基于深度学习卷积神经网络的地震数据随机噪声去除

为了有效去除地震数据随机噪声,提出了一种基于卷积神经网络(CNN)的地震数据随机噪声去除算法。算法的关键在于构建一个适用于地震数据去噪的CNN,包含输入层、卷积层、激活层、输出层等。该CNN以含噪地震数据作为输入层,由多个卷积层提取并处理地震数据,激活层采用修正线性单元(ReLU)获取地震数据波动特征,再借助归一化层加速网络训练收敛速度。CNN通过残差学习获得随机噪声并由网络输出层输出。分别采用小波变换、双树复小波变换、曲波变换以及CNN对实际叠前海上地震数据、叠后陆地数据及复杂陆地叠后数据进行去噪,实验结果表明,CNN能有效去除随机噪声,且与常规去噪算法相比具有更强的去噪能力,验证了算法的可行性和有效性。     

数据增广的编解码卷积网络地震层间多次波压制方法

层间多次波压制是地震资料去噪领域的一项前沿技术挑战，对获取高质量数据、了解地下真实构造具有十分重要的意义。现有的层间多次波压制方法耗时长，对人工参数调整要求高，处理低信噪比数据时可能导致层间多次波泄露。为此，提出一种基于数据增广的编解码卷积神经网络层间多次波压制方法。首先，利用基于虚同相轴的层间多次波压制方法从原始数据中估计出一次波和层间多次波，生成一次波标签数据。然后，构建两种增广训练集：一方面，通过改变训练样本中层间多次波的振幅、极性及旅行时，进行层间多次波波场数据的增广，提高层间多次波压制网络的泛化能力；另一方面，通过对原始数据添加不同信噪比的高斯噪声进行噪声注入的数据增广，提高网络的抗噪性能。最后，结合去噪卷积神经网络(DnCNN)和U形全卷积神经网络(U-Net)的优势搭建了适合层间多次波压制的深层编、解码网络，进行神经网络训练和预测。合成数据和实际数据的处理结果表明，该方法能够有效压制地震层间多次波并保护一次波，具有较强的泛化能力和抗噪性能，可显著提高计算效率。     

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。     

可控震源混叠地震数据分离与成像

对不同采集方式得到的可控震源混叠地震数据采用不同的地震处理方法进行分离。利用反演的思想,在高保真采集数据分离过程中引入广义逆算子和奇异值分解以改善分离效果;利用去噪的思想,对独立同步扫描得到的地震数据中的混叠噪声进行压制,其过程是先将混叠地震数据变换到人工分选道集,再采用矢量中值滤波随机噪声压制方法压制混叠噪声。对未分离的可控震源混叠地震数据先直接进行成像,再采用最小二乘逆时偏移方法压制逆时偏移成像过程中产生的部分串扰噪声,同时引入可控震源静态编码技术进一步压制直接成像过程中的产生串扰成像噪声,最后利用整形规则化滤波技术消除串扰成像噪声。模型试算与实际地震资料测试结果表明,利用基于整形规则化的可控震源编码最小二乘逆时偏移方法可消除串扰成像噪声,得到具有高信噪比、高分辨率、高振幅均衡性的成像剖面。     

基于卷积神经网络和叠加速度谱的地震层速度自动建模方法

CMP道集NMO叠加速度分析拾取的时间-速度对不仅受到水平层状介质假设的限制,而且在复杂构造低信噪比数据的适用性方面受到限制。提出了基于卷积神经网络和叠加速度谱的地震层速度自动建模方法,不拾取时间-速度对,而是将速度谱作为神经网络的输入数据,将时间域层速度作为标签数据,通过模拟大量随机速度模型和加入随机噪声建立强化测试集,基于L₁正则化对卷积神经网络进行训练,得到可直接将速度谱映射为时间域层速度的神经网络模型。将时间域层速度作为标签数据可以增强速度谱和速度模型的空间匹配,使得速度谱与速度模型的空间映射更加紧密和有效。将速度谱作为神经网络模型的输入数据,代替了速度谱时间-速度对的拾取,能够较好地克服复杂构造、噪声干扰对速度谱能量团聚焦性的影响。大量随机速度模型和随机噪声强化测试集,增强了深度学习速度建模网络的泛化能力和实用性。模型数据和实际资料测试结果表明,该卷积神经网络模型能够适应复杂低信噪比地震资料的自动速度建模,建模精度与人工拾取结果相当,建模效率提高100倍以上。     

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。     

双曲Radon-ASVD方法压制叠前地震数据随机噪声

针对地震数据中的噪声强弱分布不均匀时,奇异值分解(SVD)压制噪声的效果欠佳等问题,提出了将双曲变换和自适应奇异值分解相结合的算法。首先对叠前地震数据做双曲Radon变换,确定有效反射波的顶点和速度参数;据此将叠前地震数据分窗口无拉伸动校正后做自适应奇异值分解(ASVD);最后重建数据,达到压制随机噪声的目的。模型及实际资料处理结果对比表明,该算法可以较好地压制非均匀分布噪声。     

基于CWT-CNN的地震噪声压制研究

随着深度神经网络技术的发展,卷积神经网络(CNN)被越来越多地应用于地震数据的噪声压制中。常规CNN方法一般是在时间域进行,为了提升CNN方法对地震噪声的压制效果,提出了基于连续小波变换(CWT)的CNN地震噪声压制方法。该方法首先将一维时间域信号通过CWT转换为二维时频域信号。然后,在利用CNN对时频谱进行噪声压制时,提出了两种策略：能量谱策略(策略Ⅰ)是将CWT计算的复数矩阵的振幅谱作为CNN的训练样本,保持相位谱不变;复矩阵策略(策略Ⅱ)是将复数矩阵的实部和虚部图谱作为CNN的不同通道分别进行处理。最后,对于CNN的输出结果,利用逆连续小波变换(ICWT)将二维复数矩阵还原成一维地震信号。为了定量地对比方法的效果,提出利用峰值信噪比(PSNR)、结构相似性(SSIM)和均方根误差(RMSE)3个指标对比基于两种CWT策略的CNN方法与其它常规滤波(包括低通滤波、小波滤波和中值滤波)方法的噪声压制效果。相较于常规滤波方法,数值实验表明基于CWT策略的CNN方法具有更好的随机噪声和涌浪噪声压制效果。为了提高模型处理地震数据的泛化性,引入迁移学习对预训练模型进行微调。迁移学习的成功应用...     

基于自注意力机制的卷积自编码器多次波压制方法

地震数据的智能化处理可以降低人工成本,减少对未知先验信息的依赖,提升数据处理效率。在地震勘探数据中多次波通常被视作噪声,需要基于一定的数学物理模型对其进行压制或分离。研究利用与多次波全局时空高度相关的自注意力卷积自编码器神经网络压制多次波,可以避免实际计算中的超参数选取,大幅提高计算效率。其中,自注意力机制可以提升网络性能。将实测地震数据成像道集作为神经网络输入,使用商业软件将多次波压制后的结果作为标签数据,利用10%的工区地震数据训练神经网络以及90%的工区地震数据测试神经网络。神经网络测试的输出结果与标签数据的残差均值为0.001 4,两者差距极小,说明使用该神经网络压制多次波的结果是正确的。与传统方法相比,基于自注意力机制的卷积自编码器多次波压制方法只需人工处理小样本量数据,再进行神经网络训练便可处理工区的大体量地震数据,为实际地震数据的多次波压制提供了一种有效且高效率的智能化处理方法。     

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。     

基于S变换自适应滤波迭代的多源地震数据分离

S变换是由小波变换和短时傅里叶变换发展而来的时频分析方法,动校正后共中心点道集（NMO-CMP）中相同时刻各道地震信号的振幅、相位基本一致,多源地震数据中的混叠噪声在CMP道集中呈随机分布;将NMO-CMP道集叠加,以叠加道S变换谱为参考,可以判断出各道S变换谱中噪声与信号的分布。根据NMO-CMP道集中地震道S变换谱与叠加参考道S变换谱之间的偏离程度设计自适应滤波器,通过多级滤波、多次迭代的方法,提取多震源数据中的有效反射信号、分离混叠噪声。理论数据和实际数据模拟的多源地震数据试算结果表明,本文方法能够有效提取多源地震数据中的有效反射信号、分离混叠噪声和随机噪声。     

基于稀疏冗余表示的三维地震数据随机噪声压制

传统的二维随机噪声压制方法应用于三维地震数据的随机噪声压制时,去噪效果往往不理想,为此提出基于稀疏冗余表示的压制三维地震数据随机噪声的方法.该方法在贝叶斯框架下,通过正交匹配追踪(OMP)和K-奇异值分解(K-SVD)不断迭代更新三维稀疏矩阵和三维超完备离散余弦变换(DCT)字典,利用三维超完备DCT字典作为三维地震数据的稀疏冗余表示,使三维地震数据中随机噪声得到压制.三维模拟数据和实际地震数据试算表明:与常规f-x反褶积法和K-L变换法相比,该方法既提高了三维地震数据体的信噪比,又有效地保护了地震反射信号,而且水平切片的连续性和平滑性很好,构造复杂区域的分辨率也得到提高.     

基于动态时间规整ICA算法地震随机噪声压制

噪声压制是地震数据处理流程中的基本环节之一。传统的独立分量分析(ICA)算法仅适用于平缓地层同相轴的地震资料噪声压制,对非平缓地层同相轴地震资料去噪效果较差,且算法不够稳定,容易出现解混失败现象,导致去噪结果中产生坏道。针对这些问题,提出了将ICA算法与动态时间规整(DTW)算法相结合的噪声压制方法。首先使用DTW算法将倾斜地层同相轴校正为水平同相轴,利用ICA算法提取拉平后含噪地震数据的独立分量,实现拉平地震道的信噪分离。然后利用由DTW算法所提取的道间时差将同相轴还原为倾斜地层同相轴,从而实现复杂地震资料的随机噪声压制。理论模型和叠前叠后实际地震资料测试结果表明,该方法可以有效地压制地震数据中的随机噪声,且对非平缓地层也有较好的去噪效果,具有一定的实用价值。     

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。     

基于去噪卷积神经网络的面波噪声压制方法

提高地震资料的信噪比是地震数据处理的重要任务之一,与依赖信号模型及其相应先验假设的传统地震噪声衰减算法相比,基于大型训练集的深度神经网络的去噪方法通过对大型数据集进行学习,训练完成后可以对面波进行自适应智能降噪.根据叠前高密度地震数据的特点,建立面波去噪训练库,通过去噪卷积神经网络来衰减地震数据的面波噪声.为了准确高效...     

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。     

基于空间—波数域联合深度学习的数值频散压制

有限差分法是地震勘探领域常用的波场数值模拟方法，当空间网格间距大或使用低阶差分算子时会产生严重数值频散现象，影响模拟精度。为此提出一种基于联合学习深度卷积神经网络的数值频散压制方法，该方法使用卷积神经网络自适应提取波场特征进行频散校正。首先，利用波场数据在空间域和波数域的稀疏特征构建残差学习卷积神经网络，提取波场的主要特征；其次，基于L₁范数对网络模型进行稀疏优化，降低模型的复杂度，增加网络的泛化能力；最后，构造联合目标优化函数，使网络在空间—波数域联合约束的语义下学习频散压制的非线性逼近能力。将所提方法应用到不同模型正演的波场数据，结果表明：该方法可有效保护地震信号、压制频散；将网络与迁移学习结合，用于新模型的正演数据，可取得较好效果。与同类算法相比，该方法可以提高粗网格的计算精度、降低计算成本，所得波场快照具有较高的信噪比。