CN114325821A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN114325821A CN114325821A CN202111595374.9A CN202111595374A CN114325821A CN 114325821 A CN114325821 A CN 114325821A CN 202111595374 A CN202111595374 A CN 202111595374A CN 114325821 A CN114325821 A CN 114325821A
- Authority
- CN
- China
- Prior art keywords
- data
- network
- snacnn
- dimensional
- seismic data
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 86
- 238000012549 training Methods 0.000 claims abstract description 101
- 238000012545 processing Methods 0.000 claims abstract description 65
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 47
- 238000012360 testing method Methods 0.000 claims abstract description 28
- 230000001629 suppression Effects 0.000 claims abstract description 22
- 238000012216 screening Methods 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims description 40
- 230000008569 process Effects 0.000 claims description 34
- 238000010606 normalization Methods 0.000 claims description 18
- 238000013528 artificial neural network Methods 0.000 claims description 17
- 238000013507 mapping Methods 0.000 claims description 12
- 230000009466 transformation Effects 0.000 claims description 12
- 239000000126 substance Substances 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 238000003825 pressing Methods 0.000 claims description 6
- 238000009795 derivation Methods 0.000 claims description 4
- 238000011478 gradient descent method Methods 0.000 claims description 4
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 17
- 230000000694 effects Effects 0.000 description 16
- 230000008859 change Effects 0.000 description 13
- 238000009826 distribution Methods 0.000 description 13
- 238000004590 computer program Methods 0.000 description 7
- 238000001914 filtration Methods 0.000 description 6
- 239000013598 vector Substances 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000007796 conventional method Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000008034 disappearance Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000005452 bending Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
Landscapes
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开了一种基于3D‑SNACNN网络的叠前地震资料中强散射噪声压制方法及系统，构造3D‑SNACNN网络，选择三维地震数据并重排为OVT域数据作为网络训练的数据集；利用三维连续小波快速算法对选定的OVT域地震数据去噪，得到对应的干净数据，将干净数据和网络训练数据集以相同的方式划分为若干满足3D‑SNACNN网络输入要求的三维数据，然后从中筛选出部分数据构成训练样本对，将训练样本对送入3D‑SNACNN网络进行训练，待训练完成之后，利用3D‑SNACNN网络对测试集中的地震数据进行处理，完成三维地震资料中各种随机噪声的压制。本发明解决了叠后三维地震资料中随机噪声的干扰问题，有效压制叠前地震资料中的强散射噪声，本发明支持并行处理，并具有良好的自适应性，满足工业上大规模计算需求。
Description
技术领域
本发明属于信号处理技术领域，具体涉及一种基于3D-SNACNN网络的叠前地震资料中强散射噪声压制方法及系统。
背景技术
随着石油和天然气勘探程度的不断提高与勘探领域的持续延伸，油气勘探的主要对象也与之前不同，我国油气勘探的主要对象已经转变为裂缝型、隐蔽型和深层油气藏。这类油气藏属于勘探开发难度最大的油藏类型，面临着诸如地表条件及地下构造复杂、储集层厚度薄和非均质性强等一系列共同的勘探挑战。上述挑战迫使从地震勘探数据中尽可能地挖掘更多的有用信息，对地震勘探技术、地震数据处理方法和解释精度提出了更高的要求，同时高信噪比、高分辨率和高保真度也日益成为地震勘探的追求目标。因此，压制地震数据中的随机噪声是地震信号处理和解释过程中的重要步骤。
传统的方法可以分为以下几个类别，第一类主要基于地震信号的可预测特性，例如f-x反褶积和t-x预测滤波技术。然而较大幅度的叠前噪声容易破坏同相轴的连续性，进而影响去噪的效果。第二类基于地震数据的低秩先验，主要有低秩分解和核范数最小化方法。第三类是利用稀疏先验来进行去噪，然而由于叠前噪声能量不均匀，进而使得数据难以满足稀疏假设。近些年，深度学习方法已经被广泛地用到了地震资料的处理上，并取得了一系列成果。对于叠后数据，地下结构的相似性使得其很好地满足了深度学习要求的训练数据和测试数据独立同分布的假设条件，另外其信噪比较高并且信号幅度变化平缓，网络训练起来比较容易。然而对于叠前地震数据，由于信号幅度的衰减和反射波的显著波形变化使得网络训练不稳定。除此之外近地表的散射噪声在f-k域和t-x 域会严重损害有效信号，使用传统的方法很难滤除。同时，地震资料的处理还面临着数据量大、处理时间长的问题。
现有技术：
K-L变换滤波：以待处理数据x间的协方差矩阵作为变换矩阵，变换所得数据是互不相关的原始信号的组成成分。地震数据中有效信号的相关性较大，有效信号对应的特征值较大，所以保留Y中自相关较大的分量来对Y进行截取，然后对截取后的数据进行反变换可以得到原始干净数据的一个最佳逼近，从而实现去噪。
现有技术存在的缺点：
(1)该变换主要利用相邻道信号在相同时刻的相关性，所以对水平同相轴具有良好的去噪效果，而处理倾斜或者弯曲同相轴时效果并不明显。
(2)K-L存在着选取截取数目的问题，需要比较丰富的经验。面对不同类型的地震信号，选取合适的截取数目仍旧很困难。
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，解决叠前地震资料中强散射噪声难以消除的问题，对测试程序进行并行化处理，能够同时使用4个GPU进行测试，与传统方法相比处理速度提高了10倍。
本发明采用以下技术方案：
基于3D-SNACNN网络的叠前地震资料中强散射噪声压制方法，包括以下步骤：
S1、将三维地震数据重排为三维OVT域数据；
S2、从步骤S1得到的三维OVT域数据中选择六个不同方位角的中偏移距地震道集数据作为训练集，将剩余的三维OVT域数据作为测试集，利用三维连续小波快速算法对训练集进行噪声压制得到干净数据集，将训练集和干净数据集划分为若干相互对应的满足3D-SNACNN网络输入要求的三维块状地震数据，从三维块状地震数据中筛选数据构建训练样本对；
S3、构造3D-SNACNN网络，将步骤S2得到的训练样本对输入构建的3D- SNACNN网络中进行训练，将步骤S2得到的测试集输入训练好的3D-SNACNN 网络中，通过3D-SNACNN网络对测试集中的合成地震数据和实际地震数据进行处理，完成强散射噪声及随机噪声的压制工作。
具体的，步骤S1中，三维OVT域数据y为：
y＝x+n
其中，x表示有效信号，n表示随机噪声和散射噪声。
具体的，步骤S2中，利用三维连续小波快速算法对训练集进行去噪处理具体为：
选择具有方向选择特性的3D Morlet小波作为母小波ψ(x)，在母小波中加入方位角因子
获取数据的三维信息，利用内积和卷积的对应关系将连续小波变换转换为卷积操作，基于卷积与傅里叶变换的关系，利用快速傅里叶变换实现三维小波变换。
进一步的，利用快速傅里叶变换实现快速求解具体为：
其中，(Wψf)(a，b，θ，
)为f(x)的三维连续小波变换，
为快速傅里叶逆变换，
为f(x)的傅里叶变换，
为ψ*(x)的傅里叶变换，k＝(kx,ky,kz)T为 x＝(x1,x2,x3)T对应的三维傅里叶变换的频率。
具体的，步骤S3中，将步骤S2得到的训练样本对输入构建的3D-SNACNN 网络中，使用批量梯度下降方法调整3D-SNACNN网络的参数使得经验损失函数最小，通过最小化经验损失函数优化3D-SNACNN网络。
进一步的，3D-SNACNN网络的损失函数如下：
其中，X代表有效信号，N为随机噪声和散射噪声，h代表从含噪数据到有效信号的映射，L(h(X+N),X)为h(X+N)与X之间的距离。
进一步的，使用批量梯度下降方法调整神经网络的参数，优化的目标函数具体为：
其中，fθ(·)为3D-SNACNN网络通过训练学到的含噪数据到有效信号的映射，θ为3D-SNACNN网络的参数，yi为待去噪的地震资料，xi为yi对应的标签数据，
为N个三维含噪地震资料经过3D-SNACNN网络所得去噪结果与其对应标签数据之间的均方误差损失之和。
具体的，步骤S3中，3D-SNACNN网络包含15个隐藏层，使用ReLU函数作为激活函数，并将批归一化层加入到每一个激活函数的前面，3D-SNACNN 网络通过训练学习一个从原始地震资料中抽取有效信号的映射fθ(y)＝x'≈x，将原始的三维地震资料输入3D-SNACNN网络中，得到地震资料中的去噪结果x'。
进一步的，使用批归一化技术来加速网络的学习，批归一化的前向传导公式如下：
其中，
β(k)＝E[x(k)]，μB，
为一批次m个数据经过某层神经元所得输出的均值和方差；
为利用μB，
对xi进行归一化后的结果，ε为一个极小的正数；yi是利用γ和β对
的均值和方差进行放缩的结果，γ和β在训练过程中可以调节；
在反向传播过程中，批归一化层的链式求导如下：
其中，
表示损失l对变量(·)的求导，得到损失对各个参数的导数之后，就可以使用梯度下降算法来优化参数得到更小的经验损失。
本发明的另一技术方案是，一种基于3D-SNACNN网络的叠前地震资料中强散射噪声压制系统，包括：
数据模块，将三维地震数据重排为三维OVT域数据；
划分模块，从数据模块得到的三维OVT域数据中选择六个不同方位角的中偏移距地震道集数据作为训练集，将剩余的三维OVT域数据作为测试集，利用三维连续小波快速算法对训练集进行噪声压制得到干净数据集，将训练集和干净数据集划分为若干相互对应的满足3D-SNACNN网络输入要求的三维块状地震数据，从三维块状地震数据中筛选数据构建训练样本对；
压制模块，构造3D-SNACNN网络，将划分模块得到的训练样本对输入构建的3D-SNACNN网络中进行训练，将划分模块得到的测试集输入训练好的 3D-SNACNN网络中，通过3D-SNACNN网络对测试集中的合成地震数据和实际地震数据进行处理，完成强散射噪声及随机噪声的压制工作。
与现有技术相比，本发明至少具有以下有益效果：
本发明基于3D-SNACNN网络的叠前地震资料中强散射噪声压制方法，在处理地震数据时首先要将数据重排为三维OVT域数据,这样做的目的是为了充分利用OVT域叠前地震资料具有平滑连续而且幅度变化平稳等一致性比较好从而易于神经网络拟合的特点；3D-SNACNN网络训练样本全部选择中偏移距的OVT域数据，因为近偏移距的数据，噪声能量通常非常高，而远偏移距的数据记录时间较短而且波形复杂，只有中偏移距具有比较高的信噪比，而且中间偏移距的地震道记录在地震资料中占比较大，其数量是近偏移距和远偏移距的许多倍；在构建训练样本对利用三维连续小波快速算法将OVT道集数据分解到三维小波域，通过硬阈值滤波函数滤除噪声成分对应的系数，然后经过三维连续小波反变换之后，得到一个去噪效果良好的数据标签。同时对三维连续小波快速算法的去噪所得结果进行了二次检查，从中挑选出噪声压制最彻底的数据作为标签数据集。然后以相同的方式将挑选出的标签数据和其对应的含噪数据划分为若干满足3D-SNACNN网络输入要求的三维地震数据样本对，然后从中筛选出部分样本对数据构成训练样本对，送入3D-SNACNN网络进行训练；训练完成之后，利用3D-SNACNN网络对测试集数据进行处理，来检验3D- SNACNN网络对强散射噪声的压制的能力。在本发明中，测试程序进行了并行化处理，与传统方法相比处理速度得到了大幅提升。
进一步的，炮检距向量片(offset vector tile,OVT)的概念最早由Vermeer在研究宽方位数据观测系统设计时提出的一种有别于传统的共炮点、共检波点和共CMP点的比较新颖的叠前数据编排方式，是目前工业中最广泛使用的宽方位角处理技术。其实质是对每个CMP，依据偏移距和方位角，将地震数据进行划分，编排为不同的OVT号，抽取不同CMP的具有相同OVT号的地震道就可以形成新的OVT道集；将地震数据整理为OVT域后，出现了许多新的属性特征。充分利用这些特征可以改善噪声压制的效果。比如OVT道集内的地震道具有相近的方位角和偏移距，噪声的能量、频率等属性更加明显，分布范围比较固定。一个OVT道集基本覆盖全三维工区，每个道集内的道数是传统炮检域道数的数十倍，随着样本数的增大，基于统计的各种随机噪声压制方法一般能取得比传统炮检域更好的效果；为解决叠前地震资料中强散射噪声难以消除的问题，本发明构建了将原始信号直接映射为有效信号的3D-SNACNN网络，利用OVT域叠前地震资料具有平滑连续而且幅度变化平稳等一致性比较好从而易于神经网络拟合的特点，用OVT域的数据来训练网络，进而能够取得比在其他域内更好的去噪效果。
进一步的，高质量的训练样本对监督式深度学习模型去噪的效果有很大的提升；然而，通过人工合成的方式来获取接近于真实的地震数据具有很大挑战，对于散射噪声压制任务，通过仿真来获取接近真实的散射噪声更为困难，而且通过仿真资料训练得到的模型也很难在实际地震资料中取得很好的泛化效果。因此，本发明采用利用传统方法对实际地震资料进行噪声压制来创造训练标签。稀疏性在地震噪声压制领域是一个被广泛采用的正则项。有了稀疏性的约束，我们就可以将含噪数据变换到特定的稀疏域完成去噪过程。然而由于缺乏合适的稀疏域来表示有用信号，使得之前好多基于稀疏表示的方法难以取得好的结果。OVT道集中的数据有很好的空间相关性，经过三维连续小波变换之后具有良好的稀疏性，三维连续小波快速算法能够充分利用地震资料的稀疏结构信息，基于稀疏正则利用三维连续小波快速算法用来处理OVT域地震资料非常合适。在构建训练样本对利用三维连续小波快速算法将OVT道集数据分解，通过硬阈值滤波函数滤除噪声成分对应的系数，然后经过三维连续小波反变换之后，得到一个去噪效果良好的数据标签。
进一步的，选择具有方向选择特性而且容易实现的3D Morlet小波作为母小波ψ(x)，然而，使用这种内积的求解方式处理三维数据计算量很大，对处理器内存要求较高，使得处理效率下降。根据卷积和内积之间的关系可知，f与
的内积的积分可以通过f(x)与
的卷积来计算，而卷积又可以采用快速傅里叶变换实现。基于上述原理，可以使用快速傅里叶变换来计算三维连续小波变换，从而极大提高数据的处理速率，更加适合在实际中使用。
进一步的，地震资料可以用向量
来进行表示，在有监督学习过程中，去噪问题可以看作一个回归问题，网络训练的过程也就是形成从含噪信号到有效信号的一个映射，此处，Y,X和N是分别在
上取值的随机变量，K代表训练样本的数目。通过训练，网络尝试找到一个最佳的回归函数 h*，使得h*(Y+N)足够接近X，从而将回归问题转变为损失函数最小化问题。然而，由于分布函数P(X,Y)是未知的，因此只能通过从训练集数据的经验性损失来估计期望。对于训练集的经验性损失可以通过调整卷积神经网络的参数来最小化，所以网络的训练过程也就等价于确定最优的参数。
进一步的，3D-SNACNN网络采用直接将原始信号映射为有效信号的结构，相比于人工生成的随机噪声，地震数噪声分布十分不规律，变化剧烈难以用神经网络来拟合。另外，本发明将地震数据转到OVT域来处理，OVT域中的有效信号具有空间连续、分布相似，幅度变化缓慢的特点，很适合神经网络学习，所以直接映射的网络结构便能有效工作。鉴于此，本发明的损失函数计算是在去噪结果和标签数据之间进行，而不是传统的在网络拟合的噪声和噪声标签之间进行。
进一步的，梯度下降算法被广泛地用于神经网络的训练过程中。这是因为在深度学习中一般数据量比较大，很难采用解析法求得其精确解，另外一些下降更快的算法，在计算过程中涉及到大规模的矩阵运算，必然使得算法比较复杂，效率比较低；利用梯度下降算法，在每一步迭代过程中，计算损失函数对各个参数的导数，让参数沿着当前损失函数的负梯度方向进行更新。随着迭代次数的增大，损失函数将逐步减小，虽然可能无法达到一个全局极小值，但最终结果也很好，并且不至于完全过拟合训练集数据导致泛化能力下降。按照每次迭代计算损失函数关于网络参数时使用的训练集数目多少，梯度下降算法分为随机梯度下降算法，批量梯度下降算法，小批量梯度下降算法。本发明中由于训练集数目相对较少，所以批处理大小选择训练集数目N，使用批梯度下降算法更新模型参数θ。
进一步的，在处理去噪问题时，通常假设噪声符合高斯分布。由于噪声的分布固定，使得采用让网络学习噪声的策略比较容易实现。与传统的3D-DnCNN 网络采用残差结构来学习数据中的噪声的方法不同，3D-SNACNN网络采用直接将原始信号映射为有效信号的结构，这是因为地震数噪声分布十分不规律，变化剧烈难以用神经网络来拟合。另外，将数据转到OVT域来处理，OVT域中的有效信号具有空间连续、分布相似，幅度变化缓慢的特点，很适合神经网络学习，所以直接映射的网络结构便能有效工作。3D-SNACNN网络包含15个隐藏层，使用三维的卷积核能够最大化利用地震数据的结构信息。为了确保输入和输出是相同大小的，每次卷积过程中采用相同的填充策略。另外，模型使用ReLU函数提高神经网络的非线性，与sigmoid和tanh等非线性函数相比，使用ReLU函数能有效避免梯度消失问题，能够加速网络的训练同时有更好的实际效果。
进一步的，为了加速网络的训练过程，模型中普遍使用批归一化技术，将批归一化加入到每一个激活函数的前面。批归一化降低了内部协变量转移，模型在训练过程中，层与层之间在近似相同的输入分布下继续学习，可以加速网络的训练。
综上所述，本发明有效利用了OVT域中的有效信号具有空间连续、分布相似，幅度变化缓慢的特点来进行地震资料中散射噪声的压制，能够很好地适用于实际的地震数据。与其他散射噪声压制方法相比，3D-SNACNN网络对噪声压制更彻底，对有效信号提取的也更加充分。同时3D-SNACNN网络支持并行行化处理，有着更高的处理效率，更加满足工程实践的需求。
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3D-SNACNN网络的网络结构图；
图2为3D-SNACNN网络训练的流程图；
图3为OVT域数据在极坐标系中的表达图；
图4为地震数据图，其中，(a)为合成地震数据，(b)为合成地震数据处理结果；
图5地震数据处理图，其中，(a)为信噪为-18.8dB的合成地震数据，(b) 为(a)对应的干净数据标签，(c)为使用残差结构网络所得处理结果，(d)为使用直接映射结构的网络所得处理结果；
图6为叠前OVT道集中的近偏移距数据处理结果图，其中，(a)为叠前 OVT道集中的近偏移距实际波场数据，(b)为三维小波快速算法去噪的结果， (c)为三维小波快速算法去噪过程压制的噪声，(d)为3D-SNACNN网络的去噪结果，(e)为3D-SNACNN网络去噪过程压制的噪声；
图7为叠前OVT道集中的中偏移距数据处理结果图，其中，(a)为叠前 OVT道集中的中偏移距实际波场数据，(b)为三维小波快速算法去噪的结果， (c)为三维小波快速算法去噪过程压制的噪声，(d)为3D-SNACNN网络的去噪结果，(e)为3D-SNACNN网络去噪过程压制的噪声；
图8为叠前OVT道集中的远偏移距数据处理结果图，其中，(a)为叠前 OVT道集中的远偏移距数据实际波场数据，(b)为三维小波快速算法去噪的结果，(c)为三维小波快速算法去噪过程压制的噪声，(d)为3D-SNACNN网络的去噪结果，(e)为3D-SNACNN网络去噪过程压制的噪声；
图9为叠后OVT道集数据处理结果图，其中，(a)为叠后OVT道集数据， (b)为三维小波快速算法去噪的结果，(c)为三维小波快速算法去噪过程压制的噪声，(d)为3D-SNACNN网络的去噪结果，(e)为3D-SNACNN网络去噪过程压制的噪声；
图10为共中点地震数据处理结果图，其中，(a)为实际的共中点地震数据， (b)为三维小波快速算法去噪的结果，(c)为三维小波快速算法去噪过程压制的噪声，(d)为3D-SNACNN网络的去噪结果，(e)为3D-SNACNN网络去噪过程压制的噪声；
图11为本发明的流程框图。
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。
炮检距向量片(offset vector tile,OVT)的概念最早由Vermeer在研究宽方位数据观测系统设计时提出的一种比较新颖的叠前数据编排方式，将地震数据整理为OVT域后，其各种属性更加明显，充分利用这些特征可以改善噪声压制的效果。
本发明提供了一种基于3D-SNACNN网络的叠前地震资料中强散射噪声压制方法，利用OVT域叠前地震资料具有平滑连续而且幅度变化平稳等一致性比较好从而易于神经网络拟合的特点，构建将原始信号直接映射为有效信号的 3D-SNACNN网络，利用OVT域叠前地震资料具有平滑连续、幅度变化平稳等一致性比较好从而易于神经网络拟合的特点，将地震资料重排为OVT域数据，从中选择六个不同方位角的中偏移距地震道集经过三维连续小波快速算法处理后构造出理想的训练样本对，送入3D-SNACNN网络中进行训练，充分训练后，利用3D-SNACNN网络处理测试数据压制其中噪声。
请参阅图11，本发明一种基于3D-SNACNN网络的叠前地震资料中强散射噪声压制方法，包括以下步骤：
S1、选择合适的三维地震数据将其重排为OVT域数据，作为网络训练的数据集Ytrain；
3D-SNACNN网络处理的数据是三维OVT域数据y:其中y＝x+n，x表示有效信号，n表示噪声。
S2、将实际的三维地震资料数据整理为OVT域数据，从OVT域数据中选择六个不同方位角的中偏移距地震道集，作为模型训练的数据集Ytrain，剩余的部分作为测试集Ytest用来检验模型压制噪声的能力；利用三维连续小波快速算法对数据集Ytrain去噪得到干净数据X′train，将Ytrain和干净数据X′train划分为若干彼此对应的符合网络输入要求的三维地震数据作为待挑选的数据集，从中筛选一部分构建(含噪数据，干净数据)训练样本对；
应当注意，3D-SNACNN网络训练样本全部选择中偏移距的OVT域数据，因为近偏移距的数据，噪声能量通常非常高，而远偏移距的数据记录时间较短而且波形复杂，只有中偏移距具有比较高的信噪比，而且中间偏移距的地震道记录在地震资料中占比较大，其数量是近偏移距和远偏移距的许多倍。
稀疏性在地震噪声压制领域是一个被广泛采用的正则项。有了稀疏性的约束，我们就可以将含噪数据变换到特定的稀疏域完成去噪过程。然而由于缺乏合适的稀疏域来表示有用信号，使得之前好多基于稀疏表示的方法难以取得好的结果。OVT道集中的数据有很好的空间相关性，过三维连续小波变换之后将具有良好的稀疏性，传统的三维连续小波快速算法能够充分利用地震资料的稀疏结构信息，基于稀疏正则利用三维连续小波快速算法用来处理OVT域地震资料非常合适。
选择具有方向选择特性而且容易实现的3D Morlet小波作为母小波ψ(x)，
表示将Morlet小波做如下变换。
a是一个放缩参数，x＝(x1,x2,x3)T是三维向量，b＝(bx,by,bz)T是平移操作的三维向量，ρ,
是旋转参数。
表示向量沿倾角旋转角度θ，沿方位角旋转角度
三维连续小波变换的公式如下：
然而，使用这种内积的求解方式处理三维数据将带来很大的计算量，使得处理效率下降。为了充分发掘三维连续小波变换的潜力，f与
的内积的积分可以看作f(x)与
的卷积。而卷积的运算可以通过傅里叶变换来实现。
其中，(Wψf)(a，b，θ，
)为f(x)的三维连续小波变换，
为快速傅里叶逆变换，
为f(x)的傅里叶变换，
为ψ*(x)的傅里叶变换，k＝(kx,ky,kz)T为 x＝(x1,x2,x3)T对应的三维傅里叶变换的频率。
基于上述的原理，可以使用快速傅里叶变换来计算三维连续小波变换，从而极大提高数据的处理速率，更加适合在实际中使用。
请参阅图2，利用三维连续小波快速算法将OVT道集数据分解，通过硬阈值滤波函数滤除噪声成分对应的系数，然后经过三维连续小波反变换之后，得到一个去噪效果良好的数据标签，同时对三维连续小波快速算法的去噪所得结果进行了二次检查，从中挑选出噪声压制最彻底的作为训练的标签数据集。
S3、构造3D-SNACNN网络，将步骤S2所得训练样本对送入3D-SNACNN 网络进行训练，待训练完成后，利用3D-SNACNN网络对测试集中的合成地震数据和实际地震数据进行处理，完成三维地震资料中强散射噪声及各种随机噪声的压制工作。
将步骤S2所得训练样本对送入3D-SNACNN网络进行训练，使用批量梯度下降算法调整神经网络的参数使得损失函数最小，损失函数如下式所示：
利用梯度下降算法通过最小化损失函数来优化网络的目标函数如下：
其中，，fθ(·)为3D-SNACNN网络通过训练学到的含噪数据到有效信号之间的映射，θ为3D-SNACNN网络的参数，yi为待去噪的地震资料，xi为yi对应的标签数据，
为N个含噪地震资料经过3D-SNACNN网络所得去噪结果与其对应标签数据之间的均方误差损失之和。
由于训练集数目相对较少，所以批处理大小选择训练样本数N，使用批量梯度下降算法更新模型参数，具体如下：
训练完成之后，将3D-SNACNN网络用于处理测试集中的地震资料，完成叠前地震资料中随机噪声的压制工作。
与传统的3D-DnCNN网络不同，3D-SNACNN网络采用直接将原始信号映射为有效信号的结构，没有使用大多数模型一贯采用的残差网络结构来学习数据中的噪声的方法，这是因为地震数噪声分布十分不规律，变化剧烈难以用神经网络来拟合。另外，将数据转到OVT域来处理，OVT域中的有效信号具有空间连续、分布相似，幅度变化缓慢的特点，很适合神经网络学习，所以直接映射的网络结构便能有效工作。
请参阅图1，3D-SNACNN网络包含15个隐藏层，采用的三维卷积核尺寸为3×3×3，使用三维的卷积核能够最大化利用地震数据的结构信息。为了确保输入和输出是相同大小的，每次卷积过程中采用相同的填充策略。另外，3D- SNACNN网络使用ReLU函数提高神经网络的非线性，与sigmoid和tanh等非线性函数相比，使用ReLU函数能有效避免梯度消失问题，能够加速网络的训练同时有更好的实际效果。为了加速网络的训练过程，模型中普遍使用批归一化技术，将批归一化加入到每一个激活函数的前面。批归一化降低了内部协变量转移，3D-SNACNN网络在训练过程中，层与层之间在近似相同的输入分布下继续学习，可以加速网络的训练。批归一化的前向传导公式如下所示：
其中，
μB，
为一批次m个数据经过某层神经元所得输出的均值和方差。
为利用μB，
对xi进行归一化后的结果，ε为一个极小的正数。yi是利用γ和β对
的均值和方差进行放缩的结果，γ和β在训练过程中可以调节。
在反向传播过程中，批归一化层的链式求导如下：
其中，
表示损失l对变量(·)的求导，得到损失对各个参数的导数之后，使用梯度下降算法来优化参数得到更小的损失。
本发明再一个实施例中，提供一种基于3D-SNACNN网络的叠前地震资料中强散射噪声压制系统，该系统能够用于实现上述基于3D-SNACNN网络的叠前地震资料中强散射噪声压制方法，具体的，该基于3D-SNACNN网络的叠前地震资料中强散射噪声压制系统包括数据模块、划分模块以及压制模块。
其中，数据模块，将三维地震数据重排为三维OVT域数据；
划分模块，从数据模块得到的三维OVT域数据中选择六个不同方位角的中偏移距地震道集数据作为训练集，将剩余的三维OVT域数据作为测试集，利用三维连续小波快速算法对训练集进行噪声压制得到干净数据集，将训练集和干净数据集划分为若干相互对应的满足3D-SNACNN网络输入要求的三维块状地震数据，从三维块状地震数据中筛选数据构建训练样本对；
压制模块，构造3D-SNACNN网络，将划分模块得到的训练样本对输入构建的3D-SNACNN网络中进行训练，将划分模块得到的测试集输入训练好的 3D-SNACNN网络中，通过3D-SNACNN网络对测试集中的合成地震数据和实际地震数据进行处理，完成强散射噪声及随机噪声的压制工作。
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。
请参阅图3，训练和测试的数据共有35*36＝2160个地震数据，选择标记为红点的两个具有相同方位角的地震数据来训练模型，其他的数据作为测试集使用。下面将本发明提供的分析处理方法应用到合成地震资料和实际地震资料的随机噪声压制中，可见本发明很好地压制了叠前数据中的散射噪声，而且恢复出的有效信号具有较高的保真度。
请参阅图4，应用3D-SNACNN网络对合成的域地震数据去噪，地震数据的信噪比由-5.6963dB提升为-0.8968dB，成功地压制了数据中的随机噪声，说明3D-SNACNN网络已经获得压制三维地震数据中随机噪声的能力。
为了于残差架构的网络对比，对两者的超参数保持相同，然后对网络进行训练，分别利用两种结构的网络来处理地震数据。采用如图5(a)所示的数据来进行测试两种网络的去噪效果，在这个数据种噪声几乎将信号完全覆盖，信噪比达到-18.8dB，图5(b)为其对应的干净数据标签。如图5(c)所示，残差学习网络将数据的信噪比提高到了-6.0dB，获得了12.8dB的增益，但去噪所得数据中仍旧含有散射噪声。如图5(d)所示，3D-SNACNN网络去噪的结果信噪比达到了1.5，获得了20.3dB的增益，取得了好的效果。
相对于人工合成的噪声分布存在规律性的特点，实际数据中的噪声分布更加杂乱，也更难压制。为了验证3D-SNACNN网络压制噪声的有效性，将其用于实际地震数据的噪声压制中。利用3D-SNACNN网络对叠前OVT道集中的近偏移距、中偏移距、远偏移距，叠后OVT道集数据分别进行处理，同时将测试数据整理为共中点(CMP)道集进行测试。
对于叠前数据，三类偏移距对应的处理结果如图6，图7，图8所示。对于叠后数据对应的处理结果如图9所示。对于共中点道集，处理结果如图10所示。上述每幅图中(a)为实际的波场数据，(b)、(c)分别为三维连续小波快速算法的去噪结果和压制的噪声，(d)、(e)分别是3D-SNACNN网络的去噪结果和压制的噪声。可以发现两类方法均高效地从被随机噪声污染的数据中抽取出了有效信号，对原始信号中的有效信号破坏较少，被压制的随机噪声中也明显没有有效信号的残余，仔细对比可以发现，与三维连续小波快速算法相比，3D-SNACNN网络对噪声压制更彻底，对有效信号提取的也更加充分。
更为重要的是，地震资料处理常常面临着数据量大，处理耗时的问题，算法的执行效率就显得非常关键。三维连续小波快速算法使用the CPU Intel Xeon E5-1620 v3处理完数据集中1260个道集需要61天，本发明使用Nvidia GeForce RTX 2080Ti处理同样的数据仅需要4.1天，数据处理速度是传统方法的10倍以上。应当指出，这只是基于单GPU的处理速度，而本发明提供的程序支持多 GPU并行处理，可以大幅提高处理效率，在处理速度上较其他方法具有显著的优势。
综上所述，本发明一种基于3D-SNACNN网络的叠前地震资料中强散射噪声压制方法及系统，具有如下有益效果：
1)使用OVT域地震数据训练模型，OVT域的地震数据平滑连续，幅度变化小，特征明显，相较其他类型的地震数据更容易被神经网络学习；
2)3D-SNACNN网络只需要很少的数据训练便可取得好的效果，能够减少数据获取及处理的成本；
3)本发明的测试程序具有并行处理能力。与传统方法相比，3D-SNACNN 网络数据处理效率提高了10倍左右。
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 (10)
1.基于3D-SNACNN网络的叠前地震资料中强散射噪声压制方法，其特征在于，包括以下步骤：
S1、将三维地震数据重排为三维OVT域数据；
S2、从步骤S1得到的三维OVT域数据中选择六个不同方位角的中偏移距地震道集数据作为训练集，将剩余的三维OVT域数据作为测试集，利用三维连续小波快速算法对训练集进行噪声压制得到干净数据集，将训练集和干净数据集划分为若干相互对应的满足3D-SNACNN网络输入要求的三维块状地震数据，从三维块状地震数据中筛选数据构建训练样本对；
S3、构造3D-SNACNN网络，将步骤S2得到的训练样本对输入构建的3D-SNACNN网络中进行训练，将步骤S2得到的测试集输入训练好的3D-SNACNN网络中，通过3D-SNACNN网络对测试集中的合成地震数据和实际地震数据进行处理，完成强散射噪声及随机噪声的压制工作。
2.根据权利要求1所述的基于3D-SNACNN网络的叠前地震资料中强散射噪声压制方法，其特征在于，步骤S1中，三维OVT域数据y为：
y＝x+n
其中，x表示有效信号，n表示随机噪声和散射噪声。
3.根据权利要求1所述的基于3D-SNACNN网络的叠前地震资料中强散射噪声压制方法，其特征在于，步骤S2中，利用三维连续小波快速算法对训练集进行去噪处理具体为：
选择具有方向选择特性的3D Morlet小波作为母小波ψ(x)，在母小波中加入方位角因子
获取数据的三维信息，利用内积和卷积的对应关系将连续小波变换转换为卷积操作，基于卷积与傅里叶变换的关系，利用快速傅里叶变换实现三维小波变换。
4.根据权利要求3所述的基于3D-SNACNN网络的叠前地震资料中强散射噪声压制方法，其特征在于，利用快速傅里叶变换实现快速求解具体为：
其中，
为f(x)的三维连续小波变换，
为快速傅里叶逆变换，
为f(x)的傅里叶变换，
为ψ*(x)的傅里叶变换，k＝(kx,ky,kz)T为x＝(x1,x2,x3)T对应的三维傅里叶变换的频率。
5.根据权利要求1所述的基于3D-SNACNN网络的叠前地震资料中强散射噪声压制方法，其特征在于，步骤S3中，将步骤S2得到的训练样本对输入构建的3D-SNACNN网络中，使用批量梯度下降方法调整3D-SNACNN网络的参数使得经验损失函数最小，通过最小化经验损失函数优化3D-SNACNN网络。
6.根据权利要求5所述的基于3D-SNACNN网络的叠前地震资料中强散射噪声压制方法，其特征在于，3D-SNACNN网络的损失函数如下：
其中，X代表有效信号，N为随机噪声和散射噪声，h代表从含噪数据到有效信号的映射，L(h(X+N),X)为h(X+N)与X之间的距离。
7.根据权利要求5所述的基于3D-SNACNN网络的叠前地震资料中强散射噪声压制方法，其特征在于，使用批量梯度下降方法调整神经网络的参数，优化的目标函数具体为：
其中，fθ(·)为3D-SNACNN网络通过训练学到的含噪数据到有效信号的映射，θ为3D-SNACNN网络的参数，yi为待去噪的地震资料，xi为yi对应的标签数据，
为N个三维含噪地震资料经过3D-SNACNN网络所得去噪结果与其对应标签数据之间的均方误差损失之和。
8.根据权利要求1所述的基于3D-SNACNN网络的叠前地震资料中强散射噪声压制方法，其特征在于，步骤S3中，3D-SNACNN网络包含15个隐藏层，使用ReLU函数作为激活函数，并将批归一化层加入到每一个激活函数的前面，3D-SNACNN网络通过训练学习一个从原始地震资料中抽取有效信号的映射fθ(y)＝x'≈x，将原始的三维地震资料输入3D-SNACNN网络中，得到地震资料中的去噪结果x'。
9.根据权利要求8所述的基于3D-SNACNN网络的叠前地震资料中强散射噪声压制方法，其特征在于，使用批归一化技术来加速网络的学习，批归一化的前向传导公式如下：
其中，
μB，
为一批次m个数据经过某层神经元所得输出的均值和方差；
为利用μB，
对xi进行归一化后的结果，ε为一个极小的正数；yi是利用γ和β对
的均值和方差进行放缩的结果，γ和β在训练过程中可以调节；
在反向传播过程中，批归一化层的链式求导如下：
其中，
表示损失l对变量(·)的求导。
10.一种基于3D-SNACNN网络的叠前地震资料中强散射噪声压制系统，其特征在于，包括：
数据模块，将三维地震数据重排为三维OVT域数据；
划分模块，从数据模块得到的三维OVT域数据中选择六个不同方位角的中偏移距地震道集数据作为训练集，将剩余的三维OVT域数据作为测试集，利用三维连续小波快速算法对训练集进行噪声压制得到干净数据集，将训练集和干净数据集划分为若干相互对应的满足3D-SNACNN网络输入要求的三维块状地震数据，从三维块状地震数据中筛选数据构建训练样本对；
压制模块，构造3D-SNACNN网络，将划分模块得到的训练样本对输入构建的3D-SNACNN网络中进行训练，将划分模块得到的测试集输入训练好的3D-SNACNN网络中，通过3D-SNACNN网络对测试集中的合成地震数据和实际地震数据进行处理，完成强散射噪声及随机噪声的压制工作。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111595374.9A CN114325821A (zh) | 2021-12-23 | 2021-12-23 | 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 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111595374.9A CN114325821A (zh) | 2021-12-23 | 2021-12-23 | 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 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114325821A true CN114325821A (zh) | 2022-04-12 |
Family
ID=81012327
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111595374.9A Pending CN114325821A (zh) | 2021-12-23 | 2021-12-23 | 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 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114325821A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115267899A (zh) * | 2022-08-15 | 2022-11-01 | 河北地质大学 | 基于边界保持的DnCNN混合震源地震数据分离方法和系统 |
| CN115577247A (zh) * | 2022-12-09 | 2023-01-06 | 中海油田服务股份有限公司 | 基于堆叠反馈残差网络的地震噪声去除方法及装置 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140278118A1 (en) * | 2013-03-14 | 2014-09-18 | Chevron U.S.A. Inc. | System and method for attenuating noise in seismic data |
| CN109782339A (zh) * | 2019-01-14 | 2019-05-21 | 西安交通大学 | 一种基于3D-DnCNN网络的叠后三维地震资料随机噪声压制方法 |
| US20200116885A1 (en) * | 2018-10-12 | 2020-04-16 | Bp Corporation North America Inc. | Separation of Multiple Seismic Sources of Different Types by Inversion |
| CN111538075A (zh) * | 2020-05-11 | 2020-08-14 | 中国地质调查局水文地质环境地质调查中心 | 干热岩勘探方法、装置、电子设备及存储介质 |
| CN112415591A (zh) * | 2020-10-30 | 2021-02-26 | 中国石油天然气集团有限公司 | 绕射波的成像方法、装置、电子设备及存储介质 |
| CN112882101A (zh) * | 2019-11-29 | 2021-06-01 | 中国石油天然气集团有限公司 | 叠前地震数据的随机噪音衰减方法及装置 |
| US20210349227A1 (en) * | 2020-04-28 | 2021-11-11 | Xi'an Jiaotong University | Method of stripping strong reflection layer based on deep learning |
-
2021
- 2021-12-23 CN CN202111595374.9A patent/CN114325821A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140278118A1 (en) * | 2013-03-14 | 2014-09-18 | Chevron U.S.A. Inc. | System and method for attenuating noise in seismic data |
| US20200116885A1 (en) * | 2018-10-12 | 2020-04-16 | Bp Corporation North America Inc. | Separation of Multiple Seismic Sources of Different Types by Inversion |
| CN109782339A (zh) * | 2019-01-14 | 2019-05-21 | 西安交通大学 | 一种基于3D-DnCNN网络的叠后三维地震资料随机噪声压制方法 |
| CN112882101A (zh) * | 2019-11-29 | 2021-06-01 | 中国石油天然气集团有限公司 | 叠前地震数据的随机噪音衰减方法及装置 |
| US20210349227A1 (en) * | 2020-04-28 | 2021-11-11 | Xi'an Jiaotong University | Method of stripping strong reflection layer based on deep learning |
| CN111538075A (zh) * | 2020-05-11 | 2020-08-14 | 中国地质调查局水文地质环境地质调查中心 | 干热岩勘探方法、装置、电子设备及存储介质 |
| CN112415591A (zh) * | 2020-10-30 | 2021-02-26 | 中国石油天然气集团有限公司 | 绕射波的成像方法、装置、电子设备及存储介质 |
Non-Patent Citations (4)
| Title |
|---|
| DAWEI LIU 等: "Deep learning for prestack strong scattered noise suppression", 《2021 SOCIETY OF EXPLORATION GEOPHYSICISTS FIRST INTERNATIONAL MEETING FOR APPLIED GEOSCIENCE & ENERGY》 * |
| DAWEI LIU等: "Accelerating seismic scattered noise attenuation in offset-vector tile domain: Application of deep learning", 《GEOPHYSICS》 * |
| SERGEY IOFFE 等: "Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift", 《PROCEEDINGS OF THE 32 ND INTERNATIONAL CONFERENCE ON MACHINE LEARNING》 * |
| 王晓凯等: "深层叠前地震数据的高维连续小波变换域噪声压制", 《中国地球科学联合学术年会 2020》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115267899A (zh) * | 2022-08-15 | 2022-11-01 | 河北地质大学 | 基于边界保持的DnCNN混合震源地震数据分离方法和系统 |
| CN115267899B (zh) * | 2022-08-15 | 2024-01-12 | 河北地质大学 | 基于边界保持的DnCNN混合震源地震数据分离方法和系统 |
| CN115577247A (zh) * | 2022-12-09 | 2023-01-06 | 中海油田服务股份有限公司 | 基于堆叠反馈残差网络的地震噪声去除方法及装置 |
| CN115577247B (zh) * | 2022-12-09 | 2023-07-11 | 中海油田服务股份有限公司 | 基于堆叠反馈残差网络的地震噪声去除方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Jiang et al. | A convolutional autoencoder method for simultaneous seismic data reconstruction and denoising | |
| Liu et al. | An unsupervised deep learning method for denoising prestack random noise | |
| 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 | |
| Zhang et al. | 3D simultaneous seismic data reconstruction and noise suppression based on the curvelet transform | |
| CN114418886B (zh) | 一种基于深度卷积自编码器的鲁棒性去噪方法 | |
| CN111505719B (zh) | 基于波场分解的绕射多次波压制方法 | |
| CN111368247A (zh) | 基于快速正交字典的稀疏表征正则化叠前avo反演方法 | |
| CN113885077A (zh) | 一种基于深度学习的多震源地震数据分离方法 | |
| CN113077386A (zh) | 基于字典学习和稀疏表征的地震资料高分辨率处理方法 | |
| Wu et al. | Fast and robust low-rank approximation for five-dimensional seismic data reconstruction | |
| CN113917540B (zh) | 基于稀疏约束的抗假频射线束进行地震数据去噪的方法 | |
| CN111551988A (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 | |
| Zhu et al. | Seismic data reconstruction based on attention U-net and transfer learning | |
| Cheng et al. | An effective self-supervised learning method for various seismic noise attenuation | |
| Trad | Five dimensional seismic data interpolation | |
| CN116577821A (zh) | 基于神经网络的时移地震预测方法和系统 | |
| CN113743193A (zh) | 一种叠前地震资料线性干扰压制方法及系统 | |
| Zhou et al. | Fast Dictionary Learning Based on Data-Driven Tight Frame for 3D Seismic Data Denoising | |
| CN110850473B (zh) | 一种基于稀疏变换学习的地震波阻抗反演方法 | |
| Tao et al. | Upgoing and downgoing wave separation in vertical seismic profiling data based on deep learning | |
| Zhou et al. | Coherent noise attenuation by kurtosis-guided adaptive dictionary learning based on variational sparse representation | |
| CN110687605A (zh) | 基于改进的k-svd算法在地震信号处理的算法分析应用 | |
| Wang et al. | Self-adaptive seismic data reconstruction and denoising using dictionary learning based on morphological component analysis | |
| Zhao et al. | Seismic data interpolation based on spectrally normalized generative adversarial network | |
| Wang et al. | A self-supervised method using noise2noise strategy for denoising crp gathers |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220412 |