CN114200520B - 一种地震数据去噪方法 - Google Patents

一种地震数据去噪方法 Download PDF

Info

Publication number
CN114200520B
CN114200520B CN202111499192.1A CN202111499192A CN114200520B CN 114200520 B CN114200520 B CN 114200520B CN 202111499192 A CN202111499192 A CN 202111499192A CN 114200520 B CN114200520 B CN 114200520B
Authority
CN
China
Prior art keywords
seismic data
denoising
noise
historical
model
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
CN202111499192.1A
Other languages
English (en)
Other versions
CN114200520A (zh
Inventor
李闻达
霍守东
刘洪�
吴天麒
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.)
Institute of Geology and Geophysics of CAS
Original Assignee
Institute of Geology and Geophysics of CAS
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 Institute of Geology and Geophysics of CAS filed Critical Institute of Geology and Geophysics of CAS
Priority to CN202111499192.1A priority Critical patent/CN114200520B/zh
Publication of CN114200520A publication Critical patent/CN114200520A/zh
Application granted granted Critical
Publication of CN114200520B publication Critical patent/CN114200520B/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
    • G01V1/282—Application of seismic models, synthetic seismograms
    • 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
    • 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

Landscapes

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

Abstract

本发明提供了一种地震数据去噪方法，获取包括随机噪音、面波和线性噪音的含噪地震数据；将含噪地震数据输入随机噪音去噪模型，得到第一去噪地震数据；将第一去噪地震数据输入面波去噪模型，得到第二去噪地震数据；将第二去噪地震数据输入线性噪音去噪模型，得到第三去噪地震数据。本发明通过随机噪音去噪模型、面波去噪模型和线性噪音去噪模型对含噪地震数据进行去噪处理，能够提高地震数据去噪的精度和效率。

Description

一种地震数据去噪方法
技术领域
本发明涉及地震数据采集与处理技术领域，特别是涉及一种地震数据去噪方法。
背景技术
在地震数据采集的过程中，受环境影响通常会产生许多噪音。因为各种噪音的存在，使得地震的偏移和反演过程出现许多的假象，严重影响到后续的处理与解释工作。因此，在进行后续的地震数据处理过程前，需要对噪音进行衰减。传统方法基于滤波的技术对地震数据中被假设为高斯分布的随机噪音进行去除。传统方法中通常使用滤波或预测技术对相干噪音进行衰减。地滚波沿着地表移动，会覆盖浅层反射信号，针对地滚波频率和速度的特性，虽然，传统方法针对地震数据噪音衰减问题提出了许多解决方案，但是仍存在假设不精确以及参数选择不合适等问题，降低地震数据去噪的效率和准确率，从而提升成本。
发明内容
本发明的目的是提供一种地震数据去噪方法，能够提高地震数据去噪的精度和效率。
为实现上述目的，本发明提供了如下方案：
一种地震数据去噪方法，包括：
获取包括随机噪音、面波和线性噪音的含噪地震数据；
将含噪地震数据输入随机噪音去噪模型，得到第一去噪地震数据；
将第一去噪地震数据输入面波去噪模型，得到第二去噪地震数据；
将第二去噪地震数据输入线性噪音去噪模型，得到第三去噪地震数据；随机噪音去噪模型、面波去噪模型和线性噪音去噪模型均是利用历史含噪地震数据训练深度学习网络得到的；深度学习网络是通过Transformer模型对卷积神经网络进行改进后得到的。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明提供了一种地震数据去噪方法，通过Transformer模型对卷积神经网络进行改进后并训练得到随机噪音去噪模型、面波去噪模型和线性噪音去噪模型对含噪地震数据进行去噪处理，能够提高地震数据去噪的精度和效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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发明的一些实施例，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。
图1为本发明实施例中地震数据去噪方法流程图；
图2为本发明实施例中Transformer编码器的内部结构示意图；
图3为本发明实施例中MLP模块内部结构示意图；
图4为本发明实施例中TransCNN网络模型结构图；
图5为本发明实施例中合成地震数据的训练集；
图6为本发明实施例中TransCNN对于合成地震数据的去噪结果；
图7为本发明实施例中用于测试TransCNN的实际地震数据；
图8为本发明实施例中TransCNN对于实际地震数据的去噪结果；
图9为本发明实施例中TransCNN对于实际地震数据去除的噪音。
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。
本发明的目的是提供一种地震数据去噪方法，能够提高地震数据去噪的精度和效率。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1，本发明提供了一种地震数据去噪方法，包括：
步骤101：获取包括随机噪音、面波和线性噪音的含噪地震数据；
步骤102：将含噪地震数据输入随机噪音去噪模型，得到第一去噪地震数据；
步骤103：将第一去噪地震数据输入面波去噪模型，得到第二去噪地震数据；
步骤104：将第二去噪地震数据输入线性噪音去噪模型，得到第三去噪地震数据；随机噪音去噪模型、面波去噪模型和线性噪音去噪模型均是利用历史含噪地震数据训练深度学习网络得到的；深度学习网络是通过Transformer模型对卷积神经网络进行改进后得到的。
在步骤101：之前还包括：
构建深度学习网络；
获取历史含噪地震数据；
去除历史含噪地震数据中的随机噪音，得到第一历史去噪地震数据；
以历史含噪地震数据为输入，以第一历史去噪地震数据为输出，对深度学习网络进行训练，得到随机噪音去噪模型。
在步骤101：之前还包括：
去除第一历史去噪地震数据中的面波，得到第二历史去噪地震数据；
以第一历史去噪地震数据为输入，以第二历史去噪地震数据为输出，对深度学习网络进行训练，得到面波去噪模型。
在步骤101：之前还包括：
去除第二历史去噪地震数据中的线性噪音，得到第三历史去噪地震数据；
以第二历史去噪地震数据为输入，以第三历史去噪地震数据为输出，对深度学习网络进行训练，得到线性噪音去噪模型。
具体的，深度学习网络包括一个编码器和一个解码器；编码器为基于Transformer模型和卷积神经网络构建混合编码器；解码器为卷积神经网络。
对于随机噪音的去除网络，通过含有随机噪音的数据作为输入数据，不含随机噪音的数据作为标签数据，从而训练针对于去除随机噪音的TransCNN网络模型。
CNN-Transformer的结构及特点：
卷积神经网络(CNN)善于提取局部特征，却不具备提取全局表征的能力。而Transformer模型中，自注意力模块可以很好的捕捉长期特征，也就是说Transformer模块更注重全局信息，但是却容易忽略局部特征细节。本发明将Transformer结构整合到CNN的网络结构中，可以兼顾全局特征和局部特征。
本发明通过Transformer模块改进卷积神经网络，从而提升地震数据去噪的效果。也就是说，本发明的权利主要集中在Transformer模块在地震数据去噪中的应用。如图2，整个Transformer模块由12个Encoder Block(编码器块)所组成，其中每个Encoder Block中均含有Layer Norm层(Layer Normalization层，线性标准化层)、多头自注意力机制层(MSA)、MLP层(多层感知器，即图中的MLP Block)及Dropout层(Dropout层为深度学习术语，随机舍弃，防止过拟合)。
具体的编码器块先是一个Layer Normalization层，其作用是对输入Encoderblock的数据进行标准化。紧接着是一个多头自注意力机制层，其中MSA的数学表达为：
MultiHead(Q，K，V)＝Concat(head1，...，headh)
Figure BDA0003402072600000041
Figure BDA0003402072600000042
其中，MultiHead表示多头；Q、K、V分别表示注意力机制所有q(即query)的拼接、所有k(即key)的拼接、所有v(即information to be extracted，要提取的信息)的拼接；
Figure BDA0003402072600000043
Concat表示拼接；Attention表示注意力机制；Softmax表示激活函数；
Figure BDA0003402072600000044
为矩阵，
Figure BDA0003402072600000045
head1、headh、headi表示多头注意力机制中的第1、h、i个头；dk表示k的空间维度。
然后是通过一个Dropout层，然后通过一个残差模块将原始输入数据加到网络生成的中间数据中。紧接着又通过了一个Layer Normalization层。
之后的数据通过一个MLP块。MLP块(MLP block)的具体结构如图3所示。其是由线性层\GELU激活函数层和Dropout层组成。其中GELU层(高斯误差线性单元)是一个新的激活函数层，其中引入了随机正则的思想，是一种对神经元输入的概率描述，直观上更符合自然的认识。值得注意的是通过MLP block的输入数据和输出数据的维度是一致的，也就是说MLP block会将输入的数据变化后再还原为原始维度，最后将数据输出。
如图2，编码器块中紧接着MLP block的是一个Dropout层，最后又是一个残差模块，将MSA输出的中间数据与MLP block输出的数据相加得到最终的Encoder block的输出结果。而Transformer的结构就是Encoder block的重复堆叠12次。
此外，本发明将Transformer与CNN网结合，更好的为地震数据去噪服务。首先，本发明并没有将Transformer作为纯编码器使用，而是将其与CNN相结合构建的混合编码器。混合编码器的含义是TransCNN网络并不是直接对输入数据通过Transformer模块进行编码，然后在通过CNN网络解码，还原回原始数据，通过CNN网络提取输入数据的特征，在将特征图送入Transformer模块中提取全局特征，最后在通过CNN网络进行解码，从而得到需要的输入数据。具体为将输入数据，通过几层卷积神经网络提取数据的特征，可以得到一个中间特征图(Hidden Feature)，如图4。然后通过线性映射(Linear projection)将中间特征图转化为满足Transformer模块所需要的维度。然后通过Transformer模块得到提取了全局特征的中间特征图，最后通过reshape(重采样)操作将特征转化为CNN网络所需维度，从而实现基于CNN与Transformer的混合编码。本发明目的是将输入的含噪音地震数据，通过CNN网络提取隐藏特征，再通过Transformer模块进行混合编码，从而得到可以关注全局和局部特征的编码。图4中，Noisy date表示含噪数据；Clean date表示含噪数据。Upsampl表示上采样，Downsampl表示下采样。
本发明TransCNN中的解码结构(Decoder Block)。在TransCNN中的编码结构是将输入数据通过CNN以及Transformer混合编码，从而得到一个关注全局及局部特征的编码。而TransCNN的解码结构则是将这个混合编码，还原为需要的数据维度，具体为还原成不含噪音的干净地震数据。对于CNN-Transformer所得到的隐藏特征序列，我们通过reshape的方式将其还原为接下来的CNN解码器所输入的维度。通过CNN解码器我们将中间层数据最终还原为不含噪音的地震数据。其中，每一个上采样块(upsampling blcok)是由一个2×的反池化层，一个3*3的卷积层以及ReLU层(线性整流函数，Rectified Linear Unit，又称修正线性单元，是一种人工神经网络中常用的激活函数)所组成。此外，对于每个上采样块，TransCNN都使用了传统Unet(Unet为神经网络结构)中的跳跃连接(skip-connections)操作。也就是将之前编码器中对应尺度中的信息引入到上采样模块中。即通过跳跃连接可以更好的将较浅的卷积层特征引入过来，会含有更多的低阶信息。通过这种跳跃连接操作，可以使网络更好地将隐藏特征层转化为最后的干净的地震数据。
TransCNN的整体结构如图4所示。图4中，Feature Concatenation为特征层拼接，TransCNN由CNN-Transformer编码器与CNN解码器构成。CNN-Transformer编码器是由三个下采样模块(Downsampling block)以及Transformer模块所构成。其中每个下采样模块，均由2×的池化层，两个3*3的卷积层以及ReLU层所组成。而Transformer层则由12个Encoderblock所构成。其中最后一个下采样层与Transformer层中间，通过线性映射层连接，使最后一个下采样层的输出维度与Transformer层的输入维度一致。而CNN-Transformer的编码器最后一层则是将Transformer模块的输出特征还原为解码器部分所需要的维度。
CNN解码器，是由四个上采样模块以及最后一层的单层卷积模块所组成。其中上采样模块是由一个2×的反池化层，一个3*3的卷积层以及ReLU层所组成。而最后一层卷积层则是将多通道数据转化为单通道数据，也就是干净的地震数据，从而实现从含噪音地震数据到干净地震数据的编码解码过程。本发明侧重于TransCNN网络对于地震数据噪音衰减工作的应用。针对于地震数据中噪音的衰减工作，具体包括面波，随机噪音及线性噪音的衰减。以下以随机噪音为例测试TransCNN网络的噪音衰减性能。面波及线性噪音的基于TransCNN网络的衰减理论与随机噪音相同。
具体的，如图5，TransCNN网络的训练数据集，主要为合成数据集，其中
Figure BDA0003402072600000071
为含噪音地震数据，
Figure BDA0003402072600000072
为干净地震数据，对于数据集的构建使用了数据增广策略，提升了样本的多样性。
TransCNN对于合成地震数据的去噪结果，如图6。图6中，(a)为干净的地震数据，(b)为加噪音的地震数据，(c)为传统方法中使用F-X反褶积方法(FXDM)的去噪结果，(d)为使用自适应滤波器(APF)的去噪结果，(e)为使用不含Transformer的传统CNN网络去噪结果，(f)为TransCNN网络的去噪结果。纵坐标是时间(s)，横坐标是距离(km)。可以发现TransCNN网络由于使用了Transformer可以更好地去除噪音，更好地保持地震数据的原始细节。
根据图7-9，图7-9中，纵坐标均为时间采样点数，横坐标均为采样点数。可以发现基于CNN-Transformer的网络可以很好地实现噪音衰减任务，并很好地保持地震数据的结构不被破坏。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
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，本说明书内容不应理解为对本发明的限制。

Claims (4)

1.一种地震数据去噪方法，其特征在于，包括：
获取包括随机噪音、面波和线性噪音的含噪地震数据；
将含噪地震数据输入随机噪音去噪模型，得到第一去噪地震数据；
将第一去噪地震数据输入面波去噪模型，得到第二去噪地震数据；
将第二去噪地震数据输入线性噪音去噪模型，得到第三去噪地震数据；随机噪音去噪模型、面波去噪模型和线性噪音去噪模型均是利用历史含噪地震数据训练深度学习网络得到的；深度学习网络是通过Transformer模型对卷积神经网络进行改进后得到的，具体编码过程为：
将输入数据通过多层卷积神经网络提取数据的特征，得到一个中间特征图；
通过线性映射将中间特征图转化为满足Transformer模块所需要的维度；
通过Transformer模块得到提取全局特征的中间特征图；
通过reshape操作将全局特征的中间特征图转化为CNN网络所需维度，从而实现基于CNN与Transformer的混合编码。
2.根据权利要求1的地震数据去噪方法，其特征在于，在获取含噪地震数据之前还包括：
构建深度学习网络；
获取历史含噪地震数据；
去除历史含噪地震数据中的随机噪音，得到第一历史去噪地震数据；
以历史含噪地震数据为输入，以第一历史去噪地震数据为输出，对深度学习网络进行训练，得到随机噪音去噪模型。
3.根据权利要求2的地震数据去噪方法，其特征在于，在获取含噪地震数据之前还包括：
去除第一历史去噪地震数据中的面波，得到第二历史去噪地震数据；
以第一历史去噪地震数据为输入，以第二历史去噪地震数据为输出，对深度学习网络进行训练，得到面波去噪模型。
4.根据权利要求3的地震数据去噪方法，其特征在于，在获取含噪地震数据之前还包括：
去除第二历史去噪地震数据中的线性噪音，得到第三历史去噪地震数据；
以第二历史去噪地震数据为输入，以第三历史去噪地震数据为输出，对深度学习网络进行训练，得到线性噪音去噪模型。
CN202111499192.1A 2021-12-09 2021-12-09 一种地震数据去噪方法 Active CN114200520B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111499192.1A CN114200520B (zh) 2021-12-09 2021-12-09 一种地震数据去噪方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111499192.1A CN114200520B (zh) 2021-12-09 2021-12-09 一种地震数据去噪方法

Publications (2)

Publication Number Publication Date
CN114200520A CN114200520A (zh) 2022-03-18
CN114200520B true CN114200520B (zh) 2022-10-14

Family

ID=80651620

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111499192.1A Active CN114200520B (zh) 2021-12-09 2021-12-09 一种地震数据去噪方法

Country Status (1)

Country Link
CN (1) CN114200520B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116660992B (zh) * 2023-06-05 2024-03-05 北京石油化工学院 一种基于多特征融合的地震信号处理方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108254789A (zh) * 2018-01-26 2018-07-06 东北石油大学 一种压制地震数据随机噪音的去噪方法、设备及介质
US10291268B1 (en) * 2017-07-25 2019-05-14 United States Of America As Represented By Secretary Of The Navy Methods and systems for performing radio-frequency signal noise reduction in the absence of noise models

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140078860A1 (en) * 2012-09-19 2014-03-20 Cgg Services Sa Interference noise attenuation method and apparatus

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10291268B1 (en) * 2017-07-25 2019-05-14 United States Of America As Represented By Secretary Of The Navy Methods and systems for performing radio-frequency signal noise reduction in the absence of noise models
CN108254789A (zh) * 2018-01-26 2018-07-06 东北石油大学 一种压制地震数据随机噪音的去噪方法、设备及介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于优化Transformer 网络的绿色目标果实高效检测模型;贾伟宽;《农业工程学报》;20210731;第37卷(第14期);全文 *
基于深度学习卷积神经网络的地震数据随机噪声去除;韩卫雪等;《石油物探》;20181125(第06期);全文 *

Also Published As

Publication number Publication date
CN114200520A (zh) 2022-03-18

Similar Documents

Publication Publication Date Title
CN110221346B (zh) 一种基于残差块全卷积神经网络的数据噪声压制方法
CN114200520B (zh) 一种地震数据去噪方法
CN115082774A (zh) 基于双流自注意力神经网络的图像篡改定位方法及系统
CN115877461A (zh) 一种基于多尺度注意力交互网络的沙漠地震噪声抑制方法
CN116994564B (zh) 一种语音数据的处理方法及处理装置
CN115731138A (zh) 一种基于Transformer与卷积神经网络的图像修复方法
CN113823308A (zh) 一种使用单个带噪语音样本进行语音去噪的方法
CN115631107A (zh) 边缘引导的单幅图像噪声去除
CN114821050B (zh) 一种基于transformer的指称图像分割方法
CN115660979A (zh) 一种基于注意力机制的双判别器图像修复方法
CN114509731B (zh) 一种基于双阶段深度网络的雷达主瓣抗干扰方法
Li et al. Deeplabv3+ vision transformer for visual bird sound denoising
CN117351983B (zh) 一种基于Transformer的语音降噪方法及系统
CN114460648A (zh) 基于3d卷积神经网络自监督3d地震数据随机噪声压制方法
CN116594061B (zh) 一种基于多尺度u形注意网络的地震数据去噪方法
CN117575918A (zh) 一种基于块循环扩散模型的渐进图像去雨方法
CN116520401A (zh) 一种基于注意力机制的地震数据去噪方法
CN117522674A (zh) 一种联合局部和全局信息的图像重建系统及方法
CN113035217A (zh) 一种基于声纹嵌入的低信噪比条件下的语音增强方法
CN113496460A (zh) 一种基于特征调整的神经风格迁移方法及系统
CN113936680A (zh) 基于多尺度信息感知卷积神经网络的单通道语音增强方法
CN115170812A (zh) 图像去噪模型训练、降噪方法及其设备、存储介质
CN112907456B (zh) 基于全局平滑约束先验模型的深度神经网络图像去噪方法
CN113222113B (zh) 一种基于反缩放卷积层的信号生成方法及装置
NL2030852B1 (en) Seismic data denoising method

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