CN111368710A - 一种联合深度学习的地震数据随机噪声压制方法 - Google Patents

一种联合深度学习的地震数据随机噪声压制方法 Download PDF

Info

Publication number
CN111368710A
CN111368710A CN202010134754.1A CN202010134754A CN111368710A CN 111368710 A CN111368710 A CN 111368710A CN 202010134754 A CN202010134754 A CN 202010134754A CN 111368710 A CN111368710 A CN 111368710A
Authority
CN
China
Prior art keywords
data
domain
wave
seismic data
network
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
CN202010134754.1A
Other languages
English (en)
Other versions
CN111368710B (zh
Inventor
张岩
李新月
王斌
聂永丹
唐国维
赵建民
李井辉
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.)
Northeast Petroleum University
Original Assignee
Northeast Petroleum 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 Northeast Petroleum University filed Critical Northeast Petroleum University
Priority to CN202010134754.1A priority Critical patent/CN111368710B/zh
Publication of CN111368710A publication Critical patent/CN111368710A/zh
Application granted granted Critical
Publication of CN111368710B publication Critical patent/CN111368710B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • 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
    • G01V1/30—Analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Remote Sensing (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Signal Processing (AREA)
  • Acoustics & Sound (AREA)
  • Environmental & Geological Engineering (AREA)
  • Geology (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Geophysics (AREA)
  • Geophysics And Detection Of Objects (AREA)

Abstract

本发明属于地球科学技术领域，具体涉及一种联合深度学习的地震数据随机噪声压制方法，该方法的步骤为1、训练数据集预处理；2、样本标签准备；3、设计联合学习模型G的网络结构；4、设计损失函数；5、训练并保存网络模型；6、测试网络模型性能。通过波原子变换对地震数据波前纹理特征进行有效地稀疏表示，获取波原子域地震数据的纹理特征；将含噪声地震数据作为输入，波原子域数据和实际不含噪声数据的特征作为标签，构建空间域与波原子域联合深度学习网络结构。通过联合学习的方案解决地震数据特征提取不充分的问题，提高噪声压制效果。将空间域和波原子域的特征相结合，利用空间域与波原子域联合深度学习技术去除地震数据随机噪声。

Description

一种联合深度学习的地震数据随机噪声压制方法
技术领域：
本发明属于地球科学技术领域，具体涉及一种联合深度学习的地震数据随机噪声压制方法。
背景技术：
在大数据与人工智能等技术迅猛发展的信息时代，各个行业涌现出一批新颖、有效的处理方法，地震数据处理领域也在积极融合新技术解决传统方法的问题。随着油气勘探范围的不断扩大，恶劣环境和复杂地质构造会对地震资料的获取产生不利的影响，随机噪声压制是地震资料数据处理的基础性工作，旨在提升地震数据的信噪比和分辨率，以提高后续地震数据处理、解释的速度和精度。
现有的地震数据随机噪声方法主要可以划分为：基于模型的去噪和基于数据驱动的去噪。基于模型的地震数据去噪方法通常建立数据的分布模型，根据分布模型来预测包含噪声数据的真实情况，其又可以划分为空间域和变换域两类手段，空间域的去噪方法中主要有均值滤波法和高斯滤波法等，基本原理为利用地震数据时域分布的特点构建滤波函数，以去除噪声数据。发展变换域的去噪方法的原因在于，很多情况下，仅仅从空间域的角度分析还不足以充分提取数据的主要特征，常用的变换方法有傅里叶变换，Radon变换，T-P变换，离散余弦变换，K-L变换法，小波变换等，实现的基本原理是在变换域中分析变换系数的一般特点，建立分布模型、去除变换域的噪声系数，然后反变换回时域以达到去噪的目的。
基于数据驱动的地震数据去噪方法则根据样本数据的特点，通过自适应学习的方式获得样本数据的特征，根据学习得到的主要特征来表示地震数据，其可以划分为浅层学习和深度学习两大类。在浅层学习中具有代表性的是学习型超完备字典方法，可以通过对待处理数据的学习和训练，自适应地调整变换基函数，以适应特定数据本身，因此可以更充分地稀疏表示地震数据。其中最有代表性的是基于K-SVD的超完备字典学习的去噪方法，基本思想是将地震数据划分成多个一定尺寸的块，每一个数据块作为一个训练样本，将字典的学习训练和目标信号的去噪结合起来，建立稀疏约束正则化模型，通过匹配追踪算法交替调整字典与稀疏编码系数，在构造学习型超完备字典和对信号超完备稀疏表示的同时压制噪声，由于此类方法学习得到的特征是一种数据的表示基函数或者叫做原子，待处理的数据可以表示为字典中若干个原子的线性组合，因此此类特征可以认为是一种浅层的特征，此类方法亦可以称为浅层的学习方法。近年来随着大数据、人工智能的发展和GPU等硬件协助加速的性能越来越高，深度学习通过增加神经网络的层数，可以得到样本数据更深层次的特征，在计算机视觉领域得到了突破性的效果，同时在地震数据处理也逐渐得到关注。当前基于深度学习的去噪方法通常采用残差学习、降噪自编码、生成对抗网络等技术，实现的基本原理是利用大量的样本覆盖待处理数据的特征，通过多层卷积的方式提取数据空间域的特征，然后采用深度学习的分线性逼近能力调整网络的参数，从而建立一个复杂的去噪模型，用于去除待处理数据的噪声。
现有地震数据随机噪声压制方法中，基于模型的方法，在空间域处理中不能很好地保护地震数据的细节，去噪的同时也破坏了地震数据同向轴的细节部分；频域处理方法的问题在于很难找到一个合适的频率将噪声和信号完全分离，导致在有效信号和噪声之间的频率重叠区域，不能彻底去除噪声。基于数据驱动中的字典学习方法往往具有较高的计算复杂度，并且在纹理复杂区域效果不理想；而当前基于深度学习的地震数据去噪方法，虽然显示出比上述方法有效的效果，但通常仅关注空间域，或者传统变换域(如小波域)的特征提取，而忽略了地震数据在多尺度几何变换域的特征，因此在地震数据能量较弱的区域无法仅根据有限的特征来判别真实数据和噪声数据，结果导致局部过平滑的现象。
发明内容：
本发明的目的是提供一种联合深度学习的地震数据随机噪声压制方法。通过联合学习的方案解决地震数据特征提取不充分的问题，提高噪声压制效果。波原子是一种特殊二维波包的变型，实现了多尺度、方向性、和局域性较好的权衡，对于振荡函数(简单的纹理模型)具有最优的稀疏表示能力。本压制方法将空间域和波原子域的特征相结合，利用空间域与波原子域联合深度学习技术去除地震数据随机噪声。
本发明采用的技术方案为：一种联合深度学习的地震数据随机噪声压制方法，其特征在于：所述压制方法包括以下步骤：
步骤一：训练数据集预处理：
为结合波原子域的特征，将训练样本的最小单位设置为由训练集中地震数据的样本裁剪得到的若干个尺寸为256×256的切片数据x，地震数据的随机噪声通过0均值正态分布的高斯随机噪声仿真，噪声的标准差与原始地震数据的标准差成正相关，噪声标准差定义为：
Figure BDA0002393382930000031
M为切片时间采样总数，N为切片地震道采样总数，t为时间采样序号，s为地震道记录序号，u为地震数据的均值，l为噪声强度的比例因子；将每一个地震数据切片复制10份，分别加入10种不同强度的随机噪声，也即l分别为0.01、0.02、0.03、0.04、0.05、0.06、0.07、0.08、0.09和0.1，得到若干个包含随机噪声的切片数据y；
步骤二：样本标签准备：对于联合学习网络模型，在频域和空域分别设置标签；
空域标签：步骤一得到的原始地震切片数据x；
频域标签：对每一个原始地震切片数据x分别进行波原子变换，波原子变换采用工具箱(http://www.waveatom.org/)代码完成，变换的参数利用(tp＝’directional’，pat＝’p’)，变换后每个切片数据x生成2个256×256的波原子域切片系数，分别设为x′1和x′2，即为频域卷积网络学习的标签；
步骤三：设计联合学习模型G的网络结构：
联合学习网络模型G由3个并行的深度卷积网络组成，分别为波原子域系数矩阵
Figure BDA0002393382930000041
的预测网络G1，波原子系数矩阵
Figure BDA0002393382930000042
的预测网络G2和空间域地震数据yspace的预测网络G3；
网络模型G1和G2是为了预测波原子域系数矩阵
Figure BDA0002393382930000043
和
Figure BDA0002393382930000044
的网络，具有类似的网络结构，其中，第一层输入具有1个通道；中间层是4个交替的卷积层和修正线性单元(Relu)层，每个卷积层包含256个尺寸大小为3×3的卷积滤波器，步长为1；卷积层后是Relu层，将前卷积层的输出特征输入到Relu激活函数中以执行非线性映射，用于去除系数矩阵中的非主要成分；在每次卷积前，对输入矩阵进行补0操作，以便每个特征图与输入张量保持相同大小；最后一层是1个卷积层，输入256个通道，输出1个通道，用于得到波原子域系数矩阵；
网络模型G3是为了预测空间域地震数据yspace的网络，因为空域上网络的输入和输出比较接近，因此在空域上采用残差学习来设计更稳定的网络；其中，第一层输入具有1个通道；中间层是4个交替的卷积层和修正线性单元(Relu)层，每个卷积层包含256个尺寸大小为3×3的卷积滤波器，步长为1，用于提取含噪地震数据的特征；卷积层后是一个Relu层，将前一卷积层的输出特征输入到Relu激活函数中以执行非线性映射，用于学习空域地震数据噪声数据主要特征；类似网络模型G1,G2，在每次卷积前，对特征图进行补0操作；最后一层是1个卷积层，输入256个通道，输出1个通道，进一步提取空域地震数据噪声的主要特征；
步骤四：设计损失函数：
对于空域-频域联合学习网络模型G，结合波原子域和空间域损失误差的联合误差函数losstotal＝alosswave+blossspace，其中其中a,b为权重，
Figure BDA0002393382930000051
为波原子域预测系数
Figure BDA0002393382930000052
Figure BDA0002393382930000053
与实际系数x1′和x2′的均方误差求和得到的；
Figure BDA0002393382930000054
为最终预测数据
Figure BDA0002393382930000055
与实际数据x的均方误差，最终预测数据
Figure BDA0002393382930000056
是由波原子域系数反变换得到的预测数据ywave与空间域预测数据yspace加权求和得到的，μ和v为权重；
步骤五：训练并保存网络模型：
使用步骤三提出的联合学习模型G，输入含随机噪声的切片数据样本集y，经过网络模型前向传递得到波原子域预测系数
Figure BDA0002393382930000057
Figure BDA0002393382930000058
和空间域预测数据yspace；将
Figure BDA0002393382930000059
Figure BDA00023933829300000510
反变换得到波原子域预测数据ywave，再与yspace加权求和得到最终预测数据
Figure BDA00023933829300000511
将预测数据
Figure BDA00023933829300000512
Figure BDA00023933829300000513
和
Figure BDA00023933829300000514
分别与标签x，x′1和x′2比较，利用联合误差函数losstotal计算误差并反向回馈来调整网络参数；批量大小设置为128，学习率初始设定为0.001，采用自适应方法调节学习率，根据前一次迭代的误差调整学习率的大小，提高收敛速度与逼近效果；最后保存调整好的网络模型的参数；
步骤六：测试网络模型性能：
将中含噪声地震数据的测试集z，输入到步骤五调整好参数的卷积神经网络模型G中，由G1和G2网络生成波原子域系数
Figure BDA0002393382930000061
和
Figure BDA0002393382930000062
将
Figure BDA0002393382930000063
和
Figure BDA0002393382930000064
进行波原子反变换得到波原子域去噪之后的地震数据zwave，由G3网络得到空间域的去噪预测结果zspace，最终的去噪结果为
Figure BDA0002393382930000065
本发明的有益效果：通过联合学习的方案解决地震数据特征提取不充分的问题，提高噪声压制效果。波原子是一种特殊二维波包的变型，实现了多尺度、方向性、和局域性较好的权衡，对于振荡函数(简单的纹理模型)具有最优的稀疏表示能力。本压制方法将空间域和波原子域的特征相结合，利用空间域与波原子域联合深度学习技术去除地震数据随机噪声。与现有技术相比，本申请的技术方案中建立了波原子域深度学习卷积联合网络结构，充分结合地震数据在空间域和波原子域的特征，对深度卷积网络进行训练，提高网络的泛化能力与收敛能力，避免现有技术仅仅通过空域特征，或者结合小波等传统变换域特征来学习网络参数引起的特征不足，而导致去噪数据局部过于平滑的问题。
附图说明：
图1是实施例一的流程图；
图2是实施例一的联合学习网络模型图；
图3是实施例二中任选一原始地震数据切片样本1图；
图4是实施例二中任选一原始地震数据切片样本2图；
图5是实施例二中含噪声地震数据切片样本1图；
图6是实施例二中含噪声地震数据切片样本2图；
图7是实施例二中本方法随机噪声压制处理结果1图；
图8是实施例二中本方法随机噪声压制处理结果2图。
具体实施方式：
实施例一
参照图1和图2，一种联合深度学习的地震数据随机噪声压制方法，其特征在于：所述压制方法包括以下步骤：
步骤一：训练数据集预处理：
为结合波原子域的特征，将训练样本的最小单位设置为由训练集中地震数据的样本裁剪得到的若干个尺寸为256×256的切片数据x，地震数据的随机噪声通过0均值正态分布的高斯随机噪声仿真，噪声的标准差与原始地震数据的标准差成正相关，噪声标准差定义为：
Figure BDA0002393382930000071
M为切片时间采样总数，N为切片地震道采样总数，t为时间采样序号，s为地震道记录序号，u为地震数据的均值，l为噪声强度的比例因子；将每一个地震数据切片复制10份，分别加入10种不同强度的随机噪声，也即l分别为0.01、0.02、0.03、0.04、0.05、0.06、0.07、0.08、0.09和0.1，得到若干个包含随机噪声的切片数据y；
步骤二：样本标签准备：对于联合学习网络模型，在频域和空域分别设置标签；
空域标签：步骤一得到的原始地震切片数据x；
频域标签：对每一个原始地震切片数据x分别进行波原子变换，波原子变换采用工具箱(http://www.waveatom.org/)代码完成，变换的参数利用(tp＝’directional’，pat＝’p’)，变换后每个切片数据x生成2个256×256的波原子域切片系数，分别设为x′1和x′2，即为频域卷积网络学习的标签；
步骤三：设计联合学习模型G的网络结构：
联合学习网络模型G由3个并行的深度卷积网络组成，分别为波原子域系数矩阵
Figure BDA0002393382930000081
的预测网络G1，波原子系数矩阵
Figure BDA0002393382930000082
的预测网络G2和空间域地震数据yspace的预测网络G3；
网络模型G1和G2是为了预测波原子域系数矩阵
Figure BDA0002393382930000083
和
Figure BDA0002393382930000084
的网络，具有类似的网络结构，其中，第一层输入具有1个通道；中间层是4个交替的卷积层和修正线性单元(Relu)层，每个卷积层包含256个尺寸大小为3×3的卷积滤波器，步长为1；卷积层后是Relu层，将前卷积层的输出特征输入到Relu激活函数中以执行非线性映射，用于去除系数矩阵中的非主要成分；在每次卷积前，对输入矩阵进行补0操作，以便每个特征图与输入张量保持相同大小；最后一层是1个卷积层，输入256个通道，输出1个通道，用于得到波原子域系数矩阵；
网络模型G3是为了预测空间域地震数据yspace的网络，因为空域上网络的输入和输出比较接近，因此在空域上采用残差学习来设计更稳定的网络；其中，第一层输入具有1个通道；中间层是4个交替的卷积层和修正线性单元(Relu)层，每个卷积层包含256个尺寸大小为3×3的卷积滤波器，步长为1，用于提取含噪地震数据的特征；卷积层后面跟着一个Relu层，将前卷积层的输出输入到Relu激活函数中以执行非线性映射，用于去除空域地震数据噪声，保留数据主要特征最大化；类似网络模型G1,G2，在每次卷积前，对特征图进行补0操作；最后一层是1个卷积层，输入256个通道，输出1个通道，进一步提取空域地震数据的主要特征；
步骤四：设计损失函数：
对于空域-频域联合学习网络模型G，结合波原子域和空间域损失误差的联合误差函数losstotal＝alosswave+blossspace，其中，
Figure BDA0002393382930000091
为波原子域预测系数
Figure BDA0002393382930000092
Figure BDA0002393382930000093
与实际系数x′1和x′2的均方误差加权求和得到的；
Figure BDA0002393382930000094
为最终预测数据
Figure BDA0002393382930000095
与实际数据x的均方误差，最终预测数据
Figure BDA0002393382930000096
是由波原子域系数反变换得到的预测数据ywave与空间域预测数据yspace加权求和得到的，μ和ν为权重；
步骤五：训练并保存网络模型：
使用步骤三提出的联合学习模型G，输入含随机噪声的切片数据样本集y，经过网络模型前向传递得到预测数据
Figure BDA00023933829300000912
和
Figure BDA00023933829300000913
分别与标签x，
Figure BDA00023933829300000914
和
Figure BDA00023933829300000915
比较，利用联合误差函数losstotal计算误差并反向回馈来调整网络参数；批量大小设置为128，学习率初始设定为0.001，采用自适应方法调节学习率，根据前一次迭代的误差调整学习率的大小，提高收敛速度与逼近效果；最后保存调整好的网络模型的参数；
步骤六：测试网络模型性能：
将中含噪声地震数据的测试集z，输入到步骤五调整好参数的卷积神经网络模型G中，由G1和G2网络生成波原子域系数
Figure BDA0002393382930000097
和
Figure BDA0002393382930000098
将
Figure BDA0002393382930000099
和
Figure BDA00023933829300000910
进行波原子反变换得到波原子域去噪之后的地震数据zwave，由G3网络得到空间域的去噪预测结果zspace，最终的去噪结果为
Figure BDA00023933829300000911
首先通过波原子变换对地震数据波前纹理特征进行有效地稀疏表示，获取波原子域地震数据的纹理特征；将含噪声地震数据作为输入，波原子域数据和实际不含噪声数据的特征作为标签，构建空间域与波原子域联合深度学习网络结构；误差函数采用结合波原子域和空间域损失误差的联合误差函数。
实施例二
参照图3-8，本方法的联合学习网络模型的训练主要包含训练数据预处理，准备频域和空域上的样本标签,设计联合学习模型的网络结构，设计空域-频域联合损失函数，训练并保存网络模型,测试网络模型性能六个部分。首先，对训练数据进行预处理，得到原始地震切片数据和包含随机噪声的切片数据；其次准备频域和空域上的样本标签；接着设计联合学习模型的网络结构，该网络由3个并行的深度卷积网络组成，其中两个为波原子域系数矩阵的预测网络，一个为空间域地震数据的预测网络；然后设计空域-频域联合损失函数；接着将上述步骤中得到的训练数据，标签等传入卷积网络，利用联合误差函数计算误差并反向传播来更新网络参数，直至满足收敛条件。结束模型的训练，得到训练好的联合学习网络模型；最后将含噪声地震数据的测试集，输入到调整好参数的卷积神经网络模型中，测试网络模型性能。
本实施例的实验平台配置如下：计算机为Ubutu18.04系统，GPU为NVIDA GTX-2080，软件平台采用Python3.6，Matlab2017b环境，联合深度学习框架使用Pytorch1.2搭建。整体的具体实施过程如下：
1训练数据集预处理
1.1地震数据读取
通过地震数据存取函数库segyio的segyio.open函数读取地震数据sgy格式文件，函数的定义为：open(filename,mode＝"r")，其中filename为要打开的文件的路径，mode为文件访问模式。实际调用方式为：with segyio.open(filename,"r")as segyfile:，将sgy文件读入并命名为segyfile。
1.2地震数据切片处理
首先，通过segyfile.trace.raw[:]属性将地震数据加载到内存中，其中trace.raw[:]为在地震原始道集数据；其次，建立并初始化一个三维矩阵x用于保存样本切片数据，大小为(5000,256,256)，在循环遍历整个地震原始道集数据过程中，将256*256大小的二维窗口在道集数据中滑动，每滑动一次得到一个样本，将其添加到x中，样本总数为5000。
1.3随机噪声仿真
通过科学计算工具包numpy的np.random.normal函数仿真高斯随机噪声，函数的定义为：np.random.normal(mean,sigma,size)，其中mean为噪声均值，sigma为噪声方差，size为数据的尺寸。实际调用方式为：w＝np.random.normal(mean,sigma,size＝(5000,256,256))，为5000个256*256的数据切片样本，分别加入本发明方法步骤一中定义的不同方差的高斯随机噪声，得到仿真含噪声样本数据y.
2样本标签准备
对于联合学习网络模型，需要在频域和空域分别设置标签。
2.1空域标签：实施过程1得到的原始地震切片数据x。
2.2频域标签：波源子变换通过在python中利用Matlab API接口调用Matlab工具箱函数实现，首先在Matlab中编写数据波源子变换函数fwa2sym，函数的定义为fwa2sym(s,pat,tp)其中tp＝’directional’，pat＝’p’；s是原始地震切片样本数据。实际调用的方法为：xp＝engine.fwa2sym(s,pat,tp)；在xp中生成2个256×256的波原子域切片系数分别设为x1p，x2p，即为频域卷积网络学习的标签。
3设计联合学习模型G的网络结构
3.1本发明的网络结构中主要包括卷积层和Relu层，pytorch中原始函数定义如下：
卷积层函数定义：nn.Conv2d(in_channels,out_channels,kernel_size,stride,padding)，其中in_channels表示输入通道数，out_channels表示输出通道数，kernel_size为卷积核大小，stride指定了卷积核在每一维度滑动的步长，padding为边缘填充的尺寸。
Relu层函数定义：nn.ReLU()，将前卷积层的输出结果输入到Relu激活函数，调用函数以执行非线性映射。
3.2在网络模型类G中首先定义一个基本网络单元类BasicConv2d，其中利用self.conv＝nn.Conv2d(in_channels,out_channels,kernel_size,stride,padding)与nn.ReLU()函数，定义二维卷积层和Relu层作为基本单元。
网络模型G1和G2是为了预测波原子域系数矩阵x1_hat和x2_hat的网络，具有相同的网络结构，网络模型G1，G2如下：
网络模型G1定义为：
self.g1_1＝BasicConv2d(1,256,3,stride＝1,padding＝1)
self.g1_2＝BasicConv2d(256,256,3,stride＝1,padding＝1)
self.g1_3＝BasicConv2d(256,256,3,stride＝1,padding＝1)
self.g1_4＝BasicConv2d(256,256,3,stride＝1,padding＝1)
self.g1_5＝nn.Conv2d(256,1,3,stride＝1,padding＝1)
网络模型G2定义为：
self.g2_1＝BasicConv2d(1,256,3,stride＝1,padding＝1)
self.g2_2＝BasicConv2d(256,256,3,stride＝1,padding＝1)
self.g2_3＝BasicConv2d(256,256,3,stride＝1,padding＝1)
self.g2_4＝BasicConv2d(256,256,3,stride＝1,padding＝1)
self.g2_5＝nn.Conv2d(256,1,3,stride＝1,padding＝1)
网络模型G3是为了预测空间域地震数据y_space的网络，因为空域上网络的输入和输出比较接近，因此我们在空域上采用残差学习来设计更稳定的网络。
网络模型G3定义为：
self.g3_1＝BasicConv2d(1,256,3,stride＝1,padding＝1)
self.g3_2＝BasicConv2d(256,256,3,stride＝1,padding＝1)
self.g3_3＝BasicConv2d(256,256,3,stride＝1,padding＝1)
self.g3_4＝BasicConv2d(256,256,3,stride＝1,padding＝1)
self.g3_5＝nn.Conv2d(256,1,3,stride＝1,padding＝1)
4设计损失函数
对于空域-频域联合学习网络模型G，这里提出结合波原子域和空间域损失误差的联合误差函数loss_total，函数定义为：loss_total＝a*loss_wave+b*loss_space，其中loss_wave和loss_space均采用Pytorch中的nn.MSELoss函数计算均方误差，函数的定义为：nn.MSELoss(input,target)，其中input为预测数据，target为标签。本发明中loss_space调用方式为：loss_wave＝nn.MSELoss(x1_hat,x1p)+nn.MSELoss(x2_hat,x2p)，其中x1_hat和x2_hat为波原子域预测系数，x1p和x2p为波原子系数标签；本发明中loss_space调用方式为：loss_space＝nn.MSELoss(y_hat,x)，其中x为标签，y_hat为最终预测数据，y_hat是由波原子域系数反变换得到的预测数据y_wave与空间域预测数据y_space加权求和得到的,其函数调用格式为y_hat＝μ*y_wave+v*y_space，μ和v为权重。
5训练并保存网络模型
使用实施过程3提出的联合学习模型G，输入含随机噪声的切片数据样本集y，经过网络模型前向传递，前向传递过程如下：
x1_hat＝self.g1_1(self.p1_2(self.p1_3(self.p1_4(self.p1_5(y)))
x2_hat＝self.g2_1(self.p2_2(self.p2_3(self.p2_4(self.p2_5(y)))
y_space＝self.g3_1(self.p3_2(self.p3_3(self.p3_4(self.p3_5(y)))+y
g＝nd.concat(x1_hat,x2_hat,y_space,dim＝1)
为了将G1和G2输出的波源子系数x1p，x2p反变换得到空间域地震数据，还需要在python中通过Matlab API接口调用工具箱函数实现，实际调用的方法为：y_wave＝engine.iwa2sym(x3_hat,pat,tp)，由三维矩阵x3_hat(由x1_hat和x2_hat构成)反变换得到数据y_wave。最终预测数据y_hat通过y_wave与y_space加权求和得到。代码实现如下：
x1_h＝x1_hat.numpy()
x2_h＝x2_hat.numpy()
x3_hat＝np.array([x1_h,x2_h])
y_wave＝engine.iwa2sym(x3_hat,pat,tp)
y_hat＝μ*y_wave+v*y_space
将网络模型前向传递的结果x1_hat，x2_hat以及上述操作得到的最终预测数据y_hat，分别与x1_p，x2_p以及标签x比较，利用联合误差函数loss_total计算误差并反向回馈来调整网络参数。批量大小设置为128，每一批的误差均值为mean(loss_total)，学习率初始设定为0.001，通过调用torch.optim.lr_scheduler.ReduceLROnPlateau函数来采用自适应方法调节学习率，根据前一次迭代的误差调整学习率的大小，提高收敛速度与逼近效果，本发明调用方式为：
scheduler_g＝torch.optim.lr_scheduler.ReduceLROnPlateau(optimizer＝optim_G,patience＝args.scheduler_patience)，其中optim_G为网络的优化器，函数调用为optim_G＝optim.Adam(generator.parameters(),lr＝args.lr)，args.scheduler_patience为容忍网络模型的性能不提升的次数，高于这个次数就降低学习率。最后保存调整好的网络模型的参数。
6网络模型测试
通过调用torch.load函数来获得实施过程5保存的网络模型，函数的定义为load(f,map_location)，其中f为文件的路径，map_location为指定如何重新映射存储位置。本发明调用方式为：model＝torch.load(f"{args.model_folder}/{args.model_name}",map_location＝device),其中args.model_folder，args.model_name为参数文件的文件名，将含噪声地震数据的测试集z输入到网络模型G中，在GPU上运行，通过model(z)函数得到波原子域预测系数z1_hat，z2_hat以及空间域预测数据z_space，调用engine.iwa2sym函数反变换波原子域预测系数z1_hat和z2_hat得到z_wave，最后通过z_hat＝μ*z_wave+v*z_space函数得到最终的去噪结果。
实施效果：
给出测试样本中2个原始地震数据切片如图3，图4所示。
图5、图6分别为包含噪声标准差为原始数据标准差0.05倍和0.10倍随机噪声的地震数据，峰值信噪比(PSNR)分别为：27.16dB，20.36dB。
PSNR的定义为：
Figure BDA0002393382930000161
其中，x为原始地震数据，MSE为两者之间的均方误差。
图7、图8分别给出本发明噪声压制效果，PSNR分别为：40.15dB，34.79dB。可见本方法具有较高的视觉效果，PSNR分别提高了12dB与14dB左右，证明了本方法的有效性。

Claims (1)

1.一种联合深度学习的地震数据随机噪声压制方法，其特征在于：所述压制方法包括以下步骤：
步骤一：训练数据集预处理：
为结合波原子域的特征，将训练样本的最小单位设置为由训练集中地震数据的样本裁剪得到的若干个尺寸为256×256的切片数据x，地震数据的随机噪声通过0均值正态分布的高斯随机噪声仿真，噪声的标准差与原始地震数据的标准差成正相关，噪声标准差定义为：
Figure FDA0002393382920000011
M为切片时间采样总数，N为切片地震道采样总数，t为时间采样序号，s为地震道记录序号，u为地震数据的均值，l为噪声强度的比例因子；将每一个地震数据切片复制10份，分别加入10种不同强度的随机噪声，也即l分别为0.01、0.02、0.03、0.04、0.05、0.06、0.07、0.08、0.09和0.1，得到若干个包含随机噪声的切片数据y；
步骤二：样本标签准备：对于联合学习网络模型，在频域和空域分别设置标签；
空域标签：步骤一得到的原始地震切片数据x；
频域标签：对每一个原始地震切片数据x分别进行波原子变换，波原子变换采用工具箱代码完成，变换后每个切片数据x生成2个256×256的波原子域切片系数，分别设为x′1和x′2，即为频域卷积网络学习的标签；
步骤三：设计联合学习模型G的网络结构：
联合学习网络模型G由3个并行的深度卷积网络组成，分别为波原子域系数矩阵
Figure FDA0002393382920000012
的预测网络G1，波原子系数矩阵
Figure FDA0002393382920000013
的预测网络G2和空间域地震数据yspace的预测网络G3；
网络模型G1和G2是为了预测波原子域系数矩阵
Figure FDA0002393382920000021
和
Figure FDA0002393382920000022
的网络，其中，第一层输入具有1个通道；中间层是4个交替的卷积层和修正线性单元(Relu)层，每个卷积层包含256个尺寸大小为3×3的卷积滤波器，步长为1；卷积层后是Relu层，将前卷积层的输出特征输入到Relu激活函数中以执行非线性映射，用于去除系数矩阵中的非主要成分；在每次卷积前，对输入矩阵进行补0操作，以便每个特征图与输入张量保持相同大小；最后一层是1个卷积层，输入256个通道，输出1个通道，用于得到波原子域系数矩阵；
网络模型G3是为了预测空间域地震数据yspace的网络，因为空域上网络的输入和输出比较接近，因此在空域上采用残差学习来设计更稳定的网络；其中，第一层输入具有1个通道；中间层是4个交替的卷积层和修正线性单元(Relu)层，每个卷积层包含256个尺寸大小为3×3的卷积滤波器，步长为1，用于提取含噪地震数据的特征；卷积层后是一个Relu层，将前一卷积层的输出特征输入到Relu激活函数中以执行非线性映射，用于学习空域地震数据噪声数据主要特征；类似网络模型G1,G2，在每次卷积前，对特征图进行补0操作；最后一层是1个卷积层，输入256个通道，输出1个通道，进一步提取空域地震数据噪声的主要特征；
步骤四：设计损失函数：
对于空域-频域联合学习网络模型G，结合波原子域和空间域损失误差的联合误差函数losstotal＝alosswave+blossspace，其中其中a,b为权重，
Figure FDA0002393382920000023
为波原子域预测系数
Figure FDA0002393382920000024
Figure FDA0002393382920000027
与实际系数x′1和x′2的均方误差求和得到的；
Figure FDA0002393382920000025
为最终预测数据
Figure FDA0002393382920000026
与实际数据x的均方误差，最终预测数据
Figure FDA0002393382920000031
是由波原子域系数反变换得到的预测数据ywave与空间域预测数据yspace加权求和得到的，μ和v为权重；
步骤五：训练并保存网络模型：
使用步骤三提出的联合学习模型G，输入含随机噪声的切片数据样本集y，经过网络模型前向传递得到波原子域预测系数
Figure FDA0002393382920000032
Figure FDA00023933829200000312
和空间域预测数据yspace；将
Figure FDA0002393382920000033
Figure FDA00023933829200000313
反变换得到波原子域预测数据ywave，再与yspace加权求和得到最终预测数据
Figure FDA0002393382920000034
将预测数据
Figure FDA0002393382920000035
Figure FDA00023933829200000314
和
Figure FDA0002393382920000036
分别与标签x，x′1和x′2比较，利用联合误差函数losstotal计算误差并反向回馈来调整网络参数；批量大小设置为128，学习率初始设定为0.001，采用自适应方法调节学习率，根据前一次迭代的误差调整学习率的大小，提高收敛速度与逼近效果；最后保存调整好的网络模型的参数；
步骤六：测试网络模型性能：
将中含噪声地震数据的测试集z，输入到步骤五调整好参数的卷积神经网络模型G中，由G1和G2网络生成波原子域系数
Figure FDA0002393382920000037
和
Figure FDA0002393382920000038
将
Figure FDA0002393382920000039
和
Figure FDA00023933829200000310
进行波原子反变换得到波原子域去噪之后的地震数据zwave，由G3网络得到空间域的去噪预测结果zspace，最终的去噪结果为
Figure FDA00023933829200000311
CN202010134754.1A 2020-02-27 2020-02-27 一种联合深度学习的地震数据随机噪声压制方法 Active CN111368710B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010134754.1A CN111368710B (zh) 2020-02-27 2020-02-27 一种联合深度学习的地震数据随机噪声压制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010134754.1A CN111368710B (zh) 2020-02-27 2020-02-27 一种联合深度学习的地震数据随机噪声压制方法

Publications (2)

Publication Number Publication Date
CN111368710A true CN111368710A (zh) 2020-07-03
CN111368710B CN111368710B (zh) 2022-03-04

Family

ID=71208448

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010134754.1A Active CN111368710B (zh) 2020-02-27 2020-02-27 一种联合深度学习的地震数据随机噪声压制方法

Country Status (1)

Country Link
CN (1) CN111368710B (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111929723A (zh) * 2020-07-15 2020-11-13 清华大学 基于多任务学习的地震数据约束下的速度模型超辨率方法
CN112363215A (zh) * 2020-11-11 2021-02-12 西安石油大学 基于波原子分解自适应滤波的地震勘探信号增强方法
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
CN113654642A (zh) * 2021-08-23 2021-11-16 之江实验室 一种基于参考传感器的分布式声波传感降噪系统及方法
CN113792685A (zh) * 2021-09-17 2021-12-14 东北石油大学 一种基于多尺度卷积神经网络的微地震事件检测方法
CN114114397A (zh) * 2021-11-12 2022-03-01 电子科技大学 一种基于深度张量神经网络的无监督地震数据去噪方法
CN114114421A (zh) * 2021-11-05 2022-03-01 中国石油大学(华东) 基于深度学习的导向自学习地震数据去噪方法及装置
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
CN116626753A (zh) * 2023-07-25 2023-08-22 东北石油大学三亚海洋油气研究院 一种基于多模态神经网络的微地震事件识别方法及系统
CN118671832A (zh) * 2024-08-23 2024-09-20 中国海洋大学 一种基于多任务学习的地震数据处理方法和装置
CN118671832B (zh) * 2024-08-23 2024-10-25 中国海洋大学 一种基于多任务学习的地震数据处理方法和装置

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030176975A1 (en) * 2002-03-12 2003-09-18 Exxonmobil Upstream Research Company Method for estimating and removing artifact noise from seismic data
US20060050612A1 (en) * 2002-12-04 2006-03-09 Westerngeco, L.L.C. Processing seismic data
US20150236668A1 (en) * 2013-06-07 2015-08-20 Cgg Services Sa Systems and methods for de-noising seismic data
US20160209537A1 (en) * 2015-01-21 2016-07-21 Baker Hughes Incorporated Processing seismic data to remove noise
US20180196156A1 (en) * 2017-01-10 2018-07-12 Reeves Wireline Technologies Limited Method of and Apparatus for Carrying Out Acoustic Well Logging
CN108897045A (zh) * 2018-08-28 2018-11-27 中国石油天然气股份有限公司 深度学习模型训练方法和地震数据去噪方法、装置及设备
CN110007347A (zh) * 2019-04-09 2019-07-12 西南石油大学 一种深度学习地震资料去噪方法
CN110221346A (zh) * 2019-07-08 2019-09-10 西南石油大学 一种基于残差块全卷积神经网络的数据噪声压制方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030176975A1 (en) * 2002-03-12 2003-09-18 Exxonmobil Upstream Research Company Method for estimating and removing artifact noise from seismic data
US20060050612A1 (en) * 2002-12-04 2006-03-09 Westerngeco, L.L.C. Processing seismic data
US20150236668A1 (en) * 2013-06-07 2015-08-20 Cgg Services Sa Systems and methods for de-noising seismic data
US20160209537A1 (en) * 2015-01-21 2016-07-21 Baker Hughes Incorporated Processing seismic data to remove noise
US20180196156A1 (en) * 2017-01-10 2018-07-12 Reeves Wireline Technologies Limited Method of and Apparatus for Carrying Out Acoustic Well Logging
CN108897045A (zh) * 2018-08-28 2018-11-27 中国石油天然气股份有限公司 深度学习模型训练方法和地震数据去噪方法、装置及设备
CN110007347A (zh) * 2019-04-09 2019-07-12 西南石油大学 一种深度学习地震资料去噪方法
CN110221346A (zh) * 2019-07-08 2019-09-10 西南石油大学 一种基于残差块全卷积神经网络的数据噪声压制方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
KEXIN MENG 等: "Noise suppression in the dual-tree complex wavelet domain for seismic signal", 《JOURNAL OF PETROLEUM EXPLORATION AND PRODUCTION TECHNOLOGY》 *
WEIQIANG ZHU 等: "Seismic Signal Denoising and Decomposition Using Deep Neural Networks", 《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》 *
张岩 等: "基于波原子域的地震数据压缩感知重建", 《地球物理学进展》 *
张岩: "基于稀疏表示的油气地震勘探数据重建与去噪方法研究", 《中国博士学位论文全文数据库 基础科学辑》 *
聂永丹 等: "基于字典学习的地震数据随机噪声压制算法", 《数学的实践与认识》 *
邱娜: "地震子波分解与重构技术研究", 《中国优秀硕士学位论文全文数据库 基础科学辑》 *

Cited By (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111929723B (zh) * 2020-07-15 2023-03-14 清华大学 基于多任务学习的地震数据约束下速度模型超分辨率方法
CN111929723A (zh) * 2020-07-15 2020-11-13 清华大学 基于多任务学习的地震数据约束下的速度模型超辨率方法
CN112363215A (zh) * 2020-11-11 2021-02-12 西安石油大学 基于波原子分解自适应滤波的地震勘探信号增强方法
CN114624768B (zh) * 2020-12-14 2023-06-30 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
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
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
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
CN113654642A (zh) * 2021-08-23 2021-11-16 之江实验室 一种基于参考传感器的分布式声波传感降噪系统及方法
CN113654642B (zh) * 2021-08-23 2022-06-24 之江实验室 一种基于参考传感器的分布式声波传感降噪系统及方法
CN113792685A (zh) * 2021-09-17 2021-12-14 东北石油大学 一种基于多尺度卷积神经网络的微地震事件检测方法
CN113792685B (zh) * 2021-09-17 2024-03-12 东北石油大学 一种基于多尺度卷积神经网络的微地震事件检测方法
CN114114421A (zh) * 2021-11-05 2022-03-01 中国石油大学(华东) 基于深度学习的导向自学习地震数据去噪方法及装置
CN114114421B (zh) * 2021-11-05 2023-09-29 中国石油大学(华东) 基于深度学习的导向自学习地震数据去噪方法及装置
CN114114397A (zh) * 2021-11-12 2022-03-01 电子科技大学 一种基于深度张量神经网络的无监督地震数据去噪方法
CN116626753A (zh) * 2023-07-25 2023-08-22 东北石油大学三亚海洋油气研究院 一种基于多模态神经网络的微地震事件识别方法及系统
CN116626753B (zh) * 2023-07-25 2023-10-13 东北石油大学三亚海洋油气研究院 一种基于多模态神经网络的微地震事件识别方法及系统
CN118671832A (zh) * 2024-08-23 2024-09-20 中国海洋大学 一种基于多任务学习的地震数据处理方法和装置
CN118671832B (zh) * 2024-08-23 2024-10-25 中国海洋大学 一种基于多任务学习的地震数据处理方法和装置

Also Published As

Publication number Publication date
CN111368710B (zh) 2022-03-04

Similar Documents

Publication Publication Date Title
CN111368710B (zh) 一种联合深度学习的地震数据随机噪声压制方法
Jiang et al. A convolutional autoencoder method for simultaneous seismic data reconstruction and denoising
CN112819732B (zh) 一种探地雷达B-scan图像去噪方法
Sonogashira et al. High-resolution bathymetry by deep-learning-based image superresolution
Liu et al. Unsupervised deep learning for random noise attenuation of seismic data
EP3928131A1 (en) Method for fast calculation of seismic attributes using artificial intelligence
Wu et al. An effective approach for underwater sonar image denoising based on sparse representation
CN117726540A (zh) 一种增强门控Transformer的图像去噪方法
CN115146667A (zh) 一种基于曲波变换与多分枝深层自编码的多尺度地震噪声压制方法
CN114460648A (zh) 基于3d卷积神经网络自监督3d地震数据随机噪声压制方法
CN114545494A (zh) 基于稀疏约束的无监督地震数据重建方法及装置
Venkata Lavanya et al. Image denoising using an artificial neural network and genetic optimization algorithm based dual-tree complex wavelet transform
CN118037976A (zh) 一种dem重建模型训练方法及dem重建方法
Anvari et al. Denoising of multidimensional seismic data in the physical domain by a new non-local self similarity method
Liu et al. Remove and recover: Two stage convolutional autoencoder based sonar image enhancement algorithm
Liu et al. Line survey joint denoising via low-rank minimization
Wu et al. A seismic random noise suppression method based on self-supervised deep learning and transfer learning
CN110850473B (zh) 一种基于稀疏变换学习的地震波阻抗反演方法
Gao et al. Random noise suppression of seismic data through multi-scale residual dense network
Prasad Dual stage bayesian network with dual-tree complex wavelet transformation for image denoising
Yang et al. Seismic random noise attenuation using DnCNN with stratigraphic dip constraint
Peng et al. Irregularly Spatial Seismic Missing Data Reconstruction using Transformer with Periodic Skip-Connection
CN111352159B (zh) 核范数与广义全变差联合约束的地震随机噪声压制方法
CN112785522B (zh) 一种基于gwo和bemd优化的自适应pcnn图像去噪方法
CN117607968B (zh) 基于复曲波域系数匹配的多次波压制方法、介质和设备

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