CN113743193B - 一种叠前地震资料线性干扰压制方法及系统 - Google Patents

一种叠前地震资料线性干扰压制方法及系统 Download PDF

Info

Publication number
CN113743193B
CN113743193B CN202110832975.0A CN202110832975A CN113743193B CN 113743193 B CN113743193 B CN 113743193B CN 202110832975 A CN202110832975 A CN 202110832975A CN 113743193 B CN113743193 B CN 113743193B
Authority
CN
China
Prior art keywords
data
linear interference
shot gather
data set
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.)
Active
Application number
CN202110832975.0A
Other languages
English (en)
Other versions
CN113743193A (zh
Inventor
陈文超
胡杨丽江
刘达伟
王晓凯
师振盛
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.)
Xian Jiaotong University
Original Assignee
Xian Jiaotong 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 Xian Jiaotong University filed Critical Xian Jiaotong University
Priority to CN202110832975.0A priority Critical patent/CN113743193B/zh
Publication of CN113743193A publication Critical patent/CN113743193A/zh
Application granted granted Critical
Publication of CN113743193B publication Critical patent/CN113743193B/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
    • G01V1/36—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
    • 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
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Remote Sensing (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Signal Processing (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Biomedical Technology (AREA)
  • Acoustics & Sound (AREA)
  • Environmental & Geological Engineering (AREA)
  • Geology (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Geophysics (AREA)
  • Image Processing (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开了一种叠前地震资料线性干扰压制方法及系统，读取原始地震炮集资料后，仅仅对读取的地震炮集数据中的小部分炮集数据基于线性干扰压制方法进行滤波处理，然后基于处理得到的有效波数据及滤除部分构建网络训练集，基于读取的全部数据构建测试集，利用二维卷积神经网络对构建得到的训练集学习得到线性干扰模型，再对读取的全部炮集数据进行线性干扰的有效压制，本发明的处理速度远高于对每个炮集数据进行分别处理的传统方法。

Description

一种叠前地震资料线性干扰压制方法及系统
技术领域
本发明属于地震勘探数据处理技术领域，具体涉及一种叠前地震资料线性干扰压制方法及系统。
背景技术
地震资料中包含的干扰波主要分为两种：不规则干扰波和规则干扰波，其中在地震剖面上呈明显线性结构的规则干扰波称为线性干扰波。线性干扰波在从我国大部分路上采集区(例如：山地、沙丘区域以及地表覆盖较薄的西部地区)采集得到的地震资料中普遍存在。它的存在会严重降低地震资料的信噪比，甚至完全淹没有效信号，使后续一系列处理以及最终的地质解释不准确。例如在滕县煤田微山湖某矿区地震勘探项目中，采集的单炮记录由于较强的多次反射折射波(一种线性干扰波)对来自主煤层的有效信号的干涉作用，导致有效信号能量变弱，单炮记录信噪比低；沙丘鸣震线性干扰波往往淹没反射波场。因此，采取一定的技术方法对线性干扰波进行有效压制是十分必要的工作。
传统压制线性干扰的方法如：频率波数域滤波、Cadzow滤波、拉东变换方法，虽取得了一定的压制效果，但当待处理的地震资料数量庞大，地下介质以及地形变化较大时，由于线性干扰波和有效信号在空间上的较大变化，传统方法压制线性干扰波的效果有限且处理时间过长。此时，在地震资料处理方面，深度学习中的神经网络方法在处理海量地震数据方面的高效性以及不会受限于某种特定的地形地质条件较传统方法有巨大的优势。并且，有监督的卷积神经网络(包括二维以及三维去噪卷积神经网络)已经被用于规则干扰波的压制，并在部分方面取得了超越传统方法的效果。
现有技术：
Cadzow滤波方法是通过对输入数据堆砌高维矩阵加强信号特征，再基于对高维矩阵的奇异值分解得到对应数据中包含的不同信号的奇异值及其对应的奇异向量，通过分别用干扰波和有效信号对应的特征值和特征向量对信号进行重建来分离两者的一种方法。
现有技术的缺点：
1、用以重构有效信号和干扰波的奇异值个数需要反复试验获取，不准确会造成压制效果差或者损伤有效信号。
2、处理海量地震数据时，计算速度慢。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种叠前地震资料线性干扰压制方法及系统，用于压制叠前地震资料线性干扰时可以避免参数反复试验选择，通过少量原始炮集数据构建泛化性较好的网络训练测试集，更快速地压制海量炮集数据中的线性干扰。
本发明采用以下技术方案：
一种叠前地震资料线性干扰压制方法，包括以下步骤：
S1、读取原始地震炮集数据；
S2、从步骤S1的N个原始地震炮集数据中选择炮集数据，采用线性干扰压制方法对炮集数据逐个进行滤波处理，得到其中包含的有效波数据{S1,…,Sk}以及线性干扰波数据{N1,…,Nk}；扫描分析N个原始地震炮集数据中能量最强的线性干扰波视倾角信息，并沿对应的视倾角方向拉平全部原始炮集数据以及选择的炮集数据对应的有效波数据{S1,…,Sk}和线性干扰波数据{N1,…,Nk}，得到拉平结果{X′1,…,X′N}，{S′1,…,S′k}，{N′1,…,N′k}；
S3、对步骤S2得到的{X′1,…,X′N},{S′1,…,S′k},{N′1,…,N′k}进行归一化的自动增益控制处理得到{X″1,…,X″N},{S″1,…,S″k},{N″1,…,N″k}；将S″j∈{S″1,…,S″k},N″j∈{N″1,…,N″k}按不同比例缩放q次得到{(1)S″1,…,(1)S″k,…,(q)S″1,…,(q)S″k}和{(1)N″1,…,(1)N″k,…,(q)N″1,…,(q)N″k}，将{(1)S″1,…,(1)S″k,…,(q)S″1,…,(q)S″k}和{(1)N″1,…,(1)N″k,…,(q)N″1,…,(q)N″k}逐个对应相加得到
Figure BDA0003176171230000031
作为网络训练数据集中的输入数据集，并以
Figure BDA0003176171230000032
作为网络训练数据集中的标签数据集；以{X″1,…,X″N}作为网络测试数据集；
S4、将步骤S3得到的
Figure BDA0003176171230000033
与
Figure BDA0003176171230000034
输入二维卷积去噪神经网络进行学习，将学习得到的模型压制网络测试数据集{X″1,…,X″N}中的线性干扰，对压制线性干扰后的网络测试数据集进行逆归一化自动增益控制以及反拉平处理后放回原始炮集数据中的对应位置，完成对线性干扰的压制。
具体的，步骤S2具体为：
设读取的原始地震炮集数据总个数为N，应用线性干扰压制方法对原始地震炮集数据中任意k个炮集数据{X1,…,Xk}逐个进行滤波处理，0＜k＜N，得到对应的有效波数据{S1,…,Sk}以及线性干扰波数据{N1,…,Nk}；
对原始地震炮集数据{X1,…,XN}逐个进行视倾角扫描分析，估计任一Xi∈{X1,…,XN}中能量最强的线性干扰波的视倾角方向，逐个沿Xi对应的扫描得到的视倾角方向将Xi中的线性干扰波同相轴拉平得到{X′1,…,X′N}；逐个沿Xj∈{X1,…,Xk}对应扫描得到的视倾角方向将Xj对应的Sj,Nj中的线性干扰波同相轴拉平得到拉平后数据。
进一步的，X′i∈{X′1,…,X′N}，S′j∈{S′1,…,S′k}，N′j∈{N′1,…,N′k}具体为：
Figure BDA0003176171230000041
Figure BDA0003176171230000042
Figure BDA0003176171230000043
其中，m,n分别为Xi的时间、空间维度，(i)x′m,n为X′i中第m行第n列的数据，(j)s′m,n,(j)N′m,n分别为S′j,N′j中第m行第n列的数据。
具体的，步骤S3具体为：
S301、对步骤S2拉平后的数据{X′1,…,X′N},{S′1,…,S′k},{N′1,…,N′k}中的任一数据进行归一化的自动增益控制，得到处理后数据{X″1,…,X″N},{S″1,…,S″k},{N″1,…,N″k}，将{X″1,…,X″N}作为网络测试数据集；
S302、分别按比例对{S″1,…,S″k},{N″1,…,N″k}的每个数据进行缩放相加，缩放次数为q，每次{S″1,…,S″k}缩放比例为(i1)P,i1＝1,…,q，缩放比例P∈[Pmin,Pmax]，对应的{N″1,…,N″k}缩放比例为2-(i1)P，构建得到的网络训练数据集中的输入数据集为
Figure BDA0003176171230000044
并将
Figure BDA0003176171230000045
的
Figure BDA0003176171230000046
按作为网络训练数据集中的标签数据集。
进一步的，步骤S301中，X″i∈{X″1,…,X″N},S″j∈{S″1,…,S″k},N″j∈{N″1,…,N″k}具体为：
X″i＝AGC[X′i]
S″j＝AGC[S′j]
N″j＝AGC[N′j]
其中，AGC[]为归一化自动增益控制算子。
进一步的，步骤S302中，缩放比例最大为Pmax＞1，最小为Pmin≥0。
进一步的，步骤S302中，
Figure BDA0003176171230000051
(i1)S″j∈{(i1)S″1,…,(i1)S″k}的表达式分别如下：
Figure BDA0003176171230000052
Figure BDA0003176171230000053
其中，(j)s″m,n,(j)N″m,n分别为S″j,N″j中第m行第n列的数据，i1＝1…,q。
具体的，步骤S4中，构建得到的网络训练集中的输入数据集为
Figure BDA0003176171230000054
网络训练集中的标签数据集为
Figure BDA0003176171230000055
网络测试数据集为{X″1,…,X″N}，将输入数据集
Figure BDA0003176171230000056
与标签数据集{(1)S″1,…,(1)S″k,…,(q)S″1,…,(q)S″k}分块输入二维去噪卷积神经网络，二维去噪卷积神经网络通过学习获取线性干扰模型，再对网络测试数据集{X″1,…,X″N}进行线性干扰压制，对压制线性干扰后的网络测试数据集进行逆归一化自动增益控制以及反拉平处理后放回原始炮集数据中的对应位置得到完成对线性干扰的压制后的结果{X″′1…,X″′N}。
本发明的另一技术方案是，一种叠前地震资料线性干扰压制系统，包括：
读取模块，读取原始地震炮集数据；
拉平模块，从读取模块的N个原始地震炮集数据中选择炮集数据，采用线性干扰压制方法对炮集数据逐个进行滤波处理，得到选择的炮集数据中包含的有效波数据{S1,…,Sk}以及线性干扰波数据{N1,…,Nk}；扫描分析N个原始地震炮集数据中能量最强的线性干扰波视倾角信息，并沿对应的视倾角方向拉平全部原始炮集数据以及选择的炮集数据中包含的有效波数据{S1,…,Sk}和线性干扰波数据{N1,…,Nk}，得到拉平结果{X′1,…,X′N}，{S′1,…,S′k}，{N′1,…,N′k}；
处理模块，对拉平模块得到的{X′1,…,X′N},{S′1,…,S′k},{N′1,…,N′k}进行归一化的自动增益控制处理得到{X″1,…,X″N},{S″1,…,S″k},{N″1,…,N″k}；将S″j∈{S″1,…,S″k},N″j∈{N″1,…,N″k}按不同比例缩放q次得到{(1)S″1,…,(1)S″k,…,(q)S″1,…,(q)S″k}和{(1)N″1,…,(1)N″k,…,(q)N″1,…,(q)N″k}，将{(1)S″1,…,(1)S″k,…,(q)S″1,…,(q)S″k}和{(1)N″1,…,(1)N″k,…,(q)N″1,…,(q)N″k}逐个对应相加得到
Figure BDA0003176171230000061
作为网络训练数据集中的输入数据集，并以{(1)S″1,…,(1)S″k,…,(q)S″1,…,(q)S″k}作为网络训练数据集中的标签数据集；以{X″1,…,X″N}作为网络测试数据集；
压制模块，将处理模块得到的
Figure BDA0003176171230000062
与
Figure BDA0003176171230000063
输入二维卷积去噪神经网络进行学习，将学习得到的模型压制网络测试数据集{X″1,…,X″N}中的线性干扰，对压制线性干扰后的网络测试数据集进行逆归一化自动增益控制以及反拉平处理后放回原始炮集数据中的对应位置，完成对线性干扰的压制。
与现有技术相比，本发明至少具有以下有益效果：
本发明一种叠前地震资料线性干扰压制方法，读取原始地震炮集资料后，仅仅对读取的地震炮集数据中的小部分炮集数据基于线性干扰压制方法进行滤波处理。基于处理得到的有效波数据和线性干扰波数据构建网络训练集，并基于读取的全部数据构建测试集。通过对一小部分数据进行滤波处理构建得到的训练集学习得到的线性干扰模型对读取的全部炮集数据进行线性干扰的有效压制，使得神经网络的处理速度远高于对每个炮集数据进行分别处理的传统方法。
进一步的，步骤S2中仅用线性干扰压制方法对任意k个炮集数据进行滤波处理，可以快速获得少量有效波数据用以构建较为理想的标签数据。
进一步的，在步骤S2中通过拉平处理加强线性干扰波的沿地震道空间方向的相干特征，便于后期网络对线性干扰特征进行提取，获得更为完备的线性干扰波模型。
进一步的，设置X′i∈{X′1,…,X′N}，S′j∈{S′1,…,S′k}，N′j∈{N′1,…,N′k}用于后续计算。
进一步的，步骤S3对现有的线性干扰压制方法估计得到的有效波数据和线性干扰波数据进行放缩相加构建多种信噪比不同的网络训练集，增强网络泛化性。
进一步的，在步骤S301中通过对经过拉平及归一化的自动增益控制处理读取的全部地震炮集数据以及选取的部分炮集数据经过滤波处理得到的有效波数据和线性干扰波数据，放大线性干扰的细节特征，便于后期网络对线性干扰特征进行充分提取。
进一步的，通过步骤S302利用对经过一系列处理的有效波数据和线性干扰波数据进行放缩组合，构建信噪比不同的训练集，加强网络泛化性。
进一步的，步骤S4利用二维卷积神经网络对构建的网络训练数据集进行学习，得到较为完备的线性干扰波模型，基于此模型可以快速对基于全部原始炮集数据构建网络测试集进行处理，极大地提高压制效率。
综上所述，本发明用于压制叠前地震资料线性干扰时可以避免参数反复试验选择，通过少量原始炮集数据构建多种信噪比的网络训练测试集，训练二维卷积神经网络得到泛化性较好的线性干扰波模型，更快速地压制海量炮集数据中的线性干扰，并且不会因地形地质条件变化导致的有效信号及线性干扰空间变化较大而降低压制效果。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
图1为某油田的一个共含有17个炮集数据的原始地震资料中前4个炮集数据剖面图；
图2为图1所示数据经过线性干扰压制方法处理后的有效波数据剖面图；
图3为图1所示数据与图2所示数据的差值剖面图；
图4为本发明处理此实际炮集数据流程中部分结果展示图，其中，(a)为利用图1所示数据构建的网络测试集；(b)为利用图2所示数据构建的网络训练集中的标签数据集；(c)为利用图2所示数据以及图3所示数据构建的网络训练集中的输入数据集；
图5为测试本发明所使用的二维卷积神经网络结构图
图6为本发明估计得到的原炮集数据中包含的线性干扰以及通过本发明压制线性干扰后的炮集数据剖面图，其中，(a)为图1所示数据通过本发明压制线性干扰后的炮集数据剖面图，(b)为本发明估计得到的图(a)中包含的线性干扰剖面图；
图7为本发明流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在本发明的描述中，需要理解的是，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
在附图中示出了根据本发明公开实施例的各种结构示意图。这些图并非是按比例绘制的，其中为了清楚表达的目的，放大了某些细节，并且可能省略了某些细节。图中所示出的各种区域、层的形状及它们之间的相对大小、位置关系仅是示例性的，实际中可能由于制造公差或技术限制而有所偏差，并且本领域技术人员根据实际所需可以另外设计具有不同形状、大小、相对位置的区域/层。
请参阅图6，本发明提供了一种叠前地震资料线性干扰压制方法，构建网络训练测试集并输入二维去噪卷积神经网络中学习训练集中的线性干扰模型并基于此模型对测试集中的线性干扰进行压制；得到压制线性干扰后的炮集数据用于后期速度分析、叠加处理、成像、地质结构分析。
请参阅图7，本发明一种叠前地震资料线性干扰压制方法，包括以下步骤：
S1、读取原始地震炮集资料；
请参阅图1，其为读取的实际原始地震炮集数据{X1,…,XN},N＝17中的前四个炮集数据(数据量大仅取前四个作为展示)，单个炮集数据时间空间维度均分别为3501ms、256道。
S2、设读取的原始地震炮集数据总个数为N，任意选择{X1,…,XN}中部分空间维度及时间维度一致的炮集数据{X1,…,Xk},k＝5，应用线性干扰压制方法对{X1,…,Xk}逐个进行滤波处理，得到如图2所示的对应的有效波数据{S1,…,Sk}中前四个结果以及如图3所示的线性干扰波数据{N1,…,Nk}中的前四个结果，再对{X1,…,XN}逐个进行视倾角扫描分析，估计任一Xi∈{X1,…,XN}中能量最强的线性干扰波的视倾角方向以及污染区域，逐个沿Xi对应的扫描得到的视倾角方向将Xi中的污染区域线性干扰波同相轴拉平得到{X′1,…,X′N}；逐个沿Xj∈{X1,…,Xk}对应的扫描得到的视倾角方向将Xj对应的Sj,Nj中相同区域内的线性干扰波同相轴拉平得到拉平后数据{S′1,…,S′k}，{N′1,…,N′k}；
数据X′i∈{X′1,…,X′N},S′j∈{S′1,…,S′k},N′j∈{N′1,…,N′k}表达式如下：
Figure BDA0003176171230000101
Figure BDA0003176171230000102
Figure BDA0003176171230000103
其中，m,n分别为Xi的时间、空间维度，(i)x′m,n为X′i中第m行第n列的数据，(j)s′m,n,(j)N′m,n分别为S′j,N′j中第m行第n列的数据。
S3、对步骤S2得到的{X′1,…,X′N},{S′1,…,S′k},{N′1,…,N′k}进行归一化的自动增益控制处理得到{X″1,…,X″N},{S″1,…,S″k},{N″1,…,N″k}；将S″j∈{S″1,…,S″k},N″j∈{N″1,…,N″k}按不同比例缩放q次得到{(1)S″1,…,(1)S″k,…,(q)S″1,…,(q)S″k}和{(1)N″1,…,(1)N″k,…,(q)N″1,…,(q)N″k}，将{(1)S″1,…,(1)S″k,…,(q)S″1,…,(q)S″k}和{(1)N″1,…,(1)N″k,…,(q)N″1,…,(q)N″k}逐个对应相加得到
Figure BDA0003176171230000111
作为网络训练数据集中的输入数据集，并以
Figure BDA0003176171230000112
作为网络训练数据集中的标签数据集；以{X″1,…,X″N}作为网络测试数据集；
S301、对{X′1,…,X′N},{S′1,…,S′k},{N′1,…,N′k}中的任一数据进行归一化的自动增益控制，得到处理后数据{X″1,…,X″N},{S″1,…,S″k},{N″1,…,N″k}，{X″1,…,X″N}为网络测试数据集(其中前四个结果如图4(a)所示)；
X″i∈{X″1,…,X″N},S″j∈{S″1,…,S″k},N″j∈{N″1,…,N″k}表达式分别如下：
X″i＝AGC[X′i]
S″j＝AGC[S′j]
N″j＝AGC[N′j]
其中，AGC[]为归一化自动增益控制算子。
S302、分别按比例对{S″1,…,S″k},{N″1,…,N″k}每个数据进行缩放相加，缩放比例最大为2，缩放次数为q＝5，每次{S″1,…,S″k}缩放比例为(1)P＝1.8，(2)P＝0.9，(3)P＝1，(4)P＝0.2，(5)P＝1.1，则对应的{N″1,…,N″k}缩放比例为(1)P＝0.2，(2)P＝1.1，(3)P＝1，(4)P＝1.8，(5)P＝0.9，构建得到的网络训练数据的输入数据集为
Figure BDA0003176171230000113
(其中前四个结果如图4(c)所示)，并将与其对应的按比例缩放后的{(1)S″1,…,(1)S″k,…,(q)S″1,…,(q)S″k}(其中前四个结果如图4(b)所示)作为网络训练数据集中的含标签数据集。
Figure BDA0003176171230000114
(i1)S″j∈{(i1)S″1,…,(i1)S″k},i1＝1…,q的表达式分别如下：
Figure BDA0003176171230000121
Figure BDA0003176171230000122
其中，(j)s″m,n,(j)N″m,n分别为S″j,N″j中第m行第n列的数据。
S4、将步骤S3得到的
Figure BDA0003176171230000123
与{(1)S″1,…,(1)S″k,…,(q)S″1,…,(q)S″k}输入二维卷积去噪神经网络进行学习，将学习得到的模型压制网络测试数据集{X″1,…,X″N}中的线性干扰，对压制线性干扰后的网络测试数据集进行逆归一化自动增益控制以及反拉平处理后放回原始炮集数据中对应的位置，完成对线性干扰的压制。
构建得到的网络训练集中的输入数据集为
Figure BDA0003176171230000124
标签数据集为{(1)S″1,…,(1)S″k,…,(q)S″1,…,(q)S″k}，网络测试数据集为{X″1,…,X″N}，将
Figure BDA0003176171230000125
与{(1)S″1,…,(1)S″k,…,(q)S″1,…,(q)S″k}分块(自定义分块的时间空间维度)输入二维去噪卷积神经网络，网络通过对两者间的残差学习获取线性干扰模型，再对{X″1,…,X″N}进行线性干扰压制，对压制线性干扰后的网络测试数据集进行逆归一化自动增益控制以及反拉平处理后放回原始炮集数据中对应的位置，得到完成对线性干扰的压制后的结果{X″′1…,X″′N}。
本发明再一个实施例中，提供一种叠前地震资料线性干扰压制系统，该系统能够用于实现上述叠前地震资料线性干扰压制方法，具体的，该叠前地震资料线性干扰压制系统包括读取模块、拉平模块、处理模块以及压制模块。
其中，读取模块，读取原始地震炮集数据；
拉平模块，从读取模块的N个原始地震炮集数据中选择炮集数据，采用线性干扰压制方法对炮集数据逐个进行滤波处理，得到有效波数据{S1,…,Sk}以及线性干扰波数据{N1,…,Nk}；扫描分析N个原始地震炮集数据中能量最强的线性干扰波视倾角信息，并沿对应的视倾角方向拉平全部原始炮集数据，得到拉平结果{X′1,…,X′N}，{S′1,…,S′k}，{N′1,…,N′k}；
处理模块，对拉平模块得到的{X′1,…,X′N},{S′1,…,S′k},{N′1,…,N′k}进行归一化的自动增益控制处理得到{X″1,…,X″N},{S″1,…,S″k},{N″1,…,N″k}；将S″j∈{S″1,…,S″k},N″j∈{N″1,…,N″k}按不同比例缩放q次得到{(1)S″1,…,(1)S″k,…,(q)S″1,…,(q)S″k}和{(1)N″1,…,(1)N″k,…,(q)N″1,…,(q)N″k}，将{(1)S″1,…,(1)S″k,…,(q)S″1,…,(q)S″k}和{(1)N″1,…,(1)N″k,…,(q)N″1,…,(q)N″k}逐个对应相加得到
Figure BDA0003176171230000131
作为网络训练数据集中的输入数据集，并以{(1)S″1,…,(1)S″k,…,(q)S″1,…,(q)S″k}作为网络训练数据集中的标签数据集；以{X″1,…,X″N}作为网络测试数据集；
压制模块，将处理模块得到的
Figure BDA0003176171230000132
与
Figure BDA0003176171230000133
输入二维卷积去噪神经网络进行学习，将学习得到的模型压制网络测试数据集{X″1,…,X″N}中的线性干扰，对压制线性干扰后的网络测试数据集进行逆归一化自动增益控制以及反拉平处理放回原始炮集数据中的对应位置，完成对线性干扰的压制。
本发明再一个实施例中，提供了一种终端设备，该终端设备包括处理器以及存储器，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可能是中央处理单元(Central ProcessingUnit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor、DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable GateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，其是终端的计算核心以及控制核心，其适于实现一条或一条以上指令，具体适于加载并执行一条或一条以上指令从而实现相应方法流程或相应功能；本发明实施例所述的处理器可以用于叠前地震资料线性干扰压制方法的操作，包括：
读取原始地震炮集数据；从N个原始地震炮集数据中选择炮集数据，采用线性干扰压制方法对炮集数据逐个进行滤波处理，得到有效波数据{S1,…,Sk}以及线性干扰波数据{N1,…,Nk}；扫描分析N个原始地震炮集数据中能量最强的线性干扰波视倾角信息，并沿对应的视倾角方向拉平全部原始炮集数据，得到拉平结果{X′1,…,X′N}，{S′1,…,S′k}，{N′1,…,N′k}；对{X′1,…,X′N},{S′1,…,S′k},{N′1,…,N′k}进行归一化的自动增益控制处理得到{X″1,…,X″N},{S″1,…,S″k},{N″1,…,N″k}；将S″j∈{S″1,…,S″k},N″j∈{N″1,…,N″k}按不同比例缩放q次得到{(1)S″1,…,(1)S″k,…,(q)S″1,…,(q)S″k}和{(1)N″1,…,(1)N″k,…,(q)N″1,…,(q)N″k}，将{(1)S″1,…,(1)S″k,…,(q)S″1,…,(q)S″k}和{(1)N″1,…,(1)N″k,…,(q)N″1,…,(q)N″k}逐个对应相加得到
Figure BDA0003176171230000141
作为网络训练数据集中的输入数据集，并以{(1)S″1,…,(1)S″k,…,(q)S″1,…,(q)S″k}作为网络训练数据集中的标签数据集；以{X″1,…,X″N}作为网络测试数据集；将
Figure BDA0003176171230000142
与{(1)S″1,…,(1)S″k,…,(q)S″1,…,(q)S″k}输入二维卷积去噪神经网络进行学习，将学习得到的模型压制网络测试数据集{X″1,…,X″N}中的线性干扰，对压制线性干扰后的网络测试数据集进行逆归一化自动增益控制以及反拉平处理后放回原始数据中对应的位置，完成对线性干扰的压制。
本发明再一个实施例中，本发明还提供了一种存储介质，具体为计算机可读存储介质(Memory)，所述计算机可读存储介质是终端设备中的记忆设备，用于存放程序和数据。可以理解的是，此处的计算机可读存储介质既可以包括终端设备中的内置存储介质，当然也可以包括终端设备所支持的扩展存储介质。计算机可读存储介质提供存储空间，该存储空间存储了终端的操作系统。并且，在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令，这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是，此处的计算机可读存储介质可以是高速RAM存储器，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。
可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令，以实现上述实施例中有关叠前地震资料线性干扰压制方法的相应步骤；计算机可读存储介质中的一条或一条以上指令由处理器加载并执行如下步骤：
读取原始地震炮集数据；从N个原始地震炮集数据中选择炮集数据，采用线性干扰压制方法对炮集数据逐个进行滤波处理，得到选择的炮集数据中包含的有效波数据{S1,…,Sk}以及线性干扰波数据{N1,…,Nk}；扫描分析N个原始地震炮集数据中能量最强的线性干扰波视倾角信息，并沿对应的视倾角方向拉平全部原始炮集数据以及选择的炮集数据中包含的有效波数据{S1,…,Sk}以及线性干扰波数据{N1,…,Nk}，得到拉平结果{X′1,…,X′N}，{S′1,…,S′k}，{N′1,…,N′k}；对{X′1,…,X′N},{S′1,…,S′k},{N′1,…,N′k}进行归一化的自动增益控制处理得到{X″1,…,X″N},{S″1,…,S″k},{N″1,…,N″k}；将S″j∈{S″1,…,S″k},N″j∈{N″1,…,N″k}按不同比例缩放q次得到{(1)S″1,…,(1)S″k,…,(q)S″1,…,(q)S″k}和{(1)N″1,…,(1)N″k,…,(q)N″1,…,(q)N″k}，将{(1)S″1,…,(1)S″k,…,(q)S″1,…,(q)S″k}和{(1)N″1,…,(1)N″k,…,(q)N″1,…,(q)N″k}逐个对应相加得到
Figure BDA0003176171230000151
作为网络训练数据集中的输入数据集，并以
Figure BDA0003176171230000152
作为网络训练数据集中的标签数据集；以{X″1,…,X″N}作为网络测试数据集；将
Figure BDA0003176171230000161
与{(1)S″1,…,(1)S″k,…,(q)S″1,…,(q)S″k}输入二维卷积去噪神经网络进行学习，将学习得到的模型压制网络测试数据集{X″1,…,X″N}中的线性干扰，对压制线性干扰后的网络测试数据集进行逆归一化自动增益控制以及反拉平处理后放回原始数据中对应的位置，完成对线性干扰的压制。
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中的描述和所示的本发明实施例的组件可以通过各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
将构建的网络训练集分为若干个空间时间维度相等的分块(分块时间维度为20ms，空间维度127道)输入二维卷积去噪神经网络进行学习，此次测试本发明的二维卷积去噪神经网络结构如图5所示，将学习得到的模型用于压制构建的网络测试数据集中的线性干扰，对压制线性干扰后的网络测试数据集进行逆归一化自动增益控制以及反拉平处理完成对线性干扰的压制，得到的本发明压制线性干扰后的炮集数据中的前四个结果剖面图如图6(a)所示，本发明估计得到的原炮集数据中前四个数据包含的线性干扰剖面图如图6(b)所示。
利用本发明一种压制叠前地震资料线性干扰的神经网络方法，可以避免参数反复试验选择，并且通过少量原始炮集数据构建泛化性较好的网络训练测试集，快速压制海量炮集数据中的线性干扰，并且不会因地形地质条件变化导致的有效信号及线性干扰空间变化较大而降低压制效果。
综上所述，本发明一种叠前地震资料线性干扰压制方法及系统具有以下优点：
1，可以避免参数反复试验选择，并且通过少量原始炮集数据构建泛化性较好的网络训练测试集，快速压制海量炮集数据中的线性干扰；
2，不会因地形地质条件变化导致的有效信号及线性干扰空间变化较大而降低压制效果线性。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上内容仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明权利要求书的保护范围之内。

Claims (9)

1.一种叠前地震资料线性干扰压制方法，其特征在于，包括以下步骤：
S1、读取原始地震炮集数据；
S2、从步骤S1的N个原始地震炮集数据中选择炮集数据，采用线性干扰压制方法对选择的炮集数据逐个进行滤波处理，得到选择的炮集数据中包含的有效波数据{S1,…,Sk}以及有效波数据{N1,…,Nk}；扫描分析N个原始地震炮集数据中能量最强的线性干扰波视倾角信息，并沿对应的视倾角方向拉平全部原始炮集数据以及所选择的炮集数据对应的有效波数据{S1,…,Sk}以及线性干扰波数据{N1,…,Nk}，得到拉平结果{X′1,…,X′N}，{S′1,…,S′k}，{N′1,…,N′k}；
S3、对步骤S2得到的{X′1,…,X′N},{S′1,…,S′k},{N′1,…,N′k}进行归一化的自动增益控制处理得到{X″1,…,X″N},{S″1,…,S″k},{N″1,…,N″k}；将S″j∈{S″1,…,S″k},N″j∈{N″1,…,N″k}按不同比例缩放q次得到{(1)S″1,…,(1)S″k,…,(q)S″1,…,(q)S″k}和{(1)N″1,…,(1)N″k,…,(q)N″1,…,(q)N″k}，将{(1)S″1,…,(1)S″k,…,(q)S″1,…,(q)S″k}和{(1)N″1,…,(1)N″k,…,(q)N″1,…,(q)N″k}逐个对应相加得到
Figure FDA0003176171220000011
作为网络训练数据集中的输入数据集，并以{(1)S″1,…,(1)S″k,…,(q)S″1,…,(q)S″k}作为网络训练数据集中的标签数据集；以{X″1,…,X″N}作为网络测试数据集；
S4、将步骤S3得到的
Figure FDA0003176171220000012
与{(1)S″1,…,(1)S″k,…,(q)S″1,…,(q)S″k}输入二维卷积去噪神经网络进行学习，将学习得到的模型压制网络测试数据集{X″1,…,X″N}中的线性干扰，对压制线性干扰后的网络测试数据集进行逆归一化自动增益控制以及反拉平处理后放回原始炮集数据中对应的位置，完成对线性干扰的压制。
2.根据权利要求1所述的方法，其特征在于，步骤S2具体为：
设读取的原始地震炮集数据总个数为N，应用线性干扰压制方法对原始地震炮集数据中任意k个炮集数据{X1,…,Xk}逐个进行滤波处理，0＜k＜N，得到对应的有效波数据{S1,…,Sk}以及线性干扰波数据{N1,…,Nk}；
对原始地震炮集数据{X1,…,XN}逐个进行视倾角扫描分析，估计任一Xi∈{X1,…,XN}中能量最强的线性干扰波的视倾角方向，逐个沿Xi对应的扫描得到的视倾角方向将Xi中的线性干扰波同相轴拉平得到{X′1,…,X′N}；逐个沿Xj∈{X1,…,Xk}对应扫描得到的视倾角方向将Xj对应的Sj,Nj中的线性干扰波同相轴拉平得到拉平后数据。
3.根据权利要求2所述的方法，其特征在于，X′i∈{X′1,…,X′N}，S′j∈{S′1,…,S′k}，N′j∈{N′1,…,N′k}具体为：
Figure FDA0003176171220000021
Figure FDA0003176171220000022
Figure FDA0003176171220000023
其中，m,n分别为Xi的时间、空间维度，(i)x′m,n为X′i中第m行第n列的数据，(j)s′m,n,(j)N′m,n分别为S′j,N′j中第m行第n列的数据。
4.根据权利要求1所述的方法，其特征在于，步骤S3具体为：
S301、对步骤S2拉平后的数据{X′1,…,X′N},{S′1,…,S′k},{N′1,…,N′k}中的任一数据进行归一化的自动增益控制，得到处理后数据{X″1,…,X″N},{S″1,…,S″k},{N″1,…,N″k}，将{X″1,…,X″N}作为网络测试数据集；
S302、分别按比例对{S″1,…,S″k},{N″1,…,N″k}的每个数据进行缩放相加，缩放次数为q，每次{S″1,…,S″k}缩放比例为(i1)P,i1＝1,…,q，缩放比例P∈[Pmin,Pmax]，对应的{N″1,…,N″k}缩放比例为2-(i1)P，构建得到的网络训练数据集中的输入数据集为
Figure FDA0003176171220000031
并将
Figure FDA0003176171220000032
的{(1)S″1,…,(1)S″k,…,(q)S″1,…,(q)S″k}按作为网络训练数据集中的标签数据集。
5.根据权利要求4所述的方法，其特征在于，步骤S301中，X″i∈{X″1,…,X″N},S″j∈{S″1,…,S″k},N″j∈{N″1,…,N″k}具体为：
X″i＝AGC[X′i]
S″j＝AGC[S′j]
N″j＝AGC[N′j]
其中，AGC[]为归一化自动增益控制算子。
6.根据权利要求4所述的方法，其特征在于，步骤S302中，缩放比例最大为Pmax＞1，最小为Pmin≥0。
7.根据权利要求4所述的方法，其特征在于，步骤S302中，
Figure FDA0003176171220000033
(i1)S″j∈{(i1)S″1,…,(i1)S″k}的表达式分别如下：
Figure FDA0003176171220000034
Figure FDA0003176171220000035
其中，(j)s″m,n,(j)N″m,n分别为S″j,N″j中第m行第n列的数据，i1＝1…,q。
8.根据权利要求1所述的方法，其特征在于，步骤S4中，构建得到的网络训练集中的输入数据集为
Figure FDA0003176171220000036
网络训练集中的标签数据集为{(1)S″1,…,(1)S″k,…,(q)S″1,…,(q)S″k}，网络测试数据集为{X″1,…,X″N}，将输入数据集
Figure FDA0003176171220000041
与标签数据集{(1)S″1,…,(1)S″k,…,(q)S″1,…,(q)S″k}分块输入二维去噪卷积神经网络，二维去噪卷积神经网络通过学习获取线性干扰模型，再对网络测试数据集{X″1,…,X″N}进行线性干扰压制，对压制线性干扰后的网络测试数据集进行逆归一化自动增益控制以及反拉平处理放回原始炮集数据中的对应位置，得到完成对线性干扰的压制后的结果{X″′1…,X″′N}。
9.一种叠前地震资料线性干扰压制系统，其特征在于，包括：
读取模块，读取原始地震炮集数据；
拉平模块，从读取模块的N个原始地震炮集数据中选择炮集数据，采用线性干扰压制方法对炮集数据逐个进行滤波处理，得到有效波数据{S1,…,Sk}以及线性干扰波数据{N1,…,Nk}；扫描分析N个原始地震炮集数据中能量最强的线性干扰波视倾角信息，并沿对应的视倾角方向拉平全部原始炮集数据以及选择的炮集数据对应的有效波数据{S1,…,Sk}和线性干扰波数据{N1,…,Nk}，得到拉平结果{X′1,…,X′N}，{S′1,…,S′k}，{N′1,…,N′k}；
处理模块，对拉平模块得到的{X′1,…,X′N},{S′1,…,S′k},{N′1,…,N′k}进行归一化的自动增益控制处理得到{X″1,…,X″N},{S″1,…,S″k},{N″1,…,N″k}；将S″j∈{S″1,…,S″k},N″j∈{N″1,…,N″k}按不同比例缩放q次得到{(1)S″1,…,(1)S″k,…,(q)S″1,…,(q)S″k}和{(1)N″1,…,(1)N″k,…,(q)N″1,…,(q)N″k}，将{(1)S″1,…,(1)S″k,…,(q)S″1,…,(q)S″k}和{(1)N″1,…,(1)N″k,…,(q)N″1,…,(q)N″k}逐个对应相加得到
Figure FDA0003176171220000042
作为网络训练数据集中的输入数据集，并以{(1)S″1,…,(1)S″k,…,(q)S″1,…,(q)S″k}作为网络训练数据集中的标签数据集；以{X″1,…,X″N}作为网络测试数据集；
压制模块，将处理模块得到的
Figure FDA0003176171220000043
与{(1)S″1,…,(1)S″k,…,(q)S″1,…,(q)S″k}输入二维卷积去噪神经网络进行学习，将学习得到的模型压制网络测试数据集{X″1,…,X″N}中的线性干扰，对压制线性干扰后的网络测试数据集进行逆归一化自动增益控制以及反拉平处理后放回原始炮集数据中的对应位置，完成对线性干扰的压制。
CN202110832975.0A 2021-07-22 2021-07-22 一种叠前地震资料线性干扰压制方法及系统 Active CN113743193B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110832975.0A CN113743193B (zh) 2021-07-22 2021-07-22 一种叠前地震资料线性干扰压制方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110832975.0A CN113743193B (zh) 2021-07-22 2021-07-22 一种叠前地震资料线性干扰压制方法及系统

Publications (2)

Publication Number Publication Date
CN113743193A CN113743193A (zh) 2021-12-03
CN113743193B true CN113743193B (zh) 2022-12-09

Family

ID=78729006

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110832975.0A Active CN113743193B (zh) 2021-07-22 2021-07-22 一种叠前地震资料线性干扰压制方法及系统

Country Status (1)

Country Link
CN (1) CN113743193B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114296134B (zh) * 2021-12-24 2023-03-31 西安交通大学 一种深度卷积网络地震资料解混方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
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
CN111736224A (zh) * 2020-07-14 2020-10-02 西安交通大学 一种压制叠前地震资料线性干扰方法、存储介质及设备

Patent Citations (2)

* Cited by examiner, † Cited by third party
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
CN111736224A (zh) * 2020-07-14 2020-10-02 西安交通大学 一种压制叠前地震资料线性干扰方法、存储介质及设备

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
叠前随机噪声深度残差网络压制方法;李海山等;《石油地球物理勘探》;20200609(第03期);全文 *
复合多域去噪技术在复杂地表区域地震数据处理中的应用;周廷全等;《油气地质与采收率》;20021225(第06期);全文 *

Also Published As

Publication number Publication date
CN113743193A (zh) 2021-12-03

Similar Documents

Publication Publication Date Title
JP6789331B2 (ja) 画像アップスケーリング
US20180292553A1 (en) Method and Apparatus for Separating Seismic Diffracted Wave
US10436924B2 (en) Denoising seismic data
CN107688201B (zh) 基于rbm地震叠前信号聚类方法
CN108828668B (zh) 一种叠前时间偏移数据处理方法及装置
CN110570440A (zh) 一种基于深度学习边缘检测的图像自动分割方法及装置
CN113269818B (zh) 一种基于深度学习的地震数据纹理特征重建方法
KR102188035B1 (ko) 위성영상의 해상도 복원을 위한 학습 방법 및 장치
Sonogashira et al. High-resolution bathymetry by deep-learning-based image superresolution
CN113743193B (zh) 一种叠前地震资料线性干扰压制方法及系统
WO2021258096A1 (en) Classifying geologic features in seismic data through image analysis by neural network
CN112231974B (zh) 基于深度学习的tbm破岩震源地震波场特征恢复方法及系统
Almadani et al. Dictionary learning with convolutional structure for seismic data denoising and interpolation
CN111551988B (zh) 一种深度学习与预测滤波结合的地震数据反假频插值方法
CN112415591A (zh) 绕射波的成像方法、装置、电子设备及存储介质
US20210190983A1 (en) Full waveform inversion in the midpoint-offset domain
Yu et al. Noise attenuation in a low-dimensional manifold
CN114418886B (zh) 一种基于深度卷积自编码器的鲁棒性去噪方法
CN103310461B (zh) 基于块卡尔曼滤波的图像边缘提取方法
CN114325821A (zh) 基于3d-snacnn网络的叠前地震资料中强散射噪声压制方法及系统
Ma et al. Enhancing the resolution of micro-CT images of rock samples via unsupervised machine learning based on a diffusion model
CN110967738A (zh) 基于深度学习的地震数据插值处理方法及系统
CN116091893A (zh) 一种基于U-net网络的地震图像反褶积方法及系统
CN113486869A (zh) 一种基于非监督特征提取的岩性识别方法、装置及介质
CN111337973B (zh) 地震数据重建方法、系统

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