CN114035226A - 基于噪声语义相关性深度迁移去噪自编码网络的微地震资料噪声压制方法及系统 - Google Patents

基于噪声语义相关性深度迁移去噪自编码网络的微地震资料噪声压制方法及系统 Download PDF

Info

Publication number
CN114035226A
CN114035226A CN202111338427.9A CN202111338427A CN114035226A CN 114035226 A CN114035226 A CN 114035226A CN 202111338427 A CN202111338427 A CN 202111338427A CN 114035226 A CN114035226 A CN 114035226A
Authority
CN
China
Prior art keywords
data
noise
micro
coding network
self
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.)
Granted
Application number
CN202111338427.9A
Other languages
English (en)
Other versions
CN114035226B (zh
Inventor
董宏丽
王闯
商柔
孙桐
韩非
李佳慧
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.)
Northeast Petroleum University
Original Assignee
Northeast Petroleum 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 Northeast Petroleum University filed Critical Northeast Petroleum University
Priority to CN202111338427.9A priority Critical patent/CN114035226B/zh
Publication of CN114035226A publication Critical patent/CN114035226A/zh
Application granted granted Critical
Publication of CN114035226B publication Critical patent/CN114035226B/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
    • G01V1/288—Event detection in seismic signals, e.g. microseismics
    • 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
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Remote Sensing (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Environmental & Geological Engineering (AREA)
  • Acoustics & Sound (AREA)
  • Geology (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Geophysics (AREA)
  • Business, Economics & Management (AREA)
  • Emergency Management (AREA)
  • Geophysics And Detection Of Objects (AREA)

Abstract

本发明提出基于噪声语义相关性深度迁移去噪自编码网络的微地震资料噪声压制方法及系统，所述方法首先利用微地震合成资料对用去噪自编码器构造的模型进行训练，其中采用噪声语义相关性作为去噪自编码网络的损失函数，均方差作为去噪自编码网络的正则项；然后，采用最大均值差异最小化进行训练模型深度迁移。最后利用现场微地震资料对深度迁移去噪自编码噪声压制模型进行微调，得到最优模型，进行测试验证。所述方法克服了现有的深度学习去噪算法在微地震噪声压制背景下的限制，提升了微地震噪声压制模型的性能，提高了后续的事件识别与震源定位的准确性与可靠性。

Description

基于噪声语义相关性深度迁移去噪自编码网络的微地震资料 噪声压制方法及系统
技术领域
本发明属于页岩油微地震噪声压制技术领域，特别是涉及基于噪声语义相关性深度迁移去噪自编码网络的微地震资料噪声压制方法及系统。
背景技术
随着工业的快速发展，我国的石油消耗量逐年增加，常规油气的开采量却不断下滑，能源安全形势异常严峻。页岩油作为一种非常规油气资源，可开采潜力大。
页岩油储层非均质性强、油密度高、粘度大、流动性差，开采难度极高。目前唯一有效的页岩油开采方式是水平井与分段压裂技术。微地震监测技术主要用于研究水力压裂诱发的微地震问题，建立裂缝的空间图像用来确定裂缝的方位和形状等，是保障页岩油等致密储层高效开发的核心技术之一。
在工程实际中采集的微地震资料往往会呈现“弱信号、强干扰”的特征，对后续微地震事件识别与震源定位带来了极大的困难。因此，噪声压制是微地震数据处理的核心环节。深度学习技术是一种“端”到“端”的技术，是一种结合大数据与计算机的大规模运算能力去调节内部参数，尽可能逼近问题目标的半理论、半经验的建模方式，具有强大的特征表征能力与寻优能力。因此，开展深度学习技术下的微地震噪声压制研究是十分必要的。
然而，在微地震噪声压制的背景下，当前用于去噪的深度学习算法有以下两点不足：1.目标数据未知问题：在现实训练模型时，训练集数据完全展示了真实场景的数据分布，最小化训练集数据的经验风险时，也等同于/接近于最小化期望风险，同时也获得了最优模型。但是使用目前深度学习算法普遍使用的经验风险损失构造去噪网络的损失函数，缺少真实值，无法直接用于模型训练；2.领域偏移问题：为了解决目标数据未知问题，采用了迁移学习策略，在合成微地震资料上先训练去噪网络并加以约束以避免模型过拟合。但是由于现场采集到的微地震资料包含更多、更复杂的地质信息，导致合成微地震资料分布与现场资料分布差异巨大，加大了去噪模型的迁移难度。
发明内容
本发明为了解决由于微地震信号频率高、衰减快、受噪声干扰严重引发的信噪比过低导致的后续微地震资料解释的正确性与可靠性降低的问题，提出了基于噪声语义相关性深度迁移去噪自编码网络的微地震资料噪声压制方法及系统。
本发明是通过以下技术方案实现的，本发明提出基于噪声语义相关性深度迁移去噪自编码网络的微地震资料噪声压制方法，所述方法包括：
步骤1、利用雷克子波合成微地震资料并加入一定量的噪声，利用合成微地震资料对去噪自编码网络进行训练，以去噪后的数据x(t)与得到的噪声n(t)之间的相关性作为损失函数，使数据信噪比达到理想的范围内，t为时间；
步骤2、在步骤1建立的去噪自编码的损失函数的基础上，加入去噪后的数据x(t)和目标数据x(t)之间的均方差作为合成微地震资料训练的去噪自编码网络的正则项之一，减小特征变量的数量级，避免模型过拟合；
步骤3、在步骤2建立的去噪自编码的损失函数的基础上基于最大均值差异最小化进行深度迁移，作为合成微地震资料训练的去噪自编码网络的正则项之二，从而缩小实验室数据分布与现场微地震数据分布之间的距离；
步骤4、使用合成微地震资料训练好的去噪自编码网络的参数作为重构的去噪自编码网络的初始化参数，使用现场微地震资料对重构后的去噪自编码网络进行微调，以去噪后的数据x(t)与噪声n(t)之间的相关性作为损失函数，得到最终的微地震资料噪声压制模型，并进行测试。
进一步地，在步骤1中，
使用雷克子波构造合成微地震资料样本
Figure BDA0003351436830000021
s表示源域，N表示源域样本个数，并加入不同信噪比的高斯噪声模仿现场微地震资料；所述雷克子波的函数表达式为：
W(t)＝[1-(2πft)2]*exp[-(πft)2]
其中，W(t)为雷克子波函数，t表示时间，f表示频率。
进一步地，所述的步骤1中，去噪后的数据x(t)与得到的噪声n(t)之间的相关性的计算方式如下：
Figure BDA0003351436830000022
其中，Loss_R表示噪声语义相关性损失函数，
Figure BDA0003351436830000023
是第i个去噪后微地震合成数据，
Figure BDA0003351436830000024
Figure BDA0003351436830000025
表示第i个样本去噪后得到的噪声信号。
进一步地，所述的步骤2中，去噪后数据x(t)与目标数据x(t)之间的均方差的计算方式如下：
Figure BDA0003351436830000031
其中，
Figure BDA0003351436830000032
表示源域中通过去噪自编码网络重构的第i个合成微地震资料样本，
Figure BDA0003351436830000033
表示源域中第i个合成微地震资料样本，ωi表示第i个样本的均方差系数。
进一步地，在源域训练阶段，同时输入合成微地震资料与现场微地震资料，寻找一个再生希尔伯特空间使合成微地震资料分布与现场微地震资料分布之间的最大均值差异最小化，进而缩小两分布之间的距离；所述最大均值差异最小化的计算方式为：
Figure BDA0003351436830000034
其中，F表示非线性特征，X表示整体的源域数据，Y表示整体的目标域数据，f(xs)表示源域整体的映射函数，f(yt)表示目标域整体映射函数，N表示源域样本个数，M表示目标域样本个数，k()表示高斯核函数，s′表示s的转置，xi′ s′表示转置后第i′个样本，yj t表示第j个目标域样本，t′表示t的转置，yj′ t′表示转置后第j′个目标域样本。
本发明还提出基于噪声语义相关性深度迁移去噪自编码网络的微地震资料噪声压制系统，所述系统包括：
噪声语义相关性去噪自编码网络模块：用于利用雷克子波合成微地震资料并加入一定量的噪声，利用合成微地震资料对去噪自编码网络进行训练，以去噪后的数据x(t)与得到的噪声n(t)之间的相关性作为损失函数，使数据信噪比达到理想的范围内，t为时间；
均方差正则模块：用于在步骤1建立的去噪自编码的损失函数的基础上，加入去噪后的数据x(t)和目标数据x(t)之间的均方差作为合成微地震资料训练的去噪自编码网络的正则项之一，减小特征变量的数量级，避免模型过拟合；
深度迁移模块：用于在步骤2建立的去噪自编码的损失函数的基础上基于最大均值差异最小化进行深度迁移，作为合成微地震资料训练的去噪自编码网络的正则项之二，从而缩小实验室数据分布与现场微地震数据分布之间的距离；
噪声压制模块：用于使用合成微地震资料训练好的去噪自编码网络的参数作为重构的去噪自编码网络的初始化参数，使用现场微地震资料对重构后的去噪自编码网络进行微调，以去噪后的数据x(t)与噪声n(t)之间的相关性作为损失函数，得到最终的微地震资料噪声压制模型，并进行测试。
本发明提出了一种基于噪声语义相关性深度迁移去噪自编码网络的微地震资料噪声压制方法及系统，该方法克服了传统微地震滤波去噪方法无法解决的多种噪声耦合的问题，并且克服了现有的深度学习去噪算法在微地震噪声压制背景下的限制，提升了微地震噪声压制模型的性能，提高了后续的事件识别与震源定位的准确性与可靠性。
附图说明
图1为基于噪声语义相关性深度迁移去噪自编码网络的微地震资料噪声压制方法的流程图；
图2为去噪自编码网络结构图；
图3为基于噪声语义相关性深度迁移去噪自编码网络结构图；
图4为含有噪声的现场微地震资料图；
图5为去除噪声后的现场微地震资料图。
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，所描述的实施例仅仅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。
结合图1-5，本发明提出基于噪声语义相关性深度迁移去噪自编码网络的微地震资料噪声压制方法，所述方法包括：
步骤1、利用雷克子波合成微地震资料并加入一定量的噪声，利用合成微地震资料对去噪自编码网络进行训练，以去噪后的数据x(t)与得到的噪声n(t)之间的相关性作为损失函数，使数据信噪比达到理想的范围内，t为时间；
步骤2、在步骤1建立的去噪自编码的损失函数的基础上，加入去噪后的数据x(t)和目标数据x(t)之间的均方差作为合成微地震资料训练的去噪自编码网络的正则项之一，减小特征变量的数量级，避免模型过拟合；
步骤3、在步骤2建立的去噪自编码的损失函数的基础上基于最大均值差异最小化进行深度迁移，作为合成微地震资料训练的去噪自编码网络的正则项之二，从而缩小实验室数据分布与现场微地震数据分布之间的距离；解决领域偏移带来的模型不适用问题。
步骤4、使用合成微地震资料训练好的去噪自编码网络的参数作为重构的去噪自编码网络的初始化参数，使用现场微地震资料对重构后的去噪自编码网络进行微调，以去噪后的数据x(t)与噪声n(t)之间的相关性作为损失函数，得到最终的微地震资料噪声压制模型，并进行测试。
在步骤1中，
使用雷克子波构造合成微地震资料样本
Figure BDA0003351436830000051
s表示源域(合成微地震资料)，N表示源域样本个数，并加入不同信噪比的高斯噪声模仿现场微地震资料；所述雷克子波的函数表达式为：
W(t)＝[1-(2πft)2]*exp[-(πft)2]
其中，W(t)为雷克子波函数，t表示时间，f表示频率。
所述的步骤1中，去噪后的数据x(t)与得到的噪声n(t)之间的相关性的计算方式如下：
Figure BDA0003351436830000052
其中，Loss_R表示噪声语义相关性损失函数，
Figure BDA0003351436830000053
是第i个去噪后微地震合成数据，
Figure BDA0003351436830000054
Figure BDA0003351436830000059
表示第i个样本去噪后得到的噪声信号。
所述的步骤2中，去噪后数据x(t)与目标数据x(t)之间的均方差的计算方式如下：
Figure BDA0003351436830000056
其中，
Figure BDA0003351436830000057
表示源域中通过去噪自编码网络重构的第i个合成微地震资料样本，
Figure BDA0003351436830000058
表示源域中第i个合成微地震资料样本，ωi表示第i个样本的均方差系数。
在源域训练阶段，同时输入合成微地震资料与现场微地震资料，寻找一个再生希尔伯特空间使合成微地震资料分布与现场微地震资料分布之间的最大均值差异最小化，进而缩小两分布之间的距离；所述最大均值差异最小化的计算方式为：
Figure BDA0003351436830000061
其中，F表示非线性特征，X表示整体的源域数据，Y表示整体的目标域数据，f(xs)表示源域整体的映射函数，f(yt)表示目标域整体映射函数，N表示源域样本个数，M表示目标域样本个数，k()表示高斯核函数，s′表示s的转置，xi′ s′表示转置后第i′个样本，yj t表示第j个目标域样本，t′表示t的转置，yj′ t′表示转置后第j′个目标域样本。
本发明还提出基于噪声语义相关性深度迁移去噪自编码网络的微地震资料噪声压制系统，所述系统包括：
噪声语义相关性去噪自编码网络模块：用于利用雷克子波合成微地震资料并加入一定量的噪声，利用合成微地震资料对去噪自编码网络进行训练，以去噪后的数据x(t)与得到的噪声n(t)之间的相关性作为损失函数，使数据信噪比达到理想的范围内，t为时间；
均方差正则模块：用于在步骤1建立的去噪自编码的损失函数的基础上，加入去噪后的数据x(t)和目标数据x(t)之间的均方差作为合成微地震资料训练的去噪自编码网络的正则项之一，减小特征变量的数量级，避免模型过拟合；
深度迁移模块：用于在步骤2建立的去噪自编码的损失函数的基础上基于最大均值差异最小化进行深度迁移，作为合成微地震资料训练的去噪自编码网络的正则项之二，从而缩小实验室数据分布与现场微地震数据分布之间的距离；
噪声压制模块：用于使用合成微地震资料训练好的去噪自编码网络的参数作为重构的去噪自编码网络的初始化参数，使用现场微地震资料对重构后的去噪自编码网络进行微调，以去噪后的数据x(t)与噪声n(t)之间的相关性作为损失函数，得到最终的微地震资料噪声压制模型，并进行测试。
以上对本发明所提出的基于噪声语义相关性深度迁移去噪自编码网络的微地震资料噪声压制方法及系统进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (6)

1.基于噪声语义相关性深度迁移去噪自编码网络的微地震资料噪声压制方法，其特征在于，所述方法包括：
步骤1、利用雷克子波合成微地震资料并加入一定量的噪声，利用合成微地震资料对去噪自编码网络进行训练，以去噪后的数据x(t)与得到的噪声n(t)之间的相关性作为损失函数，使数据信噪比达到理想的范围内，t为时间；
步骤2、在步骤1建立的去噪自编码的损失函数的基础上，加入去噪后的数据x(t)和目标数据x(t)之间的均方差作为合成微地震资料训练的去噪自编码网络的正则项之一，减小特征变量的数量级，避免模型过拟合；
步骤3、在步骤2建立的去噪自编码的损失函数的基础上基于最大均值差异最小化进行深度迁移，作为合成微地震资料训练的去噪自编码网络的正则项之二，从而缩小实验室数据分布与现场微地震数据分布之间的距离；
步骤4、使用合成微地震资料训练好的去噪自编码网络的参数作为重构的去噪自编码网络的初始化参数，使用现场微地震资料对重构后的去噪自编码网络进行微调，以去噪后的数据x(t)与噪声n(t)之间的相关性作为损失函数，得到最终的微地震资料噪声压制模型，并进行测试。
2.根据权利要求1所述的噪声压制方法，其特征在于，在步骤1中，
使用雷克子波构造合成微地震资料样本
Figure FDA0003351436820000011
s表示源域，N表示源域样本个数，并加入不同信噪比的高斯噪声模仿现场微地震资料；所述雷克子波的函数表达式为：
W(t)＝[1-(2πft)2]*exp[-(πft)2]
其中，W(t)为雷克子波函数，t表示时间，f表示频率。
3.根据权利要求2所述的噪声压制方法，其特征在于，所述的步骤1中，去噪后的数据x(t)与得到的噪声n(t)之间的相关性的计算方式如下：
Figure FDA0003351436820000012
其中，Loss_R表示噪声语义相关性损失函数，
Figure FDA0003351436820000013
是第i个去噪后微地震合成数据，
Figure FDA0003351436820000014
Figure FDA0003351436820000015
表示第i个样本去噪后得到的噪声信号。
4.根据权利要求3所述的噪声压制方法，其特征在于，所述的步骤2中，去噪后数据x(t)与目标数据x(t)之间的均方差的计算方式如下：
Figure FDA0003351436820000021
其中，
Figure FDA0003351436820000022
表示源域中通过去噪自编码网络重构的第i个合成微地震资料样本，
Figure FDA0003351436820000023
表示源域中第i个合成微地震资料样本，ωi表示第i个样本的均方差系数。
5.根据权利要求4所述的噪声压制方法，其特征在于，在源域训练阶段，同时输入合成微地震资料与现场微地震资料，寻找一个再生希尔伯特空间使合成微地震资料分布与现场微地震资料分布之间的最大均值差异最小化，进而缩小两分布之间的距离；所述最大均值差异最小化的计算方式为：
Figure FDA0003351436820000024
其中，F表示非线性特征，X表示整体的源域数据，Y表示整体的目标域数据，f(xs)表示源域整体的映射函数，f(yt)表示目标域整体映射函数，N表示源域样本个数，M表示目标域样本个数，k()表示高斯核函数，s′表示s的转置，xi′ s′表示转置后第i′个样本，yj t表示第j个目标域样本，t′表示t的转置，yj′ t′表示转置后第j′个目标域样本。
6.基于噪声语义相关性深度迁移去噪自编码网络的微地震资料噪声压制系统，其特征在于，所述系统包括：
噪声语义相关性去噪自编码网络模块：用于利用雷克子波合成微地震资料并加入一定量的噪声，利用合成微地震资料对去噪自编码网络进行训练，以去噪后的数据x(t)与得到的噪声n(t)之间的相关性作为损失函数，使数据信噪比达到理想的范围内，t为时间；
均方差正则模块：用于在步骤1建立的去噪自编码的损失函数的基础上，加入去噪后的数据x(t)和目标数据x(t)之间的均方差作为合成微地震资料训练的去噪自编码网络的正则项之一，减小特征变量的数量级，避免模型过拟合；
深度迁移模块：用于在步骤2建立的去噪自编码的损失函数的基础上基于最大均值差异最小化进行深度迁移，作为合成微地震资料训练的去噪自编码网络的正则项之二，从而缩小实验室数据分布与现场微地震数据分布之间的距离；
噪声压制模块：用于使用合成微地震资料训练好的去噪自编码网络的参数作为重构的去噪自编码网络的初始化参数，使用现场微地震资料对重构后的去噪自编码网络进行微调，以去噪后的数据x(t)与噪声n(t)之间的相关性作为损失函数，得到最终的微地震资料噪声压制模型，并进行测试。
CN202111338427.9A 2021-11-12 2021-11-12 基于噪声语义相关性深度迁移去噪自编码网络的微地震资料噪声压制方法及系统 Active CN114035226B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111338427.9A CN114035226B (zh) 2021-11-12 2021-11-12 基于噪声语义相关性深度迁移去噪自编码网络的微地震资料噪声压制方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111338427.9A CN114035226B (zh) 2021-11-12 2021-11-12 基于噪声语义相关性深度迁移去噪自编码网络的微地震资料噪声压制方法及系统

Publications (2)

Publication Number Publication Date
CN114035226A true CN114035226A (zh) 2022-02-11
CN114035226B CN114035226B (zh) 2023-10-20

Family

ID=80137452

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111338427.9A Active CN114035226B (zh) 2021-11-12 2021-11-12 基于噪声语义相关性深度迁移去噪自编码网络的微地震资料噪声压制方法及系统

Country Status (1)

Country Link
CN (1) CN114035226B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116990865A (zh) * 2023-09-28 2023-11-03 中国石油大学(华东) 基于深度迁移学习的微地震事件检测方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016154411A1 (en) * 2015-03-26 2016-09-29 Schlumberger Technology Corporation Noise mitigation for seismic survey multi-datasets
CN110007347A (zh) * 2019-04-09 2019-07-12 西南石油大学 一种深度学习地震资料去噪方法
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
WO2021164267A1 (zh) * 2020-02-21 2021-08-26 平安科技（深圳）有限公司 异常检测方法、装置、终端设备及存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016154411A1 (en) * 2015-03-26 2016-09-29 Schlumberger Technology Corporation Noise mitigation for seismic survey multi-datasets
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
CN110007347A (zh) * 2019-04-09 2019-07-12 西南石油大学 一种深度学习地震资料去噪方法
WO2021164267A1 (zh) * 2020-02-21 2021-08-26 平安科技（深圳）有限公司 异常检测方法、装置、终端设备及存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
王振朝;岳莹昭;师洁;侯惠然;: "基于多分辨率分析的小波系数压扩去噪算法", 中国电机工程学报, no. 10 *
王维波;徐西龙;盛立;高明;: "卷积神经网络微地震事件检测", 石油地球物理勘探, no. 05 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116990865A (zh) * 2023-09-28 2023-11-03 中国石油大学(华东) 基于深度迁移学习的微地震事件检测方法及系统
CN116990865B (zh) * 2023-09-28 2024-01-16 中国石油大学(华东) 基于深度迁移学习的微地震事件检测方法及系统

Also Published As

Publication number Publication date
CN114035226B (zh) 2023-10-20

Similar Documents

Publication Publication Date Title
Dong et al. New suppression technology for low-frequency noise in desert region: The improved robust principal component analysis based on prediction of neural network
CN107765308B (zh) 基于褶积思想与精确震源的重构低频数据频域全波形反演方法
CN110632662A (zh) 一种利用DCNN-Inception网络自动识别微地震信号的算法
CN112394414B (zh) 两步法地震绕射波场叠前分离的方法
CN114509736B (zh) 一种基于超宽带电磁散射特征的雷达目标识别方法
CN114966860A (zh) 一种基于卷积神经网络的地震数据去噪方法
CN115877478A (zh) 一种基于DualGAN的地震资料高分辨率处理方法
CN114035226A (zh) 基于噪声语义相关性深度迁移去噪自编码网络的微地震资料噪声压制方法及系统
CN114662414A (zh) 一种基于图小波神经网络模型的油藏生产预测方法
CN102928875A (zh) 基于分数阶傅里叶域的子波提取方法
CN110146923B (zh) 一种高效的高精度深度域地震子波提取方法
CN117251674A (zh) 一种地震相分类方法、装置、电子设备及介质
CN115877464B (zh) 一种岩性识别方法、装置、计算机设备及存储介质
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
Cheng et al. Multiscale recurrent-guided denoising network for distributed acoustic sensing-vertical seismic profile background noise attenuation
CN106291675A (zh) 一种基于基追踪技术的地震数据重构方法
CN115079257A (zh) 基于融合网络的q值估计及地震衰减补偿方法
Li et al. Multi-scale DCFF network: a new desert low-frequency noise suppression method
CN109633744B (zh) 地震子波的提取方法、装置、设备及存储介质
CN114624779A (zh) 平衡模型约束的叠前多参数反演方法
CN111239823A (zh) 一种侵入岩分布的识别方法
CN111880218A (zh) 基于品质因子的反演子波字典构建方法
CN114063169B (zh) 一种波阻抗反演方法、系统、设备和存储介质
CN113325471B (zh) 一种基于奇异值分解的地震波场次成分提取方法
Gao et al. Surface wave suppression through deformable convolutional wavelet transform network with residual dense blocks

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