CN113687414B - 基于数据增广的卷积神经网络地震层间多次波压制方法 - Google Patents
基于数据增广的卷积神经网络地震层间多次波压制方法 Download PDFInfo
- Publication number
- CN113687414B CN113687414B CN202110902192.5A CN202110902192A CN113687414B CN 113687414 B CN113687414 B CN 113687414B CN 202110902192 A CN202110902192 A CN 202110902192A CN 113687414 B CN113687414 B CN 113687414B
- Authority
- CN
- China
- Prior art keywords
- data
- interbed
- network
- seismic
- suppression
- 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 159
- 230000001629 suppression Effects 0.000 title claims abstract description 126
- 238000013434 data augmentation Methods 0.000 title claims abstract description 23
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 21
- 238000003062 neural network model Methods 0.000 claims abstract 2
- 238000012549 training Methods 0.000 claims description 67
- 239000011229 interlayer Substances 0.000 claims description 61
- 239000010410 layer Substances 0.000 claims description 57
- 238000013528 artificial neural network Methods 0.000 claims description 47
- 230000003321 amplification Effects 0.000 claims description 26
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 26
- 230000003190 augmentative effect Effects 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 18
- 238000002347 injection Methods 0.000 claims description 16
- 239000007924 injection Substances 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 16
- 230000003416 augmentation Effects 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 10
- 230000006835 compression Effects 0.000 claims description 9
- 238000007906 compression Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 9
- 239000000284 extract Substances 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 230000009191 jumping Effects 0.000 claims description 4
- 230000003213 activating effect Effects 0.000 claims description 3
- 238000013502 data validation Methods 0.000 claims 1
- 238000013524 data verification Methods 0.000 claims 1
- 238000010200 validation analysis Methods 0.000 claims 1
- 238000004364 calculation method Methods 0.000 abstract description 9
- 230000036039 immunity Effects 0.000 abstract description 6
- 238000003825 pressing Methods 0.000 description 31
- 230000008859 change Effects 0.000 description 11
- 238000001914 filtration Methods 0.000 description 7
- 238000005070 sampling Methods 0.000 description 7
- 238000013461 design Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 238000012795 verification Methods 0.000 description 6
- 230000003044 adaptive effect Effects 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 5
- 238000000605 extraction Methods 0.000 description 5
- 238000007667 floating Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 239000000243 solution Substances 0.000 description 3
- 238000011410 subtraction method Methods 0.000 description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 101100136092 Drosophila melanogaster peng gene Proteins 0.000 description 1
- 240000008168 Ficus benjamina Species 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- ZINJLDJMHCUBIP-UHFFFAOYSA-N ethametsulfuron-methyl Chemical compound CCOC1=NC(NC)=NC(NC(=O)NS(=O)(=O)C=2C(=CC=CC=2)C(=O)OC)=N1 ZINJLDJMHCUBIP-UHFFFAOYSA-N 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000013507 mapping Methods 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
- 230000001537 neural effect Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 229910052704 radon Inorganic materials 0.000 description 1
- SYUHGPGVQRZVTB-UHFFFAOYSA-N radon atom Chemical compound [Rn] SYUHGPGVQRZVTB-UHFFFAOYSA-N 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000003786 synthesis reaction 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
- G01V1/28—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
-
- 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
-
- 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
-
- 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
-
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V2210/00—Details of seismic processing or analysis
- G01V2210/70—Other details related to processing
- G01V2210/74—Visualisation of seismic data
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Theoretical Computer Science (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Geology (AREA)
- Geophysics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Environmental & Geological Engineering (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Acoustics & Sound (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公布了一种基于数据增广的卷积神经网络地震层间多次波压制方法，基于DnCNN和U‑Net网络模型，搭建层间多次波压制的深层编解码网络模型，对三维陆地地震勘探资料采用搭建得卷积神经网络模型进行自适应层间多次波压制，实现三维陆地地震勘探资料的高效自适应层间多次波压制；本发明利用神经网络模型实现对三维地震数据的高效自适应层间多次波压制，无需人为调参，且具有良好的抗噪性和较高的计算效率。
Description
技术领域
本发明属于勘探地震数据处理技术领域，涉及陆地地震资料层间多次波的自适应压制方法，尤其涉及一种基于数据增广的卷积神经网络地震层间多次波压制方法，对叠后三维地震数据中的不同测线数据采用基于数据增广的卷积神经网络方法，实现三维陆地地震资料的高效自适应层间多次波压制。
背景技术
在地震勘探过程中，由于地下构造较为复杂，地震资料中通常含有干扰波，严重影响后续地震资料处理、解释等工作的开展。其中地震层间多次波是在地下地层间发生了多次反射的地震波，其产生机理复杂，与一次波波组特征相似，剩余时差小，预测及压制的难度较大，对构造及油气识别带来不利影响。因此，研究层间多次波压制的有效方法在地震勘探领域具有重大意义。
目前的多次波压制方法主要包括滤波方法和预测减去法两大类[1]。滤波方法主要基于地震波运动学及动力学差异，将地震数据从时间-空间域变换到其他数据域后，根据多次波和一次波正常时差差异或多次波周期性将两者分离，实现多次波压制，例如预测反褶积法[2]、Radon变换法[3]、聚束滤波方法[4-6]等。这类方法具有较高的计算效率，但处理速度梯度小或构造复杂的数据时效果较差。预测减去法以波动方程为基础，从地震资料出发预测多次波，再将预测的多次波从原始数据中减去，例如波场延拓方法[7]、SRME方法(surface-related multiple elimination，地表相关多次波压制法)[8]等，其中针对表面多次波压制的SRME法已形成商业化模块。由于层间多次波与一次波在振幅和时间上有较强的相似性，许多层间多次波压制方法被相继提出，例如基于反馈迭代模型的多次波压制方法[9]、逆散射级数法[10]及虚同相轴方法[11]等。与滤波方法相比，预测减去法能够对构造复杂地区的数据取得较好的多次波压制结果，然而计算效率较低，极大程度上依赖于人工调参[12]，且处理低信噪比数据时通常会导致多次波泄露。
随着计算机运算能力的提高和人工智能技术的发展，深度学习模型鉴于其强大的特征提取能力及数据驱动的特点被广泛应用于地球物理领域。地震数据去噪是其中的热点之一，利用深度学习模型建立出含噪数据与干净数据的复杂映射关系，以此实现对新数据集的高效自适应去噪，达到无需人为调参、显著提高去噪效率的目的[13]。卷积神经网络(CNN)在深度学习图像去噪领域表现突出，常用网络包括U形编码与解码网络(U-Net)[14]、去噪卷积神经网络(DnCNN)[15]、生成对抗网络[16]等。在地震数据去噪领域，DnCNN和U-Net[13][17]等网络在合成及实际数据的随机噪声压制中取得了较好的效果。此外，DnCNN被成功用于压制合成及野外数据中的线性噪音[13]。然而，将神经网络方法应用在地震多次波压制方面的技术方案较少，目前只被用于压制合成地震数据中的表面多次波[13]。对于层间多次波，难以利用神经网络方法实现自适应去噪，主要有以下几个原因：(1)缺少成熟的层间多次波压制方法，无法对实际数据生成一次波标签并建立有标签数据集；(2)层间多次波作为典型的规则干扰，其波形等特征与局部构造变化有关，需要在三维地震数据体中生成足够量的标签数据，否则神经网络无法学习到每条测线多次波的特征；而利用传统方法生成大量标签数据使得神经网络方法同样出现耗时长的问题。
参考文献：
[1]Weglein A B.Multiple attenuation：an overview of recent advancesand the road ahead[J].The Leading Edge，1999，18(1)：40-44.
[2]Taner M T，O'Doherty R F，Koehler F.Long period multiple suppressionby predictive deconvolution in the x-t domain[J].Geophysical Prospecting，2010，43(4)：433-468.
[3]Dan H.Inverse velocity stacking for multiple elimination[C].SEGTechnical Program Expanded Abstracts，1986，5(1)：419-419，Houston，Texas.
[4]胡天跃，王润秋，White R E.地震资料处理中的聚束滤波方法[J].地球物理学报，2000，43(1)：105-115.
[5]洪菲，胡天跃，张文坡，等.用优化聚束滤波方法消除低信噪比地震资料中的多次波[J].地球物理学报，2004，47(6)：1106-1110.
[6]洪菲，胡天跃，王润秋.利用三维聚束滤波方法消除相关噪音[J].石油地球物理勘探，2005，40(1)：42-47.
[7]Verschuur D J，Berkhout AJ.Removal of internal multiples with thecommon-focus-point(CFP)approach：Part 2-Application strategies and dataexamples[J].Geophysics，2005，70(3)：61-72.
[8]Baumstein A，Hadidi M T.3D surface-related multiple elimination：Data reconstruction and application to field data[J].Geophysics，2006，71(3)：25-33.
[9]Brookes D.Case studies in 3D interbed multiple attenuation[J].Leading Edge，2011，30(8)：914-918.
[10]Zou Y，Weglein AB.A new method to eliminate first order internalmultiples for a normal incidence plane wave on a 1D earth[C].SEG TechnicalProgram Expanded Abstracts，2013，4136-4140，Houston，Texas.
[11]刘嘉辉，胡天跃，彭更新.自适应虚同相轴方法压制地震层间多次波[J].地球物理学报，2018，61(3)：1196-1210.
[12]刘田田，薛野，唐新媛，等.QT地区层间多次波识别与压制方法[J].油气藏评价与开发，2020，10(6)：121-125.
[13]Yu S，Ma J，Wang W.Deep learning for denoising[J].Geophysics，2019，84(6)：V333-V350.
[14]Mao X，Shen C，Yang Y B.Image restoration using very deepconvolutional encoder-decoder networks with symmetric skip connections[C].Advances in neural information processing systems，2016：2802-2810，Barcelona，Spain.
[15]Zhang K，Zuo W，Chen Y，et al.Beyond a gaussian denoiser：Residuallearning of deep cnn for image denoising[J].IEEE transactions on imageprocessing，2017，26(7)：3142-3155.
[16]Chen J，Chen J，Chao H，et al.Image blind denoising with generativeadversarial network based noise modeling[C].Proceedings of the IEEEConference on Computer Vision and Pattern Recognition，2018：3155-3164，SaltLake City，UT，USA.
[17]王钰清，陆文凯，刘金林，等.基于数据增广和CNN的地震随机噪声压制[J].地球物理学报，2019，62(1)：421-433.
发明内容
针对以上技术问题，本发明提出了三维陆地地震数据的神经网络层间多次波自适应压制方法，并在我国某盆地的实际地震资料中取得了较好的压制效果。本发明输入数据为叠后三维陆地地震数据，通过有标签数据集生成、数据增广、神经网络训练和神经网络预测，实现对三维地震数据中不同测线数据层间多次波的神经网络高效自适应压制。
本发明的核心是：利用现有的传统层间多次波压制方法生成少量有标签数据集，通过本发明设计的两种针对层间多次波压制的数据增广方法扩充训练集，将增广后的数据集输入进新搭建的适合层间多次波压制的深层编解码网络模型进行训练，实现无需人工调参且具有良好抗噪性能的三维陆地地震数据的高效自适应层间多次波压制。本发明设计了两种针对层间多次波压制的数据增广方法：通过进行改变层间多次波波场的数据增广，解决神经网络方法进行多次波压制时需要大量一次波标签的问题，实现有限训练标签下的自适应层间多次波压制；通过进行高斯噪声注入的数据增广，解决现有层间多次波压制方法处理低信噪比数据时的多次波泄露问题，实现具有抗噪性的层间多次波压制。此外，结合DnCNN和U-Net两种网络的特点搭建了适合层间多次波压制的深层编解码网络，网络训练后能够避免现有层间多次波压制方法对人工调参的需求及耗时太长的问题。本发明利用神经网络实现了对三维地震数据的高效自适应层间多次波压制，无需人为调参，且具有良好的抗噪性和较高的计算效率。
本发明提供的技术方案如下：
一种基于数据增广的卷积神经网络地震层间多次波压制方法，是一种三维陆地地震勘探资料的卷积神经网络自适应层间多次波压制方法，该方法对叠后三维地震数据中的不同测线数据采用神经网络方法，实现三维陆地地震资料的高效自适应层间多次波压制，包含以下步骤(如图1)：
A.输入数据准备：对原始地震数据进行处理，得到叠后三维地震数据；
B.有标签数据集生成：
B1.选择叠后三维地震数据中的部分测线，作为训练集样本，其余测线可作为验证集和测试集，训练集的选择取决于该地区构造变化程度，变化剧烈地区训练集应更为密集；
B2.利用虚同相轴方法对数据集中的原始数据d进行层间多次波压制，将去噪结果和压制的层间多次波分别作为估计一次波p0及估计层间多次波m0；
B3.将原始数据d作为数据集样本，将虚同相轴方法得到的估计一次波p0作为标签，以此生成有标签数据集，解决利用神经网络进行层间多次波压制时训练标签难以获取的问题；
C.改变层间多次波波场的数据增广(称为波场增广方法)：
C1.对虚同相轴方法估计出的层间多次波m0进行振幅、相位、到时的改变，得到改变波场后的层间多次波m1，波场改变的幅度需要根据具体数据进行尝试后选择；
C2.将改变波场后的层间多次波m1与估计一次波p0相加，得到波场增广后的含噪数据d'；
C3.将d'加入训练集作为样本，使增广训练集中包含更多复杂的层间多次波特征，以保证层间多次波压制网络在有限样本的情况下学习到足够的层间多次波特征，将使用虚同相轴方法对原始数据估计的一次波p0作为标签，完成改变层间多次波波场的数据增广，得到波场增广数据集，一定程度上解决神经网络方法进行层间多次波压制时需要大量一次波标签的问题，实现有限训练标签下的神经网络自适应层间多次波压制；
D.高斯噪声注入的数据增广：
D1.对原始训练集中的数据添加不同等级的高斯噪音，生成不同信噪比的地震数据；
D2.将不同信噪比的地震数据加入训练集作为样本，使增广训练集包含层间多次波及高斯噪音两种干扰的特征，以保证层间多次波压制网络学习到两种干扰的特征，具备压制两种干扰的能力，将现有虚同相轴方法对原始数据估计的一次波p0作为标签数据，完成高斯噪声注入的数据增广，得到高斯噪声注入的增广数据集，以此解决现有层间多次波压制方法处理低信噪比数据时的多次波泄露问题，实现具有抗噪性的神经网络层间多次波压制；
E.深层编解码网络搭建、训练及预测：
E1.搭建适合层间多次波压制的深层编解码网络模型，其宏观架构参考U-Net设计，加入DnCNN中的批归一化操作，具体参数设置由本发明针对层间多次波压制任务重新调试得到，例如卷积层层数、卷积核个数、大小、步长等；该模型包含编码网络和与之对称的解码网络两部分，分别由五层卷积层和五层反卷积层提取地震数据中抽象背景信息和具体细节信息，使网络准确压制层间多次波并恢复有效波；对每个卷积层或反卷积层后加入批归一化操作，使网络具有较快的收敛速度，并使用Relu函数激活；通过跳跃接连操作连接编码和解码网络中同层特征图，使网络能够提取地震数据中的复杂特征；
E2.将增广数据集输入搭建的层间多次波压制深层编解码网络中进行训练，训练过程中的超参数通过不同数据的验证集收敛情况确定，例如训练轮数、优化器、学习率等；
E3.网络训练完成后，将含层间多次波的其他测线数据输入深层编解码网络，即可得到本发明方法的层间多次波压制结果，实现具有较强抗噪性及适应性的神经网络层间多次波压制，避免现有方法的人工调参需求及耗时太长的问题。
本发明的有益效果：
现有常用的层间多次波压制方法计算效率较低，且压制效果依赖于人为调参，处理低信噪比数据时通常存在层间多次波泄露。而本发明提供的方法利用神经网络对层间多次波实现高效自适应压制，以虚同相轴方法得到的少量层间多次波压制结果为标签，利用本发明提出的两种针对层间多次波压制的数据增广方法及新搭建的适合层间多次波压制的深层编解码卷积神经网络进行训练，实现了神经网络自适应层间多次波压制，无需人为调参，显著提高了计算效率，具有较好的抗噪性。本发明的技术优势在于：
(一)本发明方法中，利用深度学习具备的强大特征提取能力，避免现有层间多次波方法的人为调参需求和耗时较长的问题，实现对新数据集的高效、自适应层间多次波压制；
(二)本发明构建了适合层间多次波压制的深层编解码网络，能够有效学习地震数据中不同信号的特征，并较为精确地压制层间多次波并保护一次波，压制结果误差较小；
(三)本发明基于深度学习数据驱动的特点，设计了两种针对层间多次波压制的数据增广方法使网络具有较优的性能：通过改变层间多次波波场的数据增广，解决神经网络方法进行多次波压制时需要大量一次波标签的问题，实现有限训练标签下的神经网络自适应层间多次波压制；通过高斯噪声注入的数据增广，解决现有层间多次波压制方法处理低信噪比数据时的多次波泄露问题，实现具有抗噪性的神经网络层间多次波压制。
附图说明
图1是本发明提供的基于数据增广的卷积神经网络层间多次波压制方法的流程框图。
图2是本发明搭建的深层编解码网络结构；
网络包含编码网络和与之对称的解码网络两部分。编码网络由五层卷积层组成，通过下采样进行抽象特征提取；解码网络由五层反卷积层构成，通过上采样进行细节特征恢复；解、编码网络的第二至五层输出特征图间加入了跳跃接连操作，使网络融合不同维度的特征；网络输入为含层间多次波的原始数据，网络输出为压制层间多次波后得到的一次波。
图3是用于产生含层间多次波的合成数据的倾斜层状模型示意图；
其中，炮点及检波点均位于地表；图中色标表示速度值大小。
图4是本发明实施例应用神经网络方法的波场增广合成数据示例；
其中，合成数据通过图3模型的正演得到；(a)为包含层间多次波的全波场数据；(b)为进行波场增广后的数据；(c)为虚同相轴方法对(a)进行层间多次波压制得到的一次波标签；(d)为本发明方法对(b)数据进行层间多次波压制的结果；(e)为本发明方法对(b)数据进行层间多次波压制的误差，即(c)-(d)。
图5是本发明实施例应用神经网络方法的高斯噪声注入增广合成数据示例；
其中，虚线箭头与实线箭头分别标示多次波残留及一次波损失；(a)为高斯噪声注入增广后的信噪比为5dB的增广数据；(b)为虚同相轴方法对(a)进行层间多次波压制的结果；(c)为本发明方法对(a)进行层间多次波压制的结果；(d)为虚同相轴方法对原始数据进行层间多次波压制得到的标签数据；(e)为虚同相轴方法对(a)进行层间多次波压制的误差，即(d)-(b)，存在多次波泄露；(f)为本发明方法对(a)进行层间多次波压制的误差，即(d)-(c)。
图6是本发明实施例中处理某盆地实际三维叠后陆地地震资料的结果；
其中，虚线椭圆标示神经网络方法产生的较大误差；(a)为原始数据；(b)为选择1/2测线作为标签的神经网络压制结果；(c)为选择1/4测线作为标签的压制结果；(d)为选择1/6测线作为标签并进行数据增广的压制结果；(e)为选择1/6测线作为标签的压制结果；(f)为虚同相轴法压制结果；(g)为选择1/2测线作为标签的压制误差，即(b)-(f)；(h)为选择1/4测线作为标签的压制误差，即(c)-(f)；(i)为选择1/6测线作为标签并进行数据增广的压制误差，即(d)-(f)；(j)为选择1/6测线作为标签的压制误差，即(e)-(f)。
图7是本发明实施例中处理某盆地低信噪比陆地地震资料的结果；
其中，虚线椭圆标示神经网络方法产生的较大误差，箭头标示虚同相轴方法恢复出的较弱一次波；(a)为原始数据；(b)为虚同相轴法对(a)的压制结果；(c)为高斯噪声注入后的低信噪比数据；(d)为本发明方法对(c)的压制结果；(e)为本发明方法压制的干扰(c)-(d)；(f)为本发明方法压制误差(b)-(d)。
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三维陆地地震数据卷积神经网络层间多次波压制方法，能够实现陆地地震资料的高效层间多次波压制，该方法在我国某盆地的实际陆地地震资料中取得较好的层间多次波压制效果。本发明输入数据为叠后三维陆地地震数据，通过有标签数据集生成、数据增广、神经网络训练和神经网络预测，实现对三维地震数据中不同测线数据层间多次波的自适应压制。
本发明建立深层编解码网络及提出两种数据增广方法，均针对于层间多次波压制任务设计，本发明通过利用神经网络实现机器自动化的层间多次波压制，具有较高计算效率及抗噪性能。图1是本发明提供的卷积神经网络自适应层间多次波压制方法的流程框图；对三维陆地地震数据应用神经网络法实现层间多次波压制包含以下步骤：
A.输入数据准备：对原始地震数据进行处理，得到叠后三维地震数据，处理流程主要包括静校正，叠前去噪，振幅补偿，反褶积，速度分析，动校正，水平叠加以及偏移，其中叠前去噪包括随机噪音、线性干扰、面波、表面多次波压制等，具体处理流程应该针对不同地震资料的特点进行设计，处理完成后得到叠后三维地震数据；
B.有标签数据集生成：
利用神经网络方法对地震数据进行层间多次波压制时，需要在有标签数据集的基础上训练。因此首先利用虚同相轴方法对原始数据估计出一次波，生成有标签数据集，具体实现过程如下：
B1.选择叠后三维地震数据中的部分测线，作为训练集样本，其余测线可作为验证集和测试集，训练集的选择取决于该地区构造变化程度，变化剧烈地区应更为密集；本发明针对盆地地震数据进行测试，该地区地质条件复杂，缝洞体、断层等构造较为发育，存在一定变化，因此尝试在每2、4、6条联络测线中选1条作为训练集，并在数据变化较大处适当增加训练集数量，最多不超过每2条测线选1条；
B2.利用虚同相轴方法对数据集中的原始数据d进行层间多次波压制，将去噪结果和压制的层间多次波分别作为估计一次波p0及估计层间多次波m0，原始数据模型可用式1表示：
d(t)＝p0(t)+m0(t) (式1)
其中，t为时间采样点；
B3.将原始数据d作为数据集样本，将虚同相轴方法得到的估计一次波p0作为标签，以此生成有标签数据集，解决利用神经网络进行层间多次波压制时训练标签难以获取的问题；
C.改变层间多次波波场的数据增广：
本发明针对层间多次波压制任务设计了改变层间多次波波场的数据增广方法，简称波场增广方法，以更加充分地利用有限的标签数据，缓解神经网络方法进行多次波压制时需要大量一次波标签的问题，使网络在有限标签的情况下对新数据集保持较好的层间多次波压制能力。波场增广方法具体实现过程如下：
C1.对虚同相轴方法估计出的层间多次波m0进行振幅、相位、到时的改变，得到改变波场后的层间多次波m1，波场改变的幅度需要根据具体数据进行尝试后选择，该过程用式2表示：
m1(t)＝m0(t+Δt)·γ (式2)
其中，t为时间采样点，Δt表示层间多次波在时间维度浮动的采样点数，γ表示层间多次波振幅及相位改变系数，取负数时表示波场相位反转，绝对值小于1表示振幅绝对值减小，相反绝对值大于1时表示振幅绝对值增大，||γ|-1|表示振幅浮动的百分比；
C2.将改变波场后的层间多次波m1与估计一次波p0相加，得到波场增广后的含噪数据d'，公式可用式3表示：
d'(t)＝p0(t)+m1＝p0(t)+m0(t+Δt)·γ (式3)
其中，t为时间采样点，Δt表示层间多次波在时间维度浮动的采样点数，γ表示层间多次波振幅及相位改变系数；
C3.将d'加入训练集作为样本，使增广训练集中包含更多复杂的层间多次波特征，以保证层间多次波压制网络在有限样本的情况下学习到足够的层间多次波特征，将虚同相轴方法对原始数据估计的一次波p0作为标签，完成改变层间多次波波场的数据增广，一定程度上解决神经网络方法进行层间多次波压制时需要大量一次波标签的问题，实现有限训练标签下的神经网络自适应层间多次波压制；
D.高斯噪声注入的数据增广：
本发明针对层间多次波压制任务设计了高斯噪声注入的数据增广方法，以避免现有层间多次波压制方法处理低信噪比数据时的多次波泄露问题，使本发明的层间多次波压制方法具有对随机噪声的抗噪性。具体实现过程如下：
D1.对原始训练集中的数据添加不同等级的高斯噪音，生成不同信噪比的地震数据；
D2.将不同信噪比的地震数据加入训练集作为样本，使增广训练集包含层间多次波和高斯噪声两种干扰的特征，以保证层间多次波压制网络学习到两种干扰的特征，具备压制两种干扰的能力，将现有虚同相轴方法对原始数据估计的一次波p0作为标签数据，完成高斯噪声注入的数据增广，以此解决现有层间多次波压制方法处理低信噪比数据时的多次波泄露问题，实现具有抗噪性的神经网络层间多次波压制。
E.深层编解码网络搭建、训练及预测：
常用的层间多次波压制方法计算效率较低，效果依赖于人工调参，且处理低信噪比数据时存在多次波泄露。因此本发明利用深度学习的强大特征提取能力及数据驱动的特点，实现具有抗噪性的高效自适应层间多次波压制，避免人工调参需求及抗噪性较差的问题。本发明基于U-Net的结构，加入DnCNN模型中的批归一化操作，网络模型的搭建和参数均针对层间多次波压制任务进行设计和调试得到。以下说明利用卷积神经网络进行层间多次波压制的原理方法：
含层间多次波及随机噪音的地震数据可以用式4表示：
d＝p+m+n (式4)
其中，d为原始数据；p为一次波数据；m、n分别为原始数据中的层间多次波和随机噪音。
利用神经网络压制噪音的目标是在无任何假设的情况下，从d中恢复出p。其去噪流程可以用式5表示：
式中：
为网络压制层间多次波后输出的一次波，是真实一次波p的近似；θ是网络中的待优化参数，在卷积神经网络中包括卷积核权重w及偏差b；Net为网络结构。在网络训练过程中，输入数据首先进行前向传播，经过网络内的逐层计算后得到输出数据；在此之后输出数据进行反向传播以更新网络参数，网络参数更新的标准是使得损失函数达到最小值，公式如下：
其中k为网络层数，N为输入数据的总采样点数，L(w,b)为损失函数，本发明中将网络计算得到的输出数据与标签数据的均方误差(MSE)作为损失函数，以提升模型泛化能力，则参数更新的过程等同于使输出与一次波标签的均方误差降低到最小的过程；α为学习率，代表网络参数更新的幅度，训练初期使用较大学习率，能够使模型快速得到较优解，随后应逐步减小学习率使模型稳定收敛得到最优解。
E1.搭建适合层间多次波压制的深层编解码网络模型，其宏观架构参考U-Net设计，加入DnCNN中的批归一化操作，具体参数设置由本发明针对层间多次波压制任务重新调试得到，例如卷积层层数、卷积核个数、大小、步长等。
在层间多次波压制任务中，层间多次波与一次波在同一组地震数据中的到时相对固定，因此网络需要提取较为宏观抽象的位置信息以区分并识别层间多次波与一次波；同时网络需要准确压制层间多次波并恢复出一次波的细节，因此需要能够提取较为具体的局部信息。本发明参考了两种经典卷积神经网络架构，搭建了能够同时提取抽象信息和细节信息的适合层间多次波压制的网络。DnCNN在图像去噪方面表现突出，网络使用的批归一化操作可以将每层的输入值归一化到较为标准的分布，使非线性函数对输入更为敏感，缓解网络训练过程中的梯度消失问题，加速网络收敛过程。U-Net是图像分割领域的经典网络，网络采用编码与解码结构，使网络能够同时提取抽象及细节特征，且网络跳跃接连了编码、解码网络中的同层输出，使网络融合多维信息，提取复杂特征。因此，本发明结合DnCNN的批归一化操作与U-Net的宏观架构来搭建层间多次波压制网络，并针对层间多次波压制任务重新设置网络的具体参数。
本发明构建的网络结构如图2所示，包含编码网络和与之对称的解码网络两部分。编码网络由五层卷积层构成，卷积核大小设置为4×4，卷积核步长为2，则卷积层输出的特征图尺寸变为输入的1/2，以便网络通过下采样进行抽象背景特征提取，根据层间多次波与一次波之间的宏观位置关系对二者进行识别与判断；卷积核数量从第二个卷积层后逐层翻倍，使输出特征图数目扩大2倍以充分保留有效特征；解码网络由五层反卷积层构成，通过上采样提取细节特征，使网络能够精确压制层间多次波并恢复出一次波的具体细节信息，卷积核大小、数量及步长等与编码网络中同层卷积核的参数设置相同，则每个反卷积层输出特征图尺寸扩大2倍，数目变为原来的1/2，最终使输出特征图恢复成输入数据的尺寸；第二层以下的卷积层及反卷积层后加入批归一化操作，使网络具有较快的收敛速度；激活函数选择Relu函数，以加速网络收敛；解码网络的第二至五个反卷积层输出的特征图跳跃接连编码网络中同层特征图，使网络融合多维信息，提取地震数据中的复杂特征。网络最后加入包含1个卷积核的卷积层，选择Tanh函数激活后输出，使输出通道数恢复为输入通道数。网络输入为含层间多次波的原始数据，网络输出为压制层间多次波后得到的一次波。
E2.将增广数据集输入搭建的层间多次波压制深层编解码网络中进行训练，训练过程中的超参数通过不同数据的验证集收敛情况确定，例如训练轮数、优化器、学习率；本发明算例中选择的优化器为Adam，初始学习率为1×10-3，随网络收敛不断下降，网络训练轮数共600轮，在第250轮左右基本收敛稳定；
E3.网络训练完成后，将含层间多次波的其他测线数据输入深层编解码网络，即可得到本发明方法的层间多次波压制结果，实现具有较强抗噪性及适应性的神经网络层间多次波压制，避免现有方法的人工调参需求及耗时太长的问题；
本发明在具体实施中，利用合成地震数据验证本发明方法压制层间多次波的效果。使用图3所示的地质模型，通过可控层分阶层间多次波模拟法正演得到合成地震数据，利用现有虚同相轴方法生成有标签数据集后，进行本发明提出的两种针对层间多次波压制的数据增广，以扩充训练集，训练集、验证集和测试集的样本比例为10:1:1，且不同数据集中样本完全不重合。之后利用本发明搭建的深层编解码网络训练，通过验证集收敛情况选择合理的超参数，优化器为Adam，网络训练轮数共600轮，在第250轮左右基本收敛稳定，训练完成后取得较好的层间多次波压制效果。
图4为本发明方法对波场增广数据的层间多次波压制结果。由于现有虚同相轴方法无法用真实一次波匹配压制改变波场的层间多次波，因此不用该方法处理波场增广数据。图4a为原始合成数据，图4b为波场增广数据，波场增广参数Δt∈[0，5]，γ∈[0.5，1.5]，振幅浮动范围为50％，图4c为虚同相轴方法对图4a原始数据进行层间多次波压制得到的一次波标签，图4d、e分别为本发明方法对图4b进行层间多次波压制的结果和误差。作为数据驱动的算法，在仅有原始数据及虚同相轴标签的情况下，通过波场增广增加训练集中多次波特征的多样性，可以提高神经网络方法对新数据集的层间多次波压制能力；因此本发明的层间多次波压制方法能有效压制新数据集中的多次波，具有较强的适应性。
图5为本发明对高斯噪声注入的增广数据的层间多次波压制结果，增广数据信噪比在0-30dB之间。图5a为噪声注入增广后的5dB合成数据，图5b、c分别为虚同相轴方法和本发明方法对图5a的增广数据进行层间多次波压制的结果，虚线箭头与实线箭头分别标示多次波残留及一次波损失；图5d为虚同相轴方法对原始数据进行层间多次波压制得到的标签数据；图5e、f分别为虚同相轴方法和本发明方法对图5a的增广数据进行层间多次波压制的误差。虚同相轴方法处理5dB地震数据时，存在较明显的多次波泄露与一次波损失，分别如图5e中虚线箭头及实线箭头所示；而通过本发明中的高斯噪声注入的数据增广方法，神经网络能够学习训练集中包含的两种噪音的特征，在具备层间多次波压制能力的同时具有抗噪性能；因此本发明方法能够自适应压制新低信噪比数据中的多次波及高斯噪声并充分保护有效波，压制误差较小。
图6为本发明算法应用到某盆地叠后三维地震数据中进行层间多次波压制的结果。图6a为第1865条联络测线的原始数据，图6f为虚同相轴方法的压制结果。当标签数目为测线总数目的1/2或1/4时层间多次波压制结果较好，不存在明显的误差，如图6g，h所示。图6e、j为每6条测线选1条制作标签时本发明的压制结果和误差，由于样本数量少，深层编解码网络预测结果存在相对连续的有效波损失，如图6j中虚线椭圆所示。图6d，i为对1/6标签进行波场增广后深层编解码网络层间多次波压制的结果与误差，波场增广参数为Δt∈[0，1]，γ∈[0.9，1.1]，振幅浮动范围为10％。与未增广的压制误差相比(图6j)，增广后的压制误差明显变小(图6i)；且1/6标签增广后的压制误差(图6i)与1/4标签的压制误差(图6h)相比没有明显增大。本发明中波场增广方法能缓解训练样本缺少的问题，提高网络压制新数据集中层间多次波的适应性，保证神经网络在小样本训练时仍具有较好的层间多次波压制效果。
图7为本发明算法对加入高斯噪声的某盆地地震数据的层间多次波压制结果。图7a为第1690条联络测线原始地震数据，图7b为虚同相轴方法对原始数据的压制结果，其中箭头标示虚同相轴方法恢复出的较弱一次波。图7c为加入高斯噪声后的5dB地震数据，利用本发明方法对该数据进行处理后，层间多次波及高斯噪音均得到了较为充分的压制，且箭头处的较弱一次波得到了很好的恢复(图7d)，且图7f中虚线椭圆指示的压制误差较为微弱。在信噪比较低的情况下，本发明层间多次波压制方法仍然能充分压制层间多次波并保护一次波，具有较好的抗噪性。本发明中高斯噪声注入的数据增广方法能够使网络学习两种噪音的特征，实现对新数据集中层间多次波与随机噪音的同时压制。
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 (7)
1.一种基于数据增广的卷积神经网络地震层间多次波压制方法，对三维陆地地震勘探资料采用卷积神经网络进行自适应层间多次波压制，即通过对叠后三维地震数据中的不同测线数据采用神经网络模型方法，实现三维陆地地震勘探资料的高效自适应层间多次波压制；包含以下步骤：
A.准备输入数据：
对原始地震数据进行处理，得到叠后三维地震数据；
B.生成有标签数据集，包括：
B1.选择叠后三维地震数据中的部分测线作为训练集样本；
B2.对数据集中的原始数据d进行层间多次波压制，将去噪结果作为估计一次波p0，将压制的层间多次波作为估计层间多次波m0；
B3.将原始数据d作为数据集样本，将得到的估计一次波p0作为标签，生成有标签数据集；
C.建立波场增广方法，改变层间多次波波场的数据增广，包括：
C1.对估计层间多次波m0进行振幅、相位、到时的改变，得到改变波场后的层间多次波m1；
C2.将改变波场后的层间多次波m1与估计一次波p0相加，得到波场增广后的含噪数据d'；
C3.将d'加入训练集作为样本，使增广训练集中包含更多的层间多次波特征，从而使得层间多次波压制网络在有限样本的情况下学习到足够的层间多次波特征，将估计一次波p0作为标签，完成改变层间多次波波场的数据增广，得到波场增广数据集；
D.进行高斯噪声注入的数据增广：
D1.对原始训练集中的数据添加不同等级的高斯噪音，生成不同信噪比的地震数据；
D2.将不同信噪比的地震数据加入训练集作为样本，使增广训练集包含层间多次波及高斯噪音两种干扰的特征，以使得层间多次波压制网络学习到两种干扰的特征；将估计一次波p0作为标签数据，完成高斯噪声注入的数据增广，得到高斯噪声注入的增广数据集，可避免处理低信噪比数据时的多次波泄露，实现具有抗噪性的神经网络层间多次波压制；
E.深层编解码网络搭建、训练及预测：
E1.基于U-Net设计和搭建用于层间多次波压制的深层编解码网络模型，采用DnCNN中的批归一化操作，设置网络模型的具体参数；
用于层间多次波压制的深层编解码网络模型包含编码网络和与之对称的解码网络，分别由五层卷积层和五层反卷积层提取地震数据中抽象背景信息和具体细节信息，使得网络模型方法准确压制层间多次波并恢复有效波；对每个卷积层或反卷积层后加入批归一化操作，加快网络的收敛速度，并使用Relu函数激活；通过跳跃接连操作连接编码网络和解码网络中同层特征图，从而使得创建得网络模型能够提取地震数据中的复杂特征；
E2.
将得到的增广数据集输入搭建的层间多次波压制深层编解码网络模型中进行训练，训练过程中的超参数通过数据验证集得收敛情况确定，得到训练好的层间多次波压制深层编解码网络模型；
E3.将含层间多次波的其他测线数据或待测数据集输入训练好的层间多次波压制深层编解码网络模型，即可得到基于数据增广的卷积神经网络的地震层间多次波压制结果。
2.如权利要求1所述基于数据增广的卷积神经网络地震层间多次波压制方法，其特征是，步骤B1中，选择叠后三维地震数据中的部分测线作为训练集样本，其余测线可作为验证集和测试集。
3.如权利要求2所述基于数据增广的卷积神经网络地震层间多次波压制方法，其特征是，训练集的选择与地区构造变化程度有关，地区构造变化剧烈地区训练集更为密集。
4.如权利要求1所述基于数据增广的卷积神经网络地震层间多次波压制方法，其特征是，步骤B2利用虚同相轴方法对数据集中的原始数据d进行层间多次波压制。
5.如权利要求1所述基于数据增广的卷积神经网络地震层间多次波压制方法，其特征是，步骤E1中，模型参数设置通过针对层间多次波压制任务重新调试得到；该模型包含编码网络和与之对称的解码网络两部分，分别由五层卷积层和五层反卷积层提取地震数据中抽象背景信息和具体细节信息，使网络准确压制层间多次波并恢复有效波；对每个卷积层或反卷积层后加入批归一化操作，使网络具有较快的收敛速度，并使用Relu函数激活；通过跳跃接连操作连接编码和解码网络中同层特征图，使网络能够提取地震数据中的复杂特征。
6.如权利要求5所述基于数据增广的卷积神经网络地震层间多次波压制方法，其特征是，进行模型训练过程中的超参数通过不同数据验证集收敛情况确定，包括训练轮数、优化器、和学习率。
7.如权利要求5所述基于数据增广的卷积神经网络地震层间多次波压制方法，其特征是，模型参数包括卷积层层数、卷积核个数、大小和步长。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110902192.5A CN113687414B (zh) | 2021-08-06 | 2021-08-06 | 基于数据增广的卷积神经网络地震层间多次波压制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110902192.5A CN113687414B (zh) | 2021-08-06 | 2021-08-06 | 基于数据增广的卷积神经网络地震层间多次波压制方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113687414A CN113687414A (zh) | 2021-11-23 |
| CN113687414B true CN113687414B (zh) | 2022-07-22 |
Family
ID=78579015
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110902192.5A Active CN113687414B (zh) | 2021-08-06 | 2021-08-06 | 基于数据增广的卷积神经网络地震层间多次波压制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113687414B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115221912A (zh) * | 2022-01-05 | 2022-10-21 | 中国地质大学（北京） | 一种基于自监督学习的地震数据随机噪音压制方法及系统 |
| 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 |
| CN118193950B (zh) * | 2024-04-02 | 2024-07-16 | 中国科学院地质与地球物理研究所 | 基于一维卷积神经网络的地震计自噪声计算方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106932824A (zh) * | 2017-03-24 | 2017-07-07 | 北京大学 | 陆地地震勘探资料的降维自适应层间多次波压制方法 |
| 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 |
| CN110058305A (zh) * | 2019-05-24 | 2019-07-26 | 吉林大学 | 一种基于卷积神经网络的das地震数据降噪方法 |
| 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 |
| CN111045084A (zh) * | 2020-01-06 | 2020-04-21 | 中国石油化工股份有限公司 | 基于预测特征提取的多次波自适应相减方法 |
| CN111856561A (zh) * | 2020-07-28 | 2020-10-30 | 清华大学 | 一种基于深度学习的高精度地震构造曲率体计算方法 |
| WO2021077127A1 (en) * | 2019-10-14 | 2021-04-22 | Schlumberger Technology Corporation | Feature detection in seismic data |
| CN112946749A (zh) * | 2021-02-05 | 2021-06-11 | 北京大学 | 基于数据增广训练深度神经网络压制地震多次波的方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019040288A1 (en) * | 2017-08-25 | 2019-02-28 | Exxonmobil Upstream Researchcompany | AUTOMATED SEISMIC INTERPRETATION USING NEURALLY CONVOLVED NETWORKS |
| WO2019231573A1 (en) * | 2018-06-01 | 2019-12-05 | Shell Oil Company | Synthetic modeling with noise simulation |
| CN110007347B (zh) * | 2019-04-09 | 2020-06-30 | 西南石油大学 | 一种深度学习地震资料去噪方法 |
-
2021
- 2021-08-06 CN CN202110902192.5A patent/CN113687414B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106932824A (zh) * | 2017-03-24 | 2017-07-07 | 北京大学 | 陆地地震勘探资料的降维自适应层间多次波压制方法 |
| 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 |
| CN110058305A (zh) * | 2019-05-24 | 2019-07-26 | 吉林大学 | 一种基于卷积神经网络的das地震数据降噪方法 |
| 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 |
| WO2021077127A1 (en) * | 2019-10-14 | 2021-04-22 | Schlumberger Technology Corporation | Feature detection in seismic data |
| CN111045084A (zh) * | 2020-01-06 | 2020-04-21 | 中国石油化工股份有限公司 | 基于预测特征提取的多次波自适应相减方法 |
| CN111856561A (zh) * | 2020-07-28 | 2020-10-30 | 清华大学 | 一种基于深度学习的高精度地震构造曲率体计算方法 |
| CN112946749A (zh) * | 2021-02-05 | 2021-06-11 | 北京大学 | 基于数据增广训练深度神经网络压制地震多次波的方法 |
Non-Patent Citations (7)
| Title |
|---|
| Surface-related multiple elimination with deep learning;Ali Siahkoohi，等;《89th internat mtg.soc.expi.geophys.expanded abstracts》;20191231;第4629-4634页 * |
| Zhongxiao Li，等.Feature extraction based on the convolutional neural network for adaptive multiple subtraction.《Marine Geophysical Research》.2020,第1-20页. * |
| 基于数据增广和CNN的地震随机噪声压制;王钰清，等;《地球物理学报》;20190131;第421-433页 * |
| 基于数据增广的CNN用于地震数据重建;陈锐，等;《工程地球物理学报》;20210731;第471-478页 * |
| 基于数据增广训练的深度神经网络方法压制地震多次波;王坤喜，等;《地球物理学报》;20211130;第4196-4214页 * |
| 基于深度卷积神经网络的地震数据随机噪声压制;陈天，等;《地震学报》;20210731;第474-482页 * |
| 深度学习驱动的多次波自适应相减方法;李钟晓，等;《中国地球科学联合学术年会 2020》;20201231;第1310-1311页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113687414A (zh) | 2021-11-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| Liu et al. | Random noise suppression in seismic data: What can deep learning do? | |
| 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 | |
| CN103926622B (zh) | 一种基于l1范数多道匹配滤波压制多次波的方法 | |
| Si et al. | Random noise attenuation based on residual learning of deep convolutional neural network | |
| CN101598809A (zh) | 一种自适应消除线性规则噪声以及多次波干扰的方法 | |
| Si et al. | Attenuation of random noise using denoising convolutional neural networks | |
| CN112987099B (zh) | 基于多震源卷积神经网络的低频地震数据重构方法 | |
| CN114418886B (zh) | 一种基于深度卷积自编码器的鲁棒性去噪方法 | |
| CN115267911B (zh) | 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 | |
| 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 | |
| CN114966860A (zh) | 一种基于卷积神经网络的地震数据去噪方法 | |
| Wang et al. | Seismic multiple suppression based on a deep neural network method for marine data | |
| Zhang et al. | Random noise attenuation method for seismic data based on deep residual networks | |
| Wang et al. | Attention-based neural network for erratic noise attenuation from seismic data with a shuffled noise training data generation strategy | |
| Cheng et al. | Multiscale recurrent-guided denoising network for distributed acoustic sensing-vertical seismic profile background noise attenuation | |
| Li et al. | Pertinent multigate mixture-of-experts-based prestack three-parameter seismic inversion | |
| Cheng et al. | Deblending of simultaneous-source seismic data using Bregman iterative shaping | |
| CN115236730B (zh) | 一种层间多次波傅里叶有限差分的地震波场偏移成像方法 | |
| Liu et al. | Seismic random noise suppression based on deep image prior and total variation | |
| CN116068644B (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 | |
| CN114114422B (zh) | 基于方向性多尺度分解的叠前地震数据噪声消除方法 | |
| CN111273346A (zh) | 去除沉积背景的方法、装置、计算机设备及可读存储介质 | |
| Liu-Rong et al. | The separation of seismic surface-related multiples based on CAE-SAGAN | |
| 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 |
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 |