CN113589383A - 基于深度学习的地震资料线性干扰噪音消除方法 - Google Patents

Abstract

本发明提供一种基于深度学习的地震资料线性干扰噪音消除方法，包括：步骤1，对线性干扰数据进行傅里叶变换，并截取频率域中线性干扰的主要特征；步骤2，计算得到针对线性干扰主要特征进行消除的FK滤波器初始形态；步骤3，计算得到对线性干扰进行有效消除的FK滤波器固定形态；步骤4，计算得到频率域的处理结果；步骤5，将频率域的处理结果，通过傅里叶逆变换转变为时空域的常用地震数据格式，并输出处理结果数据。该基于深度学习的地震资料线性干扰噪音消除方法实现了地震数据中线性干扰噪音的消除处理功能，有效节约人力和计算机资源，缩短了地震资料处理周期，取得了显著的处理效果。

Description

基于深度学习的地震资料线性干扰噪音消除方法

技术领域

本发明涉及油田开发技术领域，特别是涉及到一种基于深度学习的地震资料线性干扰噪音消除方法。

背景技术

线性干扰是地震数据采集中不可避免的一致常见噪音，其形态如图1所示，在地震资料中普遍存在，严重地影响单炮质量，如果解决不好会对后续处理产生很大影响，严重时可造成在成像剖面上出现断面等假象。线性干扰的存在严重降低了地震数据的信噪比。

地震资料不同单炮中存在的线性干扰也不一样，有倾角、频率的差异。目前实际生产中，处理人员要查看每个单炮是否存在线性干扰，对于存在线性干扰的每一个单炮，分析线性干扰的倾角、频率，然后再针对该单炮中线性干扰的特征设定滤除参数进行处理。对于一个工区数万个单炮进行线性干扰的滤除处理，比较耗时、费力。

在申请号：201910280069.7的中国专利申请中，涉及到一种深度学习地震资料去噪方法，包括如下步骤：步骤1、将预处理后的地震资料和对应含噪声的地震资料作为训练集和测试集，具体步骤如下：(1)将地震资料预处理为m*m大小的单通道灰度数据；(2)将预处理后的灰度数据加入噪声；(3)将预处理后的灰度数据及其对应的加噪的地震资料作为一组数据，以预处理后的灰度数据作为标签，制作训练集和测试集；步骤2、构建残差卷积自编码块，主结构由n+2层卷积层组成，恒等映射部分由卷积自编码结构组成，残差卷积自编码块输出为：xn+2＝f(x)+xcaexcae为输入x经过卷积自编码器提取的潜在特征，f(x)为输入x经过n+2层卷积层输出的结果，n为大于1的正整数，其中，主结构第1层卷积核大小为1*1，激活函数为Swish；第2到第n+1层结构相同，均添加批归一化层，卷积核大小为3*3，激活函数为Relu；第n+2层添加批归一化层，卷积核大小为1*1，激活函数为Relu；其中，Relu激活函数为：Swish激活函数为：式中β为x的缩放参数，β>0；步骤3、网络结构由步骤2提出的残差卷积自编码块组成，共有(n+2)*a层，a为大于1的正整数，即有a个n+2层的残差卷积自编码块组成；步骤4、将步骤1预处理后的训练集，通过列队输入到步骤3搭建的网络模型中，采用误差反向传播，并以均方误差损失函数来衡量真实值与预测值的距离，通过数据集的每次迭代，使用梯度下降来调整神经元之间的权重以降低代价函数，进而优化网络，并以定量的峰值信噪比和定性的视觉感受判断网络去噪效果，初次保存网络模型的各个参数；均方误差损失函数为：式中，yi为通过列队读入的标签数据，zi为输出去噪后的数据，均方误差越小代表去噪后的数据与标签数据越接近，网络准确率越高；峰值信噪比公式为：其中MMSE是原始不含噪声地震资料和处理后的地震资料之间的均方误差，PSNR数值越大表示失真越小；步骤5、将步骤1预处理后的测试集，输入到步骤4优化训练好的网络模型中，并通过定量的峰值信噪比和定性的视觉感受判断网络去噪效果，若不符合去噪要求返回步骤4继续训练或调参后训练网络，若符合要求停止迭代，保存最终网络模型；步骤6、利用保存的最终网络模型去除地震资料噪声，输出去噪后的地震资料。地震数据中的噪音类型有很多种，该申请只涉及到一种最常规的随机噪音。并没有针对线性噪音，线性噪音是一种特殊的噪音，无论是噪音产生的机理还是表现形式，两者有根本的区别。两种方法研究的对象不同，因此，所采用的去噪方法也不相同。

另外，应用该申请来处理线性噪音不合适，也无法达到理想的处理效果；因为同一个线性噪音干扰源，对不同距离震源或不同方位震源的地震单炮造成的影响不同，不能应用统一的处理流程。

该申请的步骤1将地震资料预处理为m*m大小的单通道灰度数据时，是从把4字节的浮点数地震数据,变为0-255灰度图像,会损失大部分有效信号；但是数据处理完成后，有灰度数据转为地震数据时还会有信号损失，该专利方法去除地震数据噪音的同时，也会损失部分有效信息，从而影响去噪后的成像效果。

为此我们发明了一种新的基于深度学习的地震资料线性干扰噪音消除方法，解决了以上技术问题。

发明内容

本发明的目的是提供一种实现了地震数据中线性干扰的化消除处理功能，有效节约人力和计算机资源，缩短了地震资料处理周期，取得了显著的处理效果的基于深度学习的地震资料线性干扰噪音消除方法。

本发明的目的可通过如下技术措施来实现：基于深度学习的地震资料线性干扰噪音消除方法，该基于深度学习的地震资料线性干扰噪音消除方法包括：步骤1，对线性干扰数据进行傅里叶变换，并截取频率域中线性干扰的主要特征；步骤2，计算得到针对线性干扰主要特征进行消除的FK滤波器初始形态；步骤3，计算得到对线性干扰进行有效消除的FK滤波器固定形态；步骤4，计算得到频率域的处理结果；步骤5，将频率域的处理结果，通过傅里叶逆变换转变为时空域的常用地震数据格式，并输出处理结果数据。

本发明的目的还可通过如下技术措施来实现：

该基于深度学习的地震资料线性干扰噪音消除方法还包括，在步骤1之前，读取地震资料处理专家应用商业软件处理前和处理后的数据，相减得到去除的线性干扰数据。

在步骤1中，傅里叶变换公式如下：

其中:F(ω)是f(t)的像函数，f(t)是t的周期函数，ω代表频率，t代表时间。

在步骤2中，对线性干扰主要特征的傅里叶频率谱进行阈值分割，并利用图像形态学进行变换处理，得到针对线性干扰主要特征进行消除的FK滤波器初始形态。

在步骤3中，将处理前的傅里叶频率谱作为输入，FK滤波器形态作为标签，送入卷积神经网络进行训练学习，直至网络收敛到数据中的线性干扰去除情况90％达到地震资料处理专家处理的结果，得到对线性干扰进行有效消除的FK滤波器固定形态。

在步骤4中，对地震数据进行傅里叶变换，并截取频率域的主要部分特征傅里叶频率谱；将傅里叶频率谱作为输入，使用深度学习中得到的FK滤波器固定形态对数据进行滤波处理，得到频率域的处理结果。

在步骤5中，傅里叶逆变换转变公式为：

其中：f(t)是t的周期函数，为地震数据的振幅；F(ω)是频率变化函数，ω代表频率，t代表时间。

本发明中的基于深度学习的地震资料线性干扰噪音消除方法，是基于深度学习的地震资料线性干扰噪音消除方法，是一种利用卷积神经网络模型深度学习技术，在傅里叶变换域消除地震数据中的线性干扰的方法，应用于地球物理领域。本发明实现了地震数据中线性干扰的化消除处理功能，有效节约人力和计算机资源，缩短了地震资料处理周期，取得了显著的处理效果。

1、基于深度学习的地震资料线性干扰噪音消除方法，根据地震资料处理专家对地震数据样本中线性干扰去除情况，在FK域进行卷积神经网络模型深度学习技术。

2、基于深度学习的地震资料线性干扰噪音消除方法，利用深度学习的结果在FK域消除地震数据中的线性干扰技术。

附图说明

图1为本发明的一具体实施例中线性干扰噪声示例图；

图2为本发明的一具体实施例中线性干扰处理专家去除结果示例图；

图3为本发明的一具体实施例中线性干扰噪声深度学习去除结果示例图；

图4为本发明的基于深度学习的地震资料线性干扰噪音消除方法的一具体实施例的流程图；

图5为本发明的具体实施例中CNN网络示意图。

具体实施方式

为使本发明的上述和其他目的、特征和优点能更明显易懂，下文特举出较佳实施例，并配合附图所示，作详细说明如下。

本发明的目的是实现一种有效消除地震资料中线性干扰，将地震数据通过傅里叶变化到FK域，在FK域线性干扰的特征更加明显，方便提取和记录线性干扰初始模型。本发明中的初始模型为原始数据与处理专家对样本数据处理结果的差值，(地震资料处理专家处理结果形态如图2所示)，记录下地震数据中的线性干扰的倾角和频率，对线性干扰模型进行加权处理，经过机器反复学习，使线性干扰的模型更加接近地震资料中的真实线性干扰，采用减法从地震资料中减去线性干扰成分以达到消除线性干扰的目的。

本发明在深层神经网络的训练学习过程中，采用了“权共享”的做法，把专家处理结果作为学习目标，让一组神经元使用相同的连接权，逐步增加样本个数，尽量达到涵盖地震资料中最多的线性干扰的形态。这个做法在卷积神经网络(CNN)训练学习中发挥了重要作用，大幅减少了需要训练的参数个数。CNN网络示意图如图5所示。

同时，为了防止过拟合的发生，把地震资料中的有效信号做为线性干扰实现消除，采用了“预训练+微调”的训练学习方式，将大量的地震资料处理专家处理的样本进行分组，对每组先找到局部看起来最好的设置，然后再基于这些局部最好的结果联合起来进行全局搜索，记录最佳设置。这样就在保证了初始模型不变坏的情况下，有效地节省了训练学习开销，从而避免过拟合现象的发生，达到实际生产中实用化的目的。

本发明利用卷积神经网络模型对地震资料处理专家处理过的样本数据进行深度学习,实现地震数据线性干扰的消除功能。

实现分为深度学习和消除线性干扰两个阶段，其中，机器深度学习阶段主要流程如下：

(1)读取地震资料专家处理前和处理后的样本数据，相减得到去除的线性干扰，进行傅里叶变换，并截取傅里叶变换后频率域中线性干扰的主要特征，变换后线性干扰特征更加突出。其中地震资料处理专家处理前数据是指含有线性噪音的原始地震数据，对地震资料中的线性噪音没有任何压制或消除处理，地震资料处理专家处理后数据是指有经验的地震资料处理专家，针对地震资料中存在的线性噪音情况,使用处理软件、设计处理参数对地震资料中存在的线性噪音进行压制或消除处理，得到雇主认可的仅仅消除线性干扰的地震数据。处理前、后的地震数据以及二者的残差作为样本数据，用来训练。

(2)对线性干扰主要特征的傅里叶频率谱进行阈值分割，并利用图像形态学进行处理，得到针对线性干扰主要特征进行识别的FK滤波器初始形态，FK滤波器初始形态作为深度学习的基础，通过网络训练学习不断完善。

(3)将处理前地震数据的傅里叶频率谱作为输入，FK滤波器初始形态作为标签，送入卷积神经网络进行训练学习，直至网络收敛到数据中的线性干扰去除情况90％达到专家处理的结果，学习过程中，将处理前对应的地震数据作为处理对象继续反复校验，得到对线性干扰进行有效消除的FK滤波器固定形态。

消除线性干扰阶段主要流程如下：

(1)对需要处理的原始地震数据进行傅里叶变换，并截取频率域中的线性干扰主要特征。

(2)将频率域中的线性干扰主要特征作为输入，使用深度学习中得到的FK滤波器固定形态对数据进行滤波，得到频率域的处理结果。

(3)将频率域的处理结果，通过傅里叶逆变换转变为时空域的常用地震数据格式(处理结果形态如图3所示)，并输出SEGY格式的处理结果数据，实现消除地震数据线性干扰的目标。

本发明实现了地震数据中线性干扰的消除处理，有效节约人力和计算机资源，缩短了地震资料处理周期，取得了显著的处理效果。

结合图4对基于深度学习的地震资料线性干扰噪音消除方法进行更为详细的阐述：

(1)读取地震资料处理专家处理前和处理后的数据，相减得到去除的线性干扰数据当作样本。

(2)对线性干扰数据进行傅里叶变换，并截取频率域中线性干扰的主要特征。傅里叶变换公式如下：

①傅立叶变换

其中:F(ω)是f(t)的像函数，f(t)是t的周期函数，ω代表频率，t代表时间。

(3)对线性干扰主要特征的傅里叶频率谱进行阈值分割，并利用图像形态学进行变换处理，得到针对线性干扰主要特征进行消除的FK滤波器初始形态。

(4)将处理前的傅里叶频率谱作为输入，FK滤波器形态作为标签，送入卷积神经网络进行训练学习，直至网络收敛到数据中的线性干扰去除情况90％达到专家处理的结果，得到对线性干扰进行有效消除的FK滤波器固定形态。

(5)对地震数据进行傅里叶变换，并截取频率域的主要部分特征傅里叶频率谱；将傅里叶频率谱作为输入，使用深度学习中得到的FK滤波器固定形态对数据进行滤波处理，得到频率域的处理结果。

(6)将频率域的处理结果，通过傅里叶逆变换转变为时空域的常用地震数据格式，并输出SEGY格式的处理结果数据，方便后续使用。傅里叶逆变换转变公式为：

②傅立叶逆变换

其中：f(t)是t的周期函数，为地震数据的振幅；F(ω)是频率变化函数，ω代表频率，t代表时间。

在应用本发明的一具体实施例中，实验所用地震数据共包含8000炮、960000道，其中部分单炮存在如图1所示的线性干扰。地震资料处理专家通过商业处理软件，通过多次的参数测试，最终得到如图2所示的满意处理结果。把原始数据及地震资料处理专家处理样本成果，送入卷积神经网络进行训练学习，达到收敛的目标后对整体数据进行处理，图3展示了本发明消除线性干扰后结果。这个处理结果通过后续处理验证，满足成像要求，证明本发明到达实用化的目的。

本发明是根据线性干扰的线性特性、倾角特性、频率特性等波场特征,利用线性干扰的相关特性，结合地震资料处理专家对样本数据处理的结果，在FK域进行频谱对比,建立去除线性干扰的FK倾角滤波器初始模型,通过卷积神经网络(Convolutional NeuralNetwork,CNN)学习专家处理的样本数据，逐步建立对线性干扰有效消除的滤波器固定模型，该模型涵盖了地震资料中较多的线性干扰的形态，可以有效的完成对地震资料中存在的线性干扰噪声在FK域进行消除，不用处理人员在调出每个单炮查看、分析、设定不同的处理参数，明显提高处理效率。

Claims (7)

1.基于深度学习的地震资料线性干扰噪音消除方法，其特征在于，该基于深度学习的地震资料线性干扰噪音消除方法包括：

步骤1，对线性干扰数据进行傅里叶变换，并截取频率域中线性干扰的主要特征；

步骤2，计算得到针对线性干扰主要特征进行消除的FK滤波器初始形态；

步骤3，计算得到对线性干扰进行有效消除的FK滤波器固定形态；

步骤4，计算得到频率域的处理结果；

步骤5，将频率域的处理结果，通过傅里叶逆变换转变为时空域的常用地震数据格式，并输出处理结果数据。

2.根据权利要求1所述的基于深度学习的地震资料线性干扰噪音消除方法，其特征在于，该基于深度学习的地震资料线性干扰噪音消除方法还包括，在步骤1之前，读取地震资料处理专家应用商业软件处理前和处理后的数据，相减得到去除的线性干扰数据。

3.根据权利要求1所述的基于深度学习的地震资料线性干扰噪音消除方法，其特征在于，在步骤1中，傅里叶变换公式如下：

其中:F(ω)是f(t)的像函数，f(t)是t的周期函数，ω代表频率，t代表时间。

4.根据权利要求1所述的基于深度学习的地震资料线性干扰噪音消除方法，其特征在于，在步骤2中，对线性干扰主要特征的傅里叶频率谱进行阈值分割，并利用图像形态学进行变换处理，得到针对线性干扰主要特征进行消除的FK滤波器初始形态。

5.根据权利要求1所述的基于深度学习的地震资料线性干扰噪音消除方法，其特征在于，在步骤3中，将处理前的傅里叶频率谱作为输入，FK滤波器形态作为标签，送入卷积神经网络进行训练学习，直至网络收敛到数据中的线性干扰去除情况90％达到地震资料处理专家处理的结果，得到对线性干扰进行有效消除的FK滤波器固定形态。

6.根据权利要求1所述的基于深度学习的地震资料线性干扰噪音消除方法，其特征在于，在步骤4中，对地震数据进行傅里叶变换，并截取频率域的主要部分特征傅里叶频率谱；将傅里叶频率谱作为输入，使用深度学习中得到的FK滤波器固定形态对数据进行滤波处理，得到频率域的处理结果。

7.根据权利要求1所述的基于深度学习的地震资料线性干扰噪音消除方法，其特征在于，在步骤5中，傅里叶逆变换转变公式为：

其中：f(t)是t的周期函数，为地震数据的振幅；F(ω)是频率变化函数，ω代表频率，t代表时间。

Images