CN111273353A - 基于U-Net网络的智能化地震数据去混叠方法及系统 - Google Patents

基于U-Net网络的智能化地震数据去混叠方法及系统 Download PDF

Info

Publication number
CN111273353A
CN111273353A CN202010089000.9A CN202010089000A CN111273353A CN 111273353 A CN111273353 A CN 111273353A CN 202010089000 A CN202010089000 A CN 202010089000A CN 111273353 A CN111273353 A CN 111273353A
Authority
CN
China
Prior art keywords
seismic data
aliasing
net network
network
data
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
Application number
CN202010089000.9A
Other languages
English (en)
Other versions
CN111273353B (zh
Inventor
王本锋
李家阔
耿建华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tongji University
Original Assignee
Tongji University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tongji University filed Critical Tongji University
Priority to CN202010089000.9A priority Critical patent/CN111273353B/zh
Publication of CN111273353A publication Critical patent/CN111273353A/zh
Application granted granted Critical
Publication of CN111273353B publication Critical patent/CN111273353B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G01V1/22—Transmitting seismic signals to recording or processing apparatus
    • G01V1/223—Radioseismic systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Remote Sensing (AREA)
  • General Physics & Mathematics (AREA)
  • Geophysics (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Geology (AREA)
  • Environmental & Geological Engineering (AREA)
  • Acoustics & Sound (AREA)
  • Theoretical Computer Science (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Geophysics And Detection Of Objects (AREA)

Abstract

本发明涉及一种基于U‑Net网络的智能化地震数据去混叠方法及系统，该方法包括如下步骤：(1)构建用于地震数据去混叠的U‑Net网络f；(2)获取模拟数据训练对：包括模拟的未混叠地震数据与混叠地震数据；(3)将模拟的混叠地震数据作为输入，未混叠地震数据作为训练标签训练U‑Net网络，得到训练后的网络参数θ*；(4)基于迁移学习方法，利用部分含标签的实际混叠地震数据，对训练后的网络参数θ*进行微调，得到优化的网络参数
Figure DDA0002383075240000011
(5)利用优化的U‑Net网络对待处理的地震数据进行循环迭代得到分离的地震数据。与现有技术相比，本发明避免了对数据线性、稀疏性及低秩等假设，去混叠处理效率高、稳定性好、精度高。

Description

基于U-Net网络的智能化地震数据去混叠方法及系统
技术领域
本发明涉及一种地震数据去混叠方法及系统，尤其是涉及一种基于U-Net网络的智能化地震数据去混叠方法及系统。
背景技术
地震数据混叠采集是有效提高地震数据采集效率的方法之一，但是混叠噪声的存在，对后续地震数据处理及偏移成像带来一定的挑战，因此去混叠方法得到广泛关注。
传统去混叠方法一般包括滤波类方法和反演类方法：滤波类方法包括中值滤波、改进的中值滤波、FX反褶积等；反演类方法包括基于稀疏变换、字典学习等阈值迭代收缩方法。传统去混叠方法一般对地震数据具有一定的前提假设，例如线性、稀疏性或低秩等；另外，随着地震数据规模的增加，计算量迅速增加，且不同数据对应的最优化参数不同，需人工调节，进一步增加了计算耗时。随着计算机技术的进步，特别是GPU的开发应用，为深度学习的广泛应用奠定基础。基于深度学习方法，可以利用大量训练集对地震数据进行自学习、非线性表征，已在地震数据插值、随机噪声去除等方面得到尝试性应用。如何将深度学习方法应用于地震数据去混叠方法中，提高去混叠方法的计算效率及效果成为研究热点。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于U-Net网络的智能化地震数据去混叠方法及系统。
本发明的目的可以通过以下技术方案来实现：
一种基于U-Net网络的智能化地震数据去混叠方法，该方法包括如下步骤：
(1)构建用于地震数据去混叠的U-Net网络f；
(2)获取模拟数据训练对：包括模拟的未混叠地震数据与混叠地震数据；
(3)将模拟的混叠地震数据作为输入，未混叠地震数据作为训练标签训练U-Net网络，得到训练后的网络参数θ*；
(4)基于迁移学习方法，利用部分含标签的实际混叠地震数据，对训练后的网络参数θ*进行微调，得到优化的网络参数
Figure BDA0002383075220000021
(5)利用优化的U-Net网络对待处理的地震数据进行循环迭代得到分离的地震数据。
步骤(2)具体为：利用波场正演方法得到模拟的未混叠地震数据，作为训练标签，基于实际数据混叠算子，对训练标签进行混叠模拟得到混叠地震数据。
步骤(3)训练过程中的损失函数为
Figure BDA0002383075220000022
Figure BDA0002383075220000023
其中，θ为待设计的网络参数，Γ为混叠算子，ΓH为混叠算子的共轭算子，dbl为待处理的混叠地震数据，f(ΓHdbl；θ)为U-Net网络输出的去混叠地震数据，d为未混叠地震数据；
训练过程中以
Figure BDA0002383075220000024
取最小为目标得到训练后的网络参数θ*。
步骤(5)具体为：
(51)初始化迭代次数i＝1；
(52)将待处理的地震数据输入至优化的U-Net网络，输出第i次迭代得到分离的地震数据ddeb,i：
Figure BDA0002383075220000025
其中，Γ为混叠算子，ΓH为混叠算子的共轭算子，dbl为待处理的混叠地震数据，
Figure BDA0002383075220000026
为优化的U-Net网络输出的去混叠地震数据；
(53)将ΓHdbl-(ΓHΓ-I)ddeb,i输入至优化的U-Net网络，输出第i+1次迭代得到分离的地震数据ddeb,i+1：
Figure BDA0002383075220000027
其中，I为单位矩阵；
(54)判断i是否小于N，若是，则赋值i＝i+1，返回步骤(53)，否则结束循环迭代，输出分离的地震数据，其中，N为最大迭代次数。
一种基于U-Net网络的智能化地震数据去混叠系统，该系统包括：
U-Net网络构建模块：该模块构建用于地震数据去混叠的U-Net网络；
模拟训练数据获取模块：该模块获取模拟的未混叠地震数据与混叠地震数据；
网络训练模块：该模块将模拟的混叠地震数据作为输入，未混叠地震数据作为训练标签训练U-Net网络，得到训练后的网络参数θ*；
网络优化模块：该模块基于迁移学习方法，利用部分含标签的实际混叠地震数据，对训练后的网络参数θ*进行微调，得到优化的网络参数
Figure BDA0002383075220000031
迭代分离模块：该模块利用优化的U-Net网络对待处理的地震数据进行循环迭代得到分离的地震数据。
模拟训练数据获取模块通过如下方式获取模拟的未混叠地震数据与混叠地震数据：利用波场正演方法得到模拟的未混叠地震数据，作为训练标签，基于实际数据混叠算子，对训练标签进行混叠模拟得到混叠地震数据。
网络训练模块包括设计的损失函数为
Figure BDA0002383075220000032
Figure BDA0002383075220000033
其中，θ为待设计的网络参数，Γ为混叠算子，ΓH为混叠算子的共轭算子，dbl为待处理的混叠地震数据，f(ΓHdbl；θ)为U-Net网络输出的去混叠地震数据，d为未混叠地震数据；
训练过程中，网络训练模块以
Figure BDA0002383075220000034
取最小为目标得到训练后的网络参数θ*。
所述的迭代分离模块执行以下步骤完成地震数据的分离：
(a)初始化迭代次数i＝1；
(b)将待处理的地震数据输入至优化的U-Net网络，输出第i次迭代得到分离的地震数据ddeb,i：
Figure BDA0002383075220000035
其中，Γ为混叠算子，ΓH为混叠算子的共轭算子，dbl为待处理的混叠地震数据，
Figure BDA0002383075220000036
为优化的U-Net网络输出的去混叠地震数据；
(c)将ΓHdbl-(ΓHΓ-I)ddeb,i输入至优化的U-Net网络，输出第i+1次迭代得到分离的地震数据ddeb,i+1：
Figure BDA0002383075220000037
其中，I为单位矩阵；
(d)判断i是否小于N，若是，则赋值i＝i+1，返回步骤(c)，否则结束循环迭代，输出分离的地震数据，其中，N为最大迭代次数。
与现有技术相比，本发明具有如下优点：
(1)本发明智能化方法避免了对数据线性、稀疏性及低秩等假设；其次，智能化方法耗时主要发生在训练过程中，训练后的网络去混叠处理效率高、稳定性好；最后，智能化方法不需要人工交互，可充分利用计算机的计算资源，高效智能稳定地得到去混叠数据。
(2)本发明借鉴基于稀疏变换的迭代阈值收缩方法对待处理的地震数据进行循环迭代得到分离的地震数据，多次循环迭代能够提高去混叠的精度。
附图说明
图1为本发明基于U-Net网络的智能化地震数据去混叠方法的流程框图；
图2为本发明U-Net网络的结构示意图；
图3为本发明实施例中一对模拟训练数据示意图；
图4为本发明基于U-Net网络的智能化地震数据去混叠系统的结构框图；
图5为实施例中传统方法与本发明方法去混叠恢复信噪比对比图；
图6为实施例中第5个检波器混叠前后地震数据；
图7为实施例中第5个检波器采用传统方法与本发明方法去混叠效果对比图；
图8为实施例中第10个检波器混叠前后地震数据；
图9为实施例中第10个检波器采用传统方法与本发明方法去混叠效果对比图。
图中，1为U-Net网络构建模块，2为模拟训练数据获取模块，3为网络训练模块，4为网络优化模块，5为迭代分离模块。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。注意，以下的实施方式的说明只是实质上的例示，本发明并不意在对其适用物或其用途进行限定，且本发明并不限定于以下的实施方式。
实施例
时间域地震数据混叠采集可以表征为，
dbl＝d1+Γ2d2＝Γd， (1)
其中d1第1个震源数据，Γ2为第2个震源d2混叠算子，dbl为混叠数据，Γ，d为混叠算子及未混叠地震数据。基于公式(1)，伪分离地震数据可以表征为：
ΓHdbl＝d+(ΓHΓ-I)d， (2)
其中ΓH为混叠算子的共轭算子，I为单位矩阵。为了利用深度学习方法对地震数据进行自学习、非线性表征，设计了U-Net网络进行地震数据的去混叠处理。
具体地：
如图1所示：一种基于U-Net网络的智能化地震数据去混叠方法，该方法包括如下步骤：
(1)构建用于地震数据去混叠的U-Net网络f；
(2)获取模拟数据训练对：包括模拟的未混叠地震数据与混叠地震数据；
(3)将模拟的混叠地震数据作为输入，未混叠地震数据作为训练标签训练U-Net网络，得到训练后的网络参数θ*；
(4)基于迁移学习方法，利用部分含标签的实际混叠地震数据(20％带标签的实际混叠地震数据)，对训练后的网络参数θ*进行微调，得到优化的网络参数
Figure BDA0002383075220000051
(5)利用优化的U-Net网络对待处理的地震数据进行循环迭代得到分离的地震数据。
如图2所示为U-Net网络f的结构示意图，编码过程提取数据特征，解码过程恢复地震数据。利用大量训练样本对编码、解码过程进行训练，对数据进行自学习、非线性表征，便可以得到网络优化参数。
步骤(2)具体为：利用波场正演方法得到模拟的未混叠地震数据，作为训练标签，基于实际数据混叠算子，对训练标签进行混叠模拟得到混叠地震数据。图3的(a)为本实施例中某一共检波点道集；利用实际数据混叠算子，对模拟数据进行混叠，得到混叠采集地震数据，如图3的(b)所示，信号为相干同相轴，混叠噪声表现为不相干噪声。图3的(a)和图3的(b)提供了一个带标签的训练对，可对设计的网络结构(图2)进行训练，得到优化网络参数θ*，并利用验证集数据对网络θ*进行验证评价。
步骤(3)训练过程中的损失函数为
Figure BDA0002383075220000052
Figure BDA0002383075220000053
其中，θ为待设计的网络参数，Γ为混叠算子，ΓH为混叠算子的共轭算子，dbl为待处理的混叠地震数据，f(ΓHdbl；θ)为U-Net网络输出的去混叠地震数据，d为未混叠地震数据；
训练过程中以
Figure BDA0002383075220000061
取最小为目标得到训练后的网络参数θ*。
步骤(5)具体为：
(51)初始化迭代次数i＝1；
(52)将待处理的地震数据输入至优化的U-Net网络，输出第i次迭代得到分离的地震数据ddeb,i：
Figure BDA0002383075220000062
其中，Γ为混叠算子，ΓH为混叠算子的共轭算子，dbl为待处理的混叠地震数据，
Figure BDA0002383075220000063
为优化的U-Net网络输出的去混叠地震数据；
(53)将ΓHdbl-(ΓHΓ-I)ddeb,i输入至优化的U-Net网络，输出第i+1次迭代得到分离的地震数据ddeb,i+1：
Figure BDA0002383075220000064
其中，I为单位矩阵；
(54)判断i是否小于N，若是，则赋值i＝i+1，返回步骤(53)，否则结束循环迭代，输出分离的地震数据，其中，N为最大迭代次数。
如图4所示，一种基于U-Net网络的智能化地震数据去混叠系统，该系统包括：
U-Net网络构建模块1：该模块构建用于地震数据去混叠的U-Net网络；
模拟训练数据获取模块2：该模块获取模拟的未混叠地震数据与混叠地震数据；
网络训练模块3：该模块将模拟的混叠地震数据作为输入，未混叠地震数据作为训练标签训练U-Net网络，得到训练后的网络参数θ*；
网络优化模块4：该模块基于迁移学习方法，利用部分含标签的实际混叠地震数据，对训练后的网络参数θ*进行微调，得到优化的网络参数
Figure BDA0002383075220000065
迭代分离模块5：该模块利用优化的U-Net网络对待处理的地震数据进行循环迭代得到分离的地震数据。
模拟训练数据获取模块2通过如下方式获取模拟的未混叠地震数据与混叠地震数据：利用波场正演方法得到模拟的未混叠地震数据，作为训练标签，基于实际数据混叠算子，对训练标签进行混叠模拟得到混叠地震数据。
网络训练模块3包括设计的损失函数为
Figure BDA0002383075220000066
Figure BDA0002383075220000071
其中，θ为待设计的网络参数，Γ为混叠算子，ΓH为混叠算子的共轭算子，dbl为待处理的混叠地震数据，f(ΓHdbl；θ)为U-Net网络输出的去混叠地震数据，d为未混叠地震数据；
训练过程中，网络训练模块3以
Figure BDA0002383075220000072
取最小为目标得到训练后的网络参数θ*。
所述的迭代分离模块5执行以下步骤完成地震数据的分离：
(a)初始化迭代次数i＝1；
(b)将待处理的地震数据输入至优化的U-Net网络，输出第i次迭代得到分离的地震数据ddeb,i：
Figure BDA0002383075220000073
其中，Γ为混叠算子，ΓH为混叠算子的共轭算子，dbl为待处理的混叠地震数据，
Figure BDA0002383075220000074
为优化的U-Net网络输出的去混叠地震数据；
(c)将ΓHdbl-(ΓHΓ-I)ddeb,i输入至优化的U-Net网络，输出第i+1次迭代得到分离的地震数据ddeb,i+1：
Figure BDA0002383075220000075
其中，I为单位矩阵；
(d)判断i是否小于N，若是，则赋值i＝i+1，返回步骤(c)，否则结束循环迭代，输出分离的地震数据，其中，N为最大迭代次数。
为了验证本发明智能化地震数据去混叠的可行性，将本发明应用于实际人工混叠数据处理中，并与传统的基于稀疏变换的迭代阈值收缩方法进行比较。图5为选取的20个共检波点道集去混叠效果的恢复信噪比，可以看出本发型智能化方法的恢复信噪比较高，且抖动小、稳定性更好。为了更直观的比较去混叠的效果，展示图5中第5个、第10个检波器去混叠前后的效果图。图6的(a)和(b)分别为第5个检波器混叠前后地震数据，信号表现为相干性，混叠噪声表现为随机性。图7的(a)和(b)分别为传统方法去混叠数据及残差，图7的(c)和(d)分别为本发明方法去混叠数据及残差，对混叠噪声进行了有效去除，与图5的恢复信噪比吻合。第10个检波器混叠前后地震数据，如图8的(a)和(b)所示，图9的(a)和(b)分别为传统方法去混叠数据及残差，图9的(c)和(d)分别为本发明方法去混叠数据及残差，对比图9的(a)和(c)可以看出传统方法有若干混叠噪声的残留，本发明方法去混叠效果好。图9的(b)和(d)为本发明为传统方法和本发明方法对应的残差，进一步验证了本专利方法的优越性。另外，传统方法的计算量较大，最优参数需人工调节，进一步增加了计算耗时；本专利方法耗时主要发生在训练阶段，后续的去混叠处理效果高，适用于大规模地震数据去混叠处理，应用潜力大。上述实施方式仅为例举，不表示对本发明范围的限定。这些实施方式还能以其它各种方式来实施，且能在不脱离本发明技术思想的范围内作各种省略、置换、变更。

Claims (8)

1.一种基于U-Net网络的智能化地震数据去混叠方法，其特征在于，该方法包括如下步骤：
(1)构建用于地震数据去混叠的U-Net网络f；
(2)获取模拟数据训练对：包括模拟的未混叠地震数据与混叠地震数据；
(3)将模拟的混叠地震数据作为输入，未混叠地震数据作为训练标签训练U-Net网络，得到训练后的网络参数θ*；
(4)基于迁移学习方法，利用部分含标签的实际混叠地震数据，对训练后的网络参数θ*进行微调，得到优化的网络参数
Figure FDA0002383075210000011
(5)利用优化的U-Net网络对待处理的地震数据进行循环迭代得到分离的地震数据。
2.根据权利要求1所述的一种基于U-Net网络的智能化地震数据去混叠方法，其特征在于，步骤(2)具体为：利用波场正演方法得到模拟的未混叠地震数据，作为训练标签，基于实际数据混叠算子，对训练标签进行混叠模拟得到混叠地震数据。
3.根据权利要求1所述的一种基于U-Net网络的智能化地震数据去混叠方法，其特征在于，步骤(3)训练过程中的损失函数为
Figure FDA0002383075210000012
Figure FDA0002383075210000013
其中，θ为待设计的网络参数，Γ为混叠算子，ΓH为混叠算子的共轭算子，dbl为待处理的混叠地震数据，f(ΓHdbl；θ)为U-Net网络输出的去混叠地震数据，d为未混叠地震数据；
训练过程中以
Figure FDA0002383075210000014
取最小为目标得到训练后的网络参数θ*。
4.根据权利要求1所述的一种基于U-Net网络的智能化地震数据去混叠方法，其特征在于，步骤(5)具体为：
(51)初始化迭代次数i＝1；
(52)将待处理的地震数据输入至优化的U-Net网络，输出第i次迭代得到分离的地震数据ddeb,i：
Figure FDA0002383075210000015
其中，Γ为混叠算子，ΓH为混叠算子的共轭算子，dbl为待处理的混叠地震数据，
Figure FDA0002383075210000021
为优化的U-Net网络输出的去混叠地震数据；
(53)将ΓHdbl-(ΓHΓ-I)ddeb,i输入至优化的U-Net网络，输出第i+1次迭代得到分离的地震数据ddeb,i+1：
Figure FDA0002383075210000022
其中，I为单位矩阵；
(54)判断i是否小于N，若是，则赋值i＝i+1，返回步骤(53)，否则结束循环迭代，输出分离的地震数据，其中，N为最大迭代次数。
5.一种基于U-Net网络的智能化地震数据去混叠系统，其特征在于，该系统包括：
U-Net网络构建模块：该模块构建用于地震数据去混叠的U-Net网络；
模拟训练数据获取模块：该模块获取模拟的未混叠地震数据与混叠地震数据；
网络训练模块：该模块将模拟的混叠地震数据作为输入，未混叠地震数据作为训练标签训练U-Net网络，得到训练后的网络参数θ*；
网络优化模块：该模块基于迁移学习方法，利用部分含标签的实际混叠地震数据，对训练后的网络参数θ*进行微调，得到优化的网络参数
Figure FDA0002383075210000023
迭代分离模块：该模块利用优化的U-Net网络对待处理的地震数据进行循环迭代得到分离的地震数据。
6.根据权利要求5所述的一种基于U-Net网络的智能化地震数据去混叠系统，其特征在于，模拟训练数据获取模块通过如下方式获取模拟的未混叠地震数据与混叠地震数据：利用波场正演方法得到模拟的未混叠地震数据，作为训练标签，基于实际数据混叠算子，对训练标签进行混叠模拟得到混叠地震数据。
7.根据权利要求5所述的一种基于U-Net网络的智能化地震数据去混叠系统，其特征在于，网络训练模块包括设计的损失函数为
Figure FDA0002383075210000024
Figure FDA0002383075210000025
其中，θ为待设计的网络参数，Γ为混叠算子，ΓH为混叠算子的共轭算子，dbl为待处理的混叠地震数据，f(ΓHdbl；θ)为U-Net网络输出的去混叠地震数据，d为未混叠地震数据；
训练过程中，网络训练模块以
Figure FDA0002383075210000026
取最小为目标得到训练后的网络参数θ*。
8.根据权利要求5所述的一种基于U-Net网络的智能化地震数据去混叠系统，其特征在于，所述的迭代分离模块执行以下步骤完成地震数据的分离：
(a)初始化迭代次数i＝1；
(b)将待处理的地震数据输入至优化的U-Net网络，输出第i次迭代得到分离的地震数据ddeb,i：
Figure FDA0002383075210000031
其中，Γ为混叠算子，ΓH为混叠算子的共轭算子，dbl为待处理的混叠地震数据，
Figure FDA0002383075210000032
为优化的U-Net网络输出的去混叠地震数据；
(c)将ΓHdbl-(ΓHΓ-I)ddeb,i输入至优化的U-Net网络，输出第i+1次迭代得到分离的地震数据ddeb,i+1：
Figure FDA0002383075210000033
其中，I为单位矩阵；
(d)判断i是否小于N，若是，则赋值i＝i+1，返回步骤(c)，否则结束循环迭代，输出分离的地震数据，其中，N为最大迭代次数。
CN202010089000.9A 2020-02-12 2020-02-12 基于U-Net网络的智能化地震数据去混叠方法及系统 Active CN111273353B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010089000.9A CN111273353B (zh) 2020-02-12 2020-02-12 基于U-Net网络的智能化地震数据去混叠方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010089000.9A CN111273353B (zh) 2020-02-12 2020-02-12 基于U-Net网络的智能化地震数据去混叠方法及系统

Publications (2)

Publication Number Publication Date
CN111273353A true CN111273353A (zh) 2020-06-12
CN111273353B CN111273353B (zh) 2022-02-18

Family

ID=70999408

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010089000.9A Active CN111273353B (zh) 2020-02-12 2020-02-12 基于U-Net网络的智能化地震数据去混叠方法及系统

Country Status (1)

Country Link
CN (1) CN111273353B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111796326A (zh) * 2020-07-07 2020-10-20 中海石油(中国)有限公司 一种基于Unet网络的层序地层格架构建方法和系统
CN113158792A (zh) * 2021-03-15 2021-07-23 辽宁大学 一种基于改进模型迁移学习的微震事件识别方法
CN113740903A (zh) * 2021-08-27 2021-12-03 西安交通大学 数据与智能优化双驱动的深度学习地震波阻抗反演方法
CN114236610A (zh) * 2021-12-24 2022-03-25 西安交通大学 基于深度卷积网络先验的迭代地震资料解混方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102866425A (zh) * 2012-09-17 2013-01-09 中国石油大学(华东) 一种基于盲源地震信号平稳叠加模型的盲分离方法
CN108107474A (zh) * 2018-02-02 2018-06-01 中国石油天然气集团有限公司 一种基于稀疏反演的混叠数据分离方法及装置
CN108549106A (zh) * 2018-03-09 2018-09-18 中国石油天然气集团有限公司 混叠噪声压制方法及装置
US10162071B1 (en) * 2016-02-02 2018-12-25 Saudi Arabian Oil Company 3D blending and illumination of seismic volumes for automatic derivation of discontinuities
CN110568485A (zh) * 2019-09-06 2019-12-13 广州海洋地质调查局 一种基于神经网络的多道地震连续记录分离方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102866425A (zh) * 2012-09-17 2013-01-09 中国石油大学(华东) 一种基于盲源地震信号平稳叠加模型的盲分离方法
US10162071B1 (en) * 2016-02-02 2018-12-25 Saudi Arabian Oil Company 3D blending and illumination of seismic volumes for automatic derivation of discontinuities
CN108107474A (zh) * 2018-02-02 2018-06-01 中国石油天然气集团有限公司 一种基于稀疏反演的混叠数据分离方法及装置
CN108549106A (zh) * 2018-03-09 2018-09-18 中国石油天然气集团有限公司 混叠噪声压制方法及装置
CN110568485A (zh) * 2019-09-06 2019-12-13 广州海洋地质调查局 一种基于神经网络的多道地震连续记录分离方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
ALAN RICHARDSON 等: "Seismic data denoising and deblending using deep learning", 《ARXIV：1907.01497V1》 *
JING SUN 等: "A convolutional neural network approach to deblending seismic data", 《GEOPHYSICS》 *
宋家文 等: "基于稀疏反演的高效混采数据分离方法", 《石油地球物理勘探》 *
杨卫华 等: "《眼科人工智能》", 28 February 2018, 湖北科学技术出版社 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111796326A (zh) * 2020-07-07 2020-10-20 中海石油(中国)有限公司 一种基于Unet网络的层序地层格架构建方法和系统
CN111796326B (zh) * 2020-07-07 2022-11-22 中海石油(中国)有限公司 一种基于Unet网络的层序地层格架构建方法和系统
CN113158792A (zh) * 2021-03-15 2021-07-23 辽宁大学 一种基于改进模型迁移学习的微震事件识别方法
CN113158792B (zh) * 2021-03-15 2024-05-10 辽宁大学 一种基于改进模型迁移学习的微震事件识别方法
CN113740903A (zh) * 2021-08-27 2021-12-03 西安交通大学 数据与智能优化双驱动的深度学习地震波阻抗反演方法
CN114236610A (zh) * 2021-12-24 2022-03-25 西安交通大学 基于深度卷积网络先验的迭代地震资料解混方法及系统

Also Published As

Publication number Publication date
CN111273353B (zh) 2022-02-18

Similar Documents

Publication Publication Date Title
CN111273353B (zh) 基于U-Net网络的智能化地震数据去混叠方法及系统
CN110807492B (zh) 一种磁共振多参数同时定量成像方法及系统
CN104536044B (zh) 一种地震数据的插值去噪方法以及系统
CN110942496B (zh) 基于螺旋桨采样和神经网络的磁共振图像重建方法及系统
CN110932809A (zh) 光纤信道模型模拟方法及装置
CN110490947B (zh) 核磁共振图像重建方法、装置、存储介质及终端设备
CN113256508A (zh) 一种改进的小波变换与卷积神经网络图像去噪声的方法
CN110569728A (zh) 一种基于字典训练和正交匹配追踪的核信号提取方法
CN110197183A (zh) 一种图像盲去噪的方法、装置和计算机设备
CN116777764A (zh) 一种基于扩散模型的光学遥感图像去云雾方法及系统
CN104915931A (zh) 基于压缩感知理论的自适应光学波前信号去噪方法
CN117031539A (zh) 一种自监督深度学习地震数据低频重建方法及系统
CN117495714A (zh) 基于扩散生成先验的人脸图像复原方法、装置及可读介质
CN115184998A (zh) 一种基于改进U-net神经网络的瑞利波频散曲线自动提取方法
CN111399041A (zh) 一种小波紧框架自适应稀疏三维地震数据重构方法
CN104050644A (zh) 一种基于非局部约束稀疏表示的sar图像去噪方法
CN113935246A (zh) 一种信号鲁棒稀疏时频分析方法、终端设备及存储介质
CN117076858B (zh) 一种基于深度学习的低频大地电磁强干扰压制方法及系统
CN111105364A (zh) 一种基于秩一分解和神经网络的图像复原方法
CN114693823B (zh) 一种基于空频双域并行重建的磁共振图像重建方法
CN114236610B (zh) 基于深度卷积网络先验的迭代地震资料解混方法及系统
CN112801909B (zh) 基于U-Net和金字塔模块的图像融合去噪方法及系统
CN111260570B (zh) 基于循环一致性对抗网络的碑帖二值化背景噪声模拟方法
CN114998137A (zh) 一种基于生成对抗网络的探地雷达图像杂波抑制方法
Zhou et al. Domain specific inpainting with concurrently pretrained generative adversarial networks

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