CN116719085B - 一种地震记录高分辨率处理方法、装置、设备及存储介质 - Google Patents
一种地震记录高分辨率处理方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116719085B CN116719085B CN202310987350.0A CN202310987350A CN116719085B CN 116719085 B CN116719085 B CN 116719085B CN 202310987350 A CN202310987350 A CN 202310987350A CN 116719085 B CN116719085 B CN 116719085B
- Authority
- CN
- China
- Prior art keywords
- seismic
- module
- seismic record
- convolution
- output
- 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
- 238000003860 storage Methods 0.000 title claims abstract description 17
- 238000003672 processing method Methods 0.000 title abstract description 15
- 238000012545 processing Methods 0.000 claims abstract description 83
- 238000000034 method Methods 0.000 claims abstract description 56
- 238000013528 artificial neural network Methods 0.000 claims abstract description 48
- 238000012549 training Methods 0.000 claims description 57
- 238000010586 diagram Methods 0.000 claims description 21
- 238000013507 mapping Methods 0.000 claims description 14
- 238000005457 optimization Methods 0.000 claims description 14
- 238000007781 pre-processing Methods 0.000 claims description 13
- 238000005070 sampling Methods 0.000 claims description 7
- 230000004044 response Effects 0.000 claims description 5
- 230000008569 process Effects 0.000 abstract description 15
- 238000013135 deep learning Methods 0.000 abstract description 3
- 238000013527 convolutional neural network Methods 0.000 description 36
- 238000001228 spectrum Methods 0.000 description 19
- 238000004364 calculation method Methods 0.000 description 17
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 10
- 230000006870 function Effects 0.000 description 10
- 230000007246 mechanism Effects 0.000 description 10
- 238000011176 pooling Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 7
- 230000004913 activation Effects 0.000 description 6
- 230000003044 adaptive effect Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 5
- 230000015556 catabolic process Effects 0.000 description 5
- 238000006731 degradation reaction Methods 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 5
- 238000000605 extraction Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000011056 performance test Methods 0.000 description 3
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013329 compounding Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 230000003313 weakening effect 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
- G01V1/282—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
- G01V1/32—Transforming one recording into another or one representation into another
- G01V1/325—Transforming one representation into another
-
- 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
- G01V1/34—Displaying seismic recordings or visualisation of seismic data or attributes
- G01V1/345—Visualisation of seismic data or attributes, e.g. in 3D cubes
-
- 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
- G06N3/045—Combinations of networks
- G06N3/0455—Auto-encoder networks; Encoder-decoder networks
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G01V2210/40—Transforming data representation
- G01V2210/48—Other transforms
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Theoretical Computer Science (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Geology (AREA)
- Geophysics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Environmental & Geological Engineering (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Acoustics & Sound (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本公开提供了一种地震记录高分辨率处理方法、装置、设备及存储介质,涉及深度学习技术领域。该方法包括:获取原始地震数据的地震子波和反射系数;将原始地震数据的地震子波与原始地震数据的反射系数进行褶积运算,得到待处理地震记录;利用训练完成的地震记录高分辨率处理模型对待处理地震记录进行处理,得到目标地震记录,其中,目标地震记录的分辨率高于待处理地震记录,地震记录高分辨率处理模型是包括具有残差模块的编码器和具有残差模块与注意力模块的解码器的U型神经网络。本公开的方法通过采用预先训练好的地震记录高分辨率处理模型对待处理地震记录进行处理,可以得到有效拓宽频带的目标地震记录,提高了地震记录的分辨率。
Description
技术领域
本公开涉及深度学习技术领域,尤其涉及一种地震记录高分辨率处理方法、装置、设备及存储介质。
背景技术
叠后地震数据在油气勘探中广泛使用,其质量主要使用分辨率进行评价。叠后地震数据的分辨率指的是分辨各种地质体和地层的能力,纵向分辨率可通过同相轴的复合程度、同相轴粗细,子波主频、带宽等描述;横向分辨率指横向上地质体的识别精度,如断层、河道等。因此,为了满足地震数据的使用需求,需要对地震资料进行高分辨率处理,以满足高质量需求。
发明内容
本公开提供了一种地震记录高分辨率处理方法、装置、设备及存储介质,以至少解决现有技术中存在的以上技术问题。
根据本公开的第一方面,提供了一种地震记录高分辨率处理方法,包括:
获取原始地震数据的地震子波和反射系数;
将上述原始地震数据的地震子波与原始地震数据的反射系数进行褶积运算,得到待处理地震记录;
利用训练完成的地震记录高分辨率处理模型对上述待处理地震记录进行处理,得到目标地震记录,其中,上述目标地震记录的分辨率高于上述待处理地震记录,上述地震记录高分辨率处理模型是包括具有残差模块的编码器和具有残差模块与注意力模块的解码器的U型神经网络。
在一些实施例中,上述地震记录高分辨率处理模型的训练方法包括:
获取样本地震数据的地震子波和反射系数;
将上述样本地震数据的地震子波和样本地震数据的反射系数进行褶积运算,得到样本地震记录;
对上述样本地震记录进行预处理;
将预处理后的样本地震记录作为训练数据;
获取上述样本地震数据的俞氏子波;
将上述俞氏子波与上述样本地震数据的反射系数进行褶积运算,得到宽带合成地震记录,作为标签数据;其中,上述宽带合成地震记录的分辨率高于上述样本地震记录的分辨率;
采用上述训练数据和上述标签数据对初始网络模型进行训练,训练完成得到上述地震记录高分辨率处理模型,其中,上述初始网络模型是包括具有残差模块的编码器和具有残差模块与注意力模块的解码器的U型神经网络。
在一些实施例中,上述对上述样本地震记录进行预处理,包括:
向上述样本地震记录中加入随机噪声;或者,
对上述样本地震记录的原始噪声的均值进行计算,得到原始噪声均值;判断上述原始噪声均值与上述预设噪声均值的差值是否小于预设差值阈值;响应于上述差值小于上述预设差值阈值,向上述样本地震记录中加入随机噪声。
在一些实施例中,上述编码器用于提取上述待处理地震记录的图像特征,上述解码器用于恢复图像特征输出上述目标地震记录,其中,上述编码器和上述解码器通过连接部分进行连接。
在一些实施例中,上述编码器包括V个编码块,V≥1,每个编码块包括两层卷积层和残差模块;其中,每个编码块的卷积层用于通过卷积运算对本编码块的卷积层的输入提取图像特征,生成本编码块的卷积层的输出;上述编码块的残差模块用于将本编码块的卷积层的输入和本编码块的卷积层的输出作为本编码块的输出,以进行恒等映射。
在一些实施例中,上述解码器包括U个解码块,1≤U≤V,至少一个解码块包括两层卷积层、注意力模块和残差模块;其中,解码块的卷积层用于通过卷积运算对本编码块的卷积层的输入提取图像特征,生成本解码块的卷积层的输出;解码块的注意力模块用于基于本解码块的卷积层的输出得到注意力图、并将上述注意力图和上述本解码块的卷积层的输出进行自适应特征优化后作为本解码块的注意力模块的输出;解码块的残差模块用于将本解码块的卷积层的输入和本解码块的注意力模块的输出作为本解码块的输出,以进行恒等映射。
在一些实施例中,上述连接部分包括两层卷积层、一个注意力模块和一个上采样层,其中,上述连接部分的卷积层用于通过卷积运算对上述卷积层的输入提取图像特征,生成卷积层的输出,上述注意力模块用于基于上述卷积层的输出得到注意力图、并将上述注意力图和上述卷积层的输出进行自适应特征优化,经过上采样层进行上采样后作为上述连接部分的输出。
根据本公开的第二方面,提供了一种地震记录高分辨率处理装置,上述装置包括:
获取模块,用于获取原始地震数据的地震子波和反射系数;
运算模块,用于将上述原始地震数据的地震子波与原始地震数据的反射系数进行褶积运算,得到待处理地震记录;
处理模块,用于利用训练完成的地震记录高分辨率处理模型对上述待处理地震记录进行处理,得到目标地震记录,其中,上述目标地震记录的分辨率高于上述待处理地震记录,上述地震记录高分辨率处理模型是包括具有残差模块的编码器和具有残差模块与注意力模块的解码器的U型神经网络。
在一些实施例中,上述装置还包括模型训练模块,所述模型训练模块包括:
第一获取子模块,用于获取样本地震数据的地震子波和反射系数;
褶积运算子模块,用于将上述样本地震数据的地震子波和样本地震数据的反射系数进行褶积运算,得到样本地震记录;
预处理子模块,用于对上述样本地震记录进行预处理;
配置子模块,用于将预处理后的样本地震记录作为训练数据;
第二获取子模块,用于获取上述样本地震数据的俞氏子波;
数据获取子模块,用于将上述俞氏子波与上述样本地震数据的反射系数进行褶积运算,得到宽带合成地震记录,作为标签数据;其中,上述宽带合成地震记录的分辨率高于上述样本地震记录的分辨率;
训练子模块,用于采用上述训练数据和上述标签数据对初始网络模型进行训练,训练完成得到上述地震记录高分辨率处理模型,其中,上述初始网络模型是包括具有残差模块的编码器和具有残差模块与注意力模块的解码器的U型神经网络。
在一些实施例中,预处理子模块被进一步用于:向上述样本地震记录中加入随机噪声;或者,对上述样本地震记录的原始噪声的均值进行计算,得到原始噪声均值;判断上述原始噪声均值与上述预设噪声均值的差值是否小于预设差值阈值;响应于上述差值小于上述预设差值阈值,向上述样本地震记录中加入随机噪声。
在一些实施例中,上述编码器用于提取上述待处理地震记录的图像特征,上述解码器用于恢复图像特征输出上述目标地震记录,其中,上述编码器和上述解码器通过连接部分进行连接。
在一些实施例中,上述编码器包括V个编码块,V≥1,每个编码块包括两层卷积层和残差模块;其中,每个编码块的卷积层用于通过卷积运算对本编码块的卷积层的输入提取图像特征,生成本编码块的卷积层的输出;上述编码块的残差模块用于将本编码块的卷积层的输入和本编码块的卷积层的输出作为本编码块的输出,以进行恒等映射。
在一些实施例中,上述解码器包括U个解码块,1≤U≤V,至少一个解码块包括两层卷积层、注意力模块和残差模块;其中,解码块的卷积层用于通过卷积运算对本解码块的卷积层的输入提取图像特征,生成本解码块的卷积层的输出;解码块的注意力模块用于基于本解码块的卷积层的输出得到注意力图、并将上述注意力图和上述本解码块的卷积层的输出进行自适应特征优化后作为本解码块的注意力模块的输出;解码块的残差模块用于将本解码块的卷积层的输入和本解码块的注意力模块的输出作为本解码块的输出,以进行恒等映射。
在一些实施例中,上述连接部分包括两层卷积层、一个注意力模块和一个上采样层,其中,上述连接部分的卷积层用于通过卷积运算对上述卷积层的输入提取图像特征,生成卷积层的输出,上述注意力模块用于基于上述卷积层的输出得到注意力图、并将上述注意力图和上述卷积层的输出进行自适应特征优化,经过上采样层进行上采样后作为上述连接部分的输出。
根据本公开的第三方面,提供了一种电子设备,包括:
至少一个处理器;以及
与上述至少一个处理器通信连接的存储器;其中,
上述存储器存储有可被上述至少一个处理器执行的指令,上述指令被上述至少一个处理器执行,以使上述至少一个处理器能够执行本公开上述的方法。
根据本公开的第四方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,上述计算机指令用于使上述计算机执行本公开上述的方法。
本公开的地震记录高分辨率处理方法、装置、设备及存储介质,首先,获取原始地震数据的地震子波和反射系数;然后,将上述原始地震数据的地震子波与原始地震数据的反射系数进行褶积运算,得到待处理地震记录;最后,利用训练完成的地震记录高分辨率处理模型对上述待处理地震记录进行处理,得到目标地震记录。本公开的地震记录高分辨率处理模型是包括具有残差模块的编码器和具有残差模块与注意力模块的解码器的U型神经网络,本公开的方法由于采用了预先训练好的具有融合了残差模块和注意力模块的U型神经网络的结构的地震记录高分辨率处理模型,对分辨率较低的待处理地震记录进行处理,可以得到分辨率更高的目标地震记录,提高了地震记录的分辨率,且将残差模块和注意力模块相融合可以加速模型收敛,保证模型的效果不会因为网络层数加深而退化,由于注意力模块的加入,可以有效学习地震记录的关键语义信息,同时避免学习到过多的无用信息,预测精度高、处理效果好。
同时,通过预先训练好的模型,只要输入待处理地震记录即可得到高分辨率的目标地震记录,相较于传统的基于地震波运动学和动力学理论的处理方法,无需对子波进行假设就可以得到较高分辨率的目标地震记录,避免了求取子波的难题,无需积累理论知识,更加简便易行,可操作性较强、工作效率高。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
通过参考附图阅读下文的详细描述,本公开示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中,以示例性而非限制性的方式示出了本公开的若干实施方式,其中:
在附图中,相同或对应的标号表示相同或对应的部分。
图1示出了本公开地震记录高分辨率处理方法的实现流程示意图;
图2示出了本公开地震记录高分辨率处理模型的训练方法的实现流程示意图;
图3示出了本公开提供的地震记录高分辨率处理模型的结构示意图;
图4示出了本公开提供的残差机构的结构示意图;
图5示出了本公开提供的ResNet-34的残差模块结构示意图;
图6示出了本公开提供的ResNet-50的残差模块结构示意图;
图7示出了本公开提供的注意力机制的计算过程示意图;
图8示出了本公开实施例2第一种推覆体模型下采用雷克子波得到的标签数据训练的模型预测的地震记录的时域结果图;
图9示出了本公开实施例2第一种推覆体模型下采用俞氏子波得到的标签数据训练的模型预测的地震记录的时域结果图;
图10示出了本公开实施例2第二种推覆体模型下普通卷积神经网络模型预测的地震记录的时域结果图;
图11示出了本公开实施例2第二种推覆体模型下包括具有残差模块的编码器和具有残差模块与注意力模块的解码器的U型神经网络预测的地震记录的时域结果图;
图12示出了本公开实施例2普通卷积神经网络模型预测的地震记录的剖面图;
图13示出了本公开实施例2包括具有残差模块的编码器和具有残差模块与注意力模块的解码器的U型神经网络预测的地震记录剖面图;
图14示出了本公开实施例2分别采用雷克子波和俞氏子波得到的标签数据训练的模型预测的地震记录的振幅谱的对比图;
图15示出了本公开实施例2的两个网络模型预测的地震记录的振幅谱的对比图;
图16示出了本公开实施例3Marmousi模型下普通卷积神经网络模型预测的地震记录的时域结果图;
图17示出了本公开实施例3Marmousi模型下包括具有残差模块的编码器和具有残差模块与注意力模块的解码器的U型神经网络预测的地震记录的时域结果图;
图18示出了本公开实施例3普通卷积神经网络模型预测的地震记录的剖面图;
图19示出了本公开实施例3包括具有残差模块的编码器和具有残差模块与注意力模块的解码器的U型神经网络预测的地震记录剖面图;
图20示出了本公开实施例3普通卷积神经网络模型预测的地震记录的对应频谱;
图21示出了本公开实施例3包括具有残差模块的编码器和具有残差模块与注意力模块的解码器的U型神经网络预测的地震记录的对应频谱;
图22示出了本公开实施例4的实际地震记录剖面图;
图23示出了本公开实施例4普通卷积神经网络模型预测的地震记录剖面图;
图24示出了本公开实施例4具有残差结构的卷积神经网络预测的地震记录剖面图;
图25示出了本公开实施例4包括具有残差模块的编码器和具有残差模块与注意力模块的解码器的U型神经网络预测的地震记录剖面图;
图26示出了本公开实施例4实际地震记录的振幅谱;
图27示出了本公开实施例4包括具有残差模块的编码器和具有残差模块与注意力模块的解码器的U型神经网络预测的地震记录的振幅谱;
图28示出了本公开实施例4普通卷积神经网络模型预测的地震记录的振幅谱;
图29示出了本公开实施例4具有残差结构的卷积神经网络预测的地震记录的振幅谱;
图30示出了本公开的地震记录高分辨率处理装置的结构示意图;
图31示出了本公开一种电子设备的组成结构示意图。
具体实施方式
为使本公开的目的、特征、优点能够更加的明显和易懂,下面将结合本公开实施例中的附图,对本公开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公开一部分实施例,而非全部实施例。基于本公开中的实施例,本领域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,都属于本公开保护的范围。
图1是本公开地震记录高分辨率处理方法的实现流程示意图,如图1所示,地震记录高分辨率处理方法包括如下步骤101~103:
步骤101,获取原始地震数据的地震子波和反射系数。
在一些实施例中,地震子波的获取方式主要包括两种:一是确定性子波提取方法,包括:基于原始地震数据计算得到反射系数序列,结合井旁地震道由褶积理论得到地震子波;二是统计性子波提取方法,包括:通过地震道估计地震子波,得到的地震子波精度不高。
在一些实施例中,反射系数的获取方法包括:基于原始地震数据设计地震模型,根据上述地震模型计算反射系数。如果地震子波的带宽被拓展,那么相对应的地震记录将具有相同频谱拓展,并从反射系数中获得更好的分辨率。
步骤102,将上述原始地震数据的地震子波与原始地震数据的反射系数进行褶积运算,得到待处理地震记录。
在一些实施例中,待处理地震记录作为一种合成地震记录,可以通过褶积模型生成。褶积模型通过假设地下地质是水平分层的、层内岩石性质不变来计算地震记录,在计算过程中忽略了地震波的传播效应。待处理地震记录既可以通过时域表示,也可以通过频域表示,褶积计算过程如下公式(1)和(2)所示:
……公式(1)
……公式(2)
其中,t表示时间,S(t)、W(t)和R(t)分别表示根据原始地震数据得到的时域中的待处理地震记录、地震子波和反射系数,f表示频率,S(f)、W(f)和R(f)分别表示经过傅里叶变换得到的频域中的待处理地震记录、地震子波和反射系数。这里,待处理地震记录是通过原始地震数据的地震子波和原始地震数据的反射系数进行褶积得到的。
步骤103,利用训练完成的地震记录高分辨率处理模型对上述待处理地震记录进行处理,得到目标地震记录,其中,上述目标地震记录的分辨率高于上述待处理地震记录,上述地震记录高分辨率处理模型是包括具有残差模块的编码器和具有残差模块与注意力模块的解码器的U型神经网络。
本实施例提供的地震记录高分辨率处理方法,首先,获取原始地震数据的地震子波和反射系数;然后,将上述原始地震数据的地震子波与原始地震数据的反射系数进行褶积运算,得到待处理地震记录;最后,利用训练完成的地震记录高分辨率处理模型对上述待处理地震记录进行处理,得到目标地震记录。本公开的地震记录高分辨率处理模型是包括具有残差模块的编码器和具有残差模块与注意力模块的解码器的U型神经网络,本公开的方法由于采用了预先训练好的融合了残差模块和注意力模块的U型神经网络的结构的地震记录高分辨率处理模型对分辨率较低的待处理地震记录进行处理,可以得到分辨率更高的目标地震记录,提高了地震记录的分辨率,且将残差模块和注意力模块相融合可以加速模型收敛,保证模型的效果不会因为网络层数加深而退化,由于注意力模块的加入,可以有效学习地震记录的关键语义信息,同时避免学习到过多的无用信息,预测精度高、处理效果好。
同时,通过预先训练好的模型,只要输入待处理地震记录即可得到高分辨率的目标地震记录,相较于传统的基于地震波运动学和动力学理论的处理方法,无需对子波进行假设就可以得到较高分辨率的目标地震记录,避免了求取子波的难题,无需积累理论知识,更加简便易行,可操作性较强、工作效率高。
在一些实施例中,图2是地震记录高分辨率处理模型的训练方法的实现流程示意图,如图2所示,上述地震记录高分辨率处理模型的训练方法包括如下步骤201~207:
步骤201,获取样本地震数据的地震子波和反射系数。
步骤202,将上述样本地震数据的地震子波和样本地震数据的反射系数进行褶积运算,得到样本地震记录。
步骤203,对上述样本地震记录进行预处理。
步骤204,将预处理后的样本地震记录作为训练数据。
步骤205,获取上述样本地震数据的俞氏子波。其中,俞氏子波的时域表达式如公式(3)所示:
……公式(3)
俞氏子波的振幅表达式如公式(4)所示:
……公式(4)
其中,y(t)表示样本地震数据的俞氏子波;A(f)表示俞氏子波的振幅;g表示积分内部俞氏子波的峰值频率;t表示时间;q和p分别表示俞氏子波主频的上限和下限;f表示频率。这里,当参数p固定不变时,q越大,俞氏子波的主瓣宽度越窄,旁瓣振幅越大,对应的时间分辨率越高,而由于旁瓣过大,俞氏子波保真度变差;q越小,主瓣宽度越宽,旁瓣振幅越小,对应的时间分辨率变低,但因旁瓣能量减弱,俞氏子波保真度变好,调谐现象减弱。本公开获取样本地震数据的俞氏子波的过程中,参数p和q的数值基于样本地震数据进行假设得到的俞氏子波的表现进行选取,在此不做一一限定。
步骤206,将上述俞氏子波与上述样本地震数据的反射系数进行褶积运算,得到宽带合成地震记录,作为标签数据;其中,上述宽带合成地震记录的分辨率高于上述样本地震记录的分辨率。作为示例,上述宽带合成地震记录的频带宽度宽于上述样本地震记录。本公开中,采用的标签数据是俞氏子波与反射系数进行褶积得到的宽带合成地震记录,俞氏子波较地震子波相比具有更宽的频带,因此,宽带合成地震记录相较于对应的样本地震记录,其频带被有效的拓宽了,相应的分辨率提高了。
步骤207,采用上述训练数据和上述标签数据对初始网络模型进行训练,训练完成得到上述地震记录高分辨率处理模型。图3是本公开提供的地震记录高分辨率处理模型的结构示意图,如图3所示,本公开的地震记录高分辨率处理模型采用融入了残差模块和注意力模块的改进的U-Net网络,其中,上半部分为编码器,下半部分为解码器,编码器和解码器中间通过连接部分进行连接,本公开的方法通过向编码器中引入残差模块、向解码器中引入残差模块和注意力模块,在加速模型收敛、保证模型的效果不会因为网络层数加深而退化的同时,有重点的关注和学习图像特征,使得地震记录高分辨率处理模型输出的目标地震记录分辨率更高。在模型的训练过程中,训练集起到了至关重要的作用,深度学习的方法本质上是分析数据之间的内在联系,因此,训练好的模型的性能好坏取决于模型从训练内容中学到的特征,本公开训练数据和标签数据组成的训练集可以大大减轻神经网络学习的负担,会使神经网络学习到更准确、更全面的数据特征,获得更好的预测效果。其中,上述初始网络模型是包括具有残差模块的编码器和具有残差模块与注意力模块的解码器的U型神经网络。具体地,初始网络模型采用改进的U-Net神经网络,是包括具有残差模块的编码器和具有残差模块与注意力模块的解码器的U型神经网络。
本实施例的地震记录高分辨率处理方法,通过将宽带俞氏子波和与样本地震记录相同的反射系数进行褶积得到的频带较宽、分辨率较高的宽带合成地震记录作为标签数据,训练得到的地震记录高分辨率处理模型具有可以将低分辨率的地震数据处理成高分辨率的能力。俞氏子波的频带较宽,因此较其他类型的子波与反射系数进行褶积运算得到的地震记录作为标签数据,具有更高的分辨率,可以使训练完成的模型具有更优异的高分辨率处理能力。
在一些实施例的一种可能的实现方式中,步骤203具体包括:向上述样本地震记录中加入随机噪声;或者,对上述样本地震记录的原始噪声的均值进行计算,得到原始噪声均值;判断上述原始噪声均值与上述预设噪声均值的差值是否小于预设差值阈值;响应于上述差值小于上述预设差值阈值,向上述样本地震记录中加入随机噪声;当上述差值大于等于上述预设差值阈值,无需向上述样本地震记录中加入随机噪声。具体地,随机噪声为可以模仿实际采集环境的随机噪声。
本实现方式通过向样本地震记录中加入随机噪声以尽可能地还原实际情况,使得训练数据更好的模拟实际情况,这样形成的训练集拥有对模型更好的训练能力,使得模型可以更好的识别与处理待处理地震记录中的噪声。
在一些实施例的一种可能的实现方式中,上述编码器用于提取上述待处理地震记录的图像特征,上述解码器用于恢复图像特征输出上述目标地震记录,其中,如图3所示,上述编码器和上述解码器通过连接部分进行连接。
本实现方式通过编码器逐渐减小特征图的尺寸和维度,同时增加特征图的通道数,以便于提取地震记录高分辨率处理模型输入的图像的高级特征;编码器逐渐还原特征图的大小和维度,使得最终该模型输出与输入的待处理地震记录大小相同的特征图,提高了图像处理的准确性和鲁棒性。
在一些实施例的一种可能的实现方式中,如图3所示,上述编码器包括V个编码块,V≥1,每个编码块包括两层卷积层和残差模块;其中,每个编码块的卷积层用于通过卷积运算对本编码块的卷积层的输入提取图像特征,生成本编码块的卷积层的输出;上述编码块的残差模块用于通过快捷连接将本编码块的卷积层的输入和本编码块的卷积层的输出作为本编码块的输出,以进行恒等映射。作为示例,V=4时,第一个编码块用于对地震记录高分辨率处理模型的输入即待处理地震记录进行卷积操作,并通过残差模块将待处理地震记录和卷积层的输出一同作为本编码块提取到的图像特征,即本编码块的输出,第一个编码块的输出经过最大池化层进行下采样得到第二个编码块的输入,第二个编码块用于对本编码块的输入进行卷积操作,并通过残差模块将本编码块的输入和本编码块的卷积层的输出一同作为本编码块的输出,第二个编码块的输出经过最大池化层进行下采样得到第三个编码块的输入,第三个编码块用于对本编码块的输入进行卷积操作,并通过残差模块将本编码块的输入和本编码块的卷积层的输出一同作为本编码块的输出,第三个编码块的输出经过最大池化层进行下采样得到第四个编码块的输入,第四个编码块用于对本编码块的输入进行卷积操作,并通过残差模块将本编码块的输入和本编码块的卷积层的输出一同作为本编码块的输出,第四个编码块的输出经过最大池化层进行下采样得到连接部分的输入。
在卷积神经网络中,卷积是最基本也是最重要的操作,又称之为特征提取层。将待处理的二维数据向量作为输入,然后用可学习的卷积核与前一层输出的特征图作卷积运算,获取局部信息的特性来提高在二维数据上的处理性能,最后经过加偏置和激活函数的方式获得输出结果,其中,激活函数可以采用线性整流函数(ReLU)。卷积层的计算公式如下公式(5)所示,
……公式(5)
其中,表示输入的二维数据;/>代表大小为/>的卷积核;b表示偏置;emn表示通过卷积运算,经过非线性的激活函数/>后输出的大小为/>的特征图。
由于直接将卷积层的计算结果作为网络的输入计算量很大,因此需要降低特征图矩阵的维数。池化的作用就是降维,能够减少网络参数数量,进而减少计算开销,计算公式如公式(6)所示,
……公式(6)
其中,表示输出的第/>层第/>个特征图,/>表示输入的第l-1层第r个特征图,为池化函数,/>为第/>层第/>个特征图对应的系数,/>为偏置项。常见的池化方式有最大池化、平均池化和随机池化三种方式。
卷积神经网络可以通过加深网络的层次来提取更深层次的特征,同时在构建卷积网络时,网络的深度越高,越具有语义信息。所以一般倾向于更深层次的网络,但是简单的堆叠深度会遇到网络退化的问题。深度残差网络(ResNet)将网络中原来的一些卷积层改成了残差模块,残差模块使得网络在训练过程中自行筛选冗余层,进而完成恒等映射,使得不会因为冗余层的出现导致网络退化,解决了深层神经网络退化的问题。另一方面,在同等层数条件下,含有残差结构的网络收敛速度更快。残差结构是将深层网络后面的层变成恒等映射,从而使得模型退化成一个浅层网络。但是直接让深层网络拟合一个潜在的恒等映射函数比较困难,这也是深层网络难以训练的原因。如图4所示,将网络设计为,那么可将其转换成学习一个残差函数/>(其中/>为网络的输入),这样只要让/>就构成了一个恒等映射/>,从而使结果更容易拟合。
是这一层残差模块的输入,也称为/>为残差,/>为输入值,/>是经过第一层线性变化并激活后的输出,图4表示在残差网络中,第二层进行线性变化之后、激活之前,加入了这一层输入值/>,然后在进行激活后输出。在第二层输出值激活前加入/>,这条路径称作快捷连接(ShortCut)。ShortCut结构主要用的是快捷连接的方式来解决深层神经网络退化的问题,在快捷连接后需要将输入值与激活前的值相加,如果激活前的/>值与输入值/>相同,则称为恒等残差块(Identity Block),如果激活前的/>值与输入值/>不同,则称为卷积残差块(Cov Block),对卷积神经网络来说,一般维度会发生改变,因此多用Cov Block。残差模块的计算公式如下公式(7)所示,
……公式(7)
其中,Hk是第k层的输入,Hk-1是第k-1层的输出,表示上一层残差块的输出。ResNet的结构包括ResNet-18、ResNet-34、ResNet-50、ResNet-101和ResNet-152等,其中ResNet-18和ResNet-34的结构基本相同,属于相对浅层的网络,ResNet-50、ResNet-101和ResNet-152与前二者结构不同,属于更深层的结构。
如图5-图6所示,图5是ResNet-34的残差模块结构示意图,图6是ResNet-50的残差模块结构示意图。ResNet-34由两个3×3的卷积核组成;而ResNet-50由首尾两个1×1的卷积核和中间一个3×3的卷积核组成,其中第一层的1×1卷积核的作用是对特征矩阵进行降维操作,将特征矩阵的深度由256降到64,第三层的1×1卷积核的作用是对特征矩阵进行升维操作,将特征矩阵的深度由64升到256,这样会极大地减少参数的数量。在时间复杂度上,如果处理的是二维数据,二者的时间复杂度基本一致,如果处理的是三维数据,ResNet-50的时间复杂度仅为ResNet-34的三分之一左右,可以减少计算时间,大大加深网络结构的学习能力。因而,本公开的地震记录高分辨率处理模型中的残差模块优先采用ResNet-50。
本实现方式的地震记录高分辨率处理方法通过对U-Net模型进行改进,向编码器中的每个编码块的卷积层后加入残差模块,解决了网络退化的问题,提高了收敛速度,使得本公开的地震记录高分辨率处理模型具有较强的学习能力。
在一些实施例的一种可能的实现方式中,如图3所示,上述解码器包括U个解码块,1≤U≤V,至少一个解码块包括两层卷积层、注意力模块和残差模块;其中,解码块的卷积层用于通过卷积运算对本解码块的卷积层的输入提取图像特征,生成本解码块的卷积层的输出;解码块的注意力模块用于基于本解码块的卷积层的输出得到注意力图、并将上述注意力图和上述本解码块的卷积层的输出送入通道注意力及空间注意力阶段,进行自适应特征优化后作为本解码块的注意力模块的输出,保证网络能够有效提取并恢复图像的局部特征信息;解码块的残差模块用于通过快捷连接将本解码块的卷积层的输入和本解码块的注意力模块的输出作为本解码块的输出,以进行恒等映射,在减少特征丢失的同时保证网络不会退化。具体地,本公开的地震记录高分辨率处理模型的解码器中,前三个解码块中两个卷积层、一个注意力模块和一个残差模块依次连接,且解码块中的注意力模块通过跳跃连接与编码块中的卷积层进行连接,最后一个解码块中只包含两个卷积层,用于将图像恢复到与样本地震记录尺寸大小相同,作为模型的输出结果——目标地震记录。作为示例,U=4时,第一个解码块用于将连接部分的输出作为本解码块的输入,对本解码块的输入进行卷积操作,通过注意力模块进行自适应特征优化,然后采用残差模块将本解码块的注意力模块的输出和本解码块的卷积层的输入一同作为本解码块的输出,第一个解码块的输出经过上采样层进行上采样得到第二个解码块的输入,第二个解码块用于对本解码块的输入进行卷积操作,通过注意力模块进行自适应特征优化,然后采用残差模块将本解码块的注意力模块的输出和本解码块的卷积层的输入一同作为本解码块的输出,第二个解码块的输出经过上采样层进行上采样得到第三个解码块的输入,第三个解码块用于对本解码块的输入进行卷积操作,通过注意力模块进行自适应特征优化,然后采用残差模块将本解码块的注意力模块的输出和本解码块的卷积层的输入一同作为本解码块的输出,第三个解码块的输出经过上采样层进行上采样得到第四个解码块的输入,第四个解码块用于对本解码块的输入进行卷积操作得到本解码块的输出,即模型的输出——目标地震记录。
目前有很多优化算法用于减轻模型的结构复杂度,但信息记忆能力不高。人类在记忆和学习的过程中,会寻找和记忆重点内容,因此模仿人类大脑学习新事物的方式,提出了注意力机制(Attention)。相比于传统的神经网络结构,Attention机制原理简单,计算复杂度低,相关学习参数较少,对计算机的算力要求不高。Attention机制每一步运算不依赖于上一步的计算结果,能够并行处理,运行速度较快。
图7是注意力机制的计算过程示意图,如图7所示,阶段1中,根据注意力机制需要学习的内容(Query)和注意力机制中的关键字(Key)进行相似度计算,计算两者的相似性或者相关性,从而得到权重系数C1……Cn。其中常用的计算相似度的方法有求两者的向量点积、求两者的向量Cosine相似度等,公式分别如下公式(8)~(9)所示:
……公式(8)
……公式(9)
其中,C表示权重系数,表示Query的转置。
阶段2中,对得到的权重系数进行归一化处理,主要共包括两种方法:第一种是利用类似归一化指数函数(SoftMax)的计算方式对阶段1得到的权重系数进行数据归一化,将计算得到的系数转变为权重之和为1的概率分布;第二种是通过SoftMax自身的机制通过计算来突出关注系数的权重,以更加突出重要元素的权重,一般采用如下公式(10)计算,得到,
……公式(10)
其中,表示第i个元素的输出权重,Lx表示输出元素的数量,即分类的类别总个数。
阶段3中,阶段2求出的是计算出的值i(/>)的权值,对所有的Value进行加权求和,得到注意力值(Attention数值),如公式(11)所示:
……公式(11)
上述三个阶段计算完毕,即可得到Attention数值。
本实现方式的地震记录高分辨率处理方法通过向解码器的解码块中加入注意力模块,在进行图像处理的过程中,由关注全局转为关注重点信息,从而快速获取最有效的信息,节省了计算资源,且复杂度小,不会减慢模型的处理速度,使得本公开的地震记录高分辨率处理模型具有更好的图像处理能力;将残差模块连接在注意力模块后,通过快捷连接将浅层特征和深层特征组合经过上采样作为后续模块的输入,在减少了特征丢失的情况下,保证了网络不会退化。
在一些实施例的一种可能的实现方式中,如图3所示,上述连接部分包括两层卷积层、一个注意力模块,以及一个上采样层,其中,上述连接部分的卷积层用于通过卷积运算对卷积层的输入提取图像特征,生成卷积层的输出,上述注意力模块用于基于上述卷积层的输出得到注意力图、并将上述注意力图和上述卷积层的输出进行自适应特征优化后,经过上采样层进行上采样,作为上述连接部分的输出。进一步地,连接部分的注意力模块通过跳跃连接与该连接部分连接的编码块中的卷积层进行连接。
具体地,本公开的地震记录高分辨率处理模型中每个卷积层后都采用批标准化(Batch Normalization),用于改善模型的稳定性,并加快收敛速度。
本实现方式的地震记录高分辨率处理方法通过连接部分将编码器和解码器进行连接,在编码器中引入注意力模块,在抓住编码器输出的图像的重点的同时避免了特征丢失。
实施例1
下面对不同结构的网络模型进行性能测试。首先对普通卷积神经网络、只加入了注意力机制的卷积神经网络、只加入了残差结构的卷积神经网络和本公开的包括具有残差模块的编码器和具有残差模块与注意力模块的解码器的U型神经网络进行模型性能测试,来验证不同结构的网络模型的性能。采用本公开的训练数据集对以上三种不同结构的网络模型进行性能测试,模型内卷积层数、超参数均设置相同,结果如下表所示,
注:Epoch指一个完整的数据集通过了神经网络一次并且返回了一次。
基于上表可以发现,本公开的包括具有残差模块的编码器和具有残差模块与注意力模块的解码器的U型神经网络即融合了残差模块和注意力模块的卷积神经网络的单个Epoch所需时间最多,普通卷积神经网络所需时间最少,原因在于相同参数设置下,融合了残差模块和注意力模块的卷积神经网络相比于普通网络更为复杂,但其收敛所用Epoch更少,收敛速度快,说明融合了残差模块和注意力模块的卷积神经网络性能更加优秀。
实施例2
下面采用对推覆体模型进行测试的方法来验证本公开的包括具有残差模块的编码器和具有残差模块与注意力模块的解码器的U型神经网络的有效性。所使用的推覆体模型大小为680×3200。
在相同条件下,俞氏子波比雷克子波分辨率更高。当推覆体模型的反射系数如图8-图9中的反射系数所示时,采用30Hz雷克子波和30Hz,p=10,q=100的俞氏子波,使用上述雷克子波和俞氏子波与推覆体模型的反射系数进行褶积运算得到的宽带合成地震记录分别作为标签数据,与训练数据合成训练集,采用本公开的包括具有残差模块的编码器和具有残差模块与注意力模块的解码器的U型神经网络进行处理,预测出的地震记录在时域的结果分别如图8和图9所示,可以发现俞氏子波对应的预测的地震记录与反射系数的重合度更高,因此采用俞氏子波与相同的反射系数进行褶积运算得到宽带合成地震记录作为标签数据,本公开的网络模型预测的地震记录分辨率更高。
当推覆体模型的反射系数如图10-图11中的反射系数所示时,采用俞氏子波与推覆体模型的反射系数进行褶积运算得到的宽带合成地震记录作为标签数据的训练集分别训练普通卷积神经网络模型和包括具有残差模块的编码器和具有残差模块与注意力模块的解码器的U型神经网络,预测出的地震记录在时域结果分别如图10和图11所示,可以发现图11中本公开的包括具有残差模块的编码器和具有残差模块与注意力模块的解码器的U型神经网络预测出的地震记录与推覆体模型的反射系数匹配度更好、重合度更高,因此本公开的网络模型预测出的地震记录分辨率更高。
分别做出普通卷积神经网络模型和包括具有残差模块的编码器和具有残差模块与注意力模块的解码器的U型神经网络两个网络模型的预测结果的剖面,图12是普通卷积神经网络模型预测的地震记录的剖面图,图13是包括具有残差模块的编码器和具有残差模块与注意力模块的解码器的U型神经网络预测的地震记录剖面图,可以发现,图13中本公开的网络模型所合成的地震记录的模型结构更加明显,分辨率更高。
当推覆体模型的反射系数如图8-图9中的反射系数所示时,将采用雷克子波与反射系数进行褶积运算得到的宽带合成地震记录和采用俞氏子波与反射系数进行褶积运算得到的宽带合成地震记录分别作为标签数据,对本公开的包括具有残差模块的编码器和具有残差模块与注意力模块的解码器的U型神经网络进行训练,分别采用训练好的模型预测出的地震记录如图14所示,可以发现,采用俞氏子波与反射系数进行褶积运算得到的宽带合成地震记录作为标签数据训练出的网络模型预测的地震记录,在横坐标相同的情况下,中高频的纵坐标更高,说明了采用俞氏子波与反射系数进行褶积运算得到的宽带合成地震记录作为标签数据在低频尽量不损失信息的情况下,中高频的频带带宽均有提升。
当推覆体模型的反射系数如图10-图11中的反射系数所示时,对以上普通卷积神经网络模型和包括具有残差模块的编码器和具有残差模块与注意力模块的解码器的U型神经网络两个网络模型的预测结果的振幅谱进行对比分析,结果如图15所示,可以发现,在横坐标相同的情况下,一般本公开的网络模型所预测的地震记录比普通卷积神经网络的纵坐标更高,在0~20Hz和80~100Hz时,本公开的网络模型所预测的地震记录的纵坐标更高,因此本公开的网络模型所预测的地震记录频带更宽,高低频均有提升。
实施例3
下面进一步采用结构较为复杂的Marmousi模型来验证本公开的具有残差模块的编码器和包括具有残差模块与注意力模块的解码器的U型神经网络的有效性。所使用的Marmousi模型大小为1600×3400,该Marmousi模型的反射系数如图16-图17中的反射系数所示。低分辨率的训练数据所用子波为30Hz雷克子波,标签数据采用30Hz,p=10,q=100的俞氏子波,使用雷克子波和俞氏子波分别与Marmousi模型的反射系数进行褶积,合成训练集,采用上述训练集分别训练普通卷积神经网络模型和包括具有残差模块的编码器和具有残差模块与注意力模块的解码器的U型神经网络,预测出的地震记录在时域结果分别如图16,图17所示。可以发现包括具有残差模块的编码器和具有残差模块与注意力模块的解码器的U型神经网络预测出的地震记录与Marmousi模型的反射系数匹配度更好、重合度更高,因此本公开的网络模型预测出的地震记录分辨率更高。
分别做出以上两个网络模型的预测结果的剖面,图18是普通卷积神经网络模型预测的地震记录的剖面图,图19是包括具有残差模块的编码器和具有残差模块与注意力模块的解码器的U型神经网络预测的地震记录剖面图,可以发现,本公开的网络模型所合成的地震记录的模型结构更加明显,分辨率更高。对以上两个网络模型的预测结果的振幅谱进行对比,普通卷积神经网络模型预测的地震记录的对应频谱如图20所示,包括具有残差模块的编码器和具有残差模块与注意力模块的解码器的U型神经网络预测的地震记录的对应频谱如图21所示,可以发现,在横坐标一致的情况下,本公开的网络模型所合成的地震记录的纵坐标更高,在0~20Hz时,本公开的网络模型所预测的地震记录的纵坐标更高,因此本公开的网络模型所预测的地震记录频带更宽,在高频几乎不会损失信息的情况下,低频有较大的提升。
实施例4
下面采用实际地震记录作为待处理地震记录来验证本公开的包括具有残差模块的编码器和具有残差模块与注意力模块的解码器的U型神经网络对实际数据的处理效果。将如图22所示的实际地震记录输入已经训练好的普通卷积神经网络模型、具有残差结构的卷积神经网络和包括具有残差模块的编码器和具有残差模块与注意力模块的解码器的U型神经网络中,结果分别如图23、图24和图25所示。对实际地震记录和预测结果数据进行振幅谱的对比,实际地震数据的振幅谱如图26所示,包括具有残差模块的编码器和具有残差模块与注意力模块的解码器的U型神经网络的预测结果的振幅谱如图27所示,普通卷积神经网络模型的预测结果的振幅谱如图28所示,具有残差结构的卷积神经网络的预测结果的振幅谱如图29所示。通过剖面图和振幅谱可以看出普通卷积神经网络模型预测的地震数据频带拓展最宽,但是进一步结合原始的实际地震数据分析,发现其高频信息补偿过度,引入了大量的虚假高频成分,原因在于该网络模型在训练时没有加入注意力机制,模型在学习训练数据和标签数据的映射时没有约束条件,因此学到了过多的高频成分。而具有残差结构的卷积神经网络模型预测的地震记录低频信息得到补偿,但是频带变窄,原因在于残差模块会融合更多的特征信息,训练数据的差异主要集中在于低频部分,残差模块在训练时学到了过多的低频部分,而忽略了高频信息,导致预测结果频带拓展不理想。包括具有残差模块的编码器和具有残差模块与注意力模块的解码器的U型神经网络的预测结果与普通卷积神经网络预测结果相比没有引入过多的虚假信息,与具有残差结构的卷积神经网络预测结果相比频带保护较好,因此,表现最好。
图30是本公开的地震记录高分辨率处理装置的结构示意图,如图30所示,本公开还提供了一种地震记录高分辨率处理装置,上述装置包括:
获取模块3001,用于获取原始地震数据的地震子波和反射系数;
运算模块3002,用于将上述原始地震数据的地震子波与原始地震数据的反射系数进行褶积运算,得到待处理地震记录;
处理模块3003,用于利用训练完成的地震记录高分辨率处理模型对上述待处理地震记录进行处理,得到目标地震记录,其中,上述目标地震记录的分辨率高于上述待处理地震记录,上述地震记录高分辨率处理模型是包括具有残差模块的编码器和具有残差模块与注意力模块的解码器的U型神经网络。
在一些实施例中,上述装置还包括模型训练模块,上述模型训练模块包括:
第一获取子模块,用于获取样本地震数据的地震子波和反射系数;
褶积运算子模块,用于将上述样本地震数据的地震子波和样本地震数据的反射系数进行褶积运算,得到样本地震记录;
预处理子模块,用于对上述样本地震记录进行预处理;
配置子模块,用于将预处理后的样本地震记录作为训练数据;
第二获取子模块,用于获取上述样本地震数据的俞氏子波;
数据获取子模块,用于将上述俞氏子波与上述样本地震数据的反射系数进行褶积运算,得到宽带合成地震记录,作为标签数据;其中,上述宽带合成地震记录的分辨率高于上述样本地震记录的分辨率;
训练子模块,用于采用上述训练数据和上述标签数据对初始网络模型进行训练,训练完成得到上述地震记录高分辨率处理模型,其中,上述初始网络模型是包括具有残差模块的编码器和具有残差模块与注意力模块的解码器的U型神经网络。
在一些实施例中,预处理子模块被进一步用于:向上述样本地震记录中加入随机噪声;或者,对上述样本地震记录的原始噪声的均值进行计算,得到原始噪声均值;判断上述原始噪声均值与上述预设噪声均值的差值是否小于预设差值阈值;响应于上述差值小于上述预设差值阈值,向上述样本地震记录中加入随机噪声。
在一些实施例中,上述编码器用于提取上述待处理地震记录的图像特征,上述解码器用于恢复图像特征输出上述目标地震记录,其中,上述编码器和上述解码器通过连接部分进行连接。
在一些实施例中,上述编码器包括V个编码块,V≥1,每个编码块包括两层卷积层和残差模块;其中,每个编码块的卷积层用于通过卷积运算对本编码块的卷积层的输入提取图像特征,生成本编码块的卷积层的输出;上述编码块的残差模块用于将本编码块的卷积层的输入和本编码块的卷积层的输出作为本编码块的输出,以进行恒等映射。
在一些实施例中,上述解码器包括U个解码块,1≤U≤V,至少一个解码块包括两层卷积层、注意力模块和残差模块;其中,解码块的卷积层用于通过卷积运算对本解码块的卷积层的输入提取图像特征,生成本解码块的卷积层的输出;解码块的注意力模块用于基于本解码块的卷积层的输出得到注意力图、并将上述注意力图和上述本解码块的卷积层的输出进行自适应特征优化后作为本解码块的注意力模块的输出;解码块的残差模块用于将本解码块的卷积层的输入和本解码块的注意力模块的输出作为本解码块的输出,以进行恒等映射。
在一些实施例中,上述连接部分包括两层卷积层、一个注意力模块和一个上采样层,其中,上述连接部分的卷积层用于通过卷积运算对上述卷积层的输入提取图像特征,生成卷积层的输出,上述注意力模块用于基于上述卷积层的输出得到注意力图、并将上述注意力图和上述卷积层的输出进行自适应特征优化,经过上采样层进行上采样后作为上述连接部分的输出。
根据本公开的实施例,本公开还提供了一种电子设备和一种可读存储介质。
图31示出了可以用来实施本公开的实施例的示例电子设备3100的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图31所示,设备3100包括计算单元3101,其可以根据存储在只读存储器(ROM)3102中的计算机程序或者从存储单元3108加载到随机访问存储器(RAM)3103中的计算机程序,来执行各种适当的动作和处理。在RAM 3103中,还可存储设备3100操作所需的各种程序和数据。计算单元3101、ROM 3102以及RAM 3103通过总线3104彼此相连。输入/输出(I/O)接口3105也连接至总线3104。
设备3100中的多个部件连接至I/O接口3105,包括:输入单元3106,例如键盘、鼠标等;输出单元3107,例如各种类型的显示器、扬声器等;存储单元3108,例如磁盘、光盘等;以及通信单元3109,例如网卡、调制解调器、无线通信收发机等。通信单元3109允许设备3100通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元3101可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元3101的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元3101执行上文所描述的各个方法和处理,例如地震记录高分辨率处理方法。例如,在一些实施例中,地震记录高分辨率处理方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元3108。在一些实施例中,计算机程序的部分或者全部可以经由ROM 3102和/或通信单元3109而被载入和/或安装到设备3100上。当计算机程序加载到RAM 3103并由计算单元3101执行时,可以执行上文描述的地震记录高分辨率处理方法的一个或多个步骤。备选地,在其他实施例中,计算单元3101可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行地震记录高分辨率处理方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,也可以为分布式系统的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或隐含地包括至少一个该特征。在本公开的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
以上所述,仅为本公开的具体实施方式,但本公开的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本公开揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本公开的保护范围之内。因此,本公开的保护范围应以上述权利要求的保护范围为准。
Claims (5)
1.一种地震记录高分辨率处理方法,其特征在于,方法包括:
获取原始地震数据的地震子波和反射系数;
将原始地震数据的地震子波与原始地震数据的反射系数进行褶积运算,得到待处理地震记录;
利用训练完成的地震记录高分辨率处理模型对所述待处理地震记录进行处理,得到目标地震记录,其中,所述目标地震记录的分辨率高于所述待处理地震记录,所述地震记录高分辨率处理模型是包括具有残差模块的编码器和具有残差模块与注意力模块的解码器的U型神经网络;
所述地震记录高分辨率处理模型的训练方法包括:获取样本地震数据的地震子波和反射系数;将所述样本地震数据的地震子波和所述样本地震数据的反射系数进行褶积运算,得到样本地震记录;对所述样本地震记录进行预处理;将预处理后的样本地震记录作为训练数据;获取样本地震数据的俞氏子波;将所述俞氏子波与所述样本地震数据的反射系数进行褶积运算,得到宽带合成地震记录,作为标签数据;其中,所述宽带合成地震记录的分辨率高于样本地震记录的分辨率;采用所述训练数据和所述标签数据对初始网络模型进行训练,训练完成得到所述地震记录高分辨率处理模型,其中,所述初始网络模型是包括具有残差模块的编码器和具有残差模块与注意力模块的解码器的U型神经网络;
所述编码器用于提取所述待处理地震记录的图像特征,所述解码器用于恢复图像特征输出所述目标地震记录,其中,所述编码器和所述解码器通过连接部分进行连接;
所述编码器包括V个编码块,V≥1,每个编码块包括两层卷积层和残差模块;其中,每个编码块的卷积层用于通过卷积运算对本编码块的卷积层的输入提取图像特征,生成本编码块的卷积层的输出;编码块的残差模块用于将本编码块的卷积层的输入和本编码块的卷积层的输出作为本编码块的输出,以进行恒等映射;
所述解码器包括U个解码块,1≤U≤V,至少一个解码块包括两层卷积层、注意力模块和残差模块;其中,解码块的卷积层用于通过卷积运算对本解码块的卷积层的输入提取图像特征,生成本解码块的卷积层的输出;解码块的注意力模块用于基于本解码块的卷积层的输出得到注意力图、并将注意力图和本解码块的卷积层的输出进行自适应特征优化后作为本解码块的注意力模块的输出;解码块的残差模块用于将本解码块的卷积层的输入和本解码块的注意力模块的输出作为本解码块的输出,以进行恒等映射;
所述连接部分包括两层卷积层、一个注意力模块和一个上采样层,其中,连接部分的卷积层用于通过卷积运算对卷积层的输入提取图像特征,生成卷积层的输出,所述连接部分的注意力模块用于基于上述卷积层的输出得到注意力图、并将注意力图和卷积层的输出进行自适应特征优化,经过上采样层进行上采样后作为连接部分的输出。
2.根据权利要求1所述的地震记录高分辨率处理方法,其特征在于,所述对所述样本地震记录进行预处理,包括:
向所述样本地震记录中加入随机噪声;或者,
对所述样本地震记录的原始噪声的均值进行计算,得到原始噪声均值;判断原始噪声均值与预设噪声均值的差值是否小于预设差值阈值;响应于差值小于预设差值阈值,向样本地震记录中加入随机噪声。
3.一种地震记录高分辨率处理装置,其特征在于,所述装置包括:
获取模块,用于获取原始地震数据的地震子波和反射系数;
运算模块,用于将原始地震数据的地震子波与原始地震数据的反射系数进行褶积运算,得到待处理地震记录;
处理模块,用于利用训练完成的地震记录高分辨率处理模型对所述待处理地震记录进行处理,得到目标地震记录,其中,所述目标地震记录的分辨率高于所述待处理地震记录,所述地震记录高分辨率处理模型是包括具有残差模块的编码器和具有残差模块与注意力模块的解码器的U型神经网络;
其中,所述装置还包括模型训练模块,所述模型训练模块包括:
第一获取子模块,用于获取样本地震数据的地震子波和反射系数;
褶积运算子模块,用于将所述样本地震数据的地震子波和所述样本地震数据的反射系数进行褶积运算,得到样本地震记录;
预处理子模块,用于对所述样本地震记录进行预处理;
配置子模块,用于将预处理后的样本地震记录作为训练数据;
第二获取子模块,用于获取所述样本地震数据的俞氏子波;
数据获取子模块,用于将所述俞氏子波与所述样本地震数据的反射系数进行褶积运算,得到宽带合成地震记录,作为标签数据;其中,所述宽带合成地震记录的分辨率高于所述样本地震记录的分辨率;
训练子模块,用于采用所述训练数据和所述标签数据对初始网络模型进行训练,训练完成得到所述地震记录高分辨率处理模型,其中,所述初始网络模型是包括具有残差模块的编码器和具有残差模块与注意力模块的解码器的U型神经网络;
所述编码器用于提取所述待处理地震记录的图像特征,所述解码器用于恢复图像特征输出所述目标地震记录,其中,所述编码器和所述解码器通过连接部分进行连接;
所述编码器包括V个编码块,V≥1,每个编码块包括两层卷积层和残差模块;其中,每个编码块的卷积层用于通过卷积运算对本编码块的卷积层的输入提取图像特征,生成本编码块的卷积层的输出;编码块的残差模块用于将本编码块的卷积层的输入和本编码块的卷积层的输出作为本编码块的输出,以进行恒等映射;
所述解码器包括U个解码块,1≤U≤V,至少一个解码块包括两层卷积层、注意力模块和残差模块;其中,解码块的卷积层用于通过卷积运算对本解码块的卷积层的输入提取图像特征,生成本解码块的卷积层的输出;解码块的注意力模块用于基于本解码块的卷积层的输出得到注意力图、并将注意力图和本解码块的卷积层的输出进行自适应特征优化后作为本解码块的注意力模块的输出;解码块的残差模块用于将本解码块的卷积层的输入和本解码块的注意力模块的输出作为本解码块的输出,以进行恒等映射;
所述连接部分包括两层卷积层、一个注意力模块和一个上采样层,其中,连接部分的卷积层用于通过卷积运算对卷积层的输入提取图像特征,生成卷积层的输出,所述连接部分的注意力模块用于基于上述卷积层的输出得到注意力图、并将注意力图和卷积层的输出进行自适应特征优化,经过上采样层进行上采样后作为连接部分的输出。
4.一种电子设备,其特征在于,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-2中任一项所述的方法。
5.一种存储有计算机指令的非瞬时计算机可读存储介质,其特征在于,所述计算机指令用于使计算机执行根据权利要求1-2中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310987350.0A CN116719085B (zh) | 2023-08-07 | 2023-08-07 | 一种地震记录高分辨率处理方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310987350.0A CN116719085B (zh) | 2023-08-07 | 2023-08-07 | 一种地震记录高分辨率处理方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116719085A CN116719085A (zh) | 2023-09-08 |
CN116719085B true CN116719085B (zh) | 2023-11-10 |
Family
ID=87868277
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310987350.0A Active CN116719085B (zh) | 2023-08-07 | 2023-08-07 | 一种地震记录高分辨率处理方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116719085B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117972634B (zh) * | 2024-02-08 | 2024-08-20 | 四川鹭羽科技有限公司 | 结合注意力机制和物理机制的地震分辨率增强方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110276402A (zh) * | 2019-06-25 | 2019-09-24 | 北京工业大学 | 一种基于深度学习语义边界增强的盐体识别方法 |
CN113296152A (zh) * | 2020-02-21 | 2021-08-24 | 中国石油天然气集团有限公司 | 断层检测方法及装置 |
CN114460666A (zh) * | 2020-10-21 | 2022-05-10 | 中国石油化工股份有限公司 | 基于深度学习的地震资料提高分辨率方法 |
CN115877478A (zh) * | 2023-02-24 | 2023-03-31 | 山东全波石油技术开发有限公司 | 一种基于DualGAN的地震资料高分辨率处理方法 |
CN116091893A (zh) * | 2023-02-21 | 2023-05-09 | 中国地质大学(武汉) | 一种基于U-net网络的地震图像反褶积方法及系统 |
CN116184501A (zh) * | 2023-03-09 | 2023-05-30 | 电子科技大学长三角研究院(湖州) | 基于数据约束的地震资料高分辨率智能处理方法 |
CN116246140A (zh) * | 2023-03-08 | 2023-06-09 | 中国矿业大学(北京) | 融合Res-50与CBAM的地震断层自动识别方法 |
-
2023
- 2023-08-07 CN CN202310987350.0A patent/CN116719085B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110276402A (zh) * | 2019-06-25 | 2019-09-24 | 北京工业大学 | 一种基于深度学习语义边界增强的盐体识别方法 |
CN113296152A (zh) * | 2020-02-21 | 2021-08-24 | 中国石油天然气集团有限公司 | 断层检测方法及装置 |
CN114460666A (zh) * | 2020-10-21 | 2022-05-10 | 中国石油化工股份有限公司 | 基于深度学习的地震资料提高分辨率方法 |
CN116091893A (zh) * | 2023-02-21 | 2023-05-09 | 中国地质大学(武汉) | 一种基于U-net网络的地震图像反褶积方法及系统 |
CN115877478A (zh) * | 2023-02-24 | 2023-03-31 | 山东全波石油技术开发有限公司 | 一种基于DualGAN的地震资料高分辨率处理方法 |
CN116246140A (zh) * | 2023-03-08 | 2023-06-09 | 中国矿业大学(北京) | 融合Res-50与CBAM的地震断层自动识别方法 |
CN116184501A (zh) * | 2023-03-09 | 2023-05-30 | 电子科技大学长三角研究院(湖州) | 基于数据约束的地震资料高分辨率智能处理方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116719085A (zh) | 2023-09-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109360581A (zh) | 基于神经网络的语音增强方法、可读存储介质及终端设备 | |
CN102693724A (zh) | 一种基于神经网络的高斯混合模型的噪声分类方法 | |
CN116719085B (zh) | 一种地震记录高分辨率处理方法、装置、设备及存储介质 | |
WO2022057305A1 (zh) | 信号处理方法、装置、终端设备及存储介质 | |
Si et al. | Attenuation of random noise using denoising convolutional neural networks | |
CN111880158A (zh) | 一种基于卷积神经网络序列分类的雷达目标检测方法及系统 | |
CN110646841B (zh) | 时变稀疏反褶积方法及系统 | |
Huai et al. | Zerobn: Learning compact neural networks for latency-critical edge systems | |
CN114966860A (zh) | 一种基于卷积神经网络的地震数据去噪方法 | |
CN117111000A (zh) | 一种基于双通道注意力残差网络的sar梳状谱干扰抑制方法 | |
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 | |
CN110222386A (zh) | 一种行星齿轮退化状态识别方法 | |
CN113935246A (zh) | 一种信号鲁棒稀疏时频分析方法、终端设备及存储介质 | |
Mukherjee et al. | New method for enhanced efficiency in detection of gravitational waves from supernovae using coherent network of detectors | |
CN116299219B (zh) | 一种干扰深度特征距离度量联合检测与抑制方法 | |
CN116186498A (zh) | 一种基于自监督学习的地震信号噪声压制方法及系统 | |
CN102509268B (zh) | 基于免疫克隆选择的非下采样轮廓波域图像去噪方法 | |
CN115563480A (zh) | 基于峭度比系数筛选辛几何模态分解的齿轮故障辨识方法 | |
Tanwar et al. | Hard component detection of transient noise and its removal using empirical mode decomposition and wavelet‐based predictive filter | |
Li et al. | Research on seismic signal classification and recognition based on eemd and cnn | |
Peng et al. | Fast Diffusion Model For Seismic Data Noise Attenuation | |
Han et al. | A Bootstrap-Bayesian dynamic modification model based on small sample target features | |
CN114662045B (zh) | 基于框架集的p阶张量深度学习的多维地震数据去噪方法 | |
CN116840916B (zh) | 一种地震速度信号和加速度信号联合子波提取方法 | |
CN117471529B (zh) | 一种非稳态地震子波自适应提取方法 |
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 | ||
GR01 | Patent grant |