基于自注意力机制深度学习的重磁数据网格化和滤波方法

重磁数据网格化和滤波结果直接影响解释结果,为此设计了合理的深度学习网络结构以实现高精度重磁数据网格化和滤波处理。建立基于自注意力机制深度学习的网格化方法,使用自注意力机制层对二维位置编码进行处理,得到融合了全局与局部信息的位置编码向量,再将位置信息与异常信息融合输出节点异常,从而降低数据的失真性。针对重磁数据噪声具有随机性、条带状的特点,首先采用卷积神经网络进行噪声分类,针对条带状噪声和随机噪声分别采用自注意力机制神经网络和卷积自编码器进行去除,可获得质量较高的基础数据。模型试验表明,深度学习的网格化结构相对常规方法更接近真实结果,所开发的滤波方法能很好地实现不同类型噪声的去除,为后续反演提供更准确的基础数据。将基于深度学习的网格化和滤波方法用于实际磁场数据的处理,获得了较好的结果,证明该方法具有较强的实用性。     

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。     

基于深度学习的漏磁检测缺陷识别方法

传统漏磁信号缺陷量化缺少其他分量信息,人工特征的提取方式造成信息量有限。为此,提出一种基于深度学习的漏磁检测缺陷量化识别方法,并建立了漏磁检测缺陷识别模型,该模型包含深度卷积神经网络模块和回归模块。深度卷积神经网络模块利用卷积神经网络的多输入多输出互相关操作,完成漏磁缺陷信号3个分量(轴向、周向、径向)的数据融合,利用预训练的网络,迁移已有知识,实现缺陷信号的特征自动提取;回归模块中设计缺陷、长度和宽度联合损失函数,利用回归方式实现缺陷尺度的量化。采用有限元仿真和牵拉试验相结合的方式,建立漏磁信号缺陷量化数据集并划分为训练集和测试集,训练集用于模型训练,测试集进行方法验证。研究结果表明:90%置信度下,长度和宽度量化结果全部落在±10 mm的误差带上,深度量化结果全部落在±10%t (t为壁厚)的误差带上,满足工程检测要求,可有效完成管道漏磁缺陷识别。研究结果可为油气输送管道漏磁检测新技术的研究提供一定的参考。     

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,...     

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。     

松辽盆地深层火山岩岩性预测方法

基于松辽盆地深层火山岩岩心的密度及磁化率数据,通过模型正演分析可以看出,深层火山岩产生的重、磁异常不大,大多表现为叠加在强背景之上的次级异常,不易识别火山岩体。为此提出了积分-迭代延拓平化曲方法,增强火山岩磁异常信息,均衡磁异常,消除深度影响。通过应用该方法进行深层火山岩岩体圈定及岩性识别表明:该方法能有效增强深层火山岩的磁异常信息;磁异常的斜导数、欧拉反褶积能有效圈定火山岩边界;重、磁反演的视密度、视磁化率及两者的相关系数是识别火山岩的最佳三参数组合;井约束下的神经网络能有效判别火山岩岩性。     

融合部分卷积和注意力机制对抗网络模型的地震数据重建

以生成对抗网络(GAN)为代表的深度学习模型在地震数据重建中取得了较好效果，但普通GAN网络的重建结果常存在模糊、假频等缺点。主要原因是：普通卷积模型在对缺失较大的数据进行卷积时，其卷积结果主要受缺失区域的影响，而有效区域的影响较小；且普通卷积模型属于局部操作，卷积结果主要受卷积核内数据的影响，而相距较远的数据对其影响甚微。为此，文中提出了融合部分卷积和注意力模型的改进GAN网络。首先，在卷积过程中引入一个比例因子r实现部分卷积，从而强化有效区域对卷积结果的影响；然后，利用注意力机制选择余弦相似度高的有效(背景)数据，以突破卷积距离的限制，使更多背景数据参与缺失区域的重建。数据处理结果表明，所提方法显著改善了重建数据中的模糊、假频等现象。     

结合SKNet与U-Net的盐体识别方法

地下盐体与油气藏的关系密不可分,盐体的准确识别对油气藏勘探和钻探路径规划具有重要意义。以往的深度学习方法使用固定大小的感受野,不能根据地震图像中盐体的大小动态地调整卷积核来捕捉特征,从而忽略了部分全局信息,导致在盐体边界或狭长处识别效果较差。针对上述问题,在U-Net基础上进行改进,使用SKNet作为编码器提取盐体特征,其具有动态选择机制,根据输入信息的多个尺度自适应地调整感受野的大小,并结合位置与通道自注意力机制以及超柱体方法进行特征融合。采用改进的U-Net方法对TGS盐体数据集进行评估,取得交并比为85.66%、像素准确率为96.1%的识别效果。     

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...     

基于深度学习的鲁棒地震数据去噪

地震勘探数据中包含的噪声比较复杂,基于先验的传统建模方式无法准确地刻画噪声分布.深度学习 通过多层卷积神经网络自动提取数据的深层次特征,利用非线性逼近能力 自适应地学习而得到一个复杂的去噪模型,为地震数据去噪带来了新思路.但是,目前基于深度学习的去噪方法在样本覆盖不充分的情况下,学习得到的模型泛化能力不强,极大地降低了...     

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。     

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。     

基于迭代启发网络算法的非平稳随机噪声压制

常规滤波方法常常放大了噪声的影响,同时噪声的存在也限制了分辨率的提升,并“平滑”了地震数据中的不连续信息。为此,提出了基于迭代启发网络（ⅡN）算法的非平稳随机噪声压制方法,利用迭代启发网络压制非平稳随机噪声,网络结构简单、紧凑。ⅡN由交替方向乘子算法的迭代过程推导而来,利用L₁范数优化变分模型。在训练阶段,通过增加一个新的辅助变量,将目标函数的极值转化为增广拉格朗日格式,使用L-BFGS（Large-Broyden Fletcher Goldforb Shanno）算法判别、训练所有网络参数,最终得到最优去噪模型。理论模型及实际资料的去噪结果表明：①由训练得到的去噪模型根据有效信号的特征,在去噪的同时可保留同相轴的形状特征;采用的迭代网络简单、紧凑,加快了网络的收敛速度,能够用相对较小的数据集和较短的训练时间快速训练去噪模型,达到预期的去噪效果。②所提方法具有较强的适应性,有效地压制了常规地震数据中的非平稳随机噪声。     

优化小子域滤波方法研究及其应用

低通滤波是重磁数据处理中必不可少的处理手段。利用小子域滤波法进行低通滤波处理时能够很好地保留异常之间的界限,因此此法在实际数据处理中得到广泛应用。但是,小子域滤波法存在子域剖分方式不合理导致异常曲线扭曲的缺陷。本文针对现有小子域滤波法的子域剖分方式和判别准则进行相应改进,使其更加合理,并通过理论模型试算,证明了优化小子域滤波方法的有效性,最后将该方法应用于四川实测航磁异常数据的处理中,结果表明能更好地保留异常之间的界限特征,滤波输出结果合理、稳定。     

二维多级中值滤波技术在随机噪声消除中的应用初探

二维多级中值滤波技术是信号处理中的一项成熟技术，它不仅具有自适应性，而且具有窗口的可变性。本文将这项技术用于地震勘探中的噪声压制，重点分析了噪声条件与滤波因子长度的关系。本文中定义的噪声条件包括噪声强度及噪声分布密度两个因素。当噪声条件固定时，二维多级中值滤波效果以5点滤波长度为最佳；当固定噪声密度时，改变噪声强度对滤波长度的选取不起决定性作用；当固定噪声强度，改变噪声密度对滤波长度有很大的影响。此法通过实际资料的处理，不仅能有效地压制随机噪声，而且在一定程度上削弱了浅层折射干扰。     

重力异常的相关分析及其应用

利用随机过程的理论进行重磁资料的解释有独特的效果,它能克服一些传统方法难以克服的困难。本文提出利用自相关函数来表征随机过程。因为,当随机重力异常变换为自桐关函数过程中包含了异常向上廷拓的效果,故自相关函数能够起到压制高频随机干扰、测量误差,突出场源主异常的作用。随机重力异常的自相关函数通常有如下类型:单位脉冲型;三角型;马尔科夫型;高斯型;余弦指数型。利用这些形状的模型,可给出相应的规范自相关函数,再求出相应地质体的形状函数和计算地质体的中心深度的评估函数。应用上述理论处理两条实测重力剖面,将其结果与地震、地质资料进行对比表明,利用深度评估函数算出主密度层的平均深度和构造地质—地球物理模型进行正、反演计算,可以较可靠地研究地层分组和起伏。值得特别指出的是,主密度层平均深度的评估是由重力资料独立完成的,并不依赖密度资料的有无。     

相关滤波在微地震数据处理中的应用

由于微地震事件的频率高，持续时间短，能量小，随机噪声甚至可以淹没有用的微地震信号。在确定震源的位置、发震时刻和震源强度之前必须进行滤波处理。而常规的滤波方法在消除噪声，提高信噪比方面难以胜任。提出一种基于统计规律的多道互相关滤波方法，在消除微地震信号噪声方面取得了良好的效果。