CN115236733A - 基于深度学习的das-vsp数据背景噪声压制方法 - Google Patents
基于深度学习的das-vsp数据背景噪声压制方法 Download PDFInfo
- Publication number
- CN115236733A CN115236733A CN202210880513.0A CN202210880513A CN115236733A CN 115236733 A CN115236733 A CN 115236733A CN 202210880513 A CN202210880513 A CN 202210880513A CN 115236733 A CN115236733 A CN 115236733A
- Authority
- CN
- China
- Prior art keywords
- data
- network
- vsp
- das
- seismic
- 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 51
- 238000013135 deep learning Methods 0.000 title claims abstract description 26
- 230000001629 suppression Effects 0.000 title claims abstract description 17
- 230000007246 mechanism Effects 0.000 claims abstract description 24
- 238000012549 training Methods 0.000 claims abstract description 24
- 230000002779 inactivation Effects 0.000 claims abstract description 10
- 230000006870 function Effects 0.000 claims description 24
- 238000010606 normalization Methods 0.000 claims description 13
- 238000005070 sampling Methods 0.000 claims description 13
- 230000000694 effects Effects 0.000 claims description 10
- 230000004913 activation Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 238000012800 visualization Methods 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 230000004931 aggregating effect Effects 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 230000006835 compression Effects 0.000 claims description 2
- 238000007906 compression Methods 0.000 claims description 2
- 230000008602 contraction Effects 0.000 claims description 2
- 230000007547 defect Effects 0.000 abstract description 6
- 230000014759 maintenance of location Effects 0.000 abstract description 3
- 238000012360 testing method Methods 0.000 description 7
- 239000013307 optical fiber Substances 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000009849 deactivation Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
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
-
- 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
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V2210/00—Details of seismic processing or analysis
- G01V2210/70—Other details related to processing
- G01V2210/74—Visualisation of seismic data
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
本发明公开了一种基于深度学习的DAS‑VSP数据背景噪声压制方法，在U型网络中添加了四个随机失活层、残差单元、全局上下文模块和注意力机制模块。随机失活防止过度拟合并提高模型的泛化能力；为了提高网络的训练效率和收敛速度，将网络的输出由去噪数据修改为残差单元；在网络中间引入了全局上下文模块，不仅能够关注局部信息，还能提取全局上下文信息；在网络末端加入注意力机制模块，在捕捉地震信号关键特征的同时，还可以提取复杂的噪声信息。本发明GC‑AB‑Unet网络在去除背景噪声和保留有效信号之间保持很好的平衡，规避了传统方法的弊端，改进了现有深度学习方法的缺陷，很大程度上提高了地震数据的信噪比。
Description
技术领域
本发明属于地震勘探数据去噪技术领域，具体涉及一种基于深度学习的DAS-VSP数据背景噪声压制方法。
背景技术
地震勘探是油气资源开发的重要手段之一，主要通过以地震勘探为主的油气地球物理勘探技术来对自然能源进行勘探和开发生产。一般情况下，地震勘探采用人工震源激发弹性波，用地震仪器沿着测线的不同位置检测大地的振动并将得到的数据以数字的形式记录下来，由于各种噪声的干扰，地震记录上有效地震信号同相轴往往难以辨析，影响后续的地震数据处理与解释。因此，提高地震信号信噪比是地震数据处理工作中的一项重要的内容。
随着这些油井越来越普遍，迫切需要新的勘探和生产技术来提供油井周围高精度的油藏描述，以便进行指导进一步开发油气田。传统的地震检波器空间采样密度低、成本高、仪器布设困难，因此找到一种新型传感方式推进探测进程极为重要。与传统检波器相比，分布式光纤声学传感系统(Distributed Acoustic Sensing,DAS)具有全覆盖、宽屏带、高灵敏度、高精度、高密度、耐高温高压、抗电磁干扰等优势，光纤具有稳定性，它利用短光脉冲来实现高空间分辨率的监测。但是，分布式光纤也有其弊端，采集时会受到很大的噪声干扰，收集到的数据信噪比较低。DAS技术已成功用于垂直地震(VSP)数据采集，分布式光纤垂直地震(DAS-VSP)数据含有多种噪声，如：随机噪声、仪器干扰、耦合噪声、棋盘噪声、水平噪声等。因此，提升DAS-VSP地震数据的信噪比，去除各种噪声，是一项非常具有挑战性的任务。
传统的去噪方法往往存在一定的局限性，如去噪效率低，有效信号损伤严重等。因此，设计一种既能高效去噪又能保护有效信号的方法一直是去噪处理的重要研究主题。深度学习方法已成功应用于地震数据去噪中，本发明针对分布式光纤垂直地震(DAS-VSP)数据利用深度学习方法压制包含随机噪声和仪器噪声的背景噪声，为后续的地震数据处理提供基础数据。
发明内容
本发明所要解决的技术问题在于规避传统方法的局限性，对现有的深度学习方法进行改进，然后提出一种基于深度学习的分布式光纤垂直地震(DAS-VSP)数据背景噪声压制方法，先提取实际数据中的噪声并将其注入到训练数据中，然后提出了一种名为带有全局上下文模块和注意力机制的U型网络(U-net with Global Context Block andAttention Block，GC-AB-Unet)，即在U型网络(U-net)的基础上，加入了随机失活(dropout)层避免出现过拟合现象，添加了全局上下文模块(GC-Block)提取全局上下文信息，还将注意力机制(Attention Block)加入网络来捕捉地震数据中的关键特征，把网络输出由去噪后的数据改为残差数据进一步提高网络的计算效率，最终将所提方法应用于合成地震数据和实际DAS-VSP地震数据，合成数据和实际数据的结果均体现出GC-AB-Unet网络很好的去噪性能。
本发明采用以下技术方案：
一种基于深度学习的分布式光纤垂直地震(DAS-VSP)数据背景噪声压制方法，包括以下步骤：
S1、通过三种不同的方式获得合成地震数据作为干净的训练数据集s，提取实际DAS-VSP地震数据中的噪声n并将其随机注入干净的训练数据中，以构造出相应的含噪训练数据集y；
S2、在U型网络(U-net)的基础上，将原来的激活函数由线性整流函数(ReLU)改为带泄露线性整流函数(LeakyReLU)，从而保留地震信号振幅中的负值；
S3、在每个下采样层之前都加入随机失活(dropout)层，即随机舍弃对网络不重要的参数，防止出现过拟合现象；
S4、引入全局上下文模块(GC-Block)将收缩网络和扩张网络进行衔接，用于提取全局上下文信息，提高网络的特征提取能力；
S5、在网络输出之前加入注意力机制模块，捕捉地震数据中复杂地质结构的关键特征；
S6、将网络输出由去噪后的数据更改为残差数据，大大提高了网络的计算效率；
S7、将已经训练好的网络应用于合成地震数据和实际DAS-VSP地震数据中，并且通过定量指标SNR和可视化效果来分析去噪效果，从而体现网络的去噪性能。
具体的，步骤S1中，干净的训练数据集通过滑窗法从完整的地震记录中截取数据获得，开窗大小为240*240，从左到右、从上到下依次滑动截取数据，滑窗步长为120。为了保证训练数据的多样性，通过三种不同的方式(SEG公开数据：http://s3.amazonaws.com/open.source.geoscience/open_data/SModels/SModels.html、反射率法和时域有限差分法)得到合成VSP数据，噪声直接从实际DAS-VSP地震数据中提取，将所提取的噪声随机注入干净的VSP数据集，以获得相应的噪声VSP数据集。
具体的，步骤S2中，激活函数带泄露线性整流函数(LeakyReLU)定义如下：
其中，x为输入的地震信号，α为信号是负值时所乘以的常数，多次实验结果表明：当α＝0.3时，网络去噪性能达到最好。
进一步的，收缩网络包含四个下采样层，而扩张网络中包含四个上采样层，两者分别通过最大池化和双线性插值实现。
具体的，步骤S3中，每一个随机失活(dropout)层随机保留90％的超参数，舍弃网络中不重要的参数来防止过拟合。
具体的，步骤S4中，全局上下文模块(GC-Block)被引入到网络的第7层和第8层之间，用于增强网络获取全局上下文信息的能力。首先，输入的数据经过1×1卷积和归一化指数(Softmax)函数处理，然后将上述得到的结果与初始输入该模块的特征图相乘，再依次使用1×1卷积、归一化层(LayerNorm)、线性整流函数(ReLU)和1×1卷积进行特征变换。归一化层(LayerNorm)表示对输入的地震数据在通道方向上进行归一化处理。最后，将初始输入和特征变换后的特征图相加进行特征融合，即将全局上下文特征聚合到每个位置的特征上。
具体的，步骤S5中，注意力机制采用级联操作将网络输入的含噪地震数据与网络最后一层输出的特征图进行融合。第一步，特征压缩，即利用1×1卷积将通道数转换为1；第二步，将所得数据与网络输入数据通过特征通道融合；第三步，通过双曲正切层(Tanh)将获得的特征转换为非线性特征，然后对其进行归一化处理；最后，对第三步所得的数据进行1×1卷积操作，然后将其与第一步输出的数据相乘，以此来增强网络捕捉地震信号中关键信息的能力。
具体的，步骤S6中，网络输出为残差数据，去噪后的地震数据通过网络输入减去网络输出获得。
进一步的，网络的建立是为了去除含噪数据中的背景噪声，保留有效信号，其去噪过程可以具体描述如下：
其中，y是被噪声污染的地震信号，
指通过网络去噪后的信号，G代表所提出的带有全局上下文模块和注意力机制的U型网络(GC-AB-Unet)，θ指网络中的超参数，包括权重和偏差，该参数通过最小化损失函数来调整，损失函数表示如下：
其中，{yi，si}表示N对含噪和所对应的干净的训练数据集，均来自合成地震数据。si为干净的地震信号，G代表所提出的带有全局上下文模块和注意力机制的U型网络(GC-AB-Unet)，θ指网络中的超参数，包括权重和偏差。N指批量大小，即计算一次损失值所需要的输入数据个数。网络训练采用适应性梯度算法(Adam)进行梯度更新。
具体的，步骤S7中，为了评估所提出网络的去噪性能，本发明选择信噪比(SNR)作为定量指标衡量网络的去噪性能，可视化效果则通过去噪后的数据和差异数据(含噪数据与去噪数据之差)来呈现，还利用单道信号的时域图和频域图来分析去噪性能，两者结合起来分析网络是否能够在去除背景噪声的同时很好地保留地震信号。
与现有深度学习方法相比，本发明至少具有以下改进和成果：
本发明提出了一种基于深度学习的DAS-VSP数据背景噪声压制方法，提出了一种带有全局上下文模块和注意力机制的U型网络(GC-AB-Unet)，将其用于DAS-VSP数据背景噪声的抑制。具体来说，在U-net中添加了四个随机失活(dropout)层、残差单元、全局上下文模块(GC-Block)和注意力机制模块(Attention Block)。dropout层旨在防止过度拟合并提高模型的泛化能力；为了提高网络的训练效率和收敛速度，本发明将网络的输出由去噪数据修改为残差单元；在网络中间引入了全局上下文模块，不仅能够关注局部信息，还能提取全局上下文信息；在网络末端加入注意力机制模块，在捕捉地震信号关键特征的同时，还可以提取复杂的噪声信息。合成地震数据和实际DAS-VSP地震数据的去噪结果表明，GC-AB-Unet网络在去除背景噪声和保留有效信号之间保持很好的平衡，规避了传统方法的弊端，改进了现有深度学习方法的缺陷，很大程度上提高了地震数据的信噪比。
综上所述，本发明可有效、快速实现DAS-VSP地震数据背景噪声的压制，很好地保留地震信号，使得提取出的DAS-VSP地震信号结构更为清晰、横向连续性更好、信噪比更高。
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为本发明网络结构图；
图2为本发明全局上下文(GC-Block)网络结构图；
图3(a)为本发明第1个合成地震测试数据的干净数据；
图3(b)为本发明第1个合成地震测试数据的含噪数据；
图3(c)为本发明第1个合成地震测试数据通过带有全局上下文模块和注意力机制的U型网络(GC-AB-Unet)去噪后的数据；
图3(d)为本发明第1个合成地震测试数据的含噪数据图3(b)与图3(c)之间的差异数据；
图4(a)为本发明第2个合成地震测试数据的干净数据；
图4(b)为本发明第2个合成地震测试数据的含噪数据；
图4(c)为本发明第2个合成地震测试数据通过带有全局上下文模块和注意力机制的U型网络(GC-AB-Unet)去噪后的数据；
图4(d)为本发明第2个合成地震测试数据的含噪数据图4(b)与图4(c)之间的差异数据；
图5(a)为本发明第1个实际DAS-VSP地震数据的含噪数据；
图5(b)为本发明第1个实际DAS-VSP地震数据通过带有全局上下文模块和注意力机制的U型网络(GC-AB-Unet)去噪后的数据；
图5(c)为本发明第1个实际DAS-VSP地震数据的含噪数据图5(a)与图5(b)之间的差异数据；
图5(d)为本发明第1个实际DAS-VSP地震数据的第109道数据去噪之前(黑色细线)和去噪之后(黑色粗线)对比的时域图；
图5(e)为本发明第1个实际DAS-VSP地震数据的第167道数据去噪之前(黑色细线)和去噪之后(黑色粗线)对比的频域图。
图6(a)为本发明第2个实际DAS-VSP地震数据的含噪数据；
图6(b)为本发明第2个实际DAS-VSP地震数据通过带有全局上下文模块和注意力机制的U型网络(GC-AB-Unet)去噪后的数据；
图6(c)为本发明第2个实际DAS-VSP地震数据的含噪数据图6(a)与图6(b)之间的差异数据；
图6(d)为本发明第2个实际DAS-VSP地震数据的第167道数据去噪之前(黑色细线)和去噪之后(黑色粗线)对比的时域图；
图6(e)为本发明第2个实际DAS-VSP地震数据的第167道数据去噪之前(黑色细线)和去噪之后(黑色粗线)对比的频域图。
图7(a)为本发明第3个实际DAS-VSP地震数据的含噪数据；
图7(b)为本发明第3个实际DAS-VSP地震数据通过带有全局上下文模块和注意力机制的U型网络(GC-AB-Unet)去噪后的数据；
图7(c)为本发明第3个实际DAS-VSP地震数据的含噪数据图7(a)与图7(b)之间的差异数据；
图7(d)为本发明第3个实际DAS-VSP地震数据的第99道数据去噪之前(黑色细线)和去噪之后(黑色粗线)对比的时域图；
图7(e)为本发明第3个实际DAS-VSP地震数据的第167道数据去噪之前(黑色细线)和去噪之后(黑色粗线)对比的频域图。
具体实施方式
本发明提供了一种基于深度学习的DAS-VSP数据背景噪声压制方法，提出了带有全局上下文模块和注意力机制的U型网络(GC-AB-Unet)并将其用于DAS-VSP地震数据背景噪声的抑制。在U-net中添加了四个随机失活(dropout)层、残差单元、全局上下文模块(GC-Block)和注意力机制模块(Attention Block)。首先，随机失活(dropout)层旨在防止过度拟合并提高模型的泛化能力；其次为了提高网络的训练效率和收敛速度，本发明将网络的输出由去噪数据修改为残差单元；此外，在网络中间引入了全局上下文模块，不仅能够关注局部信息，还能提取全局上下文信息；最后，在网络末端加入注意力机制模块，在捕捉地震信号中关键特征的同时，还可以提取复杂的噪声信息。合成地震数据和实际DAS-VSP地震数据的去噪结果表明，GC-AB-Unet网络在去除背景噪声和保留有效信号之间保持很好的平衡，规避了传统方法的弊端，改进了现有深度学习方法的缺陷，很大程度上提高了地震数据的信噪比。
请参阅图1和图2，本发明一种基于深度学习的DAS-VSP数据背景噪声压制方法，包括以下步骤：
S1、通过三种不同的方式获得合成地震数据作为干净的训练数据集s，提取实际DAS-VSP地震数据中的噪声n并将其随机注入干净的训练数据中，以构造出相应的含噪训练数据集y，方法如下：
干净的训练数据集包含15000个大小为240×240的合成地震数据，这些数据是通过滑窗法从完整的地震记录中截取数据获得的。为了保证训练数据的多样性，通过3种不同的方式得到合成VSP数据。
其中，8035个合成VSP数据来自网站(http://s3.amazonaws.com/open.source.geoscience/open_data/SModels/SModels.html)。然后，采用反射率法合成1965个合成VSP数据，该数据包含480道，每道由2400个样本组成。地震检波器的间距设置为5米，主频在10-60Hz范围内随机变化，时域采样间隔为0.001s。此外，基于二维声波方程利用时域有限差分法(Finite Difference Time Domain，FDTD)在不同层状介质模型中模拟生成5000个合成VSP数据。震源是主频为25Hz的里克(Ricker)子波，时域中的采样间隔为0.001s，视速度变化范围为1500-2900m/s。
噪声直接从实际DAS-VSP地震数据中提取，所提取的部分几乎不包含有效信号，主要包含大量随机噪声和光学系统噪声。同时，将所提取的噪声随机注入干净的VSP数据集，以获得相应的噪声VSP数据集。
S2、在U-net的基础上，将原来的激活函数由线性整流函数(ReLU)改为带泄露线性整流函数(LeakyReLU)，从而保留地震信号振幅中的负值，其中，经过多次实验，激活函数带泄露线性整流函数(LeakyReLU)的参数α被设置为0.3，此时网络可以达到最好的去噪性能。
进一步的，网络深度为15层，原始卷积层的卷积核数量为32个，经过下采样操作后数量加倍，而经过上采样操作后数量减半。池化窗口大小、上采样因子和步幅均设置为2。
S3、在每个下采样层之前都加入随机失活(dropout)层，即随机舍弃对网络不重要的参数，防止出现过拟合现象，即每一个随机失活(dropout)层随机保留90％的超参数。
S4、引入全局上下文模块(GC-Block)将收缩网络和扩张网络进行衔接，来提取全局上下文信息，提高网络的特征提取能力，方法如下：
全局上下文模块(GC-Block)被引入到网络的第7层和第8层之间，用于增强网络获取全局上下文信息的能力。首先，输入的数据经过1×1卷积和归一化指数(Softmax)函数处理，然后将上述得到的结果与初始输入该模块的特征图相乘，再依次使用1×1卷积、归一化层(LayerNorm)、线性整流函数(ReLU)和1×1卷积进行特征变换。归一化层(LayerNorm)表示对输入的地震数据在通道方向上进行归一化处理。最后，将初始输入和特征变换后的特征图相加进行特征融合，即将全局上下文特征聚合到每个位置的特征上。
S5、在网络输出之前加入注意力机制模块(AB-Block)，捕捉地震数据中的关键特征，通过如下方式实施：
第一步，特征压缩，利用1×1卷积将通道数转换为1；第二步，将所得数据与网络输入数据通过特征通道融合；第三步，通过双曲正切层(Tanh)将获得的特征转换为非线性特征，然后对其进行归一化处理；最后，对第三步所得的数据进行1×1卷积操作，然后将其与第一步输出的数据相乘，以此来增强网络捕捉地震信号中关键信息的能力。
S6、将网络输出由去噪后的数据更改为残差数据，大大提高了网络的计算效率，即网络输出为残差数据，去噪后的地震数据通过网络输入减去网络输出获得。进一步的，在实验中，损失函数中计算一次损失值所需要的输入数据个数N设置为32。网络训练采用适应性梯度算法(Adam)进行梯度更新。此外，通过NVIDIA GeForce RTX 2080Ti GPU训练网络，训练时间约为1.28小时。
S7、将已经训练好的网络应用于合成地震数据和实际DAS-VSP地震数据中，并且通过定量指标和可视化效果来分析去噪效果，从而体现网络的去噪性能，具体方法如下：
两个合成数据均来自网站(http://s3.amazonaws.com/open.source.geoscience/open_data/SModels/SModels.html)。本发明选择SNR作为定量指标衡量网络的去噪性能，可视化效果则通过去噪后的数据和差异数据(含噪数据与去噪数据之差)来呈现，还利用单道信号的时域图和频域图来分析去噪性能，两者结合起来分析网络是否能够在去除背景噪声的同时很好地保留地震信号。
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(a)到图4(d)，分别呈现了两个合成地震测试数据的去噪效果，图3(a)和图4(a)显示了干净的地震数据，噪声数据如图3(b)和图4(b)所示，显而易见有效信号受到强能量背景噪声的污染；图3(c)和图4(c)是经过带有全局上下文模块和注意力机制的U型网络(GC-AB-Unet)去噪后的结果，可以看出噪声在很大程度上被去除，地震信号也更加的清晰；图3(d)显示的是含噪数据图3(b)和去噪后的数据图3(c)的差异数据，图4(d)则是含噪数据图4(b)和去噪后的数据图4(c)的差异数据，可以看出地震信号基本没有损伤，大量噪声被压制；从定量指标分析，第一个合成数据的信噪比(SNR)由初始的5.89提高到了13.14，第二个合成数据的信噪比则由5.39提高到16.83，信噪比得到了很大的提升；上述分析表明在合成地震数据中噪声得到了很好的抑制，信号也得到了很好的保留。
请参阅图5(a)到图7(e)，利用3个实际DAS-VSP地震数据进一步测试网络的去噪性能。图5(a)、图6(a)和图7(a)是含噪的实际DAS-VSP地震数据，该数据包含225道，每道数据有7000个样本，采样率为0.001s，可以看出大量强能量背景噪声将地震有效信号淹没，无法清晰识别；图5(b)、图6(b)和图7(b)是经过本发明去噪后的数据，地震数据的质量得到显著改善，受噪声干扰且相对较弱的有效信号变得更加连续和清晰；相应地，图5(c)、图6(c)和图7(c)是含噪数据与去噪后数据的差异数据，去除的噪声部分存在少量的信号泄漏，但是噪声得到了很大程度上的压制；进一步的，分别抽取三个实际DAS-VSP地震数据的第109道、167道和99道数据进行单道信号分析，图5(d)、图6(d)和图7(d)是对单道信号时域分析的结果，可以看出噪声受到了很大程度上的压制，对应地，而图5(e)、图6(e)和图7(e)则是对单道信号频域分析的结果，可以发现在频域图中高频噪声和固定频率噪声都得到了很好的抑制；实际DAS-VSP地震数据表明，本发明适用于有效去除复杂背景噪声的同时保留地震有效信号。
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.基于深度学习的DAS-VSP数据背景噪声压制方法，其特征在于，包括以下步骤：
S1、通过三种不同的方式获得合成地震数据作为干净的训练数据集s，提取实际DAS-VSP地震数据中的噪声n并将其随机注入干净的训练数据中，以构造出相应的含噪训练数据集y；
S2、在U型网络的基础上，将原来的激活函数由线性整流函数改为带泄露线性整流函数，从而保留地震信号振幅中存在的负值；
S3、在每个下采样层之前都加入随机失活层，即随机舍弃对网络不重要的参数，防止出现过拟合现象；
S4、引入全局上下文模块将收缩网络和扩张网络进行衔接，用于提取全局上下文信息，提高网络的特征提取能力；
S5、在网络输出之前加入注意力机制模块，捕捉地震数据中复杂地质结构的关键特征；
S6、将网络输出由去噪后的数据更改为残差数据；
S7、将已经训练好的网络应用于合成地震数据和实际DAS-VSP地震数据，并且通过定量指标信噪比和可视化效果来分析去噪效果。
2.根据权利要求1所述的基于深度学习的DAS-VSP数据背景噪声压制方法，其特征在于，步骤S1中，干净的训练数据集通过滑窗法从完整的地震记录中截取数据获得，开窗大小为240*240，从左到右、从上到下依次滑动截取数据，滑窗步长为120；通过三种不同的方式得到合成VSP数据，噪声直接从实际DAS-VSP地震数据中提取，将所提取的噪声随机注入干净的VSP数据集，以获得相应的噪声VSP数据集。
3.根据权利要求1所述的基于深度学习的DAS-VSP数据背景噪声压制方法，其特征在于，步骤S2中，激活函数带泄露线性整流函数定义如下：
其中，x为输入的地震信号，α为信号是负值时所乘以的常数，多次实验结果表明：当α＝0.3时，网络去噪性能达到最好。
4.根据权利要求3所述的基于深度学习的DAS-VSP数据背景噪声压制方法，其特征在于，收缩网络包含四个下采样层，扩张网络中包含四个上采样层，两者分别通过最大池化和双线性插值实现。
5.根据权利要求1所述的基于深度学习的DAS-VSP数据背景噪声压制方法，其特征在于，步骤S3中，每一个随机失活层随机保留90％的超参数，舍弃网络中不重要的参数来防止过拟合。
6.根据权利要求1所述的基于深度学习的DAS-VSP数据背景噪声压制方法，其特征在于，步骤S4中，全局上下文模块引入，首先，输入的数据经过1×1卷积和归一化指数函数处理，然后将上述得到的结果与初始输入该模块的特征图相乘，再依次使用1×1卷积、归一化层、线性整流函数和1×1卷积进行特征变换；最后，将初始输入和特征变换后的特征图相加进行特征融合，即将全局上下文特征聚合到每个位置的特征上。
7.根据权利要求1所述的基于深度学习的DAS-VSP数据背景噪声压制方法，其特征在于，步骤S5中，注意力机制采用级联操作将网络输入的含噪地震数据与网络最后一层输出的特征图进行融合，具体步骤为：第一步，特征压缩，即利用1×1卷积将通道数转换为1；第二步，将所得数据与网络输入数据通过特征通道融合；第三步，通过双曲正切层将获得的特征转换为非线性特征，然后对其进行归一化处理；最后，对第三步所得的数据进行1×1卷积操作，然后将其与第一步输出的数据相乘。
8.根据权利要求1所述的基于深度学习的DAS-VSP数据背景噪声压制方法，其特征在于，步骤S6中，网络输出为残差数据，去噪后的地震数据通过网络输入减去网络输出获得。
9.根据权利要求8所述的基于深度学习的DAS-VSP数据背景噪声压制方法，其特征在于，去噪过程可以具体描述如下：
其中，y是被噪声污染的地震信号，
指通过网络去噪后的信号，G代表所提出的带有全局上下文模块和注意力机制的U型网络，θ指网络中的超参数，包括权重和偏差，该参数通过最小化损失函数来调整，损失函数表示如下：
其中，{yi，si}表示N对含噪和所对应的干净的训练数据集，均来自合成地震数据；N指批量大小，即计算一次损失值所需要的输入数据个数；网络训练采用适应性梯度算法。
10.根据权利要求1所述的基于深度学习的DAS-VSP数据背景噪声压制方法，其特征在于，步骤S7中，选择信噪比作为定量指标衡量网络的去噪性能，可视化效果则通过去噪后的数据和差异数据来呈现，利用单道信号的时域图和频域图来分析去噪性能。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210880513.0A CN115236733A (zh) | 2022-07-25 | 2022-07-25 | 基于深度学习的das-vsp数据背景噪声压制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210880513.0A CN115236733A (zh) | 2022-07-25 | 2022-07-25 | 基于深度学习的das-vsp数据背景噪声压制方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115236733A true CN115236733A (zh) | 2022-10-25 |
Family
ID=83674572
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210880513.0A Pending CN115236733A (zh) | 2022-07-25 | 2022-07-25 | 基于深度学习的das-vsp数据背景噪声压制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115236733A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116520401A (zh) * | 2023-05-18 | 2023-08-01 | 四川鹭羽科技有限公司 | 一种基于注意力机制的地震数据去噪方法 |
-
2022
- 2022-07-25 CN CN202210880513.0A patent/CN115236733A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116520401A (zh) * | 2023-05-18 | 2023-08-01 | 四川鹭羽科技有限公司 | 一种基于注意力机制的地震数据去噪方法 |
| CN116520401B (zh) * | 2023-05-18 | 2024-02-27 | 四川鹭羽科技有限公司 | 一种基于注意力机制的地震数据去噪方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Gómez et al. | A simple method inspired by empirical mode decomposition for denoising seismic data | |
| Li et al. | Weak signal detection using multiscale morphology in microseismic monitoring | |
| Han et al. | Microseismic and seismic denoising via ensemble empirical mode decomposition and adaptive thresholding | |
| Zhong et al. | Seismic random noise suppression by using deep residual U-Net | |
| Gao et al. | Irregular seismic data reconstruction based on exponential threshold model of POCS method | |
| Van den Ende et al. | A self-supervised deep learning approach for blind denoising and waveform coherence enhancement in distributed acoustic sensing data | |
| Tian et al. | Variable-eccentricity hyperbolic-trace TFPF for seismic random noise attenuation | |
| CN102221708B (zh) | 基于分数阶傅里叶变换的随机噪声压制方法 | |
| CA2724914A1 (en) | System and method for processing seismic data for interpretation | |
| Wang et al. | Separation and imaging of seismic diffractions using a localized rank-reduction method with adaptively selected ranks | |
| Zhang et al. | An anti-aliasing POCS interpolation method for regularly undersampled seismic data using curvelet transform | |
| Zhang et al. | Signal preserving and seismic random noise attenuation by Hurst exponent based time–frequency peak filtering | |
| CN104849757A (zh) | 消除地震信号中随机噪声系统及方法 | |
| CN107179550A (zh) | 一种数据驱动的地震信号零相位反褶积方法 | |
| 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 | |
| CN115236733A (zh) | 基于深度学习的das-vsp数据背景噪声压制方法 | |
| Li et al. | Distributed acoustic sensing vertical seismic profile data denoising based on multistage denoising network | |
| Yuan et al. | Attenuation of linear noise based on denoising convolutional neural network with asymmetric convolution blocks | |
| Zhong et al. | Multiscale residual pyramid network for seismic background noise attenuation | |
| Gao et al. | Deep learning vertical resolution enhancement considering features of seismic data | |
| Zhao et al. | Background noise suppression for DAS-VSP records using GC-AB-unet | |
| CN117031539A (zh) | 一种自监督深度学习地震数据低频重建方法及系统 | |
| Li et al. | Removing abnormal environmental noise in nodal land seismic data using deep learning | |
| Bai et al. | A U-Net based deep learning approach for seismic random noise suppression | |
| Dong et al. | Desert mixed seismic noise suppression by using multiple forward models and a supervised deep-learning 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 |