一种基于RUnet卷积神经网络的地震资料随机噪声压制方法

应用深度学习方法压制地震噪声的训练集和测试集均来自同一数据集,使得模型的泛化性受限。为解决泛化性问题,提出一种基于卷积神经网络(CNN)的残差U型网络(RUnet)压制随机噪声的方法。方法的设计思想是在基于卷积神经网络的U型网络(Unet)基础上加入残差块,以增强网络对随机噪声的捕获能力。该方法建立在端到端的编码-解码网络结构上,将含噪声地震数据作为输入,由多个卷积层和残差块提取随机噪声的本质特征,构成编码;再由多个反卷积层和残差块构成解码,网络的输出即为噪声压制后的地震数据。在残差块之后加入批规范化层,采用带泄露整流函数作为非线性因子,提高网络模型对地震资料随机噪声的泛化性和敏感性。在叠后和叠前地震数据实验中将RUnet卷积神经网络方法与小波变换、离散余弦变换、三维块匹配(BM3D)算法和Unet卷积神经网络算法进行去噪效果对比,结果表明,RUnet卷积神经网络方法相比其它4种方法,对随机噪声的压制更有效,并且在一定程度上保护了有效信号。     

基于卷积降噪自编码器的地震数据去噪

噪声压制是地震勘探中一个长期存在的问题,虽然一些传统方法能够压制数据中的噪声,但存在有效信号丢失、噪声残留等问题。为此,提出了一种基于卷积降噪自编码器的无监督地震数据去噪算法。该算法首先对地震数据进行一定程度的随机损坏,然后将损坏后的地震数据输送到编、解码框架。编码框架负责捕捉地震数据波形特征,据此消除噪声;解码框架能够对特征图进行扩大并恢复地震数据细节信息,从而得到重构的地震数据。最后,将重构地震数据与原始地震数据之间的误差作为收敛代价进行模型训练。考虑到地震数据的复杂性与特殊性,在编码和解码阶段使用了多尺度卷积模块提取地震数据特征。合成数据与实际数据的验算结果表明,该方法在保护地震信号的同时能够有效压制随机噪声、提高地震信号的信噪比。     

基于DBBCNN的沙漠区地震资料随机噪声衰减方法

由于沙漠地区采集环境恶劣、地表地质条件复杂,勘探资料信噪比普遍较低;同时,沙漠区随机噪声与有效信号存在频谱混叠现象,噪声压制难度较大,给后续反演、成像和解释等工作带来了不利影响。近年来,以去噪卷积神经网络(Feed-forward Denoising Convolutional Neural Networks,DnCNN)为代表的深度学习去噪方法已应用于复杂随机噪声抑制,但传统降噪网络一般是根据单一尺度信息提取数据特征,导致针对复杂勘探记录的处理能力可能会下降。为实现沙漠地区复杂噪声的有效衰减,提出一种新型多分支去噪卷积神经网络(Diverse Branch Block Convolutional Neural Networks,DBBCNN)。与传统的DnCNN相比,DBBCNN将不同尺度、不同复杂度的分支结合在一起,丰富了特征空间,并且采用长路径操作融合全局特征和局部特征,提升了网络针对弱信号的特征表达能力。模拟和实际数据实验结果表明,DBBCNN可有效压制沙漠地震资料中的复杂随机噪声,且处理后的记录信噪比显著提升。     

点源干扰的形态学降噪技术

海上地震勘探采集资料中的点源干扰能量强,横向变化幅度小且出现位置不固定,极大地影响了海上地震资料的成像质量和解释精度。采用了基于形态学的噪声压制技术对点源干扰进行处理,设计了形态学滤波器分离点源噪声和有效信号,实现了点源干扰的压制。采用该方法对模拟地震资料和海上实际地震资料进行处理,并与传统的F-K去噪方法进行了对比,结果表明该方法在成功压制点源绕射干扰的同时,能够较好地保留原始地震信号的低频信息,完全恢复了信号与噪声重叠处的有效信号振幅。处理过程中,该方法不受随机噪声的影响,具有很强的抗随机噪声能力。     

一种智能化断层保护的随机噪声压制方法

随机噪声是影响地震资料信噪比的主要噪声之一,在地震资料处理中,随机噪声的压制效果直接影响地震勘探成果的可靠性。分析认为,目前最常用的f-x域随机噪声压制方法会损失部分有效信号,特别是存在断层时,f-x域随机噪声压制方法的应用会使断层成像模糊。通常只能采取人工解释断层位置后,再进行非断层区噪声压制以保证断层信息不受损失,工作效率低,效果受人工解释的精度影响较大。为此,提出了一种智能化断层保护的随机噪声压制方法,该方法基于断层与连续介质的基本差异,设计双向预测算子和断层位置自动识别方法,然后在压制随机噪声的同时自动进行断层的加权保护,从而大大减少了传统f-x域随机噪声压制方法的断层模糊效应,并且无需人工解释断层位置,实现了智能化的断层保护机制和随机噪声压制效果。模型数据和实际地震资料测试结果表明:所提方法能够在压制随机噪声的同时自动保护有效信号,使断层清晰成像,从而提高了成果资料的可靠性。     

基于自相似块匹配的地震数据信噪分离方法研究

传统的基于三维曲波变换的随机噪声压制方法在同相轴不连续处会损害有效信号,存在伪影,难以取得理想的去噪效果,因而不能准确检测地震数据中地质体的边界信息。研究了基于自相似块匹配的三维地震资料去噪和边缘检测方法。自相似块匹配方法将含噪数据划分成相似数据块集合,同一数据块集合中的子块波形近似。该方法充分利用了三维地震数据的自相似性和冗余性信息,通过阈值界定相似程度将三维地震数据中的相似数据块聚集,将在常规域中难以压制的噪声变换到四维域中进行衰减,然后再进行逆变换得到去噪后的剖面。自相似块匹配方法有效提升了地震数据的信噪比和保真度,去噪结果无伪影。自相似块匹配Canny边缘检测结果表明,该方法很好地保存了不连续处的信息,能有效识别地质体边界信息。理论模型和实际资料的处理结果表明,该方法能有效压制三维地震资料中的随机噪声;与传统曲波变换阈值方法相比,该方法对有效信号的保护能力更强,能够保留原始数据中的不连续性信息,使基于自相似块匹配的Canny边缘检测方法能够实现对地质体边界的准确检测。     

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。     

基于时间同步提取变换的地震随机噪声压制

随机噪声压制是地震数据处理中的重要环节。本文提出一种基于时间同步提取变换(Time-Synchronous extracting Transform,TSET)和鲁棒主成分分析(Robust Principal Component Analysis,RPCA)的地震随机噪声压制方法。首先通过时间同步提取变换将含噪声的地震数据变换到一个新的稀疏子空间;然后使用鲁棒主成分分析算法将稀疏时频矩阵分解成一个低秩分量和一个稀疏分量;最后,基于时间同步提取反变换将低秩分量由时频域变换到时间域得到去噪后的地震信号。合成模型和实际地震数据用于测试提出的方法,并与传统的f-x预测滤波方法进行对比。结果表明,文中提出的方法不仅能够有效压制地震信号中的随机噪声,而且较好地保留了地震反射信息,从而为后续地震数据处理和解释奠定了基础。     

局部频率域SVD压制随机噪声方法

常规SVD技术去除随机噪声是在时间域进行的,对水平同相轴有较好的去噪效果;但对同相轴是倾斜或弯曲的情况,则要进行局部倾角扫描校正,从而限制了其在实际中的应用。为此,本文研究了局部频率域SVD压制随机噪声方法,有效克服了时间域局限性。首先对时空域滑动窗口内地震数据进行傅氏变换,并对每个频率切片构建Hankel矩阵,再对Hankel矩阵进行SVD滤波(降秩重构),最后反变换到时间域,得到去除随机噪声的结果。通过构建块Hankel矩阵,将该方法扩展到三维地震数据体的噪声压制处理中。模型及实际资料处理结果对比表明,该方法在有效压制随机噪声的同时,能够较好地保留有效信号,优于常规频域预测滤波结果。     

利用波原子分解系数自适应Wiener滤波方法压制地震数据随机噪声

随机噪声是地震勘探数据中常见的背景噪声,会对有效信号产生负面影响,有必要研究更适用的方法去除随机噪声。为此,提出基于波原子分解系数自适应Wiener滤波,并对滤波后的系数进行波原子重构的方法,压制随机噪声以突出有效信号。针对人工合成地震记录,应用SVD阈值、二维多尺度小波分解阈值和波原子分解阈值三种滤波方法与所提方法进行对比测试及分析,可见所提方法在压制随机噪声的同时能充分保留有效信号,使反射同相轴更清晰且连续性更好。利用该方法还对实际地震记录进行了滤波处理,并与用上述三种阈值和时频峰值等滤波方法处理后的记录作对比,进一步表明所提方法在压制随机噪声与保持有效信号方面的性能更优,具有较强的实用性。     

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。     

基于循环一致性生成对抗网络的地震数据随机噪声压制方法

压制随机噪声、提高信噪比是地震数据处理中的关键任务。为此,提出一种基于循环一致性生成对抗网络（CycleGAN）的地震数据随机噪声压制方法。构建的CycleGAN由两个生成器和两个判别器构成,为防止网络退化,生成器由Resnet构成,用以学习含噪数据与无噪数据之间的特征映射;为提高网络的分辨率和准确性,选用PatchGAN作为判别器;同时,在传统对抗损失的基础上,添加循环一致性损失,用以提升网络训练的稳定性。完成网络构建后,针对模型数据和实际数据调整网络参数,训练和测试网络,分析去噪前后数据的信噪比和均方根误差;并通过计算单道数据频谱,进一步分析局部去噪效果。模型数据和实际数据测试结果表明,该方法能够较好地消除地震数据中的随机噪声,且去噪效果优于小波阈值去噪方法,从而验证了所提方法的可行性。     

基于联合深度学习的地震数据随机噪声压制

噪声压制是地震资料处理中的一项关键任务.根据不同噪声的形成机制、特性,可以采用不同的压制方法,使地震资料的信噪比达到预期,提高后续地震资料处理和解释的效率和精度.现有基于深度学习的地震数据去噪方法,通常仅关注单一时域或频域的特征提取,导致局部过平滑或纹理模糊的现象;此外,传统卷积神经网络的卷积核往往采用固定较小的尺寸,...     

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。     

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。     

利用基于深度学习的过完备字典信号稀疏表示算法压制地震随机噪声

曲波变换去噪处理使同相轴在断层等不连续区域发生畸变,对有效信号产生干扰。基于过完备字典信号稀疏表示（K-SVD）需要人工反复调整参数才能改善去噪效果。为此,将K-SVD去噪算法与深度学习网络相结合,综合考虑深度学习网络与稀疏表示方法的优点,研究了基于深度学习的过完备字典信号稀疏表示（Deep-KSVD）的地震数据随机噪声压制方法。为了使该网络有能力学习参数,在追踪阶段用一个等价的可学习的替代方案代替正交匹配追踪（OMP）算法。计算过程包括将数据分解为重叠的数据块、通过适当的追踪对每个数据块去噪以及通过去噪后的数据块加权重建整个数据,去噪处理包括稀疏编码、正则化系数估计以及数据块重建三个部分。模型数据和实际数据测试结果表明：当Deep-KSVD网络训练完成后,给定含噪数据,能够自适应地衰减地震噪声,并保护有效不连续性信息及数据结构特点,无需再进行参数调整;与K-SVD去噪方法相比,Deep-KSVD去噪方法的噪声压制效果更好,可提高全频带数据的信噪比。