CN112987099B - 基于多震源卷积神经网络的低频地震数据重构方法 - Google Patents

基于多震源卷积神经网络的低频地震数据重构方法 Download PDF

Info

Publication number
CN112987099B
CN112987099B CN202110418166.5A CN202110418166A CN112987099B CN 112987099 B CN112987099 B CN 112987099B CN 202110418166 A CN202110418166 A CN 202110418166A CN 112987099 B CN112987099 B CN 112987099B
Authority
CN
China
Prior art keywords
data
low
source
frequency
seismic
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202110418166.5A
Other languages
English (en)
Other versions
CN112987099A (zh
Inventor
尹语晨
韩立国
张盼
尚旭佳
赵炳辉
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.)
Jilin University
Original Assignee
Jilin 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 Jilin University filed Critical Jilin University
Priority to CN202110418166.5A priority Critical patent/CN112987099B/zh
Publication of CN112987099A publication Critical patent/CN112987099A/zh
Application granted granted Critical
Publication of CN112987099B publication Critical patent/CN112987099B/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
    • G01V1/30—Analysis
    • G01V1/306—Analysis for determining physical properties of the subsurface, e.g. impedance, porosity or attenuation profiles
    • 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
    • G01V2210/27—Other pre-filtering
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V2210/00—Details of seismic processing or analysis
    • G01V2210/60—Analysis
    • G01V2210/62—Physical property of subsurface
    • G01V2210/624—Reservoir parameters

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

本发明涉及一种基于多震源卷积神经网络的低频地震数据重构方法，包括地震数据预处理得到高质量的主动源地震数据及被动源地震数据；创建训练数据集：将处理后的被动源及主动源数据分别进行低通滤波并分块处理，分别作为样本合集输入数据及标签；建立神经网络模型：搭建基于多震源的卷积神经网络模型，用于主动源低频地震数据的重构；训练：将样本合集和标签合集输入到卷积神经网络模型中。本方法可在缺失主动源低频数据的条件下，利用被动源数据实现重构，其获取的主动源低频信息准确性较高降低了低频信息的采集成本，且在进行简单地去噪后，为接下来的地震反演过程提供高质量的地震数据，改善由于缺失低频信息导致的各种问题，有利于恢复出更多的细节信息。

Description

基于多震源卷积神经网络的低频地震数据重构方法
技术领域
本发明属于地震数据重构技术领域，具体涉及一种基于主动源与被动源联合的卷积神经网络的低频地震数据重构方法。
背景技术
随着油气资源勘探的重心逐渐向地下复杂构造区和深部转移，对地下构造成像质量的要求也越来越高，精准的速度建模是高精度成像的关键。全波形反演是目前地震勘探领域公认的速度建模精度最高的方法，然而，由于地震数据低频信息不足、初始模型依赖性、跳周问题和计算效率问题等缺陷，其应用仍然面临许多挑战。其中，如何得到含有丰富低频信息的宽频地震数据是解决许多问题(初始模型依赖问题和跳周问题等)的突破口，但又是一直以来没有完全解决的问题。
被动源地震信号是指非人工源激发的地震波场，经过在地下介质中传播而被记录到的地震信号，其优点在于：真实来自于地下，携有丰富的地下介质信息，相比于主动源地震勘探，被动源地震勘探不仅成本低廉，且可以在很多不适合进行常规主动源勘探的地区进行。主动源和被动源联合地震勘探要求接收到的被动源地震数据具有较高的质量。但是，被动源地震数据的特点是信噪比低，信号能量弱，震源子波和震源位置未知等。这导致在很长一段时间里，在勘探领域中，人们往往忽略对被动源地震信号的应用。近年来，随着被动源地震干涉法的发展，对被动源地震数据的处理和应用越来越多。如果合理提取并利用这些被动源地震信号，将在成像方面发挥其照明和低频优势，对主动源地震数据进行辅助和补充。
发明内容
本发明的目的就是针对上述现有技术的不足，提供一种基于多震源卷积神经网络的低频地震数据重构方法，利用被动源低频地震数据重构主动源地震数据的低频信息。其获取的低频信息准确性高，对仪器和信号处理水平要求相对降低，降低了低频信息的采集成本。
本发明的目的是通过以下技术方案实现的：
本发明针对地震反演在实际应用中，因为缺少可靠的地震数据低频分量而陷入局部极小值，从而导致失败的现象，本发明的神经网络能够利用被动源地震数据中的有效信息完成主动源地震数据的宽频操作，使得主动源地震数据的有效信号向低频方向延拓，即从不含低频分量的主动源地震数据中学习出相应的低频分量。
一种基于多震源卷积神经网络的低频地震数据重构方法，包括以下步骤：
a、地震数据预处理：对原始主动源地震数据进行静校正、去噪预处理，得到高质量的观测地震数据；
b、形成训练数据集：对处理后的被动源数据进行低通滤波，得到只有10Hz以下的被动源低频数据，并进行分块处理，作为样本合集；对处理后的主动源数据进行低通滤波，得到只有10Hz以下的主动源低频数据，并进行分块处理，作为标签合集；
c、建立神经网络模型：搭建多震源卷积神经网络模型，用于获取主动源低频信息；所述多震源卷积神经网络模型的结构包括：输入层，所述输入层用于输入样本合集和标签合集；隐藏层框架，所述隐藏层框架由3层卷积层、3层池化层及5层全连接层组成，在每一层卷积层组合使用不同尺寸的卷积核；输出层，所述输出层用于输出主动源低频数据，输出采用线性激活函数，卷积神经网络为对称网络，输出数据尺寸和输入大小一致；
d、训练：将步骤b中的被动源样本合集和主动源标签合集，输送到步骤c中的多震源卷积神经网络模型中，模型的输出数据为重构的主动源低频结果。
进一步地，步骤c中，网络框架每个卷积层都采用一个非线性tanh激活函数：
Figure GDA0003799446930000021
进一步地，步骤c中，所述多震源卷积神经网络模型中，代价函数为均方差函数
Figure GDA0003799446930000022
式中J表示代价函数，y与
Figure DEST_PATH_GDA0003777753020000031
为数据的预测值和真实值，m为批次样本的数量。
与现有技术相比，本发明的有益效果在于：
其一，本发明所提供的方法可以利用易采集但不易处理与应用的被动源低频地震数据，去学习出与之对应的、质量较高的主动源低频数据。虽然被动源地震数据信噪比低、有效信号能量弱，但其包含了大量的地下信息，因此发明此多震源卷积神经网络可得到主动源地震数据与被动源地震数据之间的内在联系，实现多源地震联合应用；
其二，本发明所提供的方法可以在缺失主动源低频数据的条件下，仅利用被动源低频信息即可实现对主动源低频数据的重构，其获取的低频信息准确性高，对仪器和信号处理水平要求相对降低，降低了低频信息的采集成本；
其三，利用本发明提供的方法获取的主动源低频数据可以用于处理地震数据后续的反演中，补充低频信息后可以显著提高地震数据反演质量，并且能够恢复出更多的细节信息。
附图说明
图1为基于多震源卷积神经网络的地震数据重构方法的工作流程图；
图2为对处理后的主动源、被动源地震数据进行低通滤波的前后对比图，图2(a)和(b) 为主动源地震数据在低通滤波前的波形及频率分布，图2(c)和(d)为主动源地震数据在滤波后的波形及频率分布；同理图2(e)、(f)、(g)、(h)分别为被动源地震数据滤波前后的波形及频率分布；
图3为本发明的卷积神经网络模型的结构示意图；
图4为低频分量的训练追踪图，其中图4(a)是真实的低频分量，图4(b)、(c)、(d)、(e)、 (f)是在卷积神经网络训练迭代1、10、50、300和500次的即时卷积神经网络输出；
图5为本发明实例二中的模拟被动源地震数据，图5(a)为全频带被动源地震数据，图5(b) 为进行低通滤波后的被动源低频地震数据；
图6为本发明实例二中的模拟主动源地震数据，图6(a)为全频带主动源地震数据，图6(b) 为进行低通滤波后的主动源低频地震数据；
图7为卷积神经网络模型最终输出的主动源低频重构数据；
图8为模拟主动源低频地震数据与重构数据的单道对比结果，图8(a)为第100道的对比结果，图8(b)为第200道的对比结果。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体操作过程，但本发明的保护范围不限于下述的实施例。
本发明基于多震源卷积神经网络的低频地震数据重构方法，包括以下步骤：
a、地震数据预处理：对原始主动源地震数据进行静校正、去噪预处理，得到高质量的观测地震数据；
b、形成训练数据集：对处理后的被动源数据进行低通滤波，得到只有10Hz以下的被动源低频数据，并进行分块处理，作为样本合集；对处理后的主动源数据进行低通滤波，得到只有10Hz以下的主动源低频数据，并进行分块处理，作为标签合集；
c、建立神经网络模型：搭建多震源卷积神经网络模型，利用被动源数据中的低频信息获取主动源低频；所多震源卷积神经网络模型的结构包括：输入层，所述输入层用于输入原始主、被动源低频地震数据；隐藏层框架，所述隐藏层框架由3层卷积层、3层池化层及5层全连接层组成，网络框架每个卷积层都采用一个非线性tanh激活函数：
Figure GDA0003799446930000041
在每一层卷积层组合使用不同尺寸的卷积核；输出层，所述输出层用于输出主动源低频数据，输出采用线性激活函数，卷积神经网络为对称网络，输出数据尺寸和输入大小一致。所述多震源卷积神经网络模型中，代价函数为均方差函数：
Figure GDA0003799446930000042
式中J表示代价函数，y与
Figure 990917DEST_PATH_GDA0003777753020000031
为数据的预测值和真实值，m为批次样本的数量。
d、训练：将步骤b中的主、被动源低频数据作为输入数据及标签数据，输送到步骤c中的多震源卷积神经网络模型中，模型的输出数据为重构的主动源低频结果。
实施例1
本实施例公开了一种基于多震源卷积神经网络的低频地震数据重构方法，图1为具体的工作流程图，包括以下步骤：
a、地震数据预处理：对原始主动源地震数据进行静校正处理，校正起伏地表对反射同向轴的影响；对数据进行去噪处理，去除微震、背景噪声及其他随机噪声；去除干扰波，包括声波、面波、工业电干扰、虚反射、多次反射、侧面波、底波、交混回响和鸣震等。最终得到高质量的观测地震数据；
b、对处理后的主动源数据以及原始被动源数据分别进行处理：被动源地震数据通过巴特沃斯低通滤波器进行低通滤波，获取10Hz以下的被动源数据，生成样本合集；主动源地震数据通过巴特沃斯低通滤波器进行低通滤波，获取10Hz以下主动源数据，生成标签合集，样本合集和标签合集共同组成训练数据集。图2(a)为被动源地震数据进行低通滤波前的波形及频率分布，图2(b)为滤波后的波形及频率分布；同理图2(c)、(d)分别为低通滤波前后的主动源地震数据的波形及频率分布；
c、如图3所示，建立神经网络模型：采用训练集对多震源卷积神经网络进行训练，搭建多震源卷积神经网络模型，用于主动源地震数据重构；
所述多震源卷积神经网络模型的结构包括：
输入层：用于输入样本合集与标签合集；
隐藏层框架：由3层卷积层、3层池化层及5层全连接层组成；
输出层：用于输出重构的主动源低频结果地震数据；
其中单个神经元的处理是简单的线性运算和一次非线性激活：
Figure GDA0003799446930000051
其中
Figure GDA0003799446930000052
为输出信号，x1和x2为输入信号，w1和w2分别是对应x1与x2的权值参数，b是偏置参数，g是激活函数—tanh激活函数。利用tanh激活函数的原因有两点：第一是地震数据由于波动性而拥有太多负值，这会使得过多神经元失活(输出为0)，第二是因为本发明的卷积神经网络只有11层，并不需要relu类激活函数的快速和深度的传播优点。且tanh激活函数的输出以0值为中心，这能让卷积神经网络更快速收敛。
池化层采用最大池化下采样处理，最优化算法采用Adam算法。其中Learning Rate大小为0.0001，dropout设置为0.7，batchsize设置为50，学习次数为2000次。将主动源低频地震数据与被动源低频地震数据输入网络进行训练，训练完成后保存模型参数，该模型即为最终的卷积神经网络模型。
d、将步骤a、b中预处理后的样本合集与标签合集输送到步骤c中的多震源卷积神经网络模型中。为了更直观地说明整个训练过程，对卷积神经网络追踪了一道数据用于展示，图 4为低频分量的训练追踪图像。因为神经元的独立性，所以用散点图表示。模型的最终输出数据为重构的主动源低频地震数据。
实施例2
下面开始详细介绍本申请提供的一种基于多震源卷积神经网络的地震数据重构方法实施例2，实施例2基于前述实施例1实现，并在实施例1的基础上进行了一定程度上的拓展。
我们在Marmousi速度模型上展现整个卷积神经网络的成功。图5(a)为利用互相关法得到的模拟被动源地震数据，图5(b)为低通滤波后得到的被动源低频地震数据。图6(a)、(b) 为正演得到的主动源地震数据及其对应的低频数据。将模拟被动源地震数据的低频部分输入预先经过训练的卷积神经网络，对主动源地震数据进行低频重构。最终，得到的重构主动源低频部分如图7所示。为了进一步展示该卷积神经网络的效果，随机抽取两道数据进行单道对比，如图8所示。
将图7与图6(b)进行比较，可以看出主动源低频数据的特征基本重构成功。通过图8可知，卷积神经网络的输出与真实低频分量十分接近，在简单的去噪后可以代替缺失部分直接使用。

Claims (1)

1.一种基于多震源卷积神经网络的低频地震数据重构方法，其特征在于，包括以下步骤：
a、地震数据预处理：对原始主动源地震数据进行静校正、去噪预处理，得到高质量的观测地震数据；
b、形成训练数据集：对处理后的被动源数据进行低通滤波，得到只有10Hz以下的被动源低频数据，并进行分块处理，作为样本合集；对处理后的主动源数据进行低通滤波，得到只有10Hz以下的主动源低频数据，并进行分块处理，作为标签合集；
c、建立神经网络模型：搭建多震源卷积神经网络模型，利用被动源数据中的低频信息重构主动源低频；所述多震源卷积神经网络模型的结构包括：输入层，所述输入层用于输入原始主、被动源低频地震数据；隐藏层框架，所述隐藏层框架由3层卷积层、3层池化层及5层全连接层组成，在每一层卷积层组合使用不同尺寸的卷积核；输出层，所述输出层用于输出重构的主动源低频结果，输出采用线性激活函数，卷积神经网络为对称网络，输出数据尺寸和输入大小一致；
网络框架每个卷积层都采用一个非线性tanh激活函数：
Figure FDA0003777753010000011
所述多震源卷积神经网络模型中，代价函数为均方差函数：
Figure FDA0003777753010000012
式中J表示代价函数，y与
Figure FDA0003777753010000013
为数据的预测值和真实值，m为批次样本的数量；
d、训练：将步骤b中的样本合集和标签合集作为输入数据及标签数据，输送到步骤c中的多震源卷积神经网络模型中，模型的输出数据为主动源低频重构结果。
CN202110418166.5A 2021-04-19 2021-04-19 基于多震源卷积神经网络的低频地震数据重构方法 Active CN112987099B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110418166.5A CN112987099B (zh) 2021-04-19 2021-04-19 基于多震源卷积神经网络的低频地震数据重构方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110418166.5A CN112987099B (zh) 2021-04-19 2021-04-19 基于多震源卷积神经网络的低频地震数据重构方法

Publications (2)

Publication Number Publication Date
CN112987099A CN112987099A (zh) 2021-06-18
CN112987099B true CN112987099B (zh) 2022-10-11

Family

ID=76341069

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110418166.5A Active CN112987099B (zh) 2021-04-19 2021-04-19 基于多震源卷积神经网络的低频地震数据重构方法

Country Status (1)

Country Link
CN (1) CN112987099B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114114422B (zh) * 2021-12-13 2023-09-08 西南石油大学 基于方向性多尺度分解的叠前地震数据噪声消除方法
CN114839673B (zh) * 2022-07-01 2022-09-23 中国海洋大学 多震源高效采集波场分离方法、分离系统及计算机设备
CN116338779B (zh) * 2023-05-11 2023-08-08 中国铁路设计集团有限公司 用于密集线性台阵的交火式主被动源联合探测方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9121965B2 (en) * 2013-03-11 2015-09-01 Saudi Arabian Oil Company Low frequency passive seismic data acquisition and processing
CN107102355B (zh) * 2017-04-27 2017-12-05 吉林大学 低频重构并行Marchenko成像方法
CN108345031B (zh) * 2018-01-11 2020-01-17 吉林大学 弹性介质主动源和被动源混采地震数据全波形反演方法
CN109738952B (zh) * 2019-01-24 2020-05-08 吉林大学 基于全波形反演驱动的被动源直接偏移成像方法
US11409011B2 (en) * 2019-08-29 2022-08-09 Advanced Geophysical Technology Inc. Methods and systems for obtaining reconstructed low-frequency seismic data for determining a subsurface feature
CN111948711B (zh) * 2020-08-06 2023-05-09 中海石油(中国)有限公司 一种利用深度学习法提取地震数据低频部分的方法和系统
CN112379415A (zh) * 2020-11-06 2021-02-19 中国科学技术大学 基于减采样的重构低频数据多尺度全波形反演方法及装置

Also Published As

Publication number Publication date
CN112987099A (zh) 2021-06-18

Similar Documents

Publication Publication Date Title
CN112987099B (zh) 基于多震源卷积神经网络的低频地震数据重构方法
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
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
CN114692509B (zh) 基于多阶段退化神经网络的强噪声单光子三维重建方法
Dong et al. Random and coherent noise suppression in DAS-VSP data by using a supervised deep learning method
CN113642484A (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
Li et al. Using GAN priors for ultrahigh resolution seismic inversion
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
CN117631028A (zh) 一种多尺度全局信息融合神经网络地震数据低频重构方法
CN117031539A (zh) 一种自监督深度学习地震数据低频重建方法及系统
Cheng et al. Multiscale recurrent-guided denoising network for distributed acoustic sensing-vertical seismic profile background noise attenuation
Li et al. Removing abnormal environmental noise in nodal land seismic data using deep learning
Wang et al. Multi-scale residual network for seismic data denoising and reconstruction
CN109212609A (zh) 基于波动方程延拓的近地表噪音压制方法
CN110161565A (zh) 一种地震数据重建方法
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
Sinha et al. A deep autoencoder approach to bird call enhancement
CN105589099A (zh) 一种盲源地震波场的多边形带通滤波方法
Li et al. DAS weak signals recovery under condition of multiple complicated noise using CA-MSRNet
Cheng et al. Simultaneous denoising and reconstruction of distributed acoustic sensing seismic data via a multicascade deep-learning method
Yao et al. Weak Signals Recovery of Downhole DAS with Scale-Weighted Non-Local Selective Attention
CN117974736B (zh) 一种基于机器学习的水下传感器输出信号降噪方法及系统
CN115061200B (zh) 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
CN116774293B (zh) 一种同相轴自动拾取方法、系统、电子设备及介质
Wang et al. SAPD: Self-Attention Progressive Seismic Data Denoising

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