CN116184502A - 一种基于子空间投影注意力网络的井中das噪声抑制方法 - Google Patents

Abstract

本发明涉及一种基于子空间投影注意力网络的井中DAS噪声抑制方法，属于地球物理技术领域。包括子空间投影注意力网络的建立，训练集的构建，子空间投影注意力网络的训练，DAS数据消噪处理。本发明提出的子空间投影注意力网络使用投影进行自适应降噪，因为投影可以自然地保持输入信号的局部结构的优势，特别是在受污染严重或纹理较弱的区域，符合采集到的DAS数据特点，适合抑制复杂DAS噪声，合成数据和实际资料的去噪结果均表明，相比于带通滤波器和前馈去噪卷积神经网络DnCNN，本发明方法可以获得更有效的DAS复杂噪声消减极及有效信号能量恢复效果，且去噪过程简单高效。

Description

一种基于子空间投影注意力网络的井中DAS噪声抑制方法

技术领域

本发明属于地球物理技术领域，尤其涉及一种基于子空间投影注意力网络的井中DAS噪声抑制方法。

背景技术

地震勘探是石油、天然气和固体资源勘探的重要手段之一。一般来说，地震勘探主要包括数据采集、勘探数据处理和剖面对比解释三个阶段。然而利用传统检波器进行数据采集时存在成本高、道距大、接收带宽有限等问题，无法获得高分辨率的勘探数据来细致地描述地震波场等信息。近年来，分布式光纤声传感DAS技术受到了人们的高度重视，被认为是一种可以取代传统检波器获得更高采样密度的地震数据的新技术。当地震波遇到光纤会使其产生一些微小的应变，导致散射光信号的相位产生变化，然后通过相位解调获得地震数据。与传统检波器相比，DAS低成本、耐高温、耐高压、耐腐蚀，可实现长距离连续的信息采集和多方位信息(幅值、频率和相位)的实时测量。尽管DAS自身具有许多优点，但其实际采得的地震数据往往受到来自周围环境和光纤之间低耦合等形成的复杂背景噪声污染，表现出弱信号和强干扰的特征。除了随机噪声之外，DAS噪声还包括耦合噪声、背景异常干扰、衰落噪声、水平噪声及棋盘噪声等，这些噪声对地震资料的解释和成像产生了不利影响。如何有效抑制各类复杂噪声提高信噪比的同时，清晰完整的恢复出弱有效信号成为当前DAS数据处理亟待解决的问题。

为了抑制地震记录中的各种噪声，国内外专家们提出了许多解决方法。如带通滤波器、维纳滤波、F-X反卷积、经验模态分解EMD、变分模态分解VMD、奇异谱分析、拟合反演法等，这些方法在一些具体问题上取得了很好的效果，但是仍然具有局限性。例如，带通滤波器在实际油田生产中应用广泛但是其难以分离共享频带的有效信号和噪声；曲波变换和小波变换等稀疏表示方法高度依赖于找到能有效分离信号和噪声的最佳阈值，但获取建立最优值的先验信息是一个挑战；EMD在处理噪声含量高、信噪比低的地震数据时，对于信号振幅的保留很差；能去除耦合噪声的拟合反演法需要通过大量噪声分析得到关于耦合噪声的五个参数：首次断裂时间、首次断裂振幅、噪声周期、衰减和平均小波。各种方法参数的选择需要大量的时间和精力，对不同区域DAS数据的处理效果往往优劣不同，不能满足高效、智能的数据处理需求。

近年来，深度学习技术在地震勘探领域得到了广泛应用，如地震断层检测、微地震事件检测、初震拾取、地震数据去噪等。特别是在地震数据去噪方面，近年来基于深度学习的去噪方法从大规模的成对数据集中学习噪声分布，表现出优于传统方法的去噪性能。利用大数据的可用性，深度学习技术可以提取出数据的多元、非线性和非参数的深度层次特征。除此之外更明显优势是能够在没有先验知识情况下的自动学习能力。例如前馈去噪卷积神经网络DnCNN结合残差学习和批量归一化实现端到端的降噪任务，建立了含噪数据到纯净数据的映射关系，能够抑制DAS数据中的随机噪声和低频噪声。虽然基于深度学习的地震数据去噪方法取得了不错的进展，但在受噪声污染严重或信号较弱这样的困难场景下，难以有效抑制DAS数据中多种类型的复杂背景噪声，同时恢复的有效信号在频率和幅度上并不令人满意。

发明内容

本发明提供一种基于子空间投影注意力网络的井中DAS噪声抑制方法，以解决在受噪声污染严重或信号较弱这样的困难场景下，难以有效抑制DAS数据中多种类型的复杂背景噪声，同时恢复的有效信号在频率和幅度上并不令人满意的问题。

本发明采取的技术方案是，包括下列步骤：

(一)子空间投影注意力网络的建立

(1)特征提取部分的构建

信号输入Y在经过一次残差卷积块运算后，会分别交给下采样块和跳跃连接中的堆叠残差卷积块；送往下采样块中的数据通过最大池化运算进行特征提取，输出特征图，最大池化操作由步长为2的4×4卷积完成，每经过一个下采样块输出的特征图对数据进行降维，尺寸缩小一半，去除冗余信息，较原输入更为高级的特征图，然后将其向下一层传递以便进行后续更高级别的特征提取；经过堆叠残差卷积块的数据在特征提取后将作为低级特征图F₁ ^N，N代表层数，取1、2、3、4，送往同样处于跳跃连接中的子空间注意力模块SAM准备进行特征融合；最底部一层通过一个残差卷积块连接，提取等级最高的特征图经过残差卷积块整形为F⁵’送向特征融合部分；

(2)特征融合部分的构建

来自最底部的高级特征图F⁵’先通过2×2的反卷积上采样得到F₂ ⁴，使尺寸到先前2倍大小，然后被送入子空间注意力模块SAM，在此模块中高级特征图F₂ ⁴与先前送入的低级特征图F₁ ⁴融合，融合后输出的特征图记作F⁴，融合后的特征图F⁴再与从下层来的高级特征图F⁵’沿通道维度连接，然后经残差卷积块输出为F⁴’送往上一层，接下来的各层特征融合部分也依此类推；

因为需要更好的利用输入中的局部信息和全局信息，特征F₁ ^N,F₂ ^N∈R^H×W×C来自于不同层但在同一层融合，H,W表示高和宽，C表示通道数，需要令它们大小相同；

根据F₁ ^N，F₂ ^N，估计M个基向量b₁,b₂,…,b_M，每个b_i∈R^H×W都是信号子空间的基向量，将这个过程抽象表示为：

f:(R^HW×C,R^HW×C)→R^HW×M， (1)

则基的产生过程可以简单表示为：

B＝f(F₁ ^N,F₂ ^N)， (2)

其中B＝[b₁,b₂,…,b_M]为基向量组成的信号子空间。

在生成基向量组成的信号子空间的过程中，需要先将F₁ ^N，F₂ ^N沿通道维度连接得到F∈R^H×W×2C，F仅表示该运算步骤的中间过程，不具有实际意义，然后将其送入带有M个输出通道的残差卷积模块中，将其输出重塑为HW×M以产生M维信号子空间，其中参数在训练期间以端到端方式更新；

式(2)中通过f获得的基向量组成的信号子空间B∈R^H×W×M，通过正交线性投影将低级表层特征F₁ ^N投影到B上，设P为信号子空间的正交投影矩阵，P可由B进行如下运算得到：

P＝B(B^TB)^-1BT， (3)

其中规范化项(B^TB)^-1是必需的，因为基生成过程并不确保基向量彼此正交；

最后，在高级特征图F₂ ^N引导下将低级特征图F₁ ^N投影在信号子空间中重构为F^N：

F^N＝PF₁ ^N， (4)

与传统的类UNet架构直接融合低级和高级特征相比，SA-UNet在特征融合之前会经由子空间注意力模块对低级特征图进行投影获得F^N，再与上采样得到的高级特征图融合；

(3)最后一次残差卷积块的输出F¹通过3×3卷积层整形与最初含噪信号输入y做差，最后输出即为输入含噪信号的去噪结果

(二)训练集的构建

用于训练子空间投影注意力网络的数据集称为训练集，所用的训练集包括纯净信号数据集s和含噪信号数据集y，y＝s+n，其中n为噪声；

(1)纯净信号数据集

通过前向建模的方式模拟大量DAS纯净信号，其具体参数设置如下：平面层数量为3-6个，深度均在300-500m，波速度为1500-3300m/s，平面层密度为1970-2245kg/m³，信号类型为雷克子波，信号主频为50-90Hz，井源距离为100-200m，采样时间间隔是1m，记录光纤长度为2000-4000m，采样频率为2500Hz；使用64×64的滑块从纯净记录中截取K个有效信号块作为纯净信号数据集，基于块的大小，K大于等于20000；

(2)含噪信号数据集

为了构建含噪信号数据集，从实际采集的DAS地震信号记录中提取各种类型的噪声数据样本与纯净信号相叠加，以保证所提出的方法能够抑制各种类型的噪声，最终也得到K个大小为64×64的含噪信号数据块，相应含噪信号数据集由纯净信号样本与实际DAS噪声随机组合相加得到，并与纯净信号数据集标号一致，一一对应，作为一个训练样本对；

(三)子空间投影注意力网络的训练

实际的含噪DAS地震记录应该是纯净信号s和DAS噪声n的线性叠加，如下式所示：

y＝s+n, (5)

其中s为想获得的纯净信号，n为复杂DAS噪声，其相位幅度各有差异，包括随机噪声、耦合噪声、背景异常干扰、衰落噪声、水平噪声和棋盘噪声，y则是实际野外采集到的含噪DAS地震记录，子空间投影注意力网络可以抽象为一个去噪器，可以通过不断训练建立从含噪信号数据到纯净信号数据的端到端映射关系，从而实现一次性去除各种噪声，只保留想获取的有效部分，如下式所示：

其中

为经过去噪器处理后的输出信号数据，y是含噪信号数据，SAUN表示去噪网络建立的去噪器的映射关系，θ抽象表示网络中的各项参数，为了优化映射关系，不断优化网络参数θ，从而使

和纯净信号s无限接近，从训练数据集中随机选取一对记录样本，将其中的含噪信号数据作为子空间投影注意力网络的输入，将相应的纯净信号数据作为网络的期望输出，为了在不损害纯净信号的前提下尽可能地抑制噪声，通过最小化以下损失函数来训练去噪器：

式中s、y分别表示纯净信号数据和含噪信号数据，SAUN(y；θ)是输入为y的去噪器的输出，此时s就是去噪器的标签，即当其输入为y时，去噪器的预期输出，通过大量训练样本的反复训练优化，最终获得适合实际DAS复杂噪声消减的子空间投影注意力网络中的各项参数

称之为得到的训练完成的模型；

(四)DAS数据消噪处理

利用训练好的子空间投影注意力网络对DAS数据进行消噪处理，将实际采集的地震勘探的DAS数据输入到子空间投影注意力网络网络中，网络的输出结果就是消噪后的DAS数据。

本发明所述步骤(一)子空间投影注意力网络的建立中(2)特征融合部分的构建，构建残差卷积块包括：

残差卷积块是子空间投影注意力网络中的基本组成结构，基于残差网络思想构建，包括至少一层3×3卷积和一层带泄露修正线性单元LeakyRelu，残差连接中包含一层1×1的卷积。

本发明所述步骤(一)子空间投影注意力网络的建立中(2)特征融合部分的构建，构建子空间注意力模块SAM包括：

用F₁ ^N表示每一层获得的低级特征图，F₂ ^N表示高级特征图，F^N表示子空间注意力模块输出的融合后的特征图，N代表层数，取1、2、3、4，F₁ ^N和F₂ ^N首先沿着通道维度连接，将其送到具有M维输出的残差卷积模块进行形状重塑，通过一个小的卷积网络实现子空间基的生成，最后通过正交线性投影将特征F₁ ^N投影到生成的子空间中，此过程即实现上采样的高级特征图F₂ ^N引导下的低级特征图F₁ ^N的自注意力投影。

本发明的优点是：

以往的一些方法在处理DAS井中勘探数据时效果不佳，难以有效消减DAS地震数据中多种类型的背景噪声，恢复的有效信号具有难以避免的损失。本发明构建的子空间投影注意力网络，其基本结构都采用递归残差设计，在跳跃连接中加入子空间注意力模块SAM，使得特征融合之前会通过子空间注意力模块SAM在高级特征的指导下对低级特征进行投影，提高网络性能同时不增加太多的网络学习的复杂度；基于递归残差思想构建了残差卷积模块，解决可能出现的随着网络的深度增加而出现的梯度爆炸和梯度消失等问题，其中带泄露修正线性单元LeakyReLU作为每个卷积层的激活函数，能更有效地进行梯度下降和反向传播，进一步优化网络学习的复杂度；基于投影机制和自注意力思想设计的子空间注意力模块，在融合低级和高级两种不同尺度下地震信号数据特征前，通过子空间基的生成和投影操作可以自然地将全局结构信息引入去噪过程中，有助于保留更多细节信息，从而恢复出质量更好的纯净信号。总的来说，子空间投影注意力网络通过在特征空间中学习一组重构基来训练一个能够分离信号和噪声的网络，选择相应的信号子空间基将输入信号投影到该空间实现去噪。基于子空间投影注意力网络的DAS地震数据降噪方法，在有效地抑制各种复杂背景噪声的同时，有效信号能量衰减非常少，无论是受强噪声影响的浅层信号还是能量较弱的深层信号，在频率和幅度上都得到了很好的完整恢复，对DAS地震信号处理及后续的解释工作具有重要意义。

附图说明

图1是本发明子空间投影注意力网络的整体架构图；

图2是本发明残差卷积模块基本结构图；

图3是本发明子空间注意力模块SAM基本结构图；

图4(a)是训练数据集中的部分纯净信号，共M块，大小为64×64；

图4(b)是训练数据集中的部分噪声信号，共M块，大小为64×64，纯净信号与噪声信号随机叠加获得的含噪信号需与纯净信号标号一致，一一对应；

图5(a)是前向建模合成的纯净DAS信号；

图5(b)是实际数据噪声；

图5(c)是合成含噪数据，信噪比为-3.09dB；

图6是合成记录去噪结果对比图；其中：

(a)是合成含噪数据。包含水平噪声、衰落噪声、棋盘噪声、光学噪声和随机噪声；

(b)是带通滤波器处理结果。水平噪声和棋盘噪声有明显残留，恢复的信号频率降低，信噪比为7.73dB；

(c)是DnCNN处理结果。各种背景噪声都有一定程度的抑制，但是恢复的信号幅度有一定的衰减，信噪比为11.98dB；

(d)是迭代多尺度注意力网络处理结果，几乎没有背景噪声残留，恢复的信号频率和幅度保持较好，信噪比为20.03dB；

(e)是合成记录中加入的实际噪声；

(f)是带通滤波器分离的噪声，有明显的信号残留；

(g)是DnCNN分离的噪声，有较多的各种噪声残留，有效信号能量损失严重；

(h)是去噪网络分离的噪声，基本没有信号残留，分离的噪声与合成记录中加入的噪声基本无异；

图7是加入噪声、三种方法去噪结果的F-K谱对比图，其中：

(a)加入的DAS背景噪声的F-K谱，(b)带通滤波器分离噪声的F-K谱，通带外信号去除明显，(c)DnCNN分离噪声的F-K谱，矩阵表明去噪过程也去除了有效信号，(d)子空间投影注意力网络分离噪声的F-K谱，在频率上对有效信号基本没有影响；

图8是合成记录第220道信号波形对比图，在三种方法中，本发明的去噪结果与纯净信号波形基本无异，信号幅度也最接近；

图9是实际记录去噪结果对比图，其中：

(a)实际含噪记录，DAS有效信号被大量背景噪声污染，包含水平噪声、衰落噪声、光学噪声和随机噪声；

(b)带通滤波器处理实际记录的去噪结果，水平噪声有明显残留，其他噪声都被抑制，恢复的信号频率降低；

(c)DnCNN处理实际记录的去噪结果，各种背景噪声在一定程度上都被抑制，但是恢复的信号幅度降低；

(d)本发明去噪网络处理实际记录的去噪结果，背景噪声几乎都被消减，恢复信号的频率和幅度都没有明显衰减；

图10是实际记录去除噪声对比图，其中：

(a)带通滤波器处理实际记录分离的噪声，水平噪声没有完全分离出来；

(b)DnCNN处理实际记录分离的噪声，有比较明显的信号残留；

(c)本发明去噪网络处理实际记录分离的噪声，背景噪声都被分离，基本没有有效信号残留；

图11是实际记录去除噪声局部放大对比图；

(a)实际DAS记录局部放大；

(b)带通滤波器处理实际记录分离的噪声局部放大，模糊表明去除噪声多为低频；

(c)DnCNN处理实际记录分离的噪声局部放大，可见大部分信号残留；

(d)本发明去噪网络处理实际记录分离的噪声局部放大。

具体实施方式

包括下列步骤：

(一)子空间投影注意力网络的建立

(1)特征提取部分的构建

信号输入Y在经过一次残差卷积块运算后，会分别交给下采样块和跳跃连接中的堆叠残差卷积块；送往下采样块中的数据通过最大池化运算进行特征提取，输出特征图，最大池化操作由步长为2的4×4卷积完成，每经过一个下采样块输出的特征图对数据进行降维，尺寸缩小一半，去除冗余信息，较原输入更为高级的特征图，然后将其向下一层传递以便进行后续更高级别的特征提取；经过堆叠残差卷积块的数据在特征提取后将作为低级特征图F₁ ^N，N代表层数，取1、2、3、4，送往同样处于跳跃连接中的子空间注意力模块SAM准备进行特征融合；最底部一层通过一个残差卷积块连接，提取等级最高的特征图经过残差卷积块整形为F⁵’送向特征融合部分；

(2)特征融合部分的构建

来自最底部的高级特征图F⁵’先通过2×2的反卷积上采样得到F₂ ⁴，使尺寸到先前2倍大小，然后被送入子空间注意力模块SAM，在此模块中高级特征图F₂ ⁴与先前送入的低级特征图F₁ ⁴融合，融合后输出的特征图记作F⁴，融合后的特征图F⁴再与从下层来的高级特征图F⁵’沿通道维度连接，然后经残差卷积块输出为F⁴’送往上一层，接下来的各层特征融合部分也依此类推；

①构建残差卷积块

残差卷积块是子空间投影注意力网络中的基本组成结构，基于残差网络思想构建，包括至少一层3×3卷积和一层带泄露修正线性单元LeakyRelu，残差连接中包含一层1×1的卷积。

②构建子空间注意力模块SAM

在输入尺寸较大时需要的更多最大池化层会永久性丢失输入的部分原始信息，丢失目标和周围的空间关系，在输入尺寸较小时则只能看到很小的局部信息，包含的全局信息不够，因此网络中的子空间注意力模块SAM放置在每个跳跃连接中；用F₁ ^N表示每一层获得的低级特征图，F₂ ^N表示高级特征图，F^N表示子空间注意力模块输出的融合后的特征图，N代表层数，取1、2、3、4，F₁ ^N和F₂ ^N首先沿着通道维度连接，将其送到具有M维输出的残差卷积模块进行形状重塑(图3第二阶段)，在图3的第三阶段通过一个小的卷积网络实现子空间基的生成，最后通过正交线性投影将特征F₁ ^N投影到生成的子空间中，此过程即实现上采样的高级特征图F₂ ^N引导下的低级特征图F₁ ^N的自注意力投影。

因为需要更好的利用输入中的局部信息和全局信息，特征F₁ ^N,F₂ ^N∈R^H×W×C来自于不同层但在同一层融合，H,W表示高和宽，C表示通道数，需要令它们大小相同；

根据F₁ ^N，F₂ ^N，估计M个基向量b₁,b₂,…,b_M，每个b_i∈R^H×W都是信号子空间的基向量，将这个过程抽象表示为：

f:(R^HW×C,R^HW×C)→R^HW×M， (1)则基的产生过程可以简单表示为：

B＝f(F₁ ^N,F₂ ^N)， (2)

其中B＝[b₁,b₂,…,b_M]为基向量组成的信号子空间。

在生成基向量组成的信号子空间的过程中，需要先将F₁ ^N,F₂ ^N沿通道维度连接得到F∈R^H×W×2C，F仅表示该运算步骤的中间过程，不具有实际意义，然后将其送入带有M个输出通道的残差卷积模块中，将其输出重塑为HW×M以产生M维信号子空间，其中参数在训练期间以端到端方式更新；

式(2)中通过f获得的基向量组成的信号子空间B∈R^H×W×M，通过正交线性投影将低级表层特征F₁ ^N投影到B上，设P为信号子空间的正交投影矩阵，P可由B进行如下运算得到：

P＝B(BTB)^-1BT， (3)

其中规范化项(BTB)^-1是必需的，因为基生成过程并不确保基向量彼此正交；

最后，在高级特征图F₂ ^N引导下将低级特征图F₁ ^N投影在信号子空间中重构为F^N：

F^N＝PF₁ ^N， (4)

与传统的类UNet架构直接融合低级和高级特征相比，SA-UNet在特征融合之前会经由子空间注意力模块对低级特征图进行投影获得F^N，再与上采样得到的高级特征图融合；

(3)最后一次残差卷积块的输出F¹通过3×3卷积层整形与最初含噪信号输入y做差，最后输出即为输入含噪信号的去噪结果

(二)训练集的构建

用于训练子空间投影注意力网络的数据集称为训练集，所用的训练集包括纯净信号数据集s和含噪信号数据集y，y＝s+n，其中n为噪声；

(1)纯净信号数据集

通过前向建模的方式模拟大量DAS纯净信号，其具体参数设置如下：平面层数量为3-6个，深度均在300-500m，波速度为1500-3300m/s，平面层密度为1970-2245kg/m³，信号类型为雷克子波，信号主频为50-90Hz，井源距离为100-200m，采样时间间隔是1m，记录光纤长度为2000-4000m，采样频率为2500Hz；使用64×64的滑块从纯净记录中截取K个有效信号块作为纯净信号数据集，基于块的大小，K大于等于20000，如图4a所示；

(2)含噪信号数据集

为了构建含噪信号数据集，从实际采集的DAS地震信号记录中提取各种类型的噪声数据样本与纯净信号相叠加，图4b，以保证所提出的方法能够抑制各种类型的噪声，最终也得到K个大小为64×64的含噪信号数据块，相应含噪信号数据集由纯净信号样本与实际DAS噪声随机组合相加得到，并与纯净信号数据集标号一致，一一对应，作为一个训练样本对；

(三)子空间投影注意力网络的训练

实际的含噪DAS地震记录应该是纯净信号s和DAS噪声n的线性叠加，如下式所示：

y＝s+n, (5)

其中s为想获得的纯净信号，n为复杂DAS噪声，其相位幅度各有差异，包括随机噪声、耦合噪声、背景异常干扰、衰落噪声、水平噪声和棋盘噪声，y则是实际野外采集到的含噪DAS地震记录，子空间投影注意力网络可以抽象为一个去噪器，可以通过不断训练建立从含噪信号数据到纯净信号数据的端到端映射关系，从而实现一次性去除各种噪声，只保留想获取的有效部分，如下式所示：

其中

为经过去噪器处理后的输出信号数据，y是含噪信号数据，SAUN表示去噪网络建立的去噪器的映射关系，θ抽象表示网络中的各项参数，为了优化映射关系，不断优化网络参数θ，从而使

和纯净信号s无限接近，从训练数据集中随机选取一对记录样本，将其中的含噪信号数据作为子空间投影注意力网络的输入，将相应的纯净信号数据作为网络的期望输出，为了在不损害纯净信号的前提下尽可能地抑制噪声，通过最小化以下损失函数来训练去噪器：

式中s、y分别表示纯净信号数据和含噪信号数据，SAUN(y；θ)是输入为y的去噪器的输出，此时s就是去噪器的标签，即当其输入为y时，去噪器的预期输出，通过大量训练样本的反复训练优化，最终获得适合实际DAS复杂噪声消减的子空间投影注意力网络中的各项参数

称之为得到的训练完成的模型；

(四)DAS数据消噪处理

利用训练好的子空间投影注意力网络对DAS数据进行消噪处理，将实际采集的地震勘探的DAS数据输入到子空间投影注意力网络网络中，网络的输出结果就是消噪后的DAS数据。

为了证明本发明中子空间投影注意力网络的性能，我们需要利用合成及实际采集的DAS数据进行验证。实际的DAS数据可以直接获得，而合成记录需要我们建模进行模拟仿真，实验过程中的测试数据集均采用建模生成方式。首先，我们通过前向建模一个四层二维地质模型生成一幅纯净信号如图5(a)所示。该正向模型包含4个平面层，深度均在300-500m，从顶层到底层的纵波速度分别为1500、2200、2800和3300m/s，介质密度分别为1970、2086、2200和2245kg/m³。信号类型为雷克子波，主频为60Hz；井源距离为200m，记录光纤长度为2048m，采样频率为2500Hz。从实际DAS数据中截取背景噪声如图5(b)所示，包括水平噪声、衰落噪声、光学噪声、棋盘噪声等多种类型噪声。把图5(a)中的纯净信号和图5(b)中的实际噪声相加得到图5(c)中的合成含噪数据。

下边通过实验例来进一步说明本发明的效果。

实验例1合成记录

为了验证本发明去噪网络对DAS地震数据的处理效果，我们首先对合成含噪DAS地震记录进行消噪处理，并将处理结果与带通滤波器和前馈去噪卷积神经网络(DnCNN)进行效果对比。图6(a)为含噪的DAS地震数据，可以明显看出其中包含了水平噪声、衰落噪声、光学噪声、棋盘噪声、随机噪声等多种类型噪声，有效信号淹没其中，信噪比较低。分别利用带通滤波器、DnCNN和本发明去噪网络对其进行消噪处理，结果如图6(b)-(d)所示。图6(e)为含噪记录中的噪声，三种方法消噪后的差值依次如图6(f)-(h)所示。从带通滤波器的消噪结果图6(b)及差值图6(f)可以看出带通滤波器能够抑制随机噪声、衰落噪声以及光学噪声，但部分细节会有缺失，对水平噪声和棋盘噪声则没有效果。从图6(c)中DnCNN的消噪结果和6(g)中的差值图可以看出，DnCNN在经过与本文提出方法相同次数的训练后，对DAS地震数据的多种背景噪声都有抑制效果，但是都存在大部分残留，并且有效信号衰减严重，想要达到本文方法的效果，图6(d)，还需要进一步的训练。相比而言，从图6(d)中本发明方法的消噪结果及图6(h)的差值图可以明显看出新方法能够最大程度地抑制所有背景噪声，同时完整保留有效信号，上行波和下行波几乎没有幅度衰减，甚至极其微弱的有效信号也得到了保留。验证了本发明方法的有效信号提取能力以及背景噪声抑制能力。

为了进一步说明新方法对有效信号的提取能力，图7(a)-(d)分别给出了加入的噪声和带通滤波器、DnCNN、本发明方法差值的F-K谱图。从F-K谱可以看到，对于带通滤波器，虽然抑制了大部分低频噪声，但通带内的噪声去除不完全，通带外的有效信号被大幅度衰减，图(b)。对于DnCNN，去噪效果优于带通滤波器，但也去除了各个频段的有效信号，在图7(c)矩形框中可以清楚观察到有效信号的存在，说明对有效信号的保幅能力较弱。而本发明方法去除的噪声中基本不含有效信号，证明恢复的信号在频率上最接近纯净数据。此外，为了直观地比较不同方法对有效信号的保幅能力，图8给出了纯净数据及三种方法消噪结果的第220道的单道波形对比图。图8表明了带通滤波器处理后信号波形与纯净信号不完全一致，DnCNN在信号峰值处振幅明显降低，本发明方法的消噪结果最拟合纯净数据。F-K谱图和单道波形对比图证明本发明方法恢复的信号在频率和幅度上最接近纯净信号。

表1列出了三种方法去噪结果的信噪比和均方误差。采用本发明方法处理后记录的信噪比为20.03dB，远高于带通滤波器和DnCNN的信噪比，信噪比分别为7.73dB和11.98dB。与此同时，均方误差和它们相比则是小了一个量级。

表1三种方法对合成记录去噪结果的信噪比(SNR)和均方误差(MSE)

方法	含噪记录	带通滤波器	DnCNN	本发明方法
					SNR(dB)	-3.09	7.73	11.98	20.03
MSE	8.68e-02	7.20E-03	2.70E-03	5.31E-04

实验例2实际记录

为了进一步验证本发明方法的有效性，我们将其应用于图9(a)中的实际DAS数据消噪处理，本文所用的数据来自中国塔河地区。我们可以看到该DAS数据受到噪声的严重污染，质量较差，含有较强的随机噪声、耦合噪声、衰落噪声、背景异常干扰和水平噪声。入射的下行波和反射的上行波等有效信号几乎都被噪声覆盖并且严重不连续，无法被完整有效识别。图9(b)-(d)依次为带通滤波器、DnCNN和本发明去噪网络的处理结果。图10(a)-(c)依次为三种方法分离出的噪声。从图9(b)-(c)和图10(a)-(b)可以看出带通滤波器和DnCNN都具有一定程度的抑制噪声能力，但带通滤波器未能抑制水平噪声，并且有效信号的频率降低，DnCNN处理后存在大部分噪声残留，且有效信号幅度衰减严重。相比之下，在图9(d)和图10(c)中，新方法处理后各种噪声都得到了有效压制，被强噪声淹没的弱能量信号也都得到了较好的恢复，可见本发明方法去噪能力及信号恢复能力都优于另外两种方法。图11为图10(a)-(b)记录的局部放大，图11(b)中噪声显得模糊，说明带通滤波器去除的大部分是频率较低的噪声，图11(c)中则还存在大量信号残留。

Claims (3)

1.一种基于子空间投影注意力网络的井中DAS噪声抑制方法，其特征在于，包括下列步骤：

(一)子空间投影注意力网络的建立

(1)特征提取部分的构建

信号输入Y在经过一次残差卷积块运算后，会分别交给下采样块和跳跃连接中的堆叠残差卷积块；送往下采样块中的数据通过最大池化运算进行特征提取，输出特征图，最大池化操作由步长为2的4×4卷积完成，每经过一个下采样块输出的特征图对数据进行降维，尺寸缩小一半，去除冗余信息，较原输入更为高级的特征图，然后将其向下一层传递以便进行后续更高级别的特征提取；经过堆叠残差卷积块的数据在特征提取后将作为低级特征图F₁ ^N，N代表层数，取1、2、3、4，送往同样处于跳跃连接中的子空间注意力模块SAM准备进行特征融合；最底部一层通过一个残差卷积块连接，提取等级最高的特征图经过残差卷积块整形为F⁵’送向特征融合部分；

(2)特征融合部分的构建

来自最底部的高级特征图F⁵’先通过2×2的反卷积上采样得到F₂ ⁴，使尺寸到先前2倍大小，然后被送入子空间注意力模块SAM，在此模块中高级特征图F₂ ⁴与先前送入的低级特征图F₁ ⁴融合，融合后输出的特征图记作F⁴，融合后的特征图F⁴再与从下层来的高级特征图F⁵’沿通道维度连接，然后经残差卷积块输出为F⁴’送往上一层，接下来的各层特征融合部分也依此类推；

因为需要更好的利用输入中的局部信息和全局信息，特征F₁ ^N,F₂ ^N∈R^H×W×C来自于不同层但在同一层融合，H,W表示高和宽，C表示通道数，需要令它们大小相同；

根据F₁ ^N，F₂ ^N，估计M个基向量b₁,b₂,…,b_M，每个b_i∈R^H×W都是信号子空间的基向量，将这个过程抽象表示为：

f:(R^HW×C,R^HW×C)→R^HW×M， (1)

则基的产生过程可以简单表示为：

B＝f(F₁ ^N,F₂ ^N)， (2)其中B＝[b₁,b₂,…,b_M]为基向量组成的信号子空间；

在生成基向量组成的信号子空间的过程中，需要先将F₁ ^N，F₂ ^N沿通道维度连接得到F∈R^{H ×W×2C}，F仅表示该运算步骤的中间过程，不具有实际意义，然后将其送入带有M个输出通道的残差卷积模块中，将其输出重塑为HW×M以产生M维信号子空间，其中参数在训练期间以端到端方式更新；

式(2)中通过f获得的基向量组成的信号子空间B∈R^H×W×M，通过正交线性投影将低级表层特征F₁ ^N投影到B上，设P为信号子空间的正交投影矩阵，P可由B进行如下运算得到：

P＝B(BTB)^-1BT， (3)其中规范化项(BTB)^-1是必需的，因为基生成过程并不确保基向量彼此正交；

最后，在高级特征图F₂ ^N引导下将低级特征图F₁ ^N投影在信号子空间中重构为F^N：

F^N＝PF₁ ^N， (4)

与传统的类UNet架构直接融合低级和高级特征相比，SA-UNet在特征融合之前会经由子空间注意力模块对低级特征图进行投影获得F^N，再与上采样得到的高级特征图融合；

(3)最后一次残差卷积块的输出F¹通过3×3卷积层整形与最初含噪信号输入y做差，最后输出即为输入含噪信号的去噪结果

(二)训练集的构建

用于训练子空间投影注意力网络的数据集称为训练集，所用的训练集包括纯净信号数据集s和含噪信号数据集y，y＝s+n，其中n为噪声；

(1)纯净信号数据集

通过前向建模的方式模拟大量DAS纯净信号，其具体参数设置如下：平面层数量为3-6个，深度均在300-500m，波速度为1500-3300m/s，平面层密度为1970-2245kg/m³，信号类型为雷克子波，信号主频为50-90Hz，井源距离为100-200m，采样时间间隔是1m，记录光纤长度为2000-4000m，采样频率为2500Hz；使用64×64的滑块从纯净记录中截取K个有效信号块作为纯净信号数据集，基于块的大小，K大于等于20000；

(2)含噪信号数据集

为了构建含噪信号数据集，从实际采集的DAS地震信号记录中提取各种类型的噪声数据样本与纯净信号相叠加，以保证所提出的方法能够抑制各种类型的噪声，最终也得到K个大小为64×64的含噪信号数据块，相应含噪信号数据集由纯净信号样本与实际DAS噪声随机组合相加得到，并与纯净信号数据集标号一致，一一对应，作为一个训练样本对；

(三)子空间投影注意力网络的训练

实际的含噪DAS地震记录应该是纯净信号s和DAS噪声n的线性叠加，如下式所示：

y＝s+n, (5)

其中s为想获得的纯净信号，n为复杂DAS噪声，其相位幅度各有差异，包括随机噪声、耦合噪声、背景异常干扰、衰落噪声、水平噪声和棋盘噪声，y则是实际野外采集到的含噪DAS地震记录，子空间投影注意力网络可以抽象为一个去噪器，可以通过不断训练建立从含噪信号数据到纯净信号数据的端到端映射关系，从而实现一次性去除各种噪声，只保留想获取的有效部分，如下式所示：

其中

为经过去噪器处理后的输出信号数据，y是含噪信号数据，SAUN表示去噪网络建立的去噪器的映射关系，θ抽象表示网络中的各项参数，为了优化映射关系，不断优化网络参数θ，从而使

和纯净信号s无限接近，从训练数据集中随机选取一对记录样本，将其中的含噪信号数据作为子空间投影注意力网络的输入，将相应的纯净信号数据作为网络的期望输出，为了在不损害纯净信号的前提下尽可能地抑制噪声，通过最小化以下损失函数来训练去噪器：

式中s、y分别表示纯净信号数据和含噪信号数据，SAUN(y；θ)是输入为y的去噪器的输出，此时s就是去噪器的标签，即当其输入为y时，去噪器的预期输出，通过大量训练样本的反复训练优化，最终获得适合实际DAS复杂噪声消减的子空间投影注意力网络中的各项参数

称之为得到的训练完成的模型；

(四)DAS数据消噪处理

利用训练好的子空间投影注意力网络对DAS数据进行消噪处理，将实际采集的地震勘探的DAS数据输入到子空间投影注意力网络网络中，网络的输出结果就是消噪后的DAS数据。

2.根据权利要求1所述一种基于子空间投影注意力网络的井中DAS噪声抑制方法，其特征在于，所述步骤(一)子空间投影注意力网络的建立中(2)特征融合部分的构建，构建残差卷积块包括：

残差卷积块是子空间投影注意力网络中的基本组成结构，基于残差网络思想构建，包括至少一层3×3卷积和一层带泄露修正线性单元LeakyRelu，残差连接中包含一层1×1的卷积。

3.根据权利要求1所述一种基于子空间投影注意力网络的井中DAS噪声抑制方法，其特征在于，所述步骤(一)子空间投影注意力网络的建立中(2)特征融合部分的构建，构建子空间注意力模块SAM包括：

用F₁ ^N表示每一层获得的低级特征图，F₂ ^N表示高级特征图，F^N表示子空间注意力模块输出的融合后的特征图，N代表层数，取1、2、3、4，F₁ ^N和F₂ ^N首先沿着通道维度连接，将其送到具有M维输出的残差卷积模块进行形状重塑，通过一个小的卷积网络实现子空间基的生成，最后通过正交线性投影将特征F₁ ^N投影到生成的子空间中，此过程即实现上采样的高级特征图F₂ ^N引导下的低级特征图F₁ ^N的自注意力投影。

Images