CN117031539A - 一种自监督深度学习地震数据低频重建方法及系统 - Google Patents
一种自监督深度学习地震数据低频重建方法及系统 Download PDFInfo
- Publication number
- CN117031539A CN117031539A CN202310926893.1A CN202310926893A CN117031539A CN 117031539 A CN117031539 A CN 117031539A CN 202310926893 A CN202310926893 A CN 202310926893A CN 117031539 A CN117031539 A CN 117031539A
- Authority
- CN
- China
- Prior art keywords
- data
- seismic data
- frequency
- low
- channel
- 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 64
- 238000013135 deep learning Methods 0.000 title claims abstract description 41
- 238000012549 training Methods 0.000 claims abstract description 94
- 238000012360 testing method Methods 0.000 claims description 40
- 102000006463 Talin Human genes 0.000 claims description 23
- 108010083809 Talin Proteins 0.000 claims description 23
- 230000006870 function Effects 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 16
- 238000005070 sampling Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 13
- 238000012795 verification Methods 0.000 claims description 7
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 230000001502 supplementing effect Effects 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 abstract description 9
- 238000012952 Resampling Methods 0.000 abstract description 2
- 238000004590 computer program Methods 0.000 description 15
- 238000003860 storage Methods 0.000 description 13
- 238000013507 mapping Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 239000007789 gas Substances 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000013213 extrapolation Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000003345 natural gas Substances 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 239000003209 petroleum derivative Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000005755 formation reaction Methods 0.000 description 1
- 239000002803 fossil fuel Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000017105 transposition 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
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)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开了一种自监督深度学习地震数据低频重建方法及系统，从观测地震数据中提取不同频段的多源信息，经过预处理后构造网络训练数据集；基于Pytorch平台搭建双通道U‑Net网络，设计自监督学习任务对网络进行训练；最后，将缺失低频数据的地震数据重新采样能量均衡处理后输入训练好的网络中，进而重建地震数据的低频信息。本发明能够从中高频地震数据重建缺失的低频地震数据信息，由于相比于高频数据，低频数据对周波跳跃问题更不敏感，因此所提出的方法能够克服周波跳跃问题，能够为传统全波形反演提供良好的数据基础，从而进一步提升最终速度模型反演准确度。
Description
技术领域
本发明属于地球物理勘探技术领域，具体涉及一种自监督深度学习地震数据低频重建方法及系统。
背景技术
石油和天然气是最重要的化石燃料之一，不仅与国家的政治稳定和经济发展息息相关，也关系着人们的日常生活。在世界飞速发展的今天，石油和天然气资源依旧有着重大战略意义，探寻有效勘探和高效开发油气资源的科学方法和先进技术具有重要的意义。地震勘探是油气勘探最重要的方法，其通过分析所激发地震波在地下介质中的传播规律对地下地质体的结构特征进行刻画。具体来说，地震波在不同地层中传播，最终地表接收到的反射波或折射波携带了地下信息。通过对地震波的传播时间，传播中的幅度、相位、频率等性质的变化规律进行处理分析，可以对地下形态构造进行测定。对探测到的地质信息分析研究得到地下介质的物理特性，进而评估储层中的含油气情况是油气地震勘探的核心目标。在地震勘探中，地震反演尤其是全波形反演可建立地下介质的岩性物性参数模型，进而指导含油气性预测，已成为学者们关注的重点。
在地震反演中，往往无法直接基于地震数据通过闭式解得到地下介质的P波速度、S波速度、密度、品质因子等参数。一般常用的方式是通过设定目标函数，采用迭代优化的方式对地下介质参数进行估计。在这一框架下建立的全波形反演因其能够充分利用地震数据所携带的全部信息，理论上可以得到分辨率为最小波长一半的速度模型，成为当前精度最高的地震反演方法。然而，利用地震数据进行全波形反演面临着由周波跳跃(Cycle-skipping)而引发的局部极值问题，导致反演无法收敛到全局极值点。研究表明，提供准确的初始模型或具有充足低频信息的地震数据可以有效克服周波跳跃问题。在反演过程中，可以首先利用低频信息进行反演，将该反演结果作为中高频数据全波形反演的初始模型，进而克服周波跳跃问题。因此，充足的低频地震数据对全波形反演具有重要意义。
实际中，由于勘探设备和噪声等不可避免因素，实际观测的地震资料中往往缺乏充足的低频信息(5Hz以下)。如何准确重建地震数据的低频信息成为全波形反演的关键环节之一。为获得具有充足低频信息的地震数据，以克服周波跳跃问题，提出了一些工作。例如，探究从高频数据中通过运算得到低频数据的可能性。结合深度学习算法，通过生成对抗网络(GAN)，U-Net网络等进行频带拓展，将预测的数据用于全波形反演数据的补充。但以上方法均直接从中高频段信息外推低频段信息，没有充分利用包络所反应的信号慢变化信息，在外推精度上仍有进一步的提升空间。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种自监督深度学习地震数据低频重建方法及系统，基于观测地震数据提取不同频段地震数据的多源信息(以包络信息为例)，构建自监督学习任务以避免对目标频段标签数据的依赖；通过双通道U-Net网络，利用自监督深度学习方法由中高频有效频段信息重建缺失的低频信息，帮助恢复一个更为精确的长波长速度模型，以此作为传统全波形反演(FWI)的初始速度模型，用于解决周波跳跃(Cycle-skipping)的技术问题。
本发明采用以下技术方案：
一种自监督深度学习地震数据低频重建方法，从观测地震数据中获取不同频段的地震数据，提取地震数据多源信息，经过时间下采样及能量均衡后得到训练集数据和测试集数据；搭建双通道U-Net网络，构建训练集数据上的低频数据重建任务作为自监督学习任务，对搭建的双通道U-Net网络进行训练；将包含多源信息的测试集数据送入训练好的双通道U-Net网络中，重建缺失的低频地震数据。
具体的，经过时间下采样及能量均衡后得到训练集数据和测试集数据具体为：
设计训练集数据和测试集数据所涉及的Band1,Band2,Band3对应频段的零相位数字滤波器；
根据设计的Band1,Band2,Band3对应频段零相位数字滤波器得到Band1,Band2,Band3频段的地震数据uBand1(t)，uBand2(t)，uBand3(t)；将包络算子作用于地震数据uBand(n)(t)后得到对应的包络信息GuBand(n)(t)，n＝1,2,3，构建深度学习网络重建低频地震数据的数据集；
对三个频段的地震多源信息进行时间域下采样和能量均衡处理得到UBand1(t)、UBand2(t)、UBand3(t)、GUBand1(t)，GUBand3(t)，构建双通道U-Net网络训练用的训练集数据及测试集数据。
进一步的，Band1，Band2，Band3频段数据的频带范围为：
其中，Band1为网络训练集和验证集的输入频段，Band2为网络训练集和验证集的目标频段；Band3为测试集的输入频段。
进一步的，包络算子的定义为：
其中，u(t)为一维时间信号，G(u(t))为信号u(t)的包络算子，H(·)为希尔伯特算子。
进一步的，对三个频段的地震多源信息进行时间域下采样和能量均衡处理具体为：
训练集输入频段为[f1,f2]，目标频段为[nf1,f2],0<n<1，测试集数据输入频段为[nf1,nf2]；
对多源信息进行时间m倍下采样，m>1，时间方向由原来Nt采样点变为点，得到大小的每炮数据；去掉炮点左右五道数据以及给每道数据按距炮点距离成正比进行能量均衡，得到/>大小的训练集数据；
对频段为Band3的地震数据多源信息重新进行时间m×n倍下采样及能量均衡处理，
对测试集数据输入频段[nf1,nf2],0<n<1的地震数据进行m×n倍时间下采样，与训练集数据单个采样点的波形数保持一致，得到维度为的每炮数据；将每炮数据补0至/>维度后，去掉炮点左右五道数据，即给每个炮点左右五道数据赋为0值，再给每道数据按距炮点距离成正比进行能量均衡，得到测试集数据。
更进一步的，能量均衡后的数据为：
db,i＝di·0.01·Ps,j-Pr,i
其中，di为每一炮数据对应的地震数据，Ps,j为第j个炮点对应的网格位置，Pr,i为第i道数据对应的网格位置。
具体的，双通道U-Net网络包括15个卷积层，3个最大池化层，3个转置卷积层和3个拼接层，激活函数采用的是ReLU，地震数据作为双通道U-Net网络其中一个通道输入，经过2个卷积层后与地震数据的U-Net网络输出进行拼接，随后再经过3个卷积层得到最终的输出。
具体的，对搭建的双通道U-Net网络进行训练过程中，一个通道输入为中高频段地震数据UBand1(t)，另一个通道输入为中高频段震数据包络网络输出为低频段地震数据UBand2(t)。
进一步的，双通道U-Net网络训练的目标函数为：
其中，N为网络训练集样本个数，为训练集的输入有效频带数据，/>为训练集的输入有效频带包络数据，/>为训练集的目标频段地震数据，J为双通道U-Net网络训练的目标函数；
采用Adam优化器，以步长η＝0.001迭代更新网络参数θ：
其中，θi表示第i次迭代网络的参数。
第二方面，本发明实施例提供了一种自监督深度学习地震数据低频重建系统，包括：
数据模块，从观测地震数据中获取不同频段的地震数据，提取地震数据多源信息，经过时间下采样及能量均衡后得到训练集数据和测试集数据；
网络模块，搭建双通道U-Net网络，构建训练集数据上的低频数据重建任务作为自监督学习任务，对搭建的双通道U-Net网络进行训练；
重建模块，将包含多源信息的测试集数据送入训练好的双通道U-Net网络中，重建缺失的低频地震数据。
与现有技术相比，本发明至少具有以下有益效果：
一种自监督深度学习地震数据低频重建方法，采用自监督深度学习方法，避免了对目标频段带标签地震数据的依赖，提升了方法的可行性。通过辅助任务学习了中高频地震数据与低频数据之间的映射关系，在预测和泛化阶段解决波形不对应问题后能够重建高精度的低频地震数据。另一方面，在地震数据低频重建过程中融入了多源信息，能够反映地震信号的更多层面信息，作为地震数据的补充。以包络信息为例，信号的包络信息频带小于原来的信号。基于自监督深度学习算法，通过融入包络信息，充分利用了包络所反应的信号的慢变化信息，双通道U-Net网络将地震数据及其包络信息充分结合，能够更准确的重建缺失低频信息的地震数据，重建的低频地震数据精度得到提升，从而可以有效克服周波跳跃问题。
进一步的，通过不同的零相位数字滤波器得到进行网络训练所需的三个频段数据，将包络算子作用于三个频段地震数据得到相应的包络信息，并对多源信息进行下采样和能量均衡处理，为自监督深度学习地震数据低频重建方法提供所需多源信息，为网络训练提供数据支撑。
进一步的，在训练网络之前，为了保证深度学习网络的结构简洁，在满足采样定理的前提下，对三个频段的地震多源信息进行时间域下采样。由于近偏移距道的能量比远偏移距道的能量更强，对三个频段的地震多源信息进行能量均衡处理可以避免网络在训练过程中近偏移距产生过拟合，远偏移距欠拟合。对多源信息的时间域下采样及能量均衡处理有利于网络学习由高频信息到低频信息的映射关系从而外推得到高精度的低频数据，以帮助全波形反演克服周波跳跃问题。
进一步的，利用双通道U-Net网络来进行自监督任务的学习，将高频段多源信息映射到目标低频段地震数据。其中，双通道输入使双通道U-Net网络能够利用多源信息进行低频外推任务，提高了重建低频地震数据精度；在双通道U-Net网络结构下，网络的输出数据尺寸大小与输入数据一致。
进一步的，为衡量网络模型参数优劣，构建目标函数。在网络训练过程中，朝着最小化目标函数的目标，采用Adam优化器并设定恒定学习率来训练网络从数据集中学习由输入到输出的映射关系，不断迭代更新网络权重参数，以获取深度学习网络外推低频地震数据的最优参数。其中，Adam优化算法能够有效处理深度学习任务。
可以理解的是，上述第二方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。
综上所述，本发明采用自监督深度学习方法进行地震数据低频重建，缓解周波跳跃问题，为传统全波形反演方法建立一个更为精确的长波长速度模型作为反演的初始速度模型，进一步改善其最终反演结果；在地震数据低频重建过程中融入多源信息，充分利用多层面信息，以提高外推低频地震数据的精度。实际数据中缺失低频数据，采用自监督深度学习方法避免了对低频数据标签的依赖，借助辅助任务学习中高频多源信息到低频地震数据的映射关系，从而借助双通道U-Net网络重建低频地震数据。在地震数据低频重建过程中，充分利用了多源信息以及自监督深度学习方法，在提升重建低频数据精度，帮助全波形反演克服周波跳跃问题，反演得到高精度速度模型方面更好。
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为本发明流程示意图；
图2为双通道U-Net卷积神经网络结构示意图；
图3为基于多源信息的自监督深度学习地震数据低频重建方法测试的速度模型示意图；
图4为网络预测的3-5Hz低频地震数据对比示意图，其中，(a)为真实3～5Hz数据，(b)为网络预测3～5Hz数据，(c)为网络预测误差，(d)为第42道单道预测结果。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在本发明的描述中，需要理解的是，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本发明中字符“/”，一般表示前后关联对象是一种“或”的关系。
应当理解，尽管在本发明实施例中可能采用术语第一、第二、第三等来描述预设范围等，但这些预设范围不应限于这些术语。这些术语仅用来将预设范围彼此区分开。例如，在不脱离本发明实施例范围的情况下，第一预设范围也可以被称为第二预设范围，类似地，第二预设范围也可以被称为第一预设范围。
取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地，取决于语境，短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。
在附图中示出了根据本发明公开实施例的各种结构示意图。这些图并非是按比例绘制的，其中为了清楚表达的目的，放大了某些细节，并且可能省略了某些细节。图中所示出的各种区域、层的形状及它们之间的相对大小、位置关系仅是示例性的，实际中可能由于制造公差或技术限制而有所偏差，并且本领域技术人员根据实际所需可以另外设计具有不同形状、大小、相对位置的区域/层。
本发明提供了一种自监督深度学习地震数据低频重建方法，从观测地震数据中滤波得到不同频带地震数据，从中提取多源信息，经过预处理后构建网络训练数据集；基于地震数据多源信息构建自监督学习任务，利用双通道U-Net神经网络学习从有效频段地震数据到低频地震数据的映射关系；对缺失低频数据的地震数据多源信息重新时间下采样和能量均衡后输入训练好的双通道U-Net神经网络中，进而重建低频地震数据。
请参阅图1，本发明一种自监督深度学习地震数据低频重建方法，包括以下步骤：
S1、设计训练集数据和测试集数据所涉及的Band1,Band2,Band3对应频段的零相位数字滤波器；
Band1，Band2，Band3频段数据的频带范围为：
其中，Band1为网络训练集和验证集的输入频段，Band2为网络训练集和验证集的目标频段；Band3为测试集的输入频段。
S2、根据步骤S1中所设计的3个频段零相位数字滤波器得到3个频段的地震数据uBand1(t)，uBand2(t)，uBand3(t)；将包络算子作用于地震数据uBand1(t)，uBand3(t)，获得其对应的包络信息
包络算子的定义为：
其中，u(t)为一维时间信号，G(u(t))为信号u(t)的包络算子，H(·)为希尔伯特算子
包络算子作用于地震数据uBand(n)(t),n＝1,2,3后得到对应的包络信息由此构建深度学习网络重建低频地震数据的数据集。
S3、对三个频段的地震多源信息进行时间域下采样和能量均衡处理得到UBand1(t)、UBand2(t)、UBand3(t)、进而构建双通道U-Net网络训练用的训练集及测试集；
对多源信息进行时间m倍(m>1)下采样，去掉炮点附近左右部分数据以及给每道数据按距炮点距离成正比进行能量均衡，对uBand(n)(t),n＝1,2,3进行预处理后得到地震数据UBand(n)(t),n＝1,2,3。
在进行双通道U-Net网络训练之前，对Ns炮Nr×Nt大小的数据进行一个数据预处理，包括时间方向的下采样和能量均衡两个操作。
首先，对每一炮数据在时间方向进行m倍的下采样，时间方向由原来Nt采样点变为点，得到/>大小的每炮数据。
随后，为避免近偏移距产生过拟合，远偏移距欠拟合，去掉了炮点附近左右五道数据，即给每个炮点左右五道数据赋为0值，再给每道数据按距炮点距离成正比进行能量均衡。
对于Ns炮正演数据，将每一炮数据对应的Nr道维的数据记为/>Nd＝Nr，每炮数据的炮点对应的网格位置记为/>每个检波器对应的网格位置记为/>对于第j个炮点和第i道数据设置包络能量均衡的比例系数为balance_ratio＝0.01|Ps,j-Pr,i|，记均衡后的数据为/>则有：
db,i＝di·0.01·|Ps,j-Pr,i| (3)
其中，j＝1,2,...,Ns，i＝1,2,...,Nr。
最终，经过数据预处理后，得到大小的训练集对双通道U-Net网络进行训练。
为解决单个采样点上的波形不对应问题，对频段为Band3的地震数据多源信息重新进行时间m×n倍下采样及能量均衡预处理后构造测试集。测试集频段相比于训练集频段整体降低了n倍，单个采样点上的波形个数也变为训练集数据的n倍。对频段为Band3的地震数据多源信息进行m×n倍下采样，将单个采样点上的波形数与训练集保持一致，重新采样及能量均衡预处理后的地震数据为测试集。
对缺失低频数据的地震数据uBand3(t)进行预处理，解决预测和泛化阶段在单个采样点上的波形不对应问题。
训练集输入频段为[f1,f2]，目标频段为[nf1,f2],0<n<1，测试集数据输入频段为[nf1,nf2]，对测试集数据输入频段[nf1,nf2],0<n<1的地震数据进行m×n倍时间下采样，与训练集数据单个采样点的波形数保持一致，得到维度为的每炮数据。为便于网络训练，将每炮数据补0至/>维度。随后，去掉了炮点附近左右五道数据，即给每个炮点左右五道数据赋为0值，再给每道数据按距炮点距离成正比进行能量均衡。
S4、在Pytorch平台上搭建双通道U-Net卷积神经网络，两个不同通道所对应的网络结构不同；
请参阅图2，双通道U-Net网络结构中，地震数据作为其中一个通道输入，经过U-Net网络，整个U-Net网络包括15个卷积层，3个最大池化层，3个转置卷积层和3个拼接层，激活函数采用的是ReLU。
地震数据包络信息为一个通道输入，经过2个卷积层后与地震数据的U-Net网络输出进行拼接，随后再经过3个卷积层得到最终的输出。
S5、构建训练集上的低频数据重建任务作为自监督学习任务，利用训练集数据对步骤S4得到的双通道U-Net卷积网络进行训练，学习由有效频带地震数据多源信息到低频段地震数据的映射关系；
网络训练过程中，一个通道输入为中高频段地震数据UBand1(t)，另一个通道输入为中高频段震数据包络网络输出为低频段地震数据UBand2(t)。
构建的自监督学习任务为训练集上的低频数据重建任务，该任务可以使双通道U-Net网络挖掘到数据自身的关联，在预测和泛化阶段需解决单个采样点上的波形不对应问题。
利用训练集进行自监督学习下的双通道U-Net卷积网络训练，融入包络信息，学习有效频段地震数据到低频地震数据的映射关系。例如，以训练集输入频段Band1∈[f1,f2]，目标频段Band2∈[nf1,f2],0<n<1为例，通过包络算子得到频段Band1∈[f1,f2]的地震数据包络信息。双通道U-Net卷积神经网络的一个通道输入为Band1频带地震数据，另一个通道输入为Band1频带地震数据包络信息，目标数据为频带Band2的地震数据。
在网络训练时，采用炮集数据进行网络训练，对于大小的训练集，采用80％炮数据作为网络的训练集，剩余炮集数据作为网络的验证集；UBand1(t)为训练集的输入地震数据，/>为训练集的输入包络数据，Net(·)为网络映射算子，/>为网络映射所得的低频数据，则有：
其中，θ为网络参数。
设定网络最小化的目标函数为均方损失函数有：
其中，N为网络训练集样本个数，为训练集的输入有效频带数据，/>为训练集的输入有效频带包络数据，/>为训练集的目标频段地震数据。
网络采用Adam优化器，以步长η＝0.001迭代更新网络参数θ：
其中，θi表示第i次迭代网络的参数。
S6、将频段为Band3的地震数据及其包络信息重新时间域下采样和能量均衡后输入训练好的双通道U-Net网络上，由此重建缺失的低频段数据UBand4(t)。
本发明再一个实施例中，提供一种自监督深度学习地震数据低频重建系统，该系统能够用于实现上述自监督深度学习地震数据低频重建方法，具体的，该自监督深度学习地震数据低频重建系统包括数据模块、网络模块以及重建模块。
其中，数据模块，从观测地震数据中获取不同频段的地震数据，提取地震数据多源信息，经过时间下采样及能量均衡后得到训练集数据和测试集数据；
网络模块，搭建双通道U-Net网络，构建训练集数据上的低频数据重建任务作为自监督学习任务，对搭建的双通道U-Net网络进行训练；
重建模块，将包含多源信息的测试集数据送入训练好的双通道U-Net网络中，重建缺失的低频地震数据。
本发明再一个实施例中，提供了一种终端设备，该终端设备包括处理器以及存储器，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可能是中央处理单元(Central ProcessingUnit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor、DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，其是终端的计算核心以及控制核心，其适于实现一条或一条以上指令，具体适于加载并执行一条或一条以上指令从而实现相应方法流程或相应功能；本发明实施例所述的处理器可以用于自监督深度学习地震数据低频重建方法的操作，包括：
从观测地震数据中获取不同频段的地震数据，提取地震数据多源信息，经过时间下采样及能量均衡后得到训练集数据和测试集数据；搭建双通道U-Net网络，构建训练集数据上的低频数据重建任务作为自监督学习任务，对搭建的双通道U-Net网络进行训练；将包含多源信息的测试集数据送入训练好的双通道U-Net网络中，重建缺失的低频地震数据。
本发明再一个实施例中，本发明还提供了一种存储介质，具体为计算机可读存储介质(Memory)，所述计算机可读存储介质是终端设备中的记忆设备，用于存放程序和数据。可以理解的是，此处的计算机可读存储介质既可以包括终端设备中的内置存储介质，当然也可以包括终端设备所支持的扩展存储介质。计算机可读存储介质提供存储空间，该存储空间存储了终端的操作系统。并且，在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令，这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是，此处的计算机可读存储介质可以是高速RAM存储器，也可以是非不稳定的存储器(Non-Volatile Memory)，例如至少一个磁盘存储器。
可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令，以实现上述实施例中有关自监督深度学习地震数据低频重建方法的相应步骤；计算机可读存储介质中的一条或一条以上指令由处理器加载并执行如下步骤：
从观测地震数据中获取不同频段的地震数据，提取地震数据多源信息，经过时间下采样及能量均衡后得到训练集数据和测试集数据；搭建双通道U-Net网络，构建训练集数据上的低频数据重建任务作为自监督学习任务，对搭建的双通道U-Net网络进行训练；将包含多源信息的测试集数据送入训练好的双通道U-Net网络中，重建缺失的低频地震数据。
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。
模型算例
本发明的具体实施过程被应用于Marmousi部分模型。模型水平方向为5090m，深度方向为1330m，速度模型如图3所示。
在此模型中，训练集的输入频段Band1∈[10Hz,25Hz]，训练集目标频段Band2∈[5Hz,25Hz]，测试集的输入频段Band3∈[5Hz,12.5Hz]，测试集目标频段为Band4∈[2.5Hz,12.5Hz]。将测试集输入频段Band3∈[5Hz,12.5Hz]的地震数据及其包络信息进行预处理，随后输入训练好的双通道U-Net网络中。
将网络输出的2.5～12.5Hz频段数据恢复至原有能量值后，滤波得到3～5Hz频带的低频数据。利用网络重建的3～5Hz频段地震数据与真实3～5Hz频段数据对比如图4所示。
图4中，图4(a)为第510炮真实3～5Hz地震数据；图4(b)为网络重建的3-5Hz频段地震数据；图4(c)为对应的预测误差；图4(d)为第510炮第42道的一维波形对比图。由图4(d)可以看出，网络预测的低频段地震数据与真实的数据在幅值和相位上均十分接近，二者最大的误差值接近于0，说明基于多源信息(包络信息)，通过自监督学习任务，能够利用网络学习到由中高频段数据重建低频段地震数据的映射关系，在测试集上具有泛化性且重建的低频段地震数据具有较高的准确性，为后续的反演提供了数据基础。
综上所述，本发明一种自监督深度学习地震数据低频重建方法及系统，对于观测地震数据，提取不同频带地震数据的多源信息，利用双通道U-Net网络，基于自监督深度学习方法通过训练集上的低频重建辅助任务学习从中高频段有效数据到低频地震数据的映射关系；能够从中高频地震数据重建缺失的低频地震数据信息，由于相比于高频数据，低频数据对周波跳跃问题更不敏感，因此所提出的方法能够克服周波跳跃问题(Cycle-skipping)，能够为传统全波形反演(FWI)提供良好的数据基础，从而进一步提升最终速度模型反演准确度。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本发明中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置/终端和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-Only Memory，ROM)、随机存取存储器(RandomAccess Memory，RAM)、电载波信号、电信信号以及软件分发介质等，需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括是电载波信号和电信信号。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上内容仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明权利要求书的保护范围之内。
Claims (10)
1.一种自监督深度学习地震数据低频重建方法，其特征在于，从观测地震数据中获取不同频段的地震数据，提取地震数据多源信息，经过时间下采样及能量均衡后得到训练集数据和测试集数据；搭建双通道U-Net网络，构建训练集数据上的低频数据重建任务作为自监督学习任务，对搭建的双通道U-Net网络进行训练；将包含多源信息的测试集数据送入训练好的双通道U-Net网络中，重建缺失的低频地震数据。
2.根据权利要求1所述的自监督深度学习地震数据低频重建方法，其特征在于，经过时间下采样及能量均衡后得到训练集数据和测试集数据具体为：
设计训练集数据和测试集数据所涉及的Band1,Band2,Band3对应频段的零相位数字滤波器；
根据设计的Band1,Band2,Band3对应频段零相位数字滤波器得到Band1,Band2,Band3频段的地震数据uBand1(t)，uBand2(t)，uBand3(t)；将包络算子作用于地震数据uBand(n)(t)后得到对应的包络信息构建深度学习网络重建低频地震数据的数据集；
对三个频段的地震多源信息进行时间域下采样和能量均衡处理得到UBand1(t)、UBand2(t)、UBand3(t)、构建双通道U-Net网络训练用的训练集数据及测试集数据。
3.根据权利要求2所述的自监督深度学习地震数据低频重建方法，其特征在于，Band1，Band2，Band3频段数据的频带范围为：
其中，Band1为网络训练集和验证集的输入频段，Band2为网络训练集和验证集的目标频段；Band3为测试集的输入频段。
4.根据权利要求2所述的自监督深度学习地震数据低频重建方法，其特征在于，包络算子的定义为：
其中，u(t)为一维时间信号，G(u(t))为信号u(t)的包络算子，H(·)为希尔伯特算子。
5.根据权利要求2所述的自监督深度学习地震数据低频重建方法，其特征在于，对三个频段的地震多源信息进行时间域下采样和能量均衡处理具体为：
训练集输入频段为[f1,f2]，目标频段为[nf1,f2],0<n<1，测试集数据输入频段为[nf1,nf2]；
对多源信息进行时间m倍下采样，m>1，时间方向由原来Nt采样点变为点，得到大小的每炮数据；去掉炮点左右五道数据以及给每道数据按距炮点距离成正比进行能量均衡，得到/>大小的训练集数据；
对频段为Band3的地震数据多源信息重新进行时间m×n倍下采样及能量均衡处理，
对测试集数据输入频段[nf1,nf2],0<n<1的地震数据进行m×n倍时间下采样，与训练集数据单个采样点的波形数保持一致，得到维度为的每炮数据；将每炮数据补0至维度后，去掉炮点左右五道数据，即给每个炮点左右五道数据赋为0值，再给每道数据按距炮点距离成正比进行能量均衡，得到测试集数据。
6.根据权利要求5所述的自监督深度学习地震数据低频重建方法，其特征在于，能量均衡后的数据为：
db,i＝di·0.01·|Ps,j-Pr,i|
其中，di为每一炮数据对应的地震数据，Ps,j为第j个炮点对应的网格位置，Pr,i为第i道数据对应的网格位置。
7.根据权利要求1所述的自监督深度学习地震数据低频重建方法，其特征在于，双通道U-Net网络包括15个卷积层，3个最大池化层，3个转置卷积层和3个拼接层，激活函数采用的是ReLU，地震数据作为双通道U-Net网络其中一个通道输入，经过2个卷积层后与地震数据的U-Net网络输出进行拼接，随后再经过3个卷积层得到最终的输出。
8.根据权利要求1所述的自监督深度学习地震数据低频重建方法，其特征在于，对搭建的双通道U-Net网络进行训练过程中，一个通道输入为中高频段地震数据UBand1(t)，另一个通道输入为中高频段震数据包络网络输出为低频段地震数据UBand2(t)。
9.根据权利要求8所述的自监督深度学习地震数据低频重建方法，其特征在于，双通道U-Net网络训练的目标函数为：
其中，N为网络训练集样本个数，为训练集的输入有效频带数据，为训练集的输入有效频带包络数据，/>为训练集的目标频段地震数据，J为双通道U-Net网络训练的目标函数；
采用Adam优化器，以步长η＝0.001迭代更新网络参数θ：
其中，θi表示第i次迭代网络的参数。
10.一种自监督深度学习地震数据低频重建系统，其特征在于，包括：
数据模块，从观测地震数据中获取不同频段的地震数据，提取地震数据多源信息，经过时间下采样及能量均衡后得到训练集数据和测试集数据；
网络模块，搭建双通道U-Net网络，构建训练集数据上的低频数据重建任务作为自监督学习任务，对搭建的双通道U-Net网络进行训练；
重建模块，将包含多源信息的测试集数据送入训练好的双通道U-Net网络中，重建缺失的低频地震数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310926893.1A CN117031539A (zh) | 2023-07-26 | 2023-07-26 | 一种自监督深度学习地震数据低频重建方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310926893.1A CN117031539A (zh) | 2023-07-26 | 2023-07-26 | 一种自监督深度学习地震数据低频重建方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117031539A true CN117031539A (zh) | 2023-11-10 |
Family
ID=88640524
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310926893.1A Pending CN117031539A (zh) | 2023-07-26 | 2023-07-26 | 一种自监督深度学习地震数据低频重建方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117031539A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117972439A (zh) * | 2024-04-01 | 2024-05-03 | 长春理工大学 | 基于增强空间构造与生成对抗网络的心率预测方法及系统 |
-
2023
- 2023-07-26 CN CN202310926893.1A patent/CN117031539A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117972439A (zh) * | 2024-04-01 | 2024-05-03 | 长春理工大学 | 基于增强空间构造与生成对抗网络的心率预测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111239802B (zh) | 基于地震反射波形和速度谱的深度学习速度建模方法 | |
| Van den Ende et al. | A self-supervised deep learning approach for blind denoising and waveform coherence enhancement in distributed acoustic sensing data | |
| CN103293551B (zh) | 一种基于模型约束的阻抗反演方法及系统 | |
| CN108037531B (zh) | 一种基于广义全变分正则化的地震反演方法及系统 | |
| CN106405651B (zh) | 一种基于测井匹配的全波形反演初始速度模型构建方法 | |
| CN101201409B (zh) | 一种地震数据变相位校正方法 | |
| CN101545981A (zh) | 可控震源地震数据零相位子波最小相位化方法 | |
| CN111596366A (zh) | 一种基于地震信号优化处理的波阻抗反演方法 | |
| CN104965222B (zh) | 三维纵波阻抗全波形反演方法及装置 | |
| CN112987099B (zh) | 基于多震源卷积神经网络的低频地震数据重构方法 | |
| CN117031539A (zh) | 一种自监督深度学习地震数据低频重建方法及系统 | |
| CN109507726A (zh) | 时间域弹性波多参数全波形的反演方法及系统 | |
| CN104730576A (zh) | 基于Curvelet变换的地震信号去噪方法 | |
| Li et al. | Using GAN priors for ultrahigh resolution seismic inversion | |
| Alam | Near-surface characterization using traveltime and full-waveform inversion with vertical and horizontal component seismic data | |
| CN106199693B (zh) | 地震数据速度谱自动拾取方法和装置 | |
| CN106855638A (zh) | 一种匹配追踪地震谱分解方法及装置 | |
| CN117631028A (zh) | 一种多尺度全局信息融合神经网络地震数据低频重构方法 | |
| Liu et al. | Improving vertical resolution of vintage seismic data by a weakly supervised method based on cycle generative adversarial network | |
| Dong et al. | Seismic data reconstruction based on a multicascade self-guided network | |
| CN117251674A (zh) | 一种地震相分类方法、装置、电子设备及介质 | |
| CN110118994B (zh) | 一种基于地震反演和机器学习的陆相烃源岩定量预测方法 | |
| Nazeri et al. | EASOt-AP: An open-source MATLAB package to estimate the seismic moment, rupture radius, and stress-drop of earthquakes from time-dependent P-wave displacements | |
| Li et al. | Removing abnormal environmental noise in nodal land seismic data using deep learning | |
| Cheng et al. | Multiscale recurrent-guided denoising network for distributed acoustic sensing-vertical seismic profile background noise attenuation |
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 |