CN112946749B - 基于数据增广训练深度神经网络压制地震多次波的方法 - Google Patents
基于数据增广训练深度神经网络压制地震多次波的方法 Download PDFInfo
- Publication number
- CN112946749B CN112946749B CN202110160644.7A CN202110160644A CN112946749B CN 112946749 B CN112946749 B CN 112946749B CN 202110160644 A CN202110160644 A CN 202110160644A CN 112946749 B CN112946749 B CN 112946749B
- Authority
- CN
- China
- Prior art keywords
- data
- neural network
- seismic
- training
- multiples
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 107
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 103
- 238000012549 training Methods 0.000 title claims abstract description 94
- 238000013434 data augmentation Methods 0.000 title claims abstract description 23
- 230000001629 suppression Effects 0.000 claims abstract description 17
- 230000008569 process Effects 0.000 claims abstract description 16
- 238000012545 processing Methods 0.000 claims abstract description 13
- 230000003416 augmentation Effects 0.000 claims abstract description 7
- 230000006870 function Effects 0.000 claims description 20
- 238000012360 testing method Methods 0.000 claims description 15
- 230000003190 augmentative effect Effects 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 7
- 101100517648 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) NUM1 gene Proteins 0.000 claims description 6
- 101100129590 Schizosaccharomyces pombe (strain 972 / ATCC 24843) mcp5 gene Proteins 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 5
- 238000003062 neural network model Methods 0.000 claims description 4
- 229910052704 radon Inorganic materials 0.000 claims description 4
- SYUHGPGVQRZVTB-UHFFFAOYSA-N radon atom Chemical compound [Rn] SYUHGPGVQRZVTB-UHFFFAOYSA-N 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 238000003825 pressing Methods 0.000 claims description 3
- 230000003213 activating effect Effects 0.000 claims 1
- 238000013461 design Methods 0.000 abstract description 3
- 230000000694 effects Effects 0.000 description 7
- 238000000926 separation method Methods 0.000 description 6
- 238000003384 imaging method Methods 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 230000015572 biosynthetic process Effects 0.000 description 3
- 230000001427 coherent effect Effects 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 238000005755 formation reaction Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 241001143500 Aceraceae Species 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000012850 discrimination method Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000003325 tomography Methods 0.000 description 1
- 238000011426 transformation 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
- G01V1/38—Seismology; Seismic or acoustic prospecting or detecting specially adapted for water-covered areas
- G01V1/3843—Deployment of seismic devices, e.g. of streamers
- G01V1/3852—Deployment of seismic devices, e.g. of streamers to the seabed
-
- 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
- G01V1/282—Application of seismic models, synthetic seismograms
-
- 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
- G01V1/307—Analysis for determining seismic attributes, e.g. amplitude, instantaneous phase or frequency, reflection strength or polarity
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/38—Seismology; Seismic or acoustic prospecting or detecting specially adapted for water-covered areas
- G01V1/3808—Seismic data acquisition, e.g. survey design
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Acoustics & Sound (AREA)
- Environmental & Geological Engineering (AREA)
- Geology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Geophysics (AREA)
- Oceanography (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公布了一种基于数据增广训练深度神经网络压制地震多次波的方法，属于勘探地震信号处理技术领域，涉及地震资料多次波和随机噪声的压制以及一次波的重建。本发明设计具有卷积编码和卷积解码过程的深度神经网络，卷积编码过程用来学习训练集中地震数据的一次波特征，卷积解码过程能够利用这些特征来重建一次波和压制多次波。在训练阶段，包含多次波的原始数据和加入随机噪声的数据一起组成增广数据集，用该数据集来学习神经网络参数比只使用原始数据作为输入数据训练的神经网络能够取得更好的抗噪稳定性。
Description
技术领域
本发明属于勘探地震数据处理技术领域，具体涉及基于数据增广方法训练深度神经网络，训练好的深度神经网络能够在强背景噪声情况下有效压制多次波，以及准确重构一次波有效信号。
背景技术
多次波是指在地下界面或者地表反射次数大于一次的同相轴，容易形成虚假反射地层成像或者导致目的层反射波成像的振幅、频率和相位发生畸变。由于常规的地震数据成像都是基于一次波波场信息，多次波的存在会严重影响速度拾取、地震偏移、层析成像，从而误导地震资料的解释，因此多次波一般被视为相干噪声进行分离和压制消除。多次波的压制方法主要有两大类：滤波法和基于波动理论的方法。
滤波法主要利用一次波和多次波在时间和空间特征上存在的差异，通过不同的变换方法压制多次波。预测反褶积是最早被用于多次波压制的方法。利用一次波和多次波之间的周期性分布规律，维纳滤波可以消除近炮检距地震道中具有重复性效应的多次波[1]。但是预测反褶积方法的缺点是只适合压制浅海短周期多次波，且对有效波损伤较大；另一种方法是时差区分法。利用一次波和多次波的动校正速度差异，在完成动校正的共中心点道集上，将已经校平的同相轴归为一次波，没有校平的同相轴归为多次波。此时可以将部分动校正后数据变换到抛物Radon域完成分离[2]。但是当一次波和多次波具有相近速度或者地下地层横向变化较大时，此类方法的分离效果较差。基于波动理论的方法利用多次波产生机理来预测和压制多次波，综合考虑了多次波传播的运动学和动力学特征。根据是否需要提前给出先验假设，该大类方法可以分为模型驱动法和数据驱动法。模型驱动法需要提前假设地层速度信息，然后根据波场的动力学特征按照波动方程模拟出多次波，主要包括波场外推法[3]。数据驱动法不需要提前知道完整的地层先验信息，能够适用于复杂的地下结构，主要包括逆散射级数法[4]、反馈迭代法[5]和虚同相轴法[6]。但是逆散射级数法要求常速度背景，以保证方法的收敛性，并且要求满足垂直走时单调性假设条件，计算量相当大，因此影响了实际的应用效果；反馈迭代法和虚同相轴法都要求数据规则化，但是实际采集数据往往因为炮数和道集数不能满足规则化要求，而需要进一步对数据插值重建，影响了处理效果。另外，这两类方法都严重依赖匹配算法，而深层的复杂波场限制了匹配算法的精度，也就影响了多次波的压制效果。以上提到的常规方法需要考虑大量的参数，往往需要花费大量时间手动调整这些参数使其达到最优，不满足智能化生产的需求。
最近，深度学习作为机器学习领域的一个重要研究方向，在图像处理、自然语言处理、语音识别等领域取得了突破性进展，得到了大家广泛的关注。现在，深度学习的应用也成为勘探地震数据处理的一个前沿技术领域。在国外，Siahkoohi等在2019年尝试采用EPSI(Estimation of Primaries by Sparse Inversion，稀疏反演法的一次波估计)方法得到压制了多次波后的数据[7]，接着用原始数据和分离得到的一次波数据训练生成对抗网络(GAN)，训练好的神经网络能够取得一定的多次波压制效果。Li和Gao在2020年应用CNN提取预测多次波的多特征数据，并将特征数据用于多次波的匹配中，能够平衡多次波的去除与一次波的保留[8]。但是上述方法没有考虑油气勘探实际地震数据较强背景噪声的条件下的分离情况，不具有很好的抗噪能力和实际应用价值。对于目前中国的深层油气勘探叠前地震数据，目的层的弱地震反射信号信噪比低，上覆地层产生的多次波影响了目的层一次波重构和成像的准确性，目前还没有利用深度学习人工智能技术直接在共炮点道集分离、压制勘探地震数据多次波的技术方案。
参考文献：
[1]Porsani M.J.,and Ursin B.,2007.Direct multichannel predictivedeconvolution,Geophysics,72,no.2,H11-H27.
[2]Hampson,D.,1986,Inverse velocity stacking for multipleelimination,SEG Technical Program Expanded Abstracts,422-424.
[3]Wiggins,J.W.,1988,Attenuation of complex water-bottom multiples bywave-equation-based prediction and subtraction,Geophysics,53,no.12,1527-1539.
[4]Weglein,A.B.,Gasparotto F.A.,Carvalho P.M.,and Stolt R.H.,1997,Aninverse-scattering series method for attenuating multiples in seismicreflection data,Geophysics,62,no.6,1975-1989.
[5]Verschuur,D.J.,Berkhout A.J.,and Wapenaar C.P.A.,1992,Adaptivesurface-related multiple elimination,Geophysics,57,no.9,1166-1177.
[6]Liu,J.,Hu T.,Peng G.,and Cui Y.,2018,Removal of internal multiplesby iterative construction of virtual primaries,Geophysical JournalInternational,215,no.1,81-101.
[7]Siahkoohi,A.,Verschuur D.J.,and Herrmann F.J.,2019,Surface-relatedmultiple elimination with deep learning,SEG Technical Program ExpandedAbstracts,4629-4634.
[8]Li,Z.,and Gao H.,2020,Feature extraction based on theconvolutional neural network for adaptive multiple subtraction,MarineGeophysical Research,41,no.2.,Article no.10.
发明内容
针对现有的深层油气勘探地震数据多次波压制技术存在的不足，本发明提出一种基于数据增广训练深度神经网络压制地震多次波的方法，创建具有卷积编码和卷积解码过程的深度神经网络结构，应用训练好的神经网络参数，卷积编码部分能够提取地震数据中的连续信号特征，区分一次波和多次波，卷积解码部分能够使用编码部分提取的一次波特征来重建消除了多次波的分离数据。考虑到深度神经网络训练阶段的训练集往往较少，容易造成神经网络过拟合，本发明在训练集的输入数据中加入不同强度的随机噪声得到增广数据集，进一步提高深度神经网络的抗噪能力。
本发明的核心是：本发明设计的压制地震多次波神经网络结构包括卷积编码部分和卷积解码部分。考虑到实际地震数据包含大量随机噪声，为了提升深度神经网络的抗噪能力，增加训练集数据量，降低过拟合风险，本发明在深度神经网络训练阶段的输入数据中加入不同强度的随机噪声得到増广训练数据集对，从而应用数据増广方法来训练深度神经网络。在神经网络测试阶段，使用训练好的神经网络参数，卷积编码部分能够提取地震数据中的连续信号特征，区分一次波和多次波，卷积解码部分能够使用编码部分提取的特征来重建消除了多次波和随机噪声的地震数据。常规的多次波压制方法容易受到随机噪声的干扰，需要考虑大量的参数，往往需要花费大量时间手动调整这些参数使其达到最优，计算开销大，不满足智能化生产的需要。本发明不需要人工参与调整参数，智能化程度高，压制过程中的主要计算开销在深度神经网络的训练阶段，使用训练好的神经网络可以做到快速甚至实时地重构一次波。因此，相对于常规多次波压制方法，本发明方法处理效率高、效果好、具有良好的稳定性，适合用于大规模地震数据的计算中。
本发明提供的技术方案如下：
一种基于数据增广训练深度神经网络压制地震多次波的方法，设计具有卷积编码和卷积解码过程的深度神经网络来处理含多次波的数据。在深度神经网络的训练阶段，包含多次波的原始数据和加入随机噪声的数据一起组成增广数据集，用该数据集来学习神经网络参数比只使用原始数据作为输入数据训练的神经网络能够取得更好的抗噪稳定性；包含以下步骤(图1)：步骤1，训练数据集的预处理；步骤2，制作常规训练集；步骤3，制作增广训练集；步骤4，构建压制地震多次波深度神经网络并训练；步骤5，保存参数最佳的神经网络；步骤6，测试数据预处理；步骤7，重建不带噪声的一次波数据。
本发明的目的还可通过如下技术措施来实现：
在步骤1中，先去除地震数据中的直达波，再通过Radon多次波压制方法或者自由表面多次波压制(SRME)方法去除少量共炮点道集数据中的多次波数据。并用该数据作为标签数据。
在步骤2中，输入数据记为X，最右端的真实输出数据记为Ylabel，输入数据与真实输出数据一起组成训练集数据对{X,Ylabel}。用来训练的输入数据是含多次波的原始数据，真实输出数据是只含一次波的数据。在深度神经网络的训练过程中，训练集数据的振幅被归一化到[-1,1]之间。含多次波的共炮点地震数据记为数据集HM；对应的不含多次波的共炮点地震数据记为数据集HO。在深度神经网络训练阶段，本发明在数据集HM和HO中相同位置等间隔抽取NUM1个共炮点道集，分别记为HMk和HOk,k＝1,2,3,…,NUM1，得到的训练集为常规训练集对
在步骤3中，本发明在每个输入数据HMk中加入NUM2种不同强度的随机噪声
u＝1,2,3,···,NUM2，且当u＝1时，
代表不添加噪声。因此，得到增广训练数据集对
其中
使用增广训练数据集对训练深度神经网络的方法称为数据増广训练法。
在步骤4中，本发明构建的深度神经网络共有31层，其中有23个卷积层、4个下采样层和4个上采样层。前10个卷积层和4个下采样层组成卷积编码器，完成地震数据的一次波特征提取。后13个卷积层和4个上采样层组成卷积解码器，将包含一次波信号的低维特征数据映射回高维空间，重构一次波地震数据。第2个卷积层和第4个上采样层得到的结果经过融合后被输入第20个卷积层，第4个卷积层和第3个上采样层得到的结果经过融合后被输入第17个卷积层，第6个卷积层和第2个上采样层得到的结果经过融合后被输入第14个卷积层，第8个卷积层和第1个上采样层得到的结果经过融合后被输入第11个卷积层。在卷积运算中，本发明使用的卷积核大小都是3×3，并在除最后一层外的卷积运算后通过激活函数ReLU处理进行非线性映射，最后一层的激活函数是双曲正切函数Tanh。本发明使用平均绝对误差作为损失函数来刻画了训练模型与训练样本的匹配程度并采用自适应矩估计优化算法(Adam)来最小化损失函数。
在步骤5中，通过比较验证集数据的损失值来保存最小损失值下的深度神经网络参数值，得到参数最佳的神经网络。
在步骤6中，将本工区没有参与训练的数据中直达波去掉，最后将数据振幅归一化为[-1,1]之间，得到用于测试的输入数据。
在步骤7中，将预处理后用于测试的输入数据直接输入参数最佳的神经网络中，可以重构出只含一次波的输出数据。在该输出数据中，随机噪声也被很好地压制。
本发明的有益效果：
已有的传统时差区分法利用了动校正速度，但是当地下地层横向变化较大时，会减弱此类方法的分离效果。基于波动理论的方法，比如反馈迭代法，要求数据规则化，但是实际采集数据往往因为炮数和道集数不能满足要求而需要进一步对数据插值重建，影响了处理效果。另外，反馈迭代法严重依赖匹配算法，匹配算法选取的好坏也决定了最终的多次波压制效果。而本发明基于数据驱动，不需要人为的提取数据特征，不需要在模型的构建中加入先验知识，卷积编码过程用来学习训练集中地震数据的一次波特征，卷积解码过程能够利用这些特征来重建压制了多次波后的输出数据。本发明提供了一种在数据增广训练法下使用深度神经网络压制多次波的方法，构建了包括卷积编码部分和卷积解码部分的压制地震多次波神经网络模型，且应用数据増广方法来训练该网络模型，即在训练该网络模型输入的训练数据中加入了増广训练数据集对。本发明的优点在于：
(一)本发明方法中，对炮检点分布没有要求，仅仅依赖训练数据，具有一定的泛化能力；
(二)本发明方法中深度神经网络的训练占用了主要的计算开销，使用训练好的神经网络可以做到快速甚至实时地重构一次波，本发明方法处理效率高，适合用于大规模地震数据的计算中；
(三)本发明具有良好的抗噪稳定性，可以在压制数据中多次波的同时压制随机噪声。
附图说明
图1是本发明提供的在数据增广训练法下使用深度神经网络压制多次波方法的流程框图。
图2是本发明的深度神经网络结构图，分为卷积编码器和卷积解码器两个部分。在卷积编码过程中，本发明使用10个卷积层和4个下采样层。在卷积解码过程中，本发明使用13个卷积层和4个上采样层。网络中还用到了特征融合(Concat)，并在第8和第10层之后使用随机丢弃法(Dropout)随机丢弃50％的神经单元。
图3是Sigsbee2B的速度模型。
图4是Sigsbee2B模型数据得到的第97个共炮点道集数据；
其中，(a)包含多次波的原始数据，(b)为在(a)中加入随机噪声后信噪比为10dB的带噪原始数据，(c)真实的一次波数据，(d)(e)(f)分别为(a)(b)(c)中方框部位的放大图。
图5是数据増广训练法下深度神经网络分离Sigsbee2B中不带噪声原始数据得到的预测重构结果；
其中，(a)预测重构的一次波，(b)真实一次波与预测重构的一次波之间的差异，(c)(d)分别为(a)(b)中方框部位的放大图。
图6是数据増广训练法下深度神经网络分离Sigsbee2B中信噪比为10dB的带噪原始数据得到的预测重构结果；
其中，(a)预测重构的一次波，(b)真实一次波与预测重构的一次波之间的差异，(c)(d)分别为(a)(b)中方框部位的放大图。
图7是数据増广训练法下深度神经网络处理Sigsbee2B原始数据和带噪原始数据前后得到的叠加剖面结果；
其中，(a)原始叠加剖面,(b)真实一次波叠加剖面,(c)从原始数据中预测重构的一次波叠加剖面,(d)从信噪比为10dB的带噪原始数据中预测重构的一次波叠加剖面。
图8是深度神经网络处理地震物理模型数据前后的单炮结果；
其中，(a)第310个共炮点道集原始数据,(b)第310个共炮点道集添加随机噪声后信噪比为10dB的带噪原始数据,(c)从第310个共炮点带噪原始道集数据中预测重构的一次波。
图9是深度神经网络处理地震物理模型数据前后的叠加剖面结果；
其中，(a)原始数据叠加剖面,(b)第310个共炮点道集添加随机噪声后信噪比为10dB的带噪原始数据,(c)从第310个共炮点带噪原始道集数据中预测重构的一次波。
具体实施方式
下面结合附图，通过实施例进一步描述本发明，但不以任何方式限制本发明的范围。
本发明提供的方法是一种在数据增广训练法下使用深度神经网络压制多次波的方法。
如图1所示，为本发明的在数据增广训练法下使用深度神经网络压制多次波方法的流程框图；
(1)训练数据预处理，先去除地震数据中的直达波，再通过Radon多次波压制方法或者自由表面多次波压制(SRME)方法去除少量共炮点道集数据中的多次波数据。并用预处理后数据作为标签数据。
(2)使用预处理后数据制作常规训练集。输入数据(含多次波的共炮点道集数据)振幅被归一化到[-1,1]之间后记为数据集HM；对应的只含一次波的共炮点地震数据记为数据集HO。本发明在数据集HM和HO中相同位置等间隔抽取NUM1个共炮点道集，分别记为HMk和HOk,k＝1,2,3,…,NUM1，得到的数据用于深度神经网络的训练阶段中。在训练深度神经网络时，输入深度神经网络的数据记为X，期待从深度神经网络得到的输出数据记为Ylabel(也称为真实输出数据)，输入数据与真实输出数据一起组成训练集数据对{X,Ylabel}。若让数据HMk和HOk分别作为深度神经网络的输入数据和真实输出数据，可以得到常规训练集对
(3)制作增广训练集，本发明在每个输入数据HMk中加入NUM2种不同强度的随机噪声
u＝1,2,3,···,NUM2，且当u＝1时，
代表不添加噪声。因此，得到增广训练数据集对
其中
使用增广训练数据集对训练深度神经网络的方法称为数据増广训练法。
(4)构建深度神经网络并训练，在训练深度神经网络时，网络层都包含卷积运算。在卷积运算中，本发明使用的卷积核大小都是3×3，并在除最后一层外的卷积运算后通过激活函数ReLU处理进行非线性映射，最后一层的激活函数是双曲正切函数Tanh。若深度神经网络记为F，本发明使用平均绝对误差损失函数
来刻画了训练模型与训练样本的匹配程度。其中，F(Xi)表示输入深度神经网络F的数据为Xi时的预测值，是对单个真实输出数据
的一种估计；右上标1表示对符号||·||内数据进行1范数计算。当N个输入数据送入深度神经网络后，得到的输出结果与真实输出数据直接相减并取绝对值得到绝对误差值，最后计算绝对误差值的平均值，并使用平均绝对误差来刻画深度神经网络的输出结果与真实输出数据的差异程度。为了减小差异程度，本发明采用自适应矩估计优化算法(Adam)调整深度神经网络参数，从而最小化平均绝对误差损失函数。
(5)保存参数最佳的神经网络，通过比较验证集数据的损失值来保存最小损失值下的深度神经网络参数值，得到参数最佳的神经网络。
(6)测试数据预处理，将没有参与训练的数据中直达波去掉，最后将数据振幅归一化为[-1,1]之间，得到用于测试的输入数据。
(7)重建不带噪声的一次波数据，将用于测试的输入数据直接输入参数最佳的神经网络中，可以重构出只含一次波的输出数据。在该输出数据中，随机噪声也被很好地压制。
如图2所示，为本发明设计的深度神经网络结构，分为卷积编码器和卷积解码器两个部分。在卷积编码过程中，使用10个卷积层和4个下采样层学习地震数据的稀疏表达特征，能够抓住地震数据中的时间和空间位置关系。在卷积解码过程中，使用13个卷积层和4个上采样层将包含低维特征的信号映射回高维空间，重构地震数据。网络中还用到了特征融合，并在第8和第10层之后使用随机丢弃法随机丢弃50％的神经单元，提升深度神经网络的泛化能力。
本发明在具体实施中，利用合成地震资料验证在增广训练法下使用深度神经网络压制多次波方法的正确性。本发明使用有限差分正演的Sigsbee2B模型数据来测试效果，速度模型如图3所示，模型网格大小为1201×3201，网格间距为25ft。数值模拟时，沿模型表面水平放置422个炮点，炮间距为150ft。接收点同样沿模型表面按间距75ft分布，共336个检波器。震源主频大小为20Hz，采样时间间隔为8ms，采样时间为12s。在深度神经网络训练阶段，选取68个等间隔激发产生的共炮点道集数据参与训练，在每个输入的共炮点道集数据中都加入10种不同强度的随机噪声，得到増广训练数据集对
另外，选取2个共炮点道集数据，加入20种不同强度的随机噪声得到増广验证集对。在本次测试中，自适应矩估计优化算法的初始学习率为2e-4，训练收敛后，得到最佳神经网络参数，并用于测试阶段的一次波重建中。图4展示的是第97个共炮点道集的分离情况。图4a包含多次波的原始数据，图4b为在图4a中加入随机噪声后信噪比为10dB的带噪原始数据，图4c真实的一次波数据。一次波主要分布于7.2s以前的道集记录中，多次波主要分布于5.6s以后的道集记录中。图4b中的随机噪声充满了整个地震记录道集。图4d-f分别为图4a-c中方框部位的放大图，在图4a中采集时间为7.2～8.8s之间分布的多次波能量很强，这些多次波严重干扰了一次波信号。图4a数据直接被输入参数最佳深度神经网络中，可以得到如图5a所示的预测的一次波数据。真实一次波(图4c)与从不带噪声原始数据中预测的一次波数据(图5a)相减得到差异图(如图5b所示)，只有少部分一次波信号发生泄露。为了更好地分析一次波重构效果，图5a-b中方框部位被放大并分别绘制如图5c-d所示。通过对比可以发现，图4a中连续有效的一次波信号能量很弱，但是在图5a中几乎被正确重构，其中的复杂多次波信号被完全压制，差异图(如图5b所示)中泄露的一次波信号较少。在数据増广训练法下得到的深度神经网络预测重构图4b的带噪原始数据中的一次波得到的结果如图6所示。图6a为预测重构的一次波，可以发现一次波几乎被完全重构，得到的结果与图5a得到的结果相当。图6b为真实一次波与预测重构的一次波之间的差异图，也几乎不能发现残留的多次波和随机噪声。
图7a为包含多次波的原始数据叠加剖面，可以在7.6s附近看到明显的表面多次波。真实的一次波叠加剖面如图7b所示。不带噪声原始数据中的多次波被深度神经网络压制后，预测重构的一次波叠加剖面如图7c所示。从图7c可见，原始数据中的多次波得到了有效的压制，一次波得到了完全恢复，没有引入其他噪声。带噪声原始数据中的多次波被深度神经网络压制后，预测重构的一次波叠加剖面如图7d所示。对比图7c和图7d可以发现，数据増广训练法下得到的深度神经网络预测重构含噪数据中的一次波也能够得到好的结果，深部弱一次波信号得到了完全地恢复和重构，没有多次波残留，几乎看不到随机噪声的残留。证明了数据増广训练法得到的深度神经网络在压制多次波的同时，也能压制随机噪声，使一次波得到了很好地恢复和重构，没有引入新的噪声。
以南海某地崎岖海底为原型，在实验室按照与野外地质体的尺寸比为1：20000设计并制作了物理模型。采样间隔为2ms，共激发700炮，每炮288道接收，炮间距和道间距都是25m。对其中40个共炮点道集数据进行了预处理，并在预处理后的40个共炮点道集数据中添加20种不同强度随机噪声得到増广训练集对，在测试阶段，全部地震数据都添加随机噪声得到信噪比为10dB的带噪原始数据。图8a为第310炮的原始共炮点道集数据，其中相干噪声发育，浅层多次波能量很强，4.8s后的数据中也发育大量多次波。添加了随机噪声的带噪原始数据图8b所示。带噪原始数据被输入数据増广训练法得到的深度神经网络后预测重构的一次波结果如图8c所示。带噪原始数据和预测重构的一次波结果的对比表明，在预测重构的一次波中，4.8s前记录的浅层多次波能量大为减弱，4.8s后记录的深层多次波几乎被完全压制，原始数据中的相干噪声被完全压制，带噪原始数据中的随机噪声也被完全压制。图9a为原始数据的叠加剖面，图9b为输入深度神经网络前带噪原始数据的叠加剖面，箭头所示位置为强能量多次波。图9c为预测重构的一次波叠加剖面，可以发现一次波振幅得到较好保持，箭头所示位置的强能量多次波都被很好地压制。证明使用数据増广训练法得到的深度神经网络具有良好的抗噪稳定性。
需要注意的是，公布实施例的目的在于帮助进一步理解本发明，但是本领域的技术人员可以理解：在不脱离本发明及所附权利要求的精神和范围内，各种替换和修改都是可能的。因此，本发明不应局限于实施例所公开的内容，本发明要求保护的范围以权利要求书界定的范围为准。
Claims (9)
1.一种基于数据增广训练深度神经网络压制地震多次波的方法，设计具有卷积编码和卷积解码过程的压制地震多次波深度神经网络模型；将包含多次波原始数据和随机噪声数据组成的增广数据集作为模型训练数据集，用于学习神经网络参数，得到训练好的压制地震多次波深度神经网络模型；再利用训练好的压制地震多次波深度神经网络模型进行测试，通过网络模型的卷积编码提取地震数据中的连续信号特征并区分一次波和多次波，通过网络模型的卷积解码并使用提取到的特征重建消除多次波和随机噪声的地震数据，实现基于数据增广训练深度神经网络压制地震多次波；包含以下步骤：
步骤1，预处理训练数据集；
首先去除地震数据中的直达波，再通过多次波压制方法去除共炮点道集数据中的多次波，并生成标签数据；
步骤2，制作常规训练集；
将输入数据记为X，真实输出数据记为Ylabel；将输入数据与真实输出数据组成训练集数据对{X,Ylabel}；
含多次波的共炮点地震数据记为数据集HM；对应的不含多次波的共炮点地震数据记为数据集HO；在训练过程中，训练集数据的振幅被归一化到[-1,1]之间；在数据集HM和HO中相同位置等间隔抽取NUM1个共炮点道集，分别记为HMk和HOk,k＝1,2,3,…,NUM1，得到的训练集为常规训练集对
步骤3，制作增广训练集；
在每个输入数据HMk中加入NUM2种不同强度的随机噪声
且当u＝1时，
表示不添加噪声；得到增广训练数据集对
其中
步骤4，构建压制地震多次波深度神经网络，并采用数据增广训练法训练压制地震多次波深度神经网络；
构建压制地震多次波深度神经网络包括：由卷积层和下采样层组成的卷积编码器和由卷积层和上采样层组成的卷积解码器；所述卷积编码器用于提取地震数据的一次波特征；所述卷积解码器用于将包含一次波信号的低维特征数据映射回高维空间，重构一次波地震数据；在除最后一层外的卷积运算后通过激活函数处理进行非线性映射；并使用损失函数表示训练模型与训练样本的匹配程度，并采用自适应矩估计优化算法最小化损失函数；
步骤5，保存参数最佳的神经网络，得到训练好的压制地震多次波深度神经网络；
步骤6，测试数据预处理；
将待测试数据中的直达波去掉，将数据振幅归一化为[-1,1]之间，得到用于测试的输入数据；
步骤7，重建不带噪声的一次波数据；
将预处理后用于测试的输入数据直接输入参数最佳的训练好的压制地震多次波深度神经网络中，重构出只含一次波的输出数据；该输出数据中的随机噪声也被有效压制；
通过上述步骤，实现基于数据增广训练深度神经网络压制地震多次波。
2.如权利要求1所述基于数据增广训练深度神经网络压制地震多次波的方法，其特征是，在步骤1中，具体通过Radon多次波压制方法或自由表面多次波压制SRME方法去除少量共炮点道集数据中的多次波数据。
3.如权利要求1所述基于数据增广训练深度神经网络压制地震多次波的方法，其特征是，步骤4构建压制地震多次波深度神经网络，在除最后一层外的卷积运算后具体通过激活函数ReLU处理进行非线性映射；最后一层的激活函数采用双曲正切函数Tanh；具体使用平均绝对误差作为损失函数表示训练模型与训练样本的匹配程度。
4.如权利要求1所述基于数据增广训练深度神经网络压制地震多次波的方法，其特征是，在步骤4中，构建的压制地震多次波深度神经网络深度具体包括31层，其中有23个卷积层、4个下采样层和4个上采样层。
5.如权利要求4所述基于数据增广训练深度神经网络压制地震多次波的方法，其特征是，前10个卷积层和4个下采样层组成卷积编码器；后13个卷积层和4个上采样层组成卷积解码器。
6.如权利要求5所述基于数据增广训练深度神经网络压制地震多次波的方法，其特征是，将第2个卷积层和第4个上采样层得到的结果经过融合后输入第20个卷积层，将第4个卷积层和第3个上采样层得到的结果经过融合后输入第17个卷积层，将第6个卷积层和第2个上采样层得到的结果经过融合后输入第14个卷积层，将第8个卷积层和第1个上采样层得到的结果经过融合后被输入第11个卷积层。
7.如权利要求6所述基于数据增广训练深度神经网络压制地震多次波的方法，其特征是，卷积运算使用的卷积核大小均为3×3。
8.如权利要求6所述基于数据增广训练深度神经网络压制地震多次波的方法，其特征是，使用平均绝对误差作为损失函数表示训练模型与训练样本的匹配程度，具体使用的平均绝对误差损失函数表示为：
其中，F(Xi)表示输入深度神经网络F的数据为Xi时的预测值；右上标1表示对符号||·||内数据进行1范数计算；当N个输入数据送入深度神经网络后，得到的输出结果与真实输出数据直接相减并取绝对值得到绝对误差值，再计算绝对误差值的平均值，使用平均绝对误差来刻画深度神经网络的输出结果与真实输出数据的差异程度。
9.如权利要求8所述基于数据增广训练深度神经网络压制地震多次波的方法，其特征是，具体采用Adam自适应矩估计优化算法调整深度神经网络参数，从而最小化损失函数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110160644.7A CN112946749B (zh) | 2021-02-05 | 2021-02-05 | 基于数据增广训练深度神经网络压制地震多次波的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110160644.7A CN112946749B (zh) | 2021-02-05 | 2021-02-05 | 基于数据增广训练深度神经网络压制地震多次波的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112946749A CN112946749A (zh) | 2021-06-11 |
| CN112946749B true CN112946749B (zh) | 2022-05-20 |
Family
ID=76242439
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110160644.7A Active CN112946749B (zh) | 2021-02-05 | 2021-02-05 | 基于数据增广训练深度神经网络压制地震多次波的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112946749B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113468466B (zh) * | 2021-07-23 | 2022-04-15 | 哈尔滨工业大学 | 基于神经网络的一维波动方程求解方法 |
| 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 |
| CN113721293B (zh) * | 2021-08-30 | 2022-07-01 | 电子科技大学 | 一种基于深度学习的多波地震信号人工智能匹配方法 |
| CN114236610B (zh) * | 2021-12-24 | 2023-03-31 | 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 |
| CN115061200B (zh) * | 2022-06-08 | 2024-05-24 | 北京大学 | 基于虚同相轴法和无监督神经网络压制层间多次波的方法 |
| CN115267911B (zh) * | 2022-08-01 | 2024-05-24 | 北京大学 | 一种基于模型与数据驱动深度学习的地震多次波压制方法 |
| CN115469359B (zh) * | 2022-09-05 | 2024-05-24 | 北京大学 | 基于集成学习的无监督深度神经网络压制多次波的方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110045419A (zh) * | 2019-05-21 | 2019-07-23 | 西南石油大学 | 一种感知器残差自编码网络地震资料去噪方法 |
| CN110806602A (zh) * | 2018-08-06 | 2020-02-18 | 中国石油化工股份有限公司 | 基于深度学习的智能化地震数据随机噪声压制方法 |
| CN111580161A (zh) * | 2020-05-21 | 2020-08-25 | 长江大学 | 基于多尺度卷积自编码神经网络的地震随机噪音压制方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7400552B2 (en) * | 2006-01-19 | 2008-07-15 | Westerngeco L.L.C. | Methods and systems for efficiently acquiring towed streamer seismic surveys |
-
2021
- 2021-02-05 CN CN202110160644.7A patent/CN112946749B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110806602A (zh) * | 2018-08-06 | 2020-02-18 | 中国石油化工股份有限公司 | 基于深度学习的智能化地震数据随机噪声压制方法 |
| CN110045419A (zh) * | 2019-05-21 | 2019-07-23 | 西南石油大学 | 一种感知器残差自编码网络地震资料去噪方法 |
| CN111580161A (zh) * | 2020-05-21 | 2020-08-25 | 长江大学 | 基于多尺度卷积自编码神经网络的地震随机噪音压制方法 |
Non-Patent Citations (2)
| Title |
|---|
| 一种基于RUnet卷积神经网络的地震资料随机噪声压制方法;罗仁泽等;《石油物探》;20200125;第59卷(第01期);第51-59页 * |
| 基于波动方程预测和双曲Radon变换联合压制表面多次波;石颖等;《地球物理学报》;20120915;第55卷(第09期);第3115-3125页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112946749A (zh) | 2021-06-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| Dong et al. | Denoising the optical fiber seismic data by using convolutional adversarial network based on loss balance | |
| Yang et al. | Random noise attenuation based on residual convolutional neural network in seismic datasets | |
| Yuan et al. | Ground-roll attenuation using generative adversarial networks | |
| Van den Ende et al. | A self-supervised deep learning approach for blind denoising and waveform coherence enhancement in distributed acoustic sensing data | |
| CN113687414B (zh) | 基于数据增广的卷积神经网络地震层间多次波压制方法 | |
| Dong et al. | Random and coherent noise suppression in DAS-VSP data by using a supervised deep learning method | |
| CN111505719B (zh) | 基于波场分解的绕射多次波压制方法 | |
| Yang et al. | Denoising of distributed acoustic sensing data using supervised deep learning | |
| Mousavi et al. | Applications of deep neural networks in exploration seismology: A technical survey | |
| 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 | |
| CN110687597B (zh) | 一种基于联合字典的波阻抗反演方法 | |
| Wang et al. | Seismic multiple suppression based on a deep neural network method for marine data | |
| Otchere et al. | Improving seismic fault mapping through data conditioning using a pre-trained deep convolutional neural network: A case study on Groningen field | |
| CN114910956A (zh) | 基于共成像点道集的智能化绕射波分离方法 | |
| Yuan et al. | Attenuation of linear noise based on denoising convolutional neural network with asymmetric convolution blocks | |
| Qiao et al. | Random noise attenuation of seismic data via self-supervised Bayesian deep learning | |
| Li et al. | Removing abnormal environmental noise in nodal land seismic data using deep learning | |
| Wang et al. | Deep velocity generator: A plug-in network for FWI enhancement | |
| CN109655916B (zh) | 用于分离地震数据中有效波与多次波的方法及系统 | |
| Cheng et al. | Multiscale recurrent-guided denoising network for distributed acoustic sensing-vertical seismic profile background noise attenuation | |
| CN116011338A (zh) | 一种基于自编码器和深度神经网络的全波形反演方法 | |
| Hao et al. | Denoising method based on spectral subtraction in time-frequency domain | |
| US20230140656A1 (en) | Method and system for determining seismic processing parameters using machine learning | |
| 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 |
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 |