基于Contourlet变换的地震噪声衰减

在地震勘探中,随机噪声是一种频带较宽的干扰波,常规的去噪方法效果不理想。Contourlet变换具有多尺度和多方向性特点,在计算中,将多尺度分析和方向分析分步进行。首先介绍Contourlet变换的基本原理及实现方法,并进行地震资料仿真计算和实例计算,利用拉普拉斯金字塔塔形分解完成Contourlet变换的多尺度分解,再利用方向滤波器组完成Contourlet各个尺度上的方向分解。在Contourlet变换域对Contourlet变换系数采用阀值处理,再做反变换,从而实现地震数据去噪。结果证明Contourlet变换去噪具有较好的效果,易于实现,有一定的可行性和较好的应用前景。     

基于SSEC-EWT的地震资料噪声压制算法

高信噪比地震资料是开展油气勘探的可靠基础。针对现行去噪方法大多难以同时压制地震资料中普遍存在的面波和随机噪声,且在去噪的同时易损害有效波的不足,提出基于S谱能量曲线（S-Transform spectrum energy curve,SSEC）与改进经验小波变换（Empirical wavelet transform,EWT）的地震资料噪声压制算法。先对地震记录进行S变换,根据S谱求取各频点能量,以能量曲线极大值点频率及ε邻域法确定频谱分割边界,完成改进的EWT;再通过SSEC确定面波所在本征模函数（Intrinsic mode function,IMF）,并构造带通滤波器对面波IMF进行滤波,以保护有效波,实现精准的面波压制;然后计算其余IMF主频,根据有效波频率阈值去除随机噪声IMF,得到最终去噪后记录。仿真测试显示,改进的EWT能精确地根据地震信号的频率和能量自适应地对其进行分解,实现面波与随机噪声的提取与分离,尤其在强噪声背景下仍能精准实现面波与随机噪声的同步分离;实际地震资料处理结果表明,该算法在压制面波和随机噪声的同时能兼顾保护有效波,提高地震资料的信噪比。     

应用平稳小波变换与深度残差网络压制地震随机噪声

常规去噪方法众多,但每种方法都受某种假设或条件限制。另外,常规去噪方法中一些优化问题具有多个局部极值,导致算法可能收敛到局部最优解而非全局最优解。为此,提出了一种基于平稳小波变换与深度残差网络的地震随机噪声压制方法。采用残差网络(ResNet)的拓扑结构,结合平稳小波变换压制地震数据噪声。残差模块有效避免了网络过深引起的梯度消失或计算消耗但损失函数趋于饱和的问题。另外,小波变换是一种高效的特征提取方法,可获得信号低频和不同方向高频特征信息,分区域学习信号或噪声的特征。首先,对Train400数据集中的每幅图片旋转不同角度以增加训练集数据量,经过旋转变换后加入高斯噪声。然后,对每幅图片进行1级平稳Haar小波分解,得到训练数据集;通过训练提取信号中噪声的小波变换高、低频信息,在此基础上通过直连通道,从含噪数据的小波分解中减去学习到的噪声的小波分解,得到去噪信号的小波分解。最后,通过逆平稳小波变换得到去噪信号。合成信号和实际地震数据去噪试验表明,所提方法能较好地压制地震随机噪声,去噪信号的信噪比、峰值信噪比均较高。     

应用平稳小波变换与深度残差网络压制地震随机噪声

常规去噪方法众多,但每种方法都受某种假设或条件限制。另外,常规去噪方法中一些优化问题具有多个局部极值,导致算法可能收敛到局部最优解而非全局最优解。为此,提出了一种基于平稳小波变换与深度残差网络的地震随机噪声压制方法。采用残差网络(ResNet)的拓扑结构,结合平稳小波变换压制地震数据噪声。残差模块有效避免了网络过深引起的梯度消失或计算消耗但损失函数趋于饱和的问题。另外,小波变换是一种高效的特征提取方法,可获得信号低频和不同方向高频特征信息,分区域学习信号或噪声的特征。首先,对Train400数据集中的每幅图片旋转不同角度以增加训练集数据量,经过旋转变换后加入高斯噪声。然后,对每幅图片进行1级平稳Haar小波分解,得到训练数据集;通过训练提取信号中噪声的小波变换高、低频信息,在此基础上通过直连通道,从含噪数据的小波分解中减去学习到的噪声的小波分解,得到去噪信号的小波分解。最后,通过逆平稳小波变换得到去噪信号。合成信号和实际地震数据去噪试验表明,所提方法能较好地压制地震随机噪声,去噪信号的信噪比、峰值信噪比均较高。     

应用双通道卷积神经网络的地震随机噪声压制方法

地震资料中随机噪声的压制一直是人们关注的热点。传统方法难以平衡噪声的去除与有效信号的保护,且执行效率低。为此,提出了基于双通道卷积神经网络的随机噪声压制方法。首先,该网络是一个双通道网络,即由两个结构不同的子网络组成,目的是在压制噪声过程中提取到互补有效信息;其次,在下通道子网络中引入空洞卷积增大感受野,充分捕捉到地震资料中的邻域信息,从而更充分地保留细节信息;最后,借鉴残差学习的思想并使用Swish激活函数,提高了网络的降噪性能。模型和实际资料的实验结果表明,所提方法在有效地压制随机噪声的同时能够保留更丰富的纹理细节信息。     

曲波域随机噪声压制方法——以沙漠地区叠后地震资料为例

沙漠地区油气勘探中,随机噪声是影响地震资料信噪比的主要因素之一。如何有效地压制随机噪声是沙漠地区地震资料处理必须解决的重要难题。传统小波域去噪将地震数据当作一种图像,对其进行多尺度分析,并通过阈值处理进行去噪。由于其无法表达二维地震图像的线性特征,在处理时存在一定的局限性。具有多尺度、多方向分析能力的曲波变换更适合具有曲线或者超平面奇异性的高维信号,将其引入到二维地震图像处理中,利用随机噪声和有效信号在方向上的差异,对噪声通过阈值收缩进行衰减。模型数据试验和实际叠后地震资料处理结果表明,曲波域去噪方法能够比小波域去噪方法更有效地压制随机噪声,减少对有效地震反射信号的损伤,从而证明了该方法的有效性和实用价值。     

基于Shearlet变换的地震随机噪声压制

地震勘探中的噪声对地震信号产生严重的畸变和干扰,常规的地震去噪方法已经不能满足当前高精度地震勘探的要求。提出了基于Shearlet变换的地震数据去噪方法,Shearlet变换是一种新的多尺度变换方法,具有多方向、多分辨率及最佳稀疏逼近性质,并且计算效率高。Shearlet变换在去除随机噪声的同时能最大程度保留有效信号,有效地提高信噪比。利用Shearlet变换阈值去噪法与其他地震去噪方法分别对不同信噪比的合成地震记录和实际地震记录进行对比,结果表明Shearlet变换具有更强的去噪能力和更高的运算效率。     

基于二维小波变换的随机噪声压制方法研究

在地震勘探中,随机噪声是一种频带较宽、严重影响有效波的干扰波,常用的一维去噪方法效果不理想。小波变换是一种时频分析方法,根据它的分频和局部分析能力,能有效地消除随机干扰,保留有效波的中、高频成分,经过小波重构,可恢复有效波信号。针对地震信号随机干扰的特点,运用二维小波变换的理论,设计了相应的变换域去噪滤波器。此方法的特点是计算速度快,稳定性好,自适应性强,能对各种地震数据进行去噪处理,模型数据与实际数据的应用效果证明,二维小波变换具有较强的信噪分离能力。     

时频域自动识别与压制高频噪声

本文在分析张宇等及钱忠平等提出的高频噪声判别准则基础上,利用夏洪瑞等根据在窄档等频距小波分频之后识别、压制高频噪声的思路,提出在时频域将代表地震道主要能量的几个频带的平均振幅绝对值作为正常子波的平均振幅绝对值,以此来识别和压制高频噪声的异常振幅。实际处理结果表明,此法不仅可以压制高频谐振及高频突发噪声,而且可以保护弱地震反射信号不受损害。     

小波包分析法压制井间地震资料噪声

井间地震资料的随机干扰发育，由于随机干扰的存在，给后续的波场分离与反射成像带来很大困难，为此，必须进行噪声压制。运用coif3小波对两个相邻地震道进行同层次分解，在分解后的小波树中分别提取相同节点号的节点进行重构信号，并对此两重构信号做互相关估计，由于噪声的随机性，如果两重构信号相关系数趋近于零，返回该节点并对它的小波包分解系数进行阈值处理，以消除随机噪声成份。实际资料的处理试验表明，小波包分析法可以较好地压制井间地震资料的随机噪声。     

基于曲波变换的地震随机噪声压制新方法

此文提出了一种通过对曲波系数进行处理来实现地震随机噪声压制的新方法。地震信号经曲波变换得到的曲波系数在各尺度各方向的分布仍具有同相轴特征,但噪声部分的曲波系数的分布是随机的,故可将曲波系数作为新的目标信号,对其进行去噪,最后用经过处理的曲波系数还原地震数据实现对随机噪声的压制。数值算例验证了该方法的正确性和有效性,并与用离散余弦变换和小波变换两种方法处理曲波系数的结果进行对比。实验表明用曲波变换处理曲波系数的去噪效果要优于后两者,且比单纯进行一次曲波变换去噪的结果在信噪比上有明显提高。     

基于卷积神经网络的倾角域弹性波逆时偏移噪声压制方法

相比传统的声波逆时偏移方法,弹性波逆时偏移(ERTM)可以提供更多地下结构的物理信息,然而其偏移中的串扰噪声及各种非物理噪声严重降低了成像质量。为了获得更高分辨率的地震成像,介绍了一种在ERTM生成的倾角域成像道集上使用卷积神经网络(CNN)估计叠加孔径,实现稳相叠加从而压制偏移噪声的方法。该方法通过在倾角域识别主要的反射波能量,剔除对成像贡献不大的部分,从而压制了偏移中的各种噪声,提高了ERTM成像质量。CNN是一个端到端的深度学习过程,一旦网络经过训练得到适合权系数和偏置,可以替代人工实现自动拾取。BGP盐丘模型数据和SEG起伏地表模型数据测试结果表明:利用CNN实现自动拾取的算法在只对少量道集拾取并作为标签数据,对神经网络训练后,可较好实现海量道集的自动拾取。基于CNN的倾角域弹性波逆时偏移噪声压制方法效果好、效率高。     

基于离散余弦变换的地震随机噪声压制技术

本文在离散余弦变换(DCT)域中利用预测滤波器压制地震数据中随机噪声方法的基础上,进一步对该法的压噪能力进行了评估,表明与离散傅里叶变换相比,DCT变换能够利用更少的系数来表征地震信号,即具有更好的能量压缩性能,从而可以更好地分离信号和随机噪声,实现随机噪声的压制。人工合成数据和实际数据的实验结果也表明,与F-X域预测滤波技术相比,采用DCT压噪不仅效果好,而且能更好地保护有效波。     

一种自动识别和压制地震资料中高频噪声的方法

本文从时频分析的角度出发，通过分析地震波与高频噪声在地震记录上的空间分布特征，频率分布特性和能量分布特征等单方面的差异，利用统计分析方法，提出了一种自适应的高频噪声的检测准则和压制方法。即统计求取地震记录的正常子波振幅谱，然后据此识别出含有高频噪声的异常振幅谱，再对其进行压制。     

叠前随机噪声深度残差网络压制方法

深度残差网络作为一种先进的深度学习算法,近年来得到学术界和工业界的高度关注。针对叠前地震记录中随机噪声的智能高效压制问题,首先根据深度残差网络原理设计了一种深层非线性去噪网络,然后利用构建的高质量随机噪声训练集对该网络进行训练,在高维空间实现对随机噪声特征的自动学习,从而拟合出含噪声地震记录与随机噪声之间的非线性映射关系,实现随机噪声自动压制。模型数据测试和实际资料应用均证明了文中方法的有效性。尽管其去噪能力与标签数据获取方法相当,但去噪效率及适应能力明显优于标签数据获取方法,为应对TB级叠前地震数据的去噪问题提供了一种可借鉴的思路。     

尺度自适应三维Shearlet变换地震随机噪声压制

应用尺度自适应三维Shearlet变换压制多炮地震数据随机噪声,通过将多炮数据变换到三维Shearlet域,充分考虑单炮记录及其间的相关性,在三维Shearlet域更稀疏地表示地震数据。由于有效信号主要分布在低尺度,随机噪声分布在各个尺度,因此在硬阈值的基础上,结合尺度自适应因子压制随机噪声。再通过三维Shearlet反变换,得到去噪地震数据。数值模拟和实际多炮地震数据去噪结果表明：尺度自适应三维Shearlet变换的去噪效果优于二维Shearlet变换、不结合尺度自适应因子的三维Shearlet变换;尺度自适应三维Shearlet变换去噪方法对服务器内存要求较高,且可能对幅值相对较小的有效信号产生损害。     

基于曲波变换的地震数据去噪方法

地震记录中的随机噪声频带较宽,采用常规的去噪方法效果不理想;小波变换去噪方法虽然可以压制随机噪声,但会损伤有效信号,且去除二维信号中的随机噪声时存在一定的局限性。针对此局限性,Candè提出了脊波变换,但对于整幅图而言,脊波变换的效果并不理想。由此,发展了曲波变换,即基于小波变换和脊波变换的多尺度几何分析方法。该方法能够表示具有方向性的线性奇异边缘,克服了小波变换在表达图像边缘的方向特性等方面的内在缺陷。曲波变换结合了脊波变换的各向异性特点和小波变换的多尺度特点,可以在压制随机噪声的同时保护有效信号,达到更好的去噪效果。仿真数据和实际资料去噪结果验证了曲波变换压制随机噪声的可行性及其效果。     

基于联合小波域深度学习的地震数据规则化方法

数据规则化是地震资料处理的关键步骤之一，基于物理建模的传统方法计算量大且不具备广泛适用性。当前基于卷积神经网络的地震数据规则化方法通常局限在时域，尤其在低采样率条件下，重建数据过于平滑，纹理细节信息损失严重。小波分析具有多尺度、多方向的特性，更适于表示二维数据的纹理特性，可以聚焦地震数据信号的细节信息。为此，提出一种联合小波域的卷积神经网络模型，学习地震数据在时域与小波域的联合分布特征以逼近实际数据，将不规则地震数据重建问题转化为在卷积神经网络框架下各尺度不同方向分量的小波系数预测，重建规则化的地震数据；构建时域与小波域的联合损失函数，结合地震数据的整体分布和局部细节特征，约束网络模型，通过修正联合损失函数的权重调整卷积神经网络学习的注意力，提高重建地震数据信噪比。实验结果表明，与其他方法对比，该方法细节保持效果更好，对地震数据缺失位置不敏感，更具鲁棒性。     

基于Shearlet变换的自适应地震资料随机噪声压制

传统的阈值选取方法是对所有变换域系数使用统一阈值,但对Shearlet变换而言,各尺度、各方向的有效信号和噪声均存在差异,因此全局硬阈值存在一定局限性;局部阈值可根据一定范围内的系数分布情况确定。针对地震数据去噪过程中传统阈值选取方法的局限性,通过改进自适应阈值函数压制随机噪声,在局部阈值的基础上改进贝叶斯阈值,形成一种适用于Shearlet变换的自适应阈值函数。具体做法为：将信噪比与阈值函数有机关联,并将信噪比作为阈值设定的因素,即不同的信噪比的权值系数不同,可以自适应求取不同尺度阈值,从而最大限度地改善去噪效果,避免有效信号损失,实现自适应去噪。模型试算与实际资料去噪效果表明,在保证有效信号不受损失的情况下,所提方法可恢复被噪声掩盖的弱信号,有效改善去噪效果。     

地面微地震资料τ-p变换噪声压制

针对地面微地震监测资料中噪声特点,根据实际有效事件同相轴不规则、静校正难度大的情况,从有效事件角度出发,研究了地面微地震资料τ-p变换去噪方法,以微地震有效事件作为识别目标,在τ-p域进行识别、分析、提取。针对常规τ-p变换存在的计算效率低、分辨率低的缺陷,应用了高分辨率τ-p变换方法;为了适应τ-p变换特性,提出了有效事件时差校正法,并采用邻近事件进行约束。最后用模型以及实际资料进行验证,改善了方法的实际应用效果,表明该去噪方法能够有效地压制微地震实际监测中的噪声,特别是线性相关噪声,提高了资料的信噪比,增强了地面微地震事件的辩识度。