CN115061200B - 基于虚同相轴法和无监督神经网络压制层间多次波的方法 - Google Patents
基于虚同相轴法和无监督神经网络压制层间多次波的方法 Download PDFInfo
- Publication number
- CN115061200B CN115061200B CN202210638911.1A CN202210638911A CN115061200B CN 115061200 B CN115061200 B CN 115061200B CN 202210638911 A CN202210638911 A CN 202210638911A CN 115061200 B CN115061200 B CN 115061200B
- Authority
- CN
- China
- Prior art keywords
- neural network
- interlayer
- data
- deep neural
- layer
- 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
- 239000011229 interlayer Substances 0.000 title claims abstract description 168
- 238000000034 method Methods 0.000 title claims abstract description 136
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 122
- 239000010410 layer Substances 0.000 claims abstract description 99
- 238000012549 training Methods 0.000 claims abstract description 39
- 230000001629 suppression Effects 0.000 claims abstract description 21
- 238000003062 neural network model Methods 0.000 claims abstract description 11
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 230000008569 process Effects 0.000 claims description 39
- 230000006870 function Effects 0.000 claims description 25
- 238000003825 pressing Methods 0.000 claims description 21
- 230000004913 activation Effects 0.000 claims description 14
- 230000003044 adaptive effect Effects 0.000 claims description 14
- 238000005070 sampling Methods 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 10
- 238000013507 mapping Methods 0.000 claims description 8
- 238000010586 diagram Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000003213 activating effect Effects 0.000 claims 1
- 230000000694 effects Effects 0.000 description 11
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000001914 filtration Methods 0.000 description 5
- 230000004927 fusion Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000012937 correction Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000000926 separation method Methods 0.000 description 4
- 239000007787 solid Substances 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 229910052704 radon Inorganic materials 0.000 description 3
- SYUHGPGVQRZVTB-UHFFFAOYSA-N radon atom Chemical compound [Rn] SYUHGPGVQRZVTB-UHFFFAOYSA-N 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000005764 inhibitory process Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 230000002441 reversible effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000011410 subtraction method Methods 0.000 description 2
- 239000011324 bead Substances 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 238000005056 compaction Methods 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000003475 lamination Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000010801 machine learning Methods 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
- 238000005457 optimization Methods 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 230000009466 transformation 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
- G01V1/30—Analysis
- G01V1/306—Analysis for determining physical properties of the subsurface, e.g. impedance, porosity or attenuation profiles
-
- 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
-
- 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
- G01V2210/60—Analysis
- G01V2210/62—Physical property of subsurface
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Remote Sensing (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Acoustics & Sound (AREA)
- Geology (AREA)
- Geophysics (AREA)
- Environmental & Geological Engineering (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公布了一种基于虚同相轴法和无监督神经网络压制层间多次波的方法,使用无监督深度神经网络来压制层间多次波;包括:对地震资料进行预处理;采用基于迭代法的自适应虚同相轴法,通过迭代逐层得到压制了层间多次波后的数据;构建无监督深度神经网络模型;使得无监督深度神经网络模型作为一个非线性算子,用于最小化预测层间多次波和包含真实层间多次波的全波场数据之间的差异;网络模型的输入为预测层间多次波数据,输出为真实的层间多次波估计值数据;训练无监督深度神经网络;利用训练好的无监督深度神经网络,通过预测的层间多次波得到真实层间多次波的估计值,实现层间多次波的压制。
Description
技术领域
本发明属于勘探地震信号处理技术领域,涉及地震的层间多次波预测和压制技术,具体涉及一种虚同相轴法和无监督神经网络压制层间多次地震波的方法,使用自适应虚同相轴方法得到预测层间多次波来标定真实的层间多次地震波,从而辅助训练无监督深度神经网络,再利用训练好的无监督深度神经网络有效压制层间多次波。
背景技术
多次波是在地下经过多次向上、向下反射的地震波([1]-[3])。多次波地震信号作为一种在叠前和叠后都普遍存在的相干地震噪声,容易与一次波地震信号互相混淆而影响识别。进一步地,多次波使目的层反射波的振幅、频率和相位发生畸变,影响地震成像的真实性和可靠性,误导地震资料的解释,误导断裂的描述和反演的研究,增加了目标层位圈定和构造解释的不确定性[4]。多次波分为地表多次波和层间多次波。地表多次波是指在地表和地下界面之间发生一次或多次向下散射的波;层间多次波的所有向下散射点均位于地下界面而非地表。当地下存在速度差异较大的地层界面时,层间多次波振幅可能高于一次反射波。一般情况下,层间多次波的动校正量、叠加速度、旅行时与一次波较为相似[5],由于层间多次波与一次有效波在传播时间和速度上的差异较小等因素,层间多次波的识别和压制难度较大,层间多次波衰减是当今国内外地球物理学专家和地震资料处理工作者所面临的难题([6]-[7])。
目前,多次波压制方法主要分为两类,一类是滤波方法,另一类是预测相减方法。滤波方法主要利用一次波与多次波的时差关系和周期特征进行多次波的识别和压制[8],如抛物Radon滤波[9]和双曲Radon滤波[10]等。该类方法计算效率高,算法容易实现。当有效波和多次波之间的动校正时差较大时,可取得满意的多次波压制效果。但对于复杂介质,如速度梯度较小(或速度反转)的情况,或构造变化剧烈的介质,应用滤波法难以有效识别有效波和多次波,往往得不到理想的多次波压制结果[11]。预测相减方法基于波动理论,能更好的适应于复杂介质的情况,诸多地球物理工作者都对该类方法进行了系统深入的研究。该类多次波压制方法包括逆散射级数法([12]-[13])、共聚焦点技术([6]-[7])、基于Marchenko的层间多次波压制方法[14-16]以及近年来发展的基于虚同相轴的层间多次波压制方法([17]-[20])。Weglein等[13]提出逆散射级数(ISS)的概念和方法,从理论上给出了层间多次波的预测模型。基于散射理论的逆散射级数法无需地下的先验信息,预测一次可以得到与所有界面相关的同阶层间多次波,在没有有效手段区分有效波和多次波时,是层间多次波压制较为有效的方法。Innanen[5]针对原始ISS方法静态参数无法处理横向延展较长的散射波产生界面的问题,提出了基于1D和1.5D模型的ISS非静态参数,但并未在完整二维地震道上成功应用。共聚焦点方法适合复杂介质条件的多次波压制。Berkhout和Verschuur[6]将经典的表面多次波去除方法(SRME)[3]推广到了地下界面当中,提出了扩展SRME方法,但该方法高度依赖于共聚焦点道集的构建、宏观速度模型的准确性以及波场延拓。即,当地震资料的近偏移距缺失时需要相应的波场重建方法进行数据重建,且一次只能预测得到与某一界面相关的层间多次波。该方法在一定程度上依赖初始速度模型以求取准确的聚焦算子。Marchenko层间多次波压制方法在模型数据上取得了很好的效果,也可应用于实际数据,但是对于层间多次波发育且信噪比较低的陆上地震资料多次波压制还存在计算不稳定的情况.
虚同相轴方法能够较准确地预测层间多次波。Ikelle([18]-[19])提出了通过构建虚地震同相轴估计层间多次波的方法准确地预测了层间多次波,并在此基础上通过匹配算法([21]-[22])实现多次波的压制。该方法摆脱了其他方法对特定界面或初始速度的依赖,大大减少了计算量,提高了层间多次波压制的效率。深度学习是机器学习的一个新领域,是一种以人工神经网络为架构,对数据进行表征学习的算法([23]-[24])。深度学习主要在于学习样本数据所存在的内在规律和表示幅度。深度神经网络基于数据驱动,其优越的数据特征挖掘能力也引起了地震勘探领域的关注。目前,尚未出现采用虚同相轴方法与无监督深度神经网络模型方法以实现共同压制层间多次波的技术方案,而现有的层间多次波压制技术难以实现在保护一次波的同时有效减少残余多次波。
参考文献:
[1]D.Verschuur and A.Berkhout,"Estimation of multiple scattering byiterative inversion,Part II:Practical aspects and examples,"Geophysics,vol.62,no.5,pp.1596-1611,1997.
[2]D.J.Verschuur,A.J.Berkhout,and C.P.A.Wapenaar,"Adaptive surface-related multiple elimination,"Geophysics,vol.57,no.9,pp.1166-1177,1992.
[3]A.J.Berkhout and D.J.Verschuur,"Estimation of multiple scatteringby iterative inversion,Part I:Theoretical considerations,"GEOPHYSICS,vol.62,no.5,pp.1586-1595,1997/09/01 1997,doi:10.1190/1.1444261.
[4]T.Hu and R.White,"Robust multiple suppression using adaptivebeamforming,"Geophysical prospecting,vol.46,no.3,pp.227-248,1998.
[5]K.A.Innanen,"Time-and offset-domain internal multiple predictionwith nonstationary parameters,"GEOPHYSICS,vol.82,no.2,pp.V105-V116,2017/03/012017,doi:10.1190/geo2016-0220.1.
[6]A.J.Berkhout and D.J.Verschuur,"Removal of internal multiples withthe common-focus-point(CFP)approach:Part 1—Explanation of the theory,"GEOPHYSICS,vol.70,no.3,pp.V45-V60,2005/05/01 2005,doi:10.1190/1.1925753.
[7]D.J.Verschuur and A.J.Berkhout,"Removal of internal multiples withthe common-focus-point(CFP)approach:Part 2—Application strategies and dataexamples,"GEOPHYSICS,vol.70,no.3,pp.V61-V72,2005/05/01 2005,doi:10.1190/1.1925754.
[8]D.Lokshtanov,"Multiple suppression by data-consistentdeconvolution,"The Leading Edge,vol.18,no.1,pp.115-119,1999/01/01 1999,doi:10.1190/1.1438136.
[9]D.Hampson,"Inverse velocity stacking for multiple elimination,"SEGTechnical Program Expanded Abstracts,vol.5,no.1,pp.419-419,1986.
[10]D.J.Foster and C.C.Mosher,"Suppression of multiple reflectionsusing the Radon transform,"GEOPHYSICS,vol.57,no.3,pp.386-395,1992/03/01 1992,doi:10.1190/1.1443253.
[11]F.J.Herrmann,D.Wang,and D.J.Verschuur,"Adaptive curvelet-domainprimary-multiple separation,"GEOPHYSICS,vol.73,no.3,pp.A17-A21,2008,doi:10.1190/1.2904986.
[12]A.B.Weglein et al.,"Inverse scattering series and seismicexploration,"Inverse Problems,vol.19,no.6,pp.R27-R83,2003/10/09 2003,doi:10.1088/0266-5611/19/6/r01.
[13]A.B.Weglein,F.A.Gasparotto,P.M.Carvalho,and R.H.Stolt,"Aninverse-scattering series method for attenuating multiples in seismicreflection data,"GEOPHYSICS,vol.62,no.6,pp.1975-1989,1997/11/01 1997,doi:10.1190/1.1444298.
[14]L.Zhang and E.Slob,"A field data example of Marchenko multipleelimination,"GEOPHYSICS,vol.85,no.2,pp.S65-S70,2020/03/01 2019,doi:10.1190/geo2019-0327.1.
[15]K.Wapenaar,"Retrieving the Elastodynamic Green's Function of anArbitrary Inhomogeneous Medium by Cross Correlation,"Physical Review Letters,vol.93,no.25,p.254301,12/16/2004,doi:10.1103/PhysRevLett.93.254301.
[16]K.Wapenaar and E.Slob,"On the Marchenko equation formulticomponent single-sided reflection data,"Geophysical JournalInternational,vol.199,no.3,pp.1367-1371,2014,doi:10.1093/gji/ggu313.
[17]M.Chen et al.,"Poststack internal multiples attenuation based onvirtual events,"Applied Geophysics,vol.15,no.3,pp.491-499,2018/09/01 2018,doi:10.1007/s11770-018-0694-5.
[18]L.T.Ikelle,"A construct of internal multiples from surface dataonly:the concept of virtual seismic events,"Geophysical JournalInternational,vol.164,no.2,pp.383-393,2006.
[19]L.T.Ikelle,I.Erez,and X.Yang,"Scattering diagrams in seismicimaging:More insights into the construction of virtual events and internalmultiples,"Journal of Applied Geophysics,vol.67,no.2,pp.150-170,2009.
[20]J.Liu,T.Hu,G.Peng,and Y.Cui,"Removal of internal multiples byiterative construction of virtual primaries,"Geophysical JournalInternational,vol.215,no.1,pp.81-101,2018.
[21]A.Guitton and W.W.Symes,"Robust inversion of seismic data usingthe Huber norm,"GEOPHYSICS,vol.68,no.4,pp.1310-1319,2003/07/01 2003,doi:10.1190/1.1598124.
[22]A.Guitton and D.Verschuur,"Adaptive subtraction of multiplesusing the L1-norm,"Geophysical Prospecting,vol.52,no.1,pp.27-38,2004.
[23]G.E.Hinton and R.R.Salakhutdinov,"Reducing the dimensionality ofdata with neural networks,"science,vol.313,no.5786,pp.504-507,2006.
[24]Y.LeCun,L.Bottou,Y.Bengio,and P.Haffner,"Gradient-based learningapplied to document recognition,"Proceedings of the IEEE,vol.86,no.11,pp.2278-2324,1998.
[25]K.He,X.Zhang,S.Ren,and J.Sun,"Deep residual learning for imagerecognition,"in Proceedings of the IEEE conference on computer vision andpattern recognition,2016,pp.770-778.
[26]S.Yildirim,Y.Kaya,and F."A modified feature selection methodbased on metaheuristic algorithms for speech emotion recognition,"AppliedAcoustics,vol.173,p.107721,2021.
[27]J.Lee,K.Cho,and T.Hofmann,"Fully character-level neural machinetranslation without explicit segmentation,"Transactions of the Associationfor Computational Linguistics,vol.5,pp.365-378,2017.
发明内容
针对上述现有技术存在的不足,本发明提出一种基于虚同相轴法和无监督神经网络压制层间多次地震波的方法,构建基于虚同相轴方法的深度神经网络模型方法,在压制层间多次地震波中能够更好的均衡一次波的保护和多次波的分离,在保护一次波的同时,有效减少残余多次波。
本发明的核心是:本发明提出结合自适应虚同相轴法,使用无监督深度神经网络来压制层间多次波。首先我们使用自适应虚同相轴得到预测的层间多次波。预测的层间多次波能够起到标定真实层间多次波的作用。其次,我们让无监督深度神经网络作为一个非线性算子来最小化预测层间多次波和包含真实层间多次波的全波场数据之间的差异。训练完成的无监督深度神经网络能够通过预测的层间多次波得到真实层间多次波的估计值,从而完成层间多次波的压制。由于本发明本质上是学习一种优化过程,不需要压制了层间多次波后的干净一次波数据参与无监督深度神经网络的训练过程,可以解决训练集缺少的问题。本发明设计的神经网络结构类似于U-net网络,包括卷积编码部分和卷积解码部分。在神经网络测试阶段,使用训练好的神经网络参数,卷积编码部分能够提取地震数据中的连续信号特征,区分一次波和层间多次波,卷积解码部分能够使用编码部分提取的特征来重建层间多次波数据。在常规层间多次波的压制过程中,深度神经网络的训练占用了主要的计算开销,使用训练好的神经网络可以做到快速甚至实时地重构一次波。相对于常规层间多次波压制方法,本发明方法具有很好的实际应用价值,可以用于叠前和叠后地震数据中,且计算花销低。
本发明提供的技术方案如下:
本发明构建具有卷积编码和卷积解码过程的无监督深度神经网络结构,使用训练好的神经网络参数,卷积编码部分能够提取地震数据中的连续信号特征,区分一次波和多次波,卷积解码部分能够使用编码部分提取的层间多次波特征来重建真实层间多次波数据。考虑到深度神经网络训练阶段的训练集往往较少,标签数据缺失,本发明基于自适应虚同相轴的无监督深度神经网络方法来减少深度神经网络依赖标签数据,进一步提高深度神经网络的适用范围和多次波压制效果。
本发明设计具有类似于U-net的具有卷积编码和卷积解码过程的无监督深度神经网络来处理含层间多次波的数据。在训练阶段,自适应虚同相轴法得到的预测多次波和全波场数据一起送入深度神经网络,学习得到最佳的深度神经网络参数。用该最佳的深度神经网络参数可以得到很好的层间多次波压制效果。包含以下步骤:
步骤1,对地震资料数据进行预处理,得到叠前或叠后地震数据,得到的数据只包含层间多次波的全波场数据;
步骤2,采用自适应虚同相轴法预测层间多次波;根据预测的层间多次波,通过迭代逐层标定真实的层间多次波地震数据;
步骤3,构建无监督深度神经网络;
步骤4,训练无监督深度神经网络;将预测的层间多次波转化为真实的层间多次波。
步骤5,利用训练好的无监督深度神经网络模型压制层间多次波。
本发明的目的还可通过如下技术措施来实现:
在步骤1中,先去除地震数据中的直达波,再通过随机噪声压制方法去除随机噪声。接着压制面波。最后使用自由表面多次波压制(SRME)方法去除共炮点道集数据中的表面多次波数据,得到只包含层间多次波的全波场地震数据。
在步骤2中,假设P代表同时包含表面多次波、层间多次波和直达波的全波场数据。表示切除P第0层到第n个分割层之间的全部反射波,其中符号上划线表示切除,下标n表示切除的范围,即第n层和第n层以上的所有反射波被切除。同时,我们规定符号Pn表示去除了第0-n个分割层界面有关的层间多次波,上标n表示压制的层间多次波范围。根据以上规定,基于迭代法的自适应虚同相轴法表示如下:
其中,上标(m)表示迭代次数为m,上标(m-1)表示迭代次数为m-1,上标(0)表示初始迭代数。表示只与第n层界面有关的逆时一次反射脉冲。/>为自适应虚同相轴,其为实际地震记录中不存在的波场,并通过/>和/>的褶积运算得到。通过式(1)和(2),可以求出自适应虚同相轴法预测的层间多次波Mn。将预测的层间多次波Mn与匹配算子结合,可以通过迭代逐层得到压制了层间多次波后的数据,整个迭代过程如下:
其中A表示匹配算子。经过(3)式迭代过程,构建的自适应虚同相轴可以预测层间多次波。
在步骤3中,输入的预测层间多次波数据xin,输出真实的层间多次波估计值数据yout。
为了充分利用二维地震数据在空间上的连续性特征,避免出现难以训练和过拟合的问题,本发明的深度神经网络F主要使用卷积层来学习数据特征。该深度神经网络类似于U-net网络,包括卷积编码器(卷积编码过程)和卷积解码器(卷积解码过程)两个部分。在卷积编码过程中,9个卷积层和4个下采样层能够抓住地震数据的时间和空间位置关系,学习训练集中的层间多次波表达特征。在卷积解码过程中,13个卷积层和4个上采样层将包含一次波信号的低维特征映射回高维空间,重构真实层间多次波地震数据。同时,神经网络中的特征融合将卷积编码过程得到的特征与卷积解码得到的数据进行了融合,可以保留更多高层特征图信息,获得更准确的地震时间与空间相干特征,达到更好的多次波识别和分离效果。
在训练过程中,当学习到了深度神经网络参数θ后,则整个深度神经网络F的非线性映射可以表示为:
yout=F(xin,θ) (4)
在训练深度神经网络时,每个网络层都包含卷积运算,公式如下:
其中,表示第(L-1)层卷积层第i个卷积核对应的特征图,I表示第(L-1)层总的特征图个数;/>表示第L层卷积层的第j个卷积核,也称为权重矩阵,J是第L层中总的卷积核个数;/>表示第L层第j个卷积核对应的偏置系数;/>表示第L层提取的第j个特征图。由于卷积运算是线性运算,需要通过激活函数处理进行非线性映射,表示为:
其中,σ为激活函数;本发明具体使用2种激活函数,分别是ReLU和Tanh,可参见图2;除了最后一个卷积层激活函数采用Tanh外,其他卷积层中激活函数采用ReLU函数,激活函数ReLU的单侧抑制作用可以有效保持神经元的稀疏性,其数学表达式为:
即当输入x小于0时,处于失活状态,当输入x大于0时,处于激活状态。在最后一层卷积层中,激活函数是双曲正切函数Tanh:
最大池化、上采样和特征融合都不用学习网络参数,所以我们只需要学习和确定卷积运算中的参数:
在步骤4中,在训练无监督深度神经网络时,本发明要先得到训练集数据。通过步骤1得到的包含层间多次波但是不含表面多次波的数据,记为D;将在每一次迭代过程中得到的预测层间多次波记为Pn,M。数据D与Pn,M组合为深度神经网络的训练集,这些训练集用来训练深度神经网络的参数。在每一次深度神经网络训练完成时,深度神经网络得到的层间多次波为F(Pn,M,θ)。在无监督深度神经网络的训练过程中,我们使用自适应虚同相轴法预测的层间多次波作为深度神经网络的输入数据。无监督深度神经网络输出数据为真实的层间多次波结果。为了让深度神经网络学会通过预测的层间多次波逼近真实层间多次波的映射关系,本发明具体实施时使用平均绝对值误差或者均方误差损失函数来训练深度神经网络,并得到最佳深度神经网络参数θ。
步骤5利用训练好的无监督深度神经网络模型压制层间多次波,具体将预处理后用于测试的输入数据直接输入训练好的参数最佳的无监督深度神经网络中,可以输出重构的只含一次波的输出数据。在无监督深度神经网络测试过程中,深度神经网络能够将输入的预测层间多次波正确地映射为真实的层间多次波,从而得到干净的一次波Pn,P,表示如下:
Pn,P=D-F(Pn,M,θ) (9)
其中,Pn,P为一次波;D为包含层间多次波但是不含表面多次波的地震信号数据;F为深度神经网络;Pn,M为一次迭代过程中得到的预测层间多次波;θ为步骤4中得到的最佳深度神经网络参数。
与现有技术相比,本发明的有益效果:
区别于传统的动校正速度法,本发明方法基于数据驱动,可以很好地区分重叠的一次波和层间多次波。当地下地层横向变化较大时,也不会减弱本发明方法的层间多次波压制效果。一般而言,反馈迭代法严重依赖匹配算法,匹配算法选取的好坏也决定了最终的层间多次波压制效果。而本发明基于数据驱动,不需要人为的提取数据特征,仅仅通过自适应虚同相轴法预测层间多次波。通过最小化损失函数,将预测的层间多次波通过深度神经网络转化为估计层间多次波,校正了预测层间多次波的相位和振幅的误差。最后通过全波场数据减去估计层间多次波从而得到压制了层间多次波后的输出数据。本发明的优点在于:
(一)本发明方法中,不需要人工提取和调整参数,智能化程度高;
(二)本发明方法中,能够更好地计算出层间多次波的预测值,获得准确的层间多次波定位效果;
(三)本发明不需要提供不含层间多次波的地震数据作为标签数据,能够很好地解决训练集缺失的问题。
附图说明
图1是本发明提供的一种在自适应虚同相轴法下使用无监督深度神经网络压制层间多次波方法的流程框图。
图2是本发明的深度神经网络结构框图,分为卷积编码器/过程和卷积解码器/过程两个部分。
图3是本发明具体实施采用的速度模型示意图。
图4是在自适应虚同相轴法下使用无监督深度神经网络进行第一次层间多次波压制的结果图;
以第一个同相轴为向下散射界面时,第一次层间多次波压制测试;图中(a)为包含全部层间多次波的全波场数据;(b)为预测的层间多次波;(c)为深度神经网络得到的层间多次波估计值;(d)为第一次层间多次波压制结果;其中,黑色虚线箭头和黑色实线箭头处为真实一次波;黑色虚线箭头处同相轴作为向下散射界面构建虚同相轴;灰色实线箭头指示预测多次波中没有成功预测的真实层间多次波。
图5是本发明具体实施时在自适应虚同相轴法下使用无监督深度神经网络进行第二次层间多次波压制的结果图;
其中,(a)为第一次层间多次波压制结果;(b)为预测的层间多次波;(c)为深度神经网络得到的层间多次波估计值;(d)为第二次层间多次波压制结果;箭头处同相轴作为向下散射界面构建虚同相轴。
图6是本发明具体实施时在自适应虚同相轴法下使用无监督深度神经网络压制陆上实际数据层间多次波的结果图;
其中,(a)与(b)分别为层间多次波压制前后的偏移剖面;白色虚线矩形框内为勘探的主要目标区域。
图7是本发明具体实施时在自适应虚同相轴法下使用无监督深度神经网络压制实际数据层间多次波得到的放大图;
其中,(a)和(b)分别为图6的(a)和图6的(b)中白色虚线矩形框的放大;
其中,箭头指示压制前后的层间多次波,虚椭圆框指示层间多次波压制前后串珠状缝洞信号。
具体实施方式
下面结合附图,通过实施例进一步描述本发明,但不以任何方式限制本发明的范围。
本发明提供的方法是一种在自适应虚同相轴法下使用无监督深度神经网络压制层间多次波方法。
如图1所示,为本发明的在自适应虚同相轴法下使用无监督深度神经网络压制层间多次波方法的流程;包含以下步骤:步骤1,地震资料预处理得到叠前或者叠后数据;步骤2,自适应虚同相轴法预测层间多次波;步骤3,构建无监督深度神经网络;步骤4,训练无监督深度神经网络;步骤5,无监督深度神经网络压制层间多次波。
(1)地震资料预处理得到叠前或叠后数据,先去除地震数据中的直达波,再通过随机噪声压制方法去除随机噪声。接着压制面波。最后使用自由表面多次波压制(SRME)方法去除共炮点道集数据中的表面多次波数据,得到只包含层间多次波的全波场数据。
(2)自适应虚同相轴法预测层间多次波,假设P代表同时包含表面多次波、层间多次波和直达波的全波场数据。表示切除P第0层到第n个分割层之间的全部反射波,其中符号上划线表示切除,下标n表示切除的范围,即第n层和第n层以上的所有反射波被切除。同时,我们规定符号Pn表示去除了第0-n个分割层界面有关的层间多次波,上标表示压制的层间多次波范围。根本以上规定,基于迭代法的自适应虚同相轴法表示如下/>和/>上标(m)表示迭代次数为m,上标(m-1)表示迭代次数为m-1,上标(0)表示初始迭代数。/>表示只与第n层界面有关的逆时一次反射脉冲。/>为自适应虚同相轴,其为实际地震记录中不存在的波场,并通过/>和/>的褶积运算得到。通过式(1)和(2),可以求出自适应虚同相轴法预测的层间多次波Mn。将预测的层间多次波Mn与匹配算子结合,可以通过迭代逐层得到压制了层间多次波后的数据。
(3)构建无监督深度神经网络;
为了充分利用二维地震数据在空间上的连续性特征,避免出现难以训练和过拟合的问题,本发明的神经网络框架主要使用卷积层来学习数据特征。该深度神经网络类似于U-net网络,分为卷积编码器和卷积解码器两个部分。其中,卷积编码器包括9个卷积层和4个下采样层。卷积解码器包括13个卷积层和4个上采样层。在卷积编码器中进行卷积编码的过程中,9个卷积层和4个下采样层能够抓住地震数据的时间和空间位置关系,学习训练集中的层间多次波表达特征。在卷积解码过程中,13个卷积层和4个上采样层将包含一次波信号的低维特征映射回高维空间,重构真实层间多次波地震数据。同时,神经网络中的特征融合将卷积编码过程得到的特征与卷积解码得到的数据进行了融合,可以保留更多高层特征图信息,获得更准确的地震时间与空间相干特征,达到更好的多次波识别和分离效果。
输入的预测多次波数据xin,得到的输出真实层间多次波估计值为yout。在训练过程中,当学习到了深度神经网络参数θ后,则整个无监督深度神经网络F的非线性映射可以表示为yout=F(xin,θ),该映射可以将预测多次波数据转换为真实层间多次波。在训练无监督深度神经网络时,每个网络层都包含卷积运算,公式如下:j=1,2,…,J。其中/>表示第(L-1)层卷积层第i个卷积核对应的特征图,I表示第(L-1)层总的特征图个数;/>表示第L层卷积层的第j个卷积核,也称为权重矩阵,J是第L层中总的卷积核个数;/>表示第L层第j个卷积核对应的偏置系数;/>表示第L层提取的第j个特征图。由于卷积运算是线性运算,需要通过激活函数σ处理进行非线性映射/>j=1,2,…,J。激活函数之一为ReLU函数,该激活函数的单侧抑制作用可以有效保持神经元的稀疏性,其数学表达式为/>即当输入x小于0时,处于失活状态,当输入x大于0时,处于激活状态。最后一层卷积层中,激活函数是双曲正切函数Tanh,/>最大池化、上采样和特征融合都不用学习网络参数,所以我们只需要学习和确定卷积运算中的参数/>
(4)训练无监督深度神经网络,包含层间多次波但是不含表面多次波的数据记为D,此时无监督深度神经网络得到估计的层间多次波为F(Pn,M,θ)。在深度神经网络的训练过程中,我们使用自适应虚同相轴法预测的层间多次波来充当无监督深度神经网络的输入数据。深度神经网络输出数据为估计的层间多次波。为了让无监督深度神经网络学会通过预测的层间多次波逼近真实层间多次波的映射关系,本发明使用平均绝对值误差或者均方误差损失函数来训练深度神经网络。
(5)无监督深度神经网络压制层间多次波,将预处理后用于测试的输入数据直接输入参数最佳的神经网络中,可以重构出只含层间多次波的输出数据。在无监督深度神经网络测试过程中,无监督深度神经网络能够将输入的预测层间多次波正确的映射为真实的层间多次波,从而得到干净的一次波Pn,P,其表达式为Pn,P=D-F(Pn,M,θ)。
如图2所示,为本发明设计的无监督深度神经网络结构,类似于U-net网络,分为卷积编码器和卷积解码器两个部分。
为了充分利用二维地震数据在空间上的连续性特征,避免出现难以训练和过拟合的问题,本发明的神经网络框架主要使用卷积层来学习数据特征。该深度神经网络类似于U-net网络,模型工作时分为卷积编码过程和卷积解码过程两个部分。卷积编码过程包括9个卷积层和4个下采样层。卷积解码过程包括13个卷积层和4个上采样层。在卷积编码过程中,9个卷积层和4个下采样层能够抓住地震数据的时间和空间位置关系,学习训练集中的层间多次波表达特征。在卷积解码过程中,13个卷积层和4个上采样层将包含一次波信号的低维特征映射回高维空间,重构真实层间多次波地震数据。同时,神经网络中的特征融合将卷积编码过程得到的层间多次波稀疏表达特征与卷积解码过程得到的层间多次波稀疏表达特征数据进行了融合,可以保留更多高层特征图信息,获得更准确的地震时间与空间相干特征,达到更好的多次波识别和分离效果。
本发明在具体实施中,利用合成地震资料验证在在自适应虚同相轴法下使用无监督深度神经网络压制层间多次波方法的正确性。本发明使用有限差分正演的模型数据来测试效果,速度模型如图3所示,在地表共激发1000个炮点和放置1000个检波点,炮点和检波点间距都为10m。采样点2000个,采样时间间隔为4ms。
图4(a)为简单模型的零偏移距剖面。图中黑色虚线箭头和黑色实线箭头指示真实一次波数据,其他同相轴都是层间多次波。可以看出有速度模型中速度反转幅度大,反转层厚度大,波阻抗差异大,这些特征使得地震数据的多次波发育充分,部分多次波振幅与一次波处于一个量级。首先选取图4的(a)中黑色虚线箭头所示的波阻抗差异较大分界面作为向下散射界面,即n=1时,通过自适应虚同相轴法预测的层间多次波如图4的(b)所示。对比图4的(a)和图4的(b)可知,图4的(a)中灰色实线箭头指示的层间多次波没有被预测出来。图4的(b)作为深度神经网络的输入值,并通过最小化损失函数让深度神经网络输出值与图4的(a)所示的原始全波场数据之差最小,最终得到深度神经网络参数记为θ1。在深度神经网络测试阶段,将图4的(b)所示的预测多次波输入参数为θ1的深度神经网络得到的结果如图4的(c)所示。从图4的(c)可知,预测多次波都被深度神经网络矫正为真实层间多次波,预测多次波指示的层间多次波都得到了很好地识别,深度神经网络能够正确得到真实层间多次波的估计值。图4的(d)为图4的(a)与图4的(c)的差值。图4的(d)是消除了第一个向下散射界面产生的层间多次波结果,可以发现大部分层间多次波被压制。由于其他向下散射界也能够产生层间多次波,图4的(d)中既包含一次波,也包含少部分层间多次波,因此需要进一步压制。
为了进一步压制图4的(d)中剩余的层间多次波,我们需要重新确定向下散射界面。在第一次层间多次波压制结果上进行第二次层间多次波预测。图5的(a)为第一次层间多次波的压制结果。在自适应虚同相轴法下,选取图5的(a)中箭头指示的同相轴作为向下散射界面,得到的预测层间多次波如图5的(b)所示。图5的(b)中预测的3条多次波同相轴可以与图5的(a)中剩余的真实层间多次波一一对应。在深度神经网络训练阶段,将图5的(b)数据送入深度神经网络学习并在测试阶段得到如图5的(c)所示的深度神经网络输出结果。从图5的(c)可以发现,剩余的真实层间多次波估计值与真实层间多次波很接近,几乎看不到一次波的泄露和层间多次波的残留。图5的(d)为图5的(a)与图5的(c)的差。从图5的(d)可以发现,经过2次层间多次波压制后的结果中只保留的一次波,消除了全部的层间多次波。在自适应虚同相轴法下,本发明方法能够很好地压制地震数据的层间多次波,效果好。
本发明选取中国西部某工区的实际二维陆上地震数据,展现其在去除层间多次波、突显目标同相轴方面的突出效果。该工区最大偏移距超7km,目的储层深度最深处达7km。炮间距和道间距都是30m。地下构造能够产生肉眼可见的层间多次波,且大部分层间多次波的叠加速度和走时与一次波十分相近,很难通过传统Radon域变换或动校正速度等方法衰减。图6的(a)为压制层间多次波前的偏移剖面,部分缝洞发育的层位为勘探的目标层。这些目标层位于强振幅同相轴下,由于层间多次波的影响,容易影响串珠状缝洞的识别。该工区的主要探测目的是压制图6的(a)中虚线矩形框内的层间多次波,从而突出串珠状缝洞。通过本发明方法压制了层间多次波后的结果如图6的(b)所示。对比可知,图6的(b)中虚线矩形框内的层间多次波得到了很好地压制。将图6的(a)和图6的(b)中虚线矩形框内放大得到的结果分别如图7的(a)和图7的(b)所示。图7的(a)中箭头指示的层间多次波特别发育,严重干扰了串珠状缝洞信号的识别。在本发明方法的压制结果中(图7的(b)所示),箭头指示的层间多次波得到了很好地压制。对比图7的(a)和图7的(b)中虚椭圆框内的串珠状缝洞,可以发现图7的(b)中串珠状缝洞能量更加集中和清晰,有利于提供该地区的可靠的钻井信息。
需要注意的是,公布实施例的目的在于帮助进一步理解本发明,但是本领域的技术人员可以理解:在不脱离本发明及所附权利要求的范围内,各种替换和修改都是可能的。因此,本发明不应局限于实施例所公开的内容,本发明要求保护的范围以权利要求书界定的范围为准。
Claims (6)
1.一种基于虚同相轴法和无监督神经网络压制层间多次波的方法,使用无监督深度神经网络来压制层间多次波;包括:
步骤1,对地震资料进行预处理,得到叠前或叠后数据;通过步骤1得到包含层间多次波但不含表面多次波的数据,记为D;
步骤2,采用基于迭代法的自适应虚同相轴法,通过迭代逐层得到压制了层间多次波后的数据;将在每一次迭代过程中得到的预测层间多次波记为Pn,M;
步骤3,构建无监督深度神经网络模型;使得无监督深度神经网络模型作为一个非线性算子,用于最小化预测层间多次波和包含真实层间多次波的全波场数据之间的差异;构建的无监督深度神经网络模型包括卷积编码部分和卷积解码部分;其中的卷积编码部分用于提取地震数据中的连续信号特征,区分一次波和层间多次波;卷积解码部分用于通过卷积编码部分提取的连续信号特征,重建层间多次波数据;所述无监督深度神经网络模型的输入为预测层间多次波数据,输出为真实的层间多次波估计值数据;
步骤4,训练无监督深度神经网络;无监督深度神经网络的训练过程不需要压制层间多次波后的干净一次波数据参与;具体是:
将步骤1得到的数据D与步骤2得到的Pn,M组合为深度神经网络的训练集,用于训练深度神经网络的参数;
在训练深度神经网络时,每个网络层的卷积运算表示为:
其中,表示第L-1层卷积层第i个卷积核对应的特征图;I表示第L-1层总的特征图个数;/>表示第L层卷积层的第j个卷积核,也称为权重矩阵;J是第L层中总的卷积核个数;表示第L层第j个卷积核对应的偏置系数;/>表示第L层提取的第j个特征图;
使用平均绝对值误差或均方误差作为损失函数训练深度神经网络;
训练过程中,当学习到了深度神经网络参数θ后,深度神经网络的非线性映射表示为:
yout=F(xin,θ)
在每一次深度神经网络训练完成时,通过深度神经网络得到的层间多次波记为F(Pn,M,θ);
最终得到最佳深度神经网络参数θ;
卷积运算通过激活函数进行非线性映射;表示为:
其中,σ为激活函数;
步骤5,利用训练好的无监督深度神经网络,通过预测的层间多次波得到真实层间多次波的估计值,实现层间多次波的压制。
2.如权利要求1所述基于虚同相轴法和无监督神经网络压制层间多次波的方法,其特征是,在步骤1中,预处理包括:
先去除地震数据中的直达波;
再通过随机噪声压制方法去除随机噪声;
接着压制面波;
最后使用自由表面多次波压制方法去除共炮点道集数据中的表面多次波数据,得到只包含层间多次波的全波场数据。
3.如权利要求1所述基于虚同相轴法和无监督神经网络压制层间多次波的方法,其特征是,步骤2具体采用基于迭代法的自适应虚同相轴法,通过迭代逐层得到压制了层间多次波后的数据。
4.如权利要求1所述基于虚同相轴法和无监督神经网络压制层间多次波的方法,其特征是,步骤3构建的无监督深度神经网络模型包括多个卷积层、上采样层和下采样层;在卷积编码过程中,具体通过9个卷积层和4个下采样层抓住地震数据的时间和空间位置关系,学习训练集中的层间多次波表达特征;在卷积解码过程中,具体通过13个卷积层和4个上采样层将包含一次波信号的低维特征映射回高维空间,重构真实层间多次波地震数据;进一步将卷积编码过程得到的特征与卷积解码得到的数据进行融合,以保留高层特征图信息,获得准确的地震时间与空间相干特征。
5.如权利要求1所述基于虚同相轴法和无监督神经网络压制层间多次波的方法,其特征是,最后一个卷积层激活函数采用Tanh,其他卷积层中激活函数采用ReLU函数。
6.如权利要求1所述基于虚同相轴法和无监督神经网络压制层间多次波的方法,其特征是,步骤5的测试过程将输入的预测层间多次波正确映射为真实的层间多次波,表示为:
Pn,P=D-F(Pn,M,θ)
其中,Pn,P为一次波;D为包含层间多次波但是不含表面多次波的地震信号数据;F为深度神经网络;Pn,M为一次迭代过程中得到的预测层间多次波;θ为训练得到的最佳深度神经网络参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210638911.1A CN115061200B (zh) | 2022-06-08 | 2022-06-08 | 基于虚同相轴法和无监督神经网络压制层间多次波的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210638911.1A CN115061200B (zh) | 2022-06-08 | 2022-06-08 | 基于虚同相轴法和无监督神经网络压制层间多次波的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115061200A CN115061200A (zh) | 2022-09-16 |
CN115061200B true CN115061200B (zh) | 2024-05-24 |
Family
ID=83201099
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210638911.1A Active CN115061200B (zh) | 2022-06-08 | 2022-06-08 | 基于虚同相轴法和无监督神经网络压制层间多次波的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115061200B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112946749A (zh) * | 2021-02-05 | 2021-06-11 | 北京大学 | 基于数据增广训练深度神经网络压制地震多次波的方法 |
WO2021183518A1 (en) * | 2020-03-10 | 2021-09-16 | Schlumberger Technology Corporation | Uncertainty analysis for neural networks |
CN113687414A (zh) * | 2021-08-06 | 2021-11-23 | 北京大学 | 基于数据增广的卷积神经网络地震层间多次波压制方法 |
CN114117906A (zh) * | 2021-11-19 | 2022-03-01 | 山东大学 | 基于观测数据自编码的多尺度无监督地震波速反演方法 |
WO2022079550A1 (en) * | 2020-10-14 | 2022-04-21 | King Abdullah University Of Science And Technology | Pretraining system and method for seismic data processing using machine learning |
-
2022
- 2022-06-08 CN CN202210638911.1A patent/CN115061200B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021183518A1 (en) * | 2020-03-10 | 2021-09-16 | Schlumberger Technology Corporation | Uncertainty analysis for neural networks |
WO2022079550A1 (en) * | 2020-10-14 | 2022-04-21 | King Abdullah University Of Science And Technology | Pretraining system and method for seismic data processing using machine learning |
CN112946749A (zh) * | 2021-02-05 | 2021-06-11 | 北京大学 | 基于数据增广训练深度神经网络压制地震多次波的方法 |
CN113687414A (zh) * | 2021-08-06 | 2021-11-23 | 北京大学 | 基于数据增广的卷积神经网络地震层间多次波压制方法 |
CN114117906A (zh) * | 2021-11-19 | 2022-03-01 | 山东大学 | 基于观测数据自编码的多尺度无监督地震波速反演方法 |
Non-Patent Citations (5)
Title |
---|
Kunxi Wang, Tianyue Hu ,Shangxu Wang,Jianxin Wei.Seismic multiple suppression based on a deep neural network method for marine data.GEOPHYSICS.第87卷(第4期),全文. * |
τ-p域水体模型驱动压制浅水区水层多次波;冯全雄;王彦春;李三福;但志伟;张兴岩;方中于;;石油地球物理勘探;20150215(第01期);全文 * |
基于构建虚同相轴压制地震层间多次波;吴静;吴志强;胡天跃;何玉华;王璞;闫桂京;李琳;;地球物理学报;20130315(第03期);全文 * |
自适应虚同相轴方法压制地震层间多次波;刘嘉辉;胡天跃;彭更新;;地球物理学报;20180315(第03期);全文 * |
虚同相轴方法及其在陆上地震层间多次波压制中的应用;崔永福;刘嘉辉;陈猛;胡天跃;陈飞旭;匡伟康;;石油地球物理勘探;20191215(第06期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN115061200A (zh) | 2022-09-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yu et al. | Deep learning for denoising | |
Jia et al. | What can machine learning do for seismic data processing? An interpolation application | |
Chen et al. | Double-sparsity dictionary for seismic noise attenuation | |
Kaur et al. | Seismic ground‐roll noise attenuation using deep learning | |
Yuan et al. | Double-scale supervised inversion with a data-driven forward model for low-frequency impedance recovery | |
Van den Ende et al. | A self-supervised deep learning approach for blind denoising and waveform coherence enhancement in distributed acoustic sensing data | |
CN112946749B (zh) | 基于数据增广训练深度神经网络压制地震多次波的方法 | |
CN113687414B (zh) | 基于数据增广的卷积神经网络地震层间多次波压制方法 | |
US20230376751A1 (en) | Pretraining system and method for seismic data processing using machine learning | |
Si et al. | Attenuation of random noise using denoising convolutional neural networks | |
Wang et al. | Seismic velocity inversion transformer | |
Mousavi et al. | Applications of deep neural networks in exploration seismology: A technical survey | |
Wang et al. | Seismic multiple suppression based on a deep neural network method for marine data | |
CN108828658A (zh) | 一种海底地震数据重构方法 | |
Wu et al. | Adaptive feedback convolutional‐neural‐network‐based high‐resolution reflection‐waveform inversion | |
Zhang et al. | Extracting Q anomalies from marine reflection seismic data using deep learning | |
Liu et al. | Unsupervised deep learning for ground roll and scattered noise attenuation | |
Yuan et al. | Attenuation of linear noise based on denoising convolutional neural network with asymmetric convolution blocks | |
Wang et al. | An unsupervised learning method to suppress seismic internal multiples based on adaptive virtual events and joint constraints of multiple deep neural networks | |
Zhong et al. | Multiscale residual pyramid network for seismic background noise attenuation | |
Wang et al. | Deep learning‐based h‐κ method (HKNET) for estimating crustal thickness and vp/vs ratio from receiver functions | |
Gan et al. | EWR‐net: Earthquake waveform regularization network for irregular station data based on deep generative model and RESNet | |
Yang et al. | Deep learning with fully convolutional and dense connection framework for ground roll attenuation | |
CN115236730B (zh) | 一种层间多次波傅里叶有限差分的地震波场偏移成像方法 | |
CN115061200B (zh) | 基于虚同相轴法和无监督神经网络压制层间多次波的方法 |
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 |