CN114114421B - 基于深度学习的导向自学习地震数据去噪方法及装置 - Google Patents
基于深度学习的导向自学习地震数据去噪方法及装置 Download PDFInfo
- Publication number
- CN114114421B CN114114421B CN202111304512.3A CN202111304512A CN114114421B CN 114114421 B CN114114421 B CN 114114421B CN 202111304512 A CN202111304512 A CN 202111304512A CN 114114421 B CN114114421 B CN 114114421B
- Authority
- CN
- China
- Prior art keywords
- seismic data
- learning
- self
- guided
- guide
- 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 63
- 238000013135 deep learning Methods 0.000 title claims abstract description 37
- 230000006870 function Effects 0.000 claims abstract description 113
- 238000011156 evaluation Methods 0.000 claims abstract description 72
- 238000012549 training Methods 0.000 claims abstract description 57
- 230000015654 memory Effects 0.000 claims description 29
- 238000004590 computer program Methods 0.000 claims description 15
- 238000005070 sampling Methods 0.000 claims description 13
- 238000003860 storage Methods 0.000 claims description 11
- 238000009826 distribution Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000008485 antagonism Effects 0.000 claims description 4
- 230000002194 synthesizing effect Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 8
- 230000008569 process Effects 0.000 description 17
- 238000010586 diagram Methods 0.000 description 11
- 238000000605 extraction Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 238000004519 manufacturing process Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000007246 mechanism Effects 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- 230000015572 biosynthetic process Effects 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 238000003786 synthesis reaction Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000005012 migration Effects 0.000 description 2
- 238000013508 migration Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
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
- G01V1/36—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
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Remote Sensing (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Geology (AREA)
- Environmental & Geological Engineering (AREA)
- Acoustics & Sound (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本说明书涉及勘探地震数据处理技术领域,提供了一种基于深度学习的导向自学习地震数据去噪方法及装置,该方法包括:获取导向地震数据和原始地震数据;所述导向地震数据为基于正演模拟合成的无噪声地震数据,以作为导向学习目标数据;以所述原始地震数据和所述导向地震数据作为训练输入,对导向自学习地震数据去噪模型进行训练,直至所述导向自学习地震数据去噪模型的损失函数值和导向评价函数满足预设要求;将所述损失函数值和所述导向评价函数满足预设要求时的训练模型作为地震数据去噪模型,对待去噪地震数据进行去噪处理。本说明书实施例可以提高地震数据的去噪效率。
Description
技术领域
本说明书涉及勘探地震数据处理技术领域,尤其是涉及一种基于深度学习的导向自学习地震数据去噪方法及装置。
背景技术
地震数据在采集过程中受到检波器以及外界自然环境影响,导致采集的地震反射信号包含大量噪声。目前常规的地震数据去噪技术从时间域到空间域、频率域到波数域、频率域到曲波域等都建立了不同的地震去噪模型,且应用了学习字典、稀疏表示等技术。然而,这些去噪技术是在假设地震数据是低秩的且在高维空间可以线性表达地震数据的基础上实现去噪的目的。进一步的,在去噪的过程中需要人为设定去噪阈值,实现起来较为复杂,效率较低。
目前,基于深度学习的地震数据去噪技术依赖有监督的标签数据集训练网络,而地震数据中的噪声很难有效模拟,因此制作的噪声标签数据基本是利用常规去噪方法去除的噪声作为噪声标签,这导致训练后的深度学习去噪模型效果较差,去噪性能严重依赖噪声标签数据的方法,无法自适应不同工区数据中的噪声,导致去噪流程繁琐,去噪效率仍然不高。
发明内容
本说明书实施例的目的在于提供一种基于深度学习的导向自学习地震数据去噪方法及装置,以提高地震数据的去噪效率。
为达到上述目的,一方面,本说明书实施例提供了一种基于深度学习的导向自学习地震数据去噪方法,包括:
获取导向地震数据和原始地震数据;所述导向地震数据为基于正演模拟合成的无噪声地震数据,以作为导向学习目标数据;
以所述原始地震数据和所述导向地震数据作为训练输入,对导向自学习地震数据去噪模型进行训练,直至所述导向自学习地震数据去噪模型的损失函数值和导向评价函数满足预设要求;
将所述损失函数值和所述导向评价函数满足预设要求时的训练模型作为地震数据去噪模型,对待去噪地震数据进行去噪处理。
本说明书的实施例中,所述导向自学习地震数据去噪模型包括生成对抗网络;
所述生成对抗网络包括数据生成网络和数据判别网络;
所述数据生成网络用于生成去噪后的地震数据;
所述数据判别网络用于判别生成的去噪后的地震数据的可靠性。
本说明书的实施例中,所述获取导向地震数据,包括:
从目标工区的含噪声地震数据中提取地震子波;
利用所述目标工区的测井数据构建所述目标工区的速度模型;
将所述地震子波和所述速度模型用正演模拟方法合成地震数据,以作为导向地震数据。
本说明书的实施例中,所述基于深度学习的导向自学习地震数据去噪方法还包括:
通过以下方式确定所述导向自学习地震数据去噪模型的损失函数值和导向评价函数是否满足预设要求:
通过损失函数计算所述导向自学习地震数据去噪模型生成的地震数据与所述导向地震数据之间的损失值;
通过导向评价函数计算所述导向自学习地震数据去噪模型生成的地震数据与所述导向地震数据之间的评价函数值;
判断所述损失值和所述评价函数值是否低于对应的预设阈值;
当所述损失值和所述评价函数值低于对应的预设阈值时,确认所述导向自学习地震数据去噪模型的损失函数值和导向评价函数满足预设要求。
本说明书的实施例中,所述损失函数包括:
其中,Loss为导向自学习地震数据去噪模型的损失值,为导向自学习地震数据去噪模型的对抗损失值,lData为导向自学习地震数据去噪模型的数据损失值,lTV为导向自学习地震数据去噪模型的总变差损失值,α和β为权重因子,x为输入样本数据,D(x)为判别网络输出结果,E[log(D(x))]为D(x)在指定分布的期望值,G(x)为生成网络输出结果,E[log(1-D(G(x)))]为D(G(x))在指定分布的期望值,N为训练样本数,xi为第i个输入样本数据,/>和/>分别为采样点和地震道之间计算梯度,Z为采样点方向,T为地震道方向。
本说明书的实施例中,所述导向评价函数包括:
其中,PSNR为导向自学习地震数据去噪模型的导向评价值,n为每个采样值的比特数,MSE为导向自学习地震数据去噪模型生成的地震数据与导向地震数据的均方误差。
另一方面,本说明书实施例还提供了一种基于深度学习的导向自学习地震数据去噪装置,包括:
获取模块,用于获取导向地震数据和原始地震数据;所述导向地震数据为基于正演模拟合成的无噪声地震数据,以作为导向学习目标数据;
训练模块,用于以所述原始地震数据和所述导向地震数据作为训练输入,对导向自学习地震数据去噪模型进行训练,直至所述导向自学习地震数据去噪模型的损失函数值和导向评价函数满足预设要求;
去噪模块,用于将所述损失函数值和所述导向评价函数满足预设要求时的训练模型作为地震数据去噪模型,对待去噪地震数据进行去噪处理。
本说明书的实施例中,所述导向自学习地震数据去噪模型包括生成对抗网络;
所述生成对抗网络包括数据生成网络和数据判别网络;
所述数据生成网络用于生成去噪后的地震数据;
所述数据判别网络用于判别生成的去噪后的地震数据的可靠性。
是否低于对应的预设阈值另一方面,本说明书实施例还提供了一种计算机设备,包括存储器、处理器、以及存储在所述存储器上的计算机程序,所述计算机程序被所述处理器运行时,执行上述方法的指令。
另一方面,本说明书实施例还提供了一种计算机存储介质,其上存储有计算机程序,所述计算机程序被计算机设备的处理器运行时,执行上述方法的指令。
由以上本说明书实施例提供的技术方案可见,本说明书实施例中,训练数据集中包含导向地震数据,导向地震数据是基于正演模拟合成的无噪声地震数据,其可以作为导向学习目标数据;因此,训练时只需将原始地震数据(原始地震数据中一般含有噪声)和导向自学习地震数据去噪模型进行训练即可,而无需为训练模型制作噪声标签数据集,从而避免了制作噪声标签的繁琐过程,极大简化了整个模型训练过程,从而提高了地震数据去噪效率。
附图说明
为了更清楚地说明本说明书实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本说明书中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。在附图中:
图1示出了本说明书一些实施例中基于深度学习的导向自学习地震数据去噪方法的流程图;
图2示出了本说明书一些实施例的基于深度学习的导向自学习地震数据去噪方法中获取导向地震数据的流程图;
图3示出了本说明书一些实施例的基于深度学习的导向自学习地震数据去噪方法中训练导向自学习地震数据去噪模型的流程图;
图4a示出了本说明书一实施例中获得的导向地震数据;
图4b示出了本说明书一实施例中含噪声的地震数据;
图5a示出了本说明书一实施例中的待去噪地震数据;
图5b示出了从图5a所示的待去噪地震数据中去除的噪声数据;
图5c示出了对图5a所示的待去噪基于深度学习的导向自学习地震数据去噪后得到的地震数据;
图6a示出了本说明书一些实施例中基于深度学习的导向自学习地震数据去噪装置的结构框图;
图6b示出了本说明书另一些实施例中基于深度学习的导向自学习地震数据去噪装置的结构框图;
图7示出了本说明书一些实施例的基于深度学习的导向自学习地震数据去噪装置中获取模块的结构框图;
图8示出了本说明书一些实施例的基于深度学习的导向自学习地震数据去噪装置中判断模块的结构框图;
图9示出了本说明书一些实施例中计算机设备的结构框图。
【附图标记说明】
61、获取模块;
611、地震子波提取子模块;
612、速度模型构建子模块;
613、正演模拟合成子模块;
62、训练模块;
63、去噪模块;
64、判断模块;
641、第一计算子模块;
642、第二计算子模块;
643、数值比较子模块;
902、计算机设备;
904、处理器;
906、存储器;
908、驱动机构;
910、输入/输出接口;
912、输入设备;
914、输出设备;
916、呈现设备;
918、图形用户接口;
920、网络接口;
922、通信链路;
924、通信总线。
具体实施方式
为了使本技术领域的人员更好地理解本说明书中的技术方案,下面将结合本说明书实施例中的附图,对本说明书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说明书一部分实施例,而不是全部的实施例。基于本说明书中的实施例,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,都应当属于本说明书保护的范围。
鉴于现有的地震数据去噪方法效率较低的问题,本说明书实施例提供了基于深度学习的导向自学习地震数据去噪方案。在一些实施例中,本说明书提供了基于深度学习的导向自学习地震数据去噪方法的实施例。参考图1所示,所述基于深度学习的导向自学习地震数据去噪方法可以包括以下步骤:
S101、获取导向地震数据和原始地震数据;所述导向地震数据为基于正演模拟合成的无噪声地震数据,以作为导向学习目标数据。
S102、以所述原始地震数据和所述导向地震数据作为训练输入,对导向自学习地震数据去噪模型进行训练,直至所述导向自学习地震数据去噪模型的损失函数值和导向评价函数满足预设要求。
S103、将所述损失函数值和所述导向评价函数满足预设要求时的训练模型作为地震数据去噪模型,对待去噪地震数据进行去噪处理。
本说明书实施例的基于深度学习的导向自学习地震数据去噪方法中,训练数据集中包含导向地震数据,导向地震数据是基于正演模拟合成的无噪声地震数据,其可以作为导向学习目标数据;因此,训练时只需将原始地震数据(原始地震数据中一般含有噪声)和导向自学习地震数据去噪模型进行训练即可,而无需为训练模型制作噪声标签数据集,从而避免了制作噪声标签的繁琐过程,极大简化了整个模型训练过程,从而提高了地震数据去噪效率。
在一些实施例中,作为训练初始模型的导向自学习地震数据去噪模型可以为生成对抗网络(Generative Adversarial Networks,GAN)。其中,生成对抗网络可以包含数据生成网络和数据判别网络;数据生成网络可以用于生成去噪后的地震数据,数据判别网络可以用于判别生成的去噪后的地震数据的可靠性。
原始地震数据即为未经过噪声处理的二维或三维勘探地震的地震数据,因此,原始地震数据一般含有噪声。例如,在一示例性实施例中,原始地震数据可以如图4b所示。导向地震数据是基于正演模拟合成的无噪声地震数据,以作为导向学习目标数据,即导向学习目标数据作为模型训练的目标输出(或称为目标值)。例如,在一示例性实施例中,导向地震数据可以如图4a所示。其中,在图4a和图4b中,纵坐标表示深度,横坐标表示水平距离。
参考图2所示,在一些实施例中,所述获取导向地震数据可以包括以下步骤:
S201、从目标工区的含噪声地震数据中提取地震子波。
地震子波是人工炮点激发产生地震波,地震波在地下介质中传播,发生反射、折射等,之后被布设于地面上的检波器所接受到的脉冲信号,而且是一段具有确定的起始时间、能量有限且有一定延续长度的脉冲信号,它是地震记录中的基本单元。在一些实施例中,可以利用任何合适的确定性地震子波提取算法或统计性地震子波提取算法,从目标工区的含噪声地震数据中提取地震子波。例如,在一实施例中,确定性地震子波提取算法例如可以包括但不限于维纳滤波、谱除法、线性反演方法、循环迭代法等。统计性地震子波提取算法例如可以包括但不限于最小相位子波提取算法、混合相位子波提取算法等。
S202、利用所述目标工区的测井数据构建所述目标工区的速度模型。
速度模型即为地震速度模型(例如地表层速度模型),是用于表征地质构造的数学模型。在勘探地震数据处理中,速度模型的准确与否直接影响深度偏移成像的成像精度。在一些实施例中,可以采用波形反演(例如基于射线的层析反演)、波形走时联合反演等速度建模方法。
S203、将所述地震子波和所述速度模型用正演模拟方法合成地震数据,以作为导向地震数据。
正演模拟即为地震正演模拟。地震正演模拟是根据已知(或设计)的数学及物理模型或地质模型(例如速度模型)求取相应地震响应的过程。一维模型正演模拟是计算合成地震道(合成地震记录),二维正演模拟是计算合成地震剖面,三维正演模拟是求取理论三维数据体。地震正演模拟在地震勘探和油藏地球物理中已被广泛应用,在地震数据采集、地面和井中地震数据处理(如去噪、叠加、叠前偏移速度分析、成像)、地震反演(如波阻抗反演、AVO反演、岩性反演)以及地震资料解释(如合成地震记录制作和地震地质关系标定、层位和断层解释、地震层序地层学解释、非构造圈闭识别、盆地分析、油藏表征和模拟)等实际生产和方法研究中都发挥了很大作用。在一些实施例中,可以采用任何合适的正演模拟方法合成不包含噪声的地震数据。
在训练过程中,每经过一轮训练后,需要判断导向自学习地震数据去噪模型的损失函数值和导向评价函数是否满足预设要求;当导向自学习地震数据去噪模型的损失函数值或导向评价函数不满足预设要求时,需要继续进行训练,以保证训练出的模型具备合适的性能。当导向自学习地震数据去噪模型的损失函数值和导向评价函数满足预设要求时,可以停止训练,以降低训练成本。参考图3所示,在一些实施例中,判断导向自学习地震数据去噪模型的损失函数值和导向评价函数是否满足预设要求,可以包括以下步骤:
S301a、通过损失函数计算所述导向自学习地震数据去噪模型生成的地震数据与所述导向地震数据之间的损失值。
损失函数用来评价模型的预测值和真实值不一样的程度。在本说明书实施例中,通过损失函数可以计算导向自学习地震数据去噪模型生成的地震数据与导向地震数据之间的损失值;损失值可以用于表征导向自学习地震数据去噪模型生成的地震数据与导向地震数据之间的差距,损失值越小表明二者之间的差距越小。具体实施时,可根据需要可以采用任何合适的损失函数计算损失值。例如,在一实施例中,以导向自学习地震数据去噪模型采用生成对抗网络为例,可以采用如下损失函数计算损失值:
其中,Loss为导向自学习地震数据去噪模型的损失值,为导向自学习地震数据去噪模型的对抗损失值,lData为导向自学习地震数据去噪模型的数据损失值,lTV为导向自学习地震数据去噪模型的总变差损失值,α和β为权重因子,x为输入样本数据,D(x)为判别网络输出结果,E[log(D(x))]为D(x)在指定分布的期望值,G(x)为生成网络输出结果,E[log(1-D(G(x)))]为D(G(x))在指定分布的期望值,N为训练样本数,xi为第i个输入样本数据,/>和/>分别为采样点和地震道之间计算梯度,Z为采样点方向,T为地震道方向。
S301b、通过导向评价函数计算所述导向自学习地震数据去噪模型生成的地震数据与所述导向地震数据之间的评价函数值。
类似于损失函数,导向评价函数也可以用来评价模型的预测值和真实值不一样的程度,并可用于控制模型的训练方向。在本说明书实施例中,通过导向评价函数可以计算导向自学习地震数据去噪模型生成的地震数据与导向地震数据之间的评价函数值;评价函数值可以用于表征导向自学习地震数据去噪模型生成的地震数据与导向地震数据之间的差距,评价函数值越小表明二者之间的差距越小。具体实施时,可根据需要可以采用任何合适的导向评价函数计算评价函数值。例如,在一实施例中,以导向自学习地震数据去噪模型采用生成对抗网络为例,可以采用如下导向评价函数计算评价函数值:
其中,PSNR为导向自学习地震数据去噪模型的导向评价值,n为每个采样值的比特数,MSE为导向自学习地震数据去噪模型生成的地震数据与导向地震数据的均方误差。
S302、判断所述损失值和所述评价函数值是否低于对应的预设阈值。
综合利用损失值和评价函数值判断导向自学习地震数据去噪模型是否满足预设要求,可以有利于更加全面、客观、准确地评价导向自学习地震数据去噪模型。在本说明书实施例中,判断所述损失值和所述评价函数值是否低于对应的预设阈值是指:将损失值与损失值阈值进行比较,并据此判断损失值是否低于损失值阈值;以及将评价函数值与评价函数值阈值进行比较,并据此判断评价函数值是否低于评价函数值阈值。当所述损失值和所述评价函数值低于对应的预设阈值时,执行步骤S303,否则执行步骤S304。
S303、当所述损失值和所述评价函数值低于对应的预设阈值时,确认所述导向自学习地震数据去噪模型的损失函数值和导向评价函数满足预设要求,因此,可以将其作为地震数据去噪模型。在本说明书实施例中,所述损失值和所述评价函数值低于对应的预设阈值是指:损失值低于损失值阈值且评价函数值低于评价函数值阈值。
S304、利用损失值更新导向自学习地震数据去噪模型中各层的权值参数,从而实现对导向自学习地震数据去噪模型的更新,并在此基础上继续进行训练;然后跳转执行步骤S301a和步骤S301b。
在本说明书实施例中,步骤S103中,利用地震数据去噪模型对待去噪地震数据进行去噪处理是指:将待去噪地震数据输入至地震数据去噪模型进行去噪处理,从而得到去噪后的地震数据。例如,在一示例性实施例中,以图5a所示的待去噪地震数据为例,利用本说明书实施例的基于深度学习的导向自学习地震数据去噪方法,可以去除图5a所示的待去噪地震数据中的噪声数据(例如图5b所示),从而得到如图5c所示的去噪后的地震数据。对比图5a和图5c可以看出,基于本说明书实施例的导向自学习地震数据去噪方法的去噪处理,大幅提高了地震数据的信噪比,去噪处理后的图像更加清晰。其中,在图5a~图5c中,纵坐标表示深度,横坐标表示水平距离。
虽然上文描述的过程流程包括以特定顺序出现的多个操作,但是,应当清楚了解,这些过程可以包括更多或更少的操作,这些操作可以顺序执行或并行执行(例如使用并行处理器或多线程环境)。
与上述的基于深度学习的导向自学习地震数据去噪方法对应,本说明书实施例还提供了一种基于深度学习的导向自学习地震数据去噪装置,其可以配置于任何计算设备上,参考图6a所示,在一些实施例中,所述基于深度学习的导向自学习地震数据去噪装置可以包括获取模块61、训练模块62和去噪模块63。其中:
获取模块61可以用于获取导向地震数据和原始地震数据;所述导向地震数据为基于正演模拟合成的无噪声地震数据,以作为导向学习目标数据;
训练模块62可以用于以所述原始地震数据和所述导向地震数据作为训练输入,对导向自学习地震数据去噪模型进行训练,直至所述导向自学习地震数据去噪模型的损失函数值和导向评价函数满足预设要求;
去噪模块63可以用于将所述损失函数值和所述导向评价函数满足预设要求时的训练模型作为地震数据去噪模型,对待去噪地震数据进行去噪处理。
参考图6b所示,在一些实施例中,除了获取模块61、训练模块62和去噪模块63之外,所述基于深度学习的导向自学习地震数据去噪装置还可以包括判断模块64。所述判断模块64可以用于确定导向自学习地震数据去噪模型的损失函数值和导向评价函数是否满足预设要求。
本说明书实施例的基于深度学习的导向自学习地震数据去噪装置中,训练数据集中包含导向地震数据,导向地震数据是基于正演模拟合成的无噪声地震数据,其可以作为导向学习目标数据;因此,训练时只需将原始地震数据(原始地震数据中一般含有噪声)和导向自学习地震数据去噪模型进行训练即可,而无需为训练模型制作噪声标签数据集,从而避免了制作噪声标签的繁琐过程,极大简化了整个模型训练过程,从而提高了地震数据去噪效率。
参考图7所示,在一些实施例中,所述获取模块61可以包括地震子波提取子模块611、速度模型构建子模块612和正演模拟合成子模块613。当然,所述获取模块61还可以包括用于获取原始地震数据的子模块(图中未画出)。其中:
地震子波提取子模块611可以用于从目标工区的含噪声地震数据中提取地震子波;
速度模型构建子模块612可以用于利用所述目标工区的测井数据构建所述目标工区的速度模型;
正演模拟合成子模块613可以用于将所述地震子波和所述速度模型用正演模拟方法合成地震数据,以作为导向地震数据。
参考图8所示,在一些实施例中,所述判断模块64可以包括第一计算子模块641、第二计算子模块642和数值比较子模块643。其中:
第一计算子模块641可以用于通过损失函数计算所述导向自学习地震数据去噪模型生成的地震数据与所述导向地震数据之间的损失值;
第二计算子模块642可以用于通过导向评价函数计算所述导向自学习地震数据去噪模型生成的地震数据与所述导向地震数据之间的评价函数值;
数值比较子模块643可以用于判断所述损失值和所述评价函数值是否低于对应的预设阈值;当所述损失值和所述评价函数值低于对应的预设阈值时,确认所述导向自学习地震数据去噪模型的损失函数值和导向评价函数满足预设要求。
本说明书的装置实施例中,所述损失函数可以包括:
其中,Loss为导向自学习地震数据去噪模型的损失值,为导向自学习地震数据去噪模型的对抗损失值,lData为导向自学习地震数据去噪模型的数据损失值,lTV为导向自学习地震数据去噪模型的总变差损失值,α和β为权重因子,x为输入样本数据,D(x)为判别网络输出结果,E[log(D(x))]为D(x)在指定分布的期望值,G(x)为生成网络输出结果,E[log(1-D(G(x)))]为D(G(x))在指定分布的期望值,N为训练样本数,xi为第i个输入样本数据,/>和/>分别为采样点和地震道之间计算梯度,Z为采样点方向,T为地震道方向。
本说明书的装置实施例中,所述导向评价函数可以包括:
其中,PSNR为导向自学习地震数据去噪模型的导向评价值,n为每个采样值的比特数,MSE为导向自学习地震数据去噪模型生成的地震数据与导向地震数据的均方误差。
本说明书实施例的基于深度学习的导向自学习地震数据去噪装置中,训练数据集中包含导向地震数据,导向地震数据是基于正演模拟合成的无噪声地震数据,其可以作为导向学习目标数据;因此,训练时只需将原始地震数据(原始地震数据中一般含有噪声)和导向自学习地震数据去噪模型进行训练即可,而无需为训练模型制作噪声标签数据集,从而避免了制作噪声标签的繁琐过程,极大简化了整个模型训练过程,从而提高了地震数据去噪效率。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本说明书的实施例还提供一种计算机设备。如图9所示,在本说明书一些实施例中,所述计算机设备902可以包括一个或多个处理器904,诸如一个或多个中央处理单元(CPU)或图形处理器(GPU),每个处理单元可以实现一个或多个硬件线程。计算机设备902还可以包括任何存储器906,其用于存储诸如代码、设置、数据等之类的任何种类的信息,一具体实施例中,存储器906上并可在处理器904上运行的计算机程序,所述计算机程序被所述处理器904运行时,可以执行上述任一实施例所述的基于深度学习的导向自学习地震数据去噪方法的指令。非限制性的,比如,存储器906可以包括以下任一项或多种组合:任何类型的RAM,任何类型的ROM,闪存设备,硬盘,光盘等。更一般地,任何存储器都可以使用任何技术来存储信息。进一步地,任何存储器可以提供信息的易失性或非易失性保留。进一步地,任何存储器可以表示计算机设备902的固定或可移除部件。在一种情况下,当处理器904执行被存储在任何存储器或存储器的组合中的相关联的指令时,计算机设备902可以执行相关联指令的任一操作。计算机设备902还包括用于与任何存储器交互的一个或多个驱动机构908,诸如硬盘驱动机构、光盘驱动机构等。
计算机设备902还可以包括输入/输出接口910(I/O),其用于接收各种输入(经由输入设备912)和用于提供各种输出(经由输出设备914)。一个具体输出机构可以包括呈现设备916和相关联的图形用户接口918(GUI)。在其他实施例中,还可以不包括输入/输出接口910(I/O)、输入设备912以及输出设备914,仅作为网络中的一台计算机设备。计算机设备902还可以包括一个或多个网络接口920,其用于经由一个或多个通信链路922与其他设备交换数据。一个或多个通信总线924将上文所描述的部件耦合在一起。
通信链路922可以以任何方式实现,例如,通过局域网、广域网(例如,因特网)、点对点连接等、或其任何组合。通信链路922可以包括由任何协议或协议组合支配的硬连线链路、无线链路、路由器、网关功能、名称服务器等的任何组合。
本申请是参照本说明书一些实施例的方法、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器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器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器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器上,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。
在一个典型的配置中,计算机设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算机设备访问的信息。按照本说明书中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
本领域技术人员应明白,本说明书的实施例可提供为方法、系统或计算机程序产品。因此,本说明书实施例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,本说明书实施例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。
本说明书实施例可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书实施例,在这些分布式计算环境中,由通过通信网络而被连接的远程处理器来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
还应理解,在本说明书实施例中,术语“和/或”仅仅是一种描述关联对象的关联关系,表示可以存在三种关系。例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本说明书实施例的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
以上所述仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (9)
1.一种基于深度学习的导向自学习地震数据去噪方法,其特征在于,包括:
获取导向地震数据和原始地震数据;所述导向地震数据为基于正演模拟合成的无噪声地震数据,以作为导向学习目标数据;
以所述原始地震数据和所述导向地震数据作为训练输入,对导向自学习地震数据去噪模型进行训练,直至所述导向自学习地震数据去噪模型的损失函数值和导向评价函数满足预设要求;所述导向自学习地震数据去噪模型包括生成对抗网络;所述生成对抗网络包括数据生成网络和数据判别网络;所述损失函数值通过损失函数计算得到,所述损失函数为:
其中,Loss为导向自学习地震数据去噪模型的损失值,为导向自学习地震数据去噪模型的对抗损失值,lData为导向自学习地震数据去噪模型的数据损失值,lTV为导向自学习地震数据去噪模型的总变差损失值,α和β为权重因子,x为输入样本数据,D(x)为判别网络输出结果,E[log(D(x))]为D(x)在指定分布的期望值,G(x)为生成网络输出结果,E[log(1-D(G(x)))]为D(G(x))在指定分布的期望值,N为训练样本数,xi为第i个输入样本数据,/>和分别为采样点和地震道之间计算梯度,Z为采样点方向,T为地震道方向;将所述损失函数值和所述导向评价函数满足预设要求时的训练模型作为地震数据去噪模型,对待去噪地震数据进行去噪处理。
2.如权利要求1所述的基于深度学习的导向自学习地震数据去噪方法,其特征在于,所述数据生成网络用于生成去噪后的地震数据;所述数据判别网络用于判别生成的去噪后的地震数据的可靠性。
3.如权利要求1所述的基于深度学习的导向自学习地震数据去噪方法,其特征在于,所述获取导向地震数据,包括:
从目标工区的含噪声地震数据中提取地震子波;
利用所述目标工区的测井数据构建所述目标工区的速度模型;
将所述地震子波和所述速度模型用正演模拟方法合成地震数据,以作为导向地震数据。
4.如权利要求2所述的基于深度学习的导向自学习地震数据去噪方法,其特征在于,还包括:
通过以下方式确定所述导向自学习地震数据去噪模型的损失函数值和导向评价函数是否满足预设要求:
通过损失函数计算所述导向自学习地震数据去噪模型生成的地震数据与所述导向地震数据之间的损失值;
通过导向评价函数计算所述导向自学习地震数据去噪模型生成的地震数据与所述导向地震数据之间的评价函数值;
判断所述损失值和所述评价函数值是否低于对应的预设阈值;
当所述损失值和所述评价函数值低于对应的预设阈值时,确认所述导向自学习地震数据去噪模型的损失函数值和导向评价函数满足预设要求。
5.如权利要求4所述的基于深度学习的导向自学习地震数据去噪方法,其特征在于,所述导向评价函数包括:
其中,PSNR为导向自学习地震数据去噪模型的导向评价值,n为每个采样值的比特数,MSE为导向自学习地震数据去噪模型生成的地震数据与导向地震数据的均方误差。
6.一种基于深度学习的导向自学习地震数据去噪装置,其特征在于,包括:
获取模块,用于获取导向地震数据和原始地震数据;所述导向地震数据为基于正演模拟合成的无噪声地震数据,以作为导向学习目标数据;
训练模块,用于以所述原始地震数据和所述导向地震数据作为训练输入,对导向自学习地震数据去噪模型进行训练,直至所述导向自学习地震数据去噪模型的损失函数值和导向评价函数满足预设要求;所述导向评价函数用于计算所述导向自学习地震数据去噪模型生成的地震数据与所述导向地震数据之间的评价函数值;所述导向评价函数包括:
其中,PSNR为导向自学习地震数据去噪模型的导向评价值,n为每个采样值的比特数,MSE为导向自学习地震数据去噪模型生成的地震数据与导向地震数据的均方误差;
去噪模块,用于将所述损失函数值和所述导向评价函数满足预设要求时的训练模型作为地震数据去噪模型,对待去噪地震数据进行去噪处理。
7.如权利要求6所述的基于深度学习的导向自学习地震数据去噪装置,其特征在于,所述导向自学习地震数据去噪模型包括生成对抗网络;
所述生成对抗网络包括数据生成网络和数据判别网络;
所述数据生成网络用于生成去噪后的地震数据;
所述数据判别网络用于判别生成的去噪后的地震数据的可靠性。
8.一种计算机设备,包括存储器、处理器、以及存储在所述存储器上的计算机程序,其特征在于,所述计算机程序被所述处理器运行时,执行根据权利要求1-5任意一项所述方法的指令。
9.一种计算机存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被计算机设备的处理器运行时,执行根据权利要求1-5任意一项所述方法的指令。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111304512.3A CN114114421B (zh) | 2021-11-05 | 2021-11-05 | 基于深度学习的导向自学习地震数据去噪方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111304512.3A CN114114421B (zh) | 2021-11-05 | 2021-11-05 | 基于深度学习的导向自学习地震数据去噪方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114114421A CN114114421A (zh) | 2022-03-01 |
CN114114421B true CN114114421B (zh) | 2023-09-29 |
Family
ID=80380803
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111304512.3A Active CN114114421B (zh) | 2021-11-05 | 2021-11-05 | 基于深度学习的导向自学习地震数据去噪方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114114421B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115453616B (zh) * | 2022-08-04 | 2024-09-20 | 山东大学 | 基于深度学习的隧道地震勘探数据增强方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2827070A1 (en) * | 2012-09-19 | 2014-03-19 | Cgg Services Sa | Interference noise attenuation method and apparatus |
CN108897045A (zh) * | 2018-08-28 | 2018-11-27 | 中国石油天然气股份有限公司 | 深度学习模型训练方法和地震数据去噪方法、装置及设备 |
CN110441822A (zh) * | 2019-08-23 | 2019-11-12 | 河北地质大学 | 一种地震数据去噪方法、装置、电子设备及存储介质 |
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 |
CN111368710A (zh) * | 2020-02-27 | 2020-07-03 | 东北石油大学 | 一种联合深度学习的地震数据随机噪声压制方法 |
CN112363217A (zh) * | 2020-11-27 | 2021-02-12 | 中国海洋石油集团有限公司 | 一种地震数据随机噪声压制方法及系统 |
WO2021194933A1 (en) * | 2020-03-24 | 2021-09-30 | Schlumberger Technology Corporation | Ground roll attenuation using unsupervised deep learning |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8971149B2 (en) * | 2012-05-10 | 2015-03-03 | Cggveritas Services Sa | Method, device and processing algorithm for multiple and noise elimination from marine seismic data |
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 |
-
2021
- 2021-11-05 CN CN202111304512.3A patent/CN114114421B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2827070A1 (en) * | 2012-09-19 | 2014-03-19 | Cgg Services Sa | Interference noise attenuation method and apparatus |
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 |
CN108897045A (zh) * | 2018-08-28 | 2018-11-27 | 中国石油天然气股份有限公司 | 深度学习模型训练方法和地震数据去噪方法、装置及设备 |
CN110441822A (zh) * | 2019-08-23 | 2019-11-12 | 河北地质大学 | 一种地震数据去噪方法、装置、电子设备及存储介质 |
CN111368710A (zh) * | 2020-02-27 | 2020-07-03 | 东北石油大学 | 一种联合深度学习的地震数据随机噪声压制方法 |
WO2021194933A1 (en) * | 2020-03-24 | 2021-09-30 | Schlumberger Technology Corporation | Ground roll attenuation using unsupervised deep learning |
CN112363217A (zh) * | 2020-11-27 | 2021-02-12 | 中国海洋石油集团有限公司 | 一种地震数据随机噪声压制方法及系统 |
Non-Patent Citations (3)
Title |
---|
Seismic random noise attenuation using effective and efficient dictionary learning;Zhenjie Feng;Journal of Applied Geophysics(第186期);第1-16页 * |
地震勘探中的去噪技术新进展;张孝珍;董汉强;侯国文;李建国;侯波;;勘探地球物理进展;第32卷(第03期);第171-178页 * |
董新桐 等."基于卷积神经网络的井中分布式光纤传感器地震数据随机噪声压制新技术".《地球物理学报》.2021,第第64卷卷(第第7期期),第2554-2565页. * |
Also Published As
Publication number | Publication date |
---|---|
CN114114421A (zh) | 2022-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11668853B2 (en) | Petrophysical inversion with machine learning-based geologic priors | |
US20190302298A1 (en) | Selection of pick values for automated near surface analysis | |
Van den Ende et al. | A self-supervised deep learning approach for blind denoising and waveform coherence enhancement in distributed acoustic sensing data | |
CN105842732B (zh) | 多道稀疏反射系数的反演方法及系统 | |
WO2020123084A1 (en) | Machine learning-augmented geophysical inversion | |
US11181653B2 (en) | Reservoir characterization utilizing ReSampled seismic data | |
AU2019314182A1 (en) | Detecting fluid types using petrophysical inversion | |
US11397273B2 (en) | Full waveform inversion in the midpoint-offset domain | |
CN111596366A (zh) | 一种基于地震信号优化处理的波阻抗反演方法 | |
CN106597545B (zh) | 一种水平裂缝地震叠前反演方法和装置 | |
Kazei et al. | Velocity model building by deep learning: From general synthetics to field data application | |
CN114114421B (zh) | 基于深度学习的导向自学习地震数据去噪方法及装置 | |
CN108508481B (zh) | 一种纵波转换波地震数据时间匹配的方法、装置及系统 | |
CN110988991B (zh) | 一种弹性参数反演方法、装置及系统 | |
CN106547021B (zh) | 基于单井褶积算法建立初始模型的方法和装置 | |
US20180095186A1 (en) | Noise models by selection of transform coefficients | |
US10338253B2 (en) | Method of suppressing spectral artefacts of wavefield decomposition caused by imperfect extrapolation | |
CN111077573A (zh) | 一种确定地层弹性参数的方法、装置及系统 | |
CN112363244B (zh) | 波阻抗反演方法与碳酸盐岩非均质储层预测方法及系统 | |
US20230184974A1 (en) | Systems and methods for reservoir characterization | |
Gonzalez et al. | Improving microseismic denoising using 4d (temporal) tensors and high-order singular value decomposition | |
WO2022156900A1 (en) | A method of and apparatus for determining a multiple well seismic-to-well tie | |
CN114002741A (zh) | 叠前深度偏移方法及装置、计算机可读存储介质 | |
CN118011472A (zh) | 一种超深层地震多次波确定方法、装置及计算机设备 | |
CN116626755A (zh) | 砂岩层内河道识别方法、设备及存储介质 |
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 |