyRelu组成,鉴别子网络D的所有卷积层均使用跨步卷积来替代空间池化,将卷积得到的结果进行下采样;
(三)构建训练集
用于训练生成对抗模型的数据集称为训练集,所用的训练集包含纯净反射信号集和噪声集两个部分;
(1)纯净反射信号集
用单个雷克子波模拟检波器所接收到的一道地震勘探纯净反射信号,数学公式如下:
其中t为时间,A为幅值,f0为主频,将多道纯净反射信号依照水平反射层面反射波时距曲线构成一幅纯净反射记录,由于每道只含有单个子波,故该记录只含有一条反射轴,同理,可根据水平反射层面反射波时距曲线的曲率、原点不同,构造出含有2-10条反射轴的纯净反射记录,上述纯净反射记录构成纯净反射信号集;
为了构造更加丰富、更符合实际构造的纯净反射信号集,除雷克子波外,还采用零相位子波和混合相位子波来生成纯净反射记录,充实纯净反射信号集,公式如(2)、(3)所示:
零相位子波:
混合相位子波:
其中r1和r2是用于调整零相位子波和混合相位子波的波形参数;
(2)噪声集
噪声集由面波记录和取自被测地的初至前噪声记录生成,面波记录与纯净反射记录的生成方法类似,由面波的时距曲线为直线,通过不同的斜率参数可构造出多簇每簇含2-5条轴的面波记录,将面波记录与初至前噪声记录叠加,构成训练生成对抗模型所需的噪声记录,多幅噪声记录构成噪声集;
(四)生成对抗模型的训练
对于生成子网络G,设含噪信号为x=u+v,其中u为纯净记录,取自纯净反射信号集,v为噪声,取自噪声集,欲使x通过基于残差学习策略的生成子网络G进行前向传播学习到的噪声Gf(x)接近v,即:
Gf(x)≈v (4)
其中N表示训练集中纯净反射记录的总数,i=1,2,...,N,xi和vi分别表示训练集中与第i个纯净记录ui对应的生成子网络G的含噪输入及其中包含的真实噪声;
(1)鉴别子网络D参数更新:
定义鉴别子网络D的损失函数JD如下:
JD=JCE(D(u),label1)+JCE(D(G(x)),label0) (6)
其中JCE(·)表示二元交叉熵,D(·)为鉴别子网络D的输出结果,label1和label0分别为网络标签1和标签0,G(x)为生成子网络G的去噪输出,表示为:
G(x)=x-Gf(x) (7)
利用前向传播及反向传播算法对鉴别子网络D各模块参数进行更新,以达到损失函数JD最小化;
(2)生成子网络G参数更新
其中λ1和λ2为权重系数,利用前向传播及反向传播算法对生成子网络G各模块参数进行更新,以达到损失函数JG最小化;
(3)利用Adam优化器对上述鉴别子网络D和生成子网络G进行交替的迭代更新,完成对整个网络的训练过程;
(五)实际地震勘探数据的消噪处理
利用基于残差卷积网络的生成对抗模型对实际地震勘探记录进行处理,当生成对抗网络达到最优后,将采集的地震勘探实际记录输入生成子网络G,该网络的去噪输出即为消噪后的实际地震数据。
2.根据权利要求1所述的一种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,其特征在于:步骤(一)中,地震勘探的数据获取过程采用与地质构造走向垂直的方向安排测线,沿地震测线等间距布置多个检波器组,选择中间放炮对称排列方式来接收地震波信号,根据观测仪器的不同,检波器组的数量为30-1000个;
在未放炮时,检波器接收实际环境中的噪声,即为地震初至前噪声;炸药激发后,检波器接收来自地下的反射波、地滚波、直达波以及环境中的噪声;每个检波器接收的信号通过放大器和记录器,生成一道随时间变化的波形记录,其长度与接收时间成正比,与检波器的采样频率成反比,多个检波器可记录多个波形,构成多道地震勘探记录。
3.根据权利要求1所述的一种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,其特征在于:步骤(二)中,所选择的生成子网络G和鉴别子网络D均为卷积神经网络,均包含卷积层、BN层和非线性激活层,卷积层逐层提取细节特征;BN层加快收敛速度,提高网络泛化能力;非线性激活层引入非线性和稀疏性,缓解过拟合现象。
4.根据权利要求3所述的一种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,其特征在于:步骤(1)使用的生成子网络G模型在输入与输出之间加入了跳过连接,促进各模块之间特征及参数的传递,同时,通过在MG模块的卷积层设置膨胀卷积,扩大感受野的范围以提取更多的信号特征,上述网格架构既可降低网络学习的复杂程度又能缩短模型收敛的运算时间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010024210.XA CN111190227B (zh) | 2020-01-09 | 2020-01-09 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010024210.XA CN111190227B (zh) | 2020-01-09 | 2020-01-09 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111190227A true CN111190227A (zh) | 2020-05-22 |
CN111190227B CN111190227B (zh) | 2021-06-04 |
Family
ID=70705230
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010024210.XA Expired - Fee Related CN111190227B (zh) | 2020-01-09 | 2020-01-09 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111190227B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113052267A (zh) * | 2021-04-28 | 2021-06-29 | 电子科技大学 | 基于生成对抗网络的无监督发射器相位噪声参数提取方法 |
CN113191321A (zh) * | 2021-05-21 | 2021-07-30 | 电子科技大学 | 基于生成对抗网络的光纤分布式地震波信号降噪方法 |
CN113900146A (zh) * | 2020-07-06 | 2022-01-07 | 中国石油天然气股份有限公司 | 面波压制方法及系统 |
CN114624768A (zh) * | 2020-12-14 | 2022-06-14 | 中国石油化工股份有限公司 | 训练地震初至拾取模型的方法及装置 |
CN115310488A (zh) * | 2022-08-16 | 2022-11-08 | 哈尔滨工业大学 | 基于生成式对抗神经网络的地震动记录滤波方法 |
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 |
CN115577247A (zh) * | 2022-12-09 | 2023-01-06 | 中海油田服务股份有限公司 | 基于堆叠反馈残差网络的地震噪声去除方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016063123A2 (en) * | 2014-10-23 | 2016-04-28 | Cgg Services Sa | Systems and methods for deghosting seismic data using migration of sparse arrays |
US20190004200A1 (en) * | 2015-12-22 | 2019-01-03 | Shell Oil Company | Method and system for generating a seismic gather |
CN110058305A (zh) * | 2019-05-24 | 2019-07-26 | 吉林大学 | 一种基于卷积神经网络的das地震数据降噪方法 |
CN110473154A (zh) * | 2019-07-31 | 2019-11-19 | 西安理工大学 | 一种基于生成对抗网络的图像去噪方法 |
CN110580682A (zh) * | 2019-09-16 | 2019-12-17 | 电子科技大学 | 一种基于优化生成对抗网络地震数据超分辨率重建方法 |
CN110658557A (zh) * | 2019-09-03 | 2020-01-07 | 中国地质大学(北京) | 基于生成对抗网络的地震数据面波压制方法 |
-
2020
- 2020-01-09 CN CN202010024210.XA patent/CN111190227B/zh not_active Expired - Fee Related
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016063123A2 (en) * | 2014-10-23 | 2016-04-28 | Cgg Services Sa | Systems and methods for deghosting seismic data using migration of sparse arrays |
US20190004200A1 (en) * | 2015-12-22 | 2019-01-03 | Shell Oil Company | Method and system for generating a seismic gather |
CN110058305A (zh) * | 2019-05-24 | 2019-07-26 | 吉林大学 | 一种基于卷积神经网络的das地震数据降噪方法 |
CN110473154A (zh) * | 2019-07-31 | 2019-11-19 | 西安理工大学 | 一种基于生成对抗网络的图像去噪方法 |
CN110658557A (zh) * | 2019-09-03 | 2020-01-07 | 中国地质大学(北京) | 基于生成对抗网络的地震数据面波压制方法 |
CN110580682A (zh) * | 2019-09-16 | 2019-12-17 | 电子科技大学 | 一种基于优化生成对抗网络地震数据超分辨率重建方法 |
Non-Patent Citations (3)
Title |
---|
YUSHU ZHANG 等: "A Patch Based Denoising Method Using Deep ConvolutionalNeural Network for Seismic Image", 《IEEE ACCESS》 * |
蔡涵鹏 等: "基于生成对抗网络地震数据超分辨率重建方法", 《中国石油学会2019年物探技术研讨会 》 * |
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》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113900146A (zh) * | 2020-07-06 | 2022-01-07 | 中国石油天然气股份有限公司 | 面波压制方法及系统 |
CN114624768A (zh) * | 2020-12-14 | 2022-06-14 | 中国石油化工股份有限公司 | 训练地震初至拾取模型的方法及装置 |
CN113052267A (zh) * | 2021-04-28 | 2021-06-29 | 电子科技大学 | 基于生成对抗网络的无监督发射器相位噪声参数提取方法 |
CN113191321A (zh) * | 2021-05-21 | 2021-07-30 | 电子科技大学 | 基于生成对抗网络的光纤分布式地震波信号降噪方法 |
CN113191321B (zh) * | 2021-05-21 | 2022-04-22 | 电子科技大学 | 基于生成对抗网络的光纤分布式地震波信号降噪方法 |
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 |
CN115310488A (zh) * | 2022-08-16 | 2022-11-08 | 哈尔滨工业大学 | 基于生成式对抗神经网络的地震动记录滤波方法 |
CN115577247A (zh) * | 2022-12-09 | 2023-01-06 | 中海油田服务股份有限公司 | 基于堆叠反馈残差网络的地震噪声去除方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111190227B (zh) | 2021-06-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111190227B (zh) | 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 | |
CN110806602B (zh) | 基于深度学习的智能化地震数据随机噪声压制方法 | |
CN110658557B (zh) | 基于生成对抗网络的地震数据面波压制方法 | |
CN112946749B (zh) | 基于数据增广训练深度神经网络压制地震多次波的方法 | |
CN105700020A (zh) | 一种地震数据随机噪声压制方法及装置 | |
CN110490219B (zh) | 一种基于纹理约束的U-net网络进行地震数据重建的方法 | |
Si et al. | Random noise attenuation based on residual learning of deep convolutional neural network | |
CN113962244A (zh) | 瑞雷波地震数据噪声去除方法、存储介质及电子设备 | |
CN113642484B (zh) | 一种基于bp神经网络的大地电磁信号噪声压制方法及系统 | |
CN112598593B (zh) | 基于非均衡深度期望块对数似然网络的地震噪声压制方法 | |
CN116520419B (zh) | 一种热流体裂缝通道识别方法 | |
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 | |
Li et al. | Distributed acoustic sensing vertical seismic profile data denoising based on multistage denoising network | |
CN112926232B (zh) | 一种基于分层融合的地震低频分量恢复方法 | |
Si* et al. | Ground roll attenuation based on conditional and cycle generative adversarial networks | |
CN108037533A (zh) | 一种基于块重组期望对数似然的地震勘探噪声压制方法 | |
CN110008633B (zh) | 基于人工智能深度神经网络的公路噪音压制方法及系统 | |
CN106950597B (zh) | 基于三边滤波的混合震源数据分离方法 | |
CN112213785B (zh) | 一种基于特征增强去噪网络的地震资料沙漠噪声抑制方法 | |
CN106125148B (zh) | 一种针对有源周期电磁信号的降噪方法及装置 | |
CN109212609A (zh) | 基于波动方程延拓的近地表噪音压制方法 | |
CN116068644A (zh) | 一种利用生成对抗网络提升地震数据分辨率和降噪的方法 | |
CN113567129A (zh) | 一种列车轴承振动信号基于ceemd的降噪方法 | |
CN113093282A (zh) | 一种基于几何模态特征并行网络的沙漠数据消噪方法 | |
Zhou et al. | Coherent noise attenuation by kurtosis-guided adaptive dictionary learning based on variational sparse representation |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210604 Termination date: 20220109 |