具体实施方式

下面结合附图，通过实施例进一步描述本发明，但不以任何方式限制本发明的范围。

本发明提供的方法是一种三维陆地地震数据卷积神经网络层间多次波压制方法，能够实 现陆地地震资料的高效层间多次波压制，该方法在我国某盆地的实际陆地地震资料中取得较 好的层间多次波压制效果。本发明输入数据为叠后三维陆地地震数据，通过有标签数据集生 成、数据增广、神经网络训练和神经网络预测，实现对三维地震数据中不同测线数据层间多 次波的自适应压制。

本发明建立深层编解码网络及提出两种数据增广方法，均针对于层间多次波压制任务设 计，本发明通过利用神经网络实现机器自动化的层间多次波压制，具有较高计算效率及抗噪 性能。图1是本发明提供的卷积神经网络自适应层间多次波压制方法的流程框图；对三维陆 地地震数据应用神经网络法实现层间多次波压制包含以下步骤：

A.输入数据准备：对原始地震数据进行处理，得到叠后三维地震数据，处理流程主要包 括静校正，叠前去噪，振幅补偿，反褶积，速度分析，动校正，水平叠加以及偏移，其中叠 前去噪包括随机噪音、线性干扰、面波、表面多次波压制等，具体处理流程应该针对不同地 震资料的特点进行设计，处理完成后得到叠后三维地震数据；

B.有标签数据集生成：

利用神经网络方法对地震数据进行层间多次波压制时，需要在有标签数据集的基础上训 练。因此首先利用虚同相轴方法对原始数据估计出一次波，生成有标签数据集，具体实现过 程如下：

B1.选择叠后三维地震数据中的部分测线，作为训练集样本，其余测线可作为验证集和 测试集，训练集的选择取决于该地区构造变化程度，变化剧烈地区应更为密集；本发明针对 盆地地震数据进行测试，该地区地质条件复杂，缝洞体、断层等构造较为发育，存在一定变 化，因此尝试在每2、4、6条联络测线中选1条作为训练集，并在数据变化较大处适当增加 训练集数量，最多不超过每2条测线选1条；

B2.利用虚同相轴方法对数据集中的原始数据d进行层间多次波压制，将去噪结果和压 制的层间多次波分别作为估计一次波p₀及估计层间多次波m₀，原始数据模型可用式1表示：

d(t)＝p₀(t)+m₀(t) (式1)

其中，t为时间采样点；

B3.将原始数据d作为数据集样本，将虚同相轴方法得到的估计一次波p₀作为标签，以 此生成有标签数据集，解决利用神经网络进行层间多次波压制时训练标签难以获取的问题；

C.改变层间多次波波场的数据增广：

本发明针对层间多次波压制任务设计了改变层间多次波波场的数据增广方法，简称波场 增广方法，以更加充分地利用有限的标签数据，缓解神经网络方法进行多次波压制时需要大 量一次波标签的问题，使网络在有限标签的情况下对新数据集保持较好的层间多次波压制能 力。波场增广方法具体实现过程如下：

C1.对虚同相轴方法估计出的层间多次波m₀进行振幅、相位、到时的改变，得到改变波 场后的层间多次波m₁，波场改变的幅度需要根据具体数据进行尝试后选择，该过程用式2表 示：

m₁(t)＝m₀(t+Δt)·γ (式2)

其中，t为时间采样点，Δt表示层间多次波在时间维度浮动的采样点数，γ表示层间多 次波振幅及相位改变系数，取负数时表示波场相位反转，绝对值小于1表示振幅绝对值减小， 相反绝对值大于1时表示振幅绝对值增大，||γ|-1|表示振幅浮动的百分比；

C2.将改变波场后的层间多次波m₁与估计一次波p₀相加，得到波场增广后的含噪数据 d'，公式可用式3表示：

d'(t)＝p₀(t)+m₁＝p₀(t)+m₀(t+Δt)·γ (式3)

其中，t为时间采样点，Δt表示层间多次波在时间维度浮动的采样点数，γ表示层间多 次波振幅及相位改变系数；

C3.将d'加入训练集作为样本，使增广训练集中包含更多复杂的层间多次波特征，以保 证层间多次波压制网络在有限样本的情况下学习到足够的层间多次波特征，将虚同相轴方法 对原始数据估计的一次波p₀作为标签，完成改变层间多次波波场的数据增广，一定程度上解 决神经网络方法进行层间多次波压制时需要大量一次波标签的问题，实现有限训练标签下的 神经网络自适应层间多次波压制；

D.高斯噪声注入的数据增广：

本发明针对层间多次波压制任务设计了高斯噪声注入的数据增广方法，以避免现有层间 多次波压制方法处理低信噪比数据时的多次波泄露问题，使本发明的层间多次波压制方法具 有对随机噪声的抗噪性。具体实现过程如下：

D1.对原始训练集中的数据添加不同等级的高斯噪音，生成不同信噪比的地震数据；

D2.将不同信噪比的地震数据加入训练集作为样本，使增广训练集包含层间多次波和高 斯噪声两种干扰的特征，以保证层间多次波压制网络学习到两种干扰的特征，具备压制两种 干扰的能力，将现有虚同相轴方法对原始数据估计的一次波p₀作为标签数据，完成高斯噪声 注入的数据增广，以此解决现有层间多次波压制方法处理低信噪比数据时的多次波泄露问题， 实现具有抗噪性的神经网络层间多次波压制。

E.深层编解码网络搭建、训练及预测：

常用的层间多次波压制方法计算效率较低，效果依赖于人工调参，且处理低信噪比数据 时存在多次波泄露。因此本发明利用深度学习的强大特征提取能力及数据驱动的特点，实现 具有抗噪性的高效自适应层间多次波压制，避免人工调参需求及抗噪性较差的问题。本发明 基于U-Net的结构，加入DnCNN模型中的批归一化操作，网络模型的搭建和参数均针对层 间多次波压制任务进行设计和调试得到。以下说明利用卷积神经网络进行层间多次波压制的 原理方法：

含层间多次波及随机噪音的地震数据可以用式4表示：

d＝p+m+n (式4)

其中，d为原始数据；p为一次波数据；m、n分别为原始数据中的层间多次波和随机噪 音。

利用神经网络压制噪音的目标是在无任何假设的情况下，从d中恢复出p。其去噪流程 可以用式5表示：

式中：为网络压制层间多次波后输出的一次波，是真实一次波p的近似；θ是网络中 的待优化参数，在卷积神经网络中包括卷积核权重w及偏差b；Net为网络结构。在网络训练过程中，输入数据首先进行前向传播，经过网络内的逐层计算后得到输出数据；在此之后输出数据进行反向传播以更新网络参数，网络参数更新的标准是使得损失函数达到最小值， 公式如下：

其中k为网络层数，N为输入数据的总采样点数，L(w,b)为损失函数，本发明中将网络计 算得到的输出数据与标签数据的均方误差(MSE)作为损失函数，以提升模型泛化能力，则 参数更新的过程等同于使输出与一次波标签的均方误差降低到最小的过程；α为学习率，代 表网络参数更新的幅度，训练初期使用较大学习率，能够使模型快速得到较优解，随后应逐 步减小学习率使模型稳定收敛得到最优解。

E1.搭建适合层间多次波压制的深层编解码网络模型，其宏观架构参考U-Net设计，加 入DnCNN中的批归一化操作，具体参数设置由本发明针对层间多次波压制任务重新调试得 到，例如卷积层层数、卷积核个数、大小、步长等。

在层间多次波压制任务中，层间多次波与一次波在同一组地震数据中的到时相对固定， 因此网络需要提取较为宏观抽象的位置信息以区分并识别层间多次波与一次波；同时网络需 要准确压制层间多次波并恢复出一次波的细节，因此需要能够提取较为具体的局部信息。本 发明参考了两种经典卷积神经网络架构，搭建了能够同时提取抽象信息和细节信息的适合层 间多次波压制的网络。DnCNN在图像去噪方面表现突出，网络使用的批归一化操作可以将每 层的输入值归一化到较为标准的分布，使非线性函数对输入更为敏感，缓解网络训练过程中 的梯度消失问题，加速网络收敛过程。U-Net是图像分割领域的经典网络，网络采用编码与 解码结构，使网络能够同时提取抽象及细节特征，且网络跳跃接连了编码、解码网络中的同 层输出，使网络融合多维信息，提取复杂特征。因此，本发明结合DnCNN的批归一化操作 与U-Net的宏观架构来搭建层间多次波压制网络，并针对层间多次波压制任务重新设置网络 的具体参数。

本发明构建的网络结构如图2所示，包含编码网络和与之对称的解码网络两部分。编码 网络由五层卷积层构成，卷积核大小设置为4×4，卷积核步长为2，则卷积层输出的特征图尺 寸变为输入的1/2，以便网络通过下采样进行抽象背景特征提取，根据层间多次波与一次波之 间的宏观位置关系对二者进行识别与判断；卷积核数量从第二个卷积层后逐层翻倍，使输出 特征图数目扩大2倍以充分保留有效特征；解码网络由五层反卷积层构成，通过上采样提取 细节特征，使网络能够精确压制层间多次波并恢复出一次波的具体细节信息，卷积核大小、 数量及步长等与编码网络中同层卷积核的参数设置相同，则每个反卷积层输出特征图尺寸扩 大2倍，数目变为原来的1/2，最终使输出特征图恢复成输入数据的尺寸；第二层以下的卷积 层及反卷积层后加入批归一化操作，使网络具有较快的收敛速度；激活函数选择Relu函数， 以加速网络收敛；解码网络的第二至五个反卷积层输出的特征图跳跃接连编码网络中同层特 征图，使网络融合多维信息，提取地震数据中的复杂特征。网络最后加入包含1个卷积核的 卷积层，选择Tanh函数激活后输出，使输出通道数恢复为输入通道数。网络输入为含层间多 次波的原始数据，网络输出为压制层间多次波后得到的一次波。

E2.将增广数据集输入搭建的层间多次波压制深层编解码网络中进行训练，训练过程中 的超参数通过不同数据的验证集收敛情况确定，例如训练轮数、优化器、学习率；本发明算 例中选择的优化器为Adam，初始学习率为1×10^-3，随网络收敛不断下降，网络训练轮数共 600轮，在第250轮左右基本收敛稳定；

E3.网络训练完成后，将含层间多次波的其他测线数据输入深层编解码网络，即可得到 本发明方法的层间多次波压制结果，实现具有较强抗噪性及适应性的神经网络层间多次波压 制，避免现有方法的人工调参需求及耗时太长的问题；

本发明在具体实施中，利用合成地震数据验证本发明方法压制层间多次波的效果。使用 图3所示的地质模型，通过可控层分阶层间多次波模拟法正演得到合成地震数据，利用现有 虚同相轴方法生成有标签数据集后，进行本发明提出的两种针对层间多次波压制的数据增广， 以扩充训练集，训练集、验证集和测试集的样本比例为10:1:1，且不同数据集中样本完全不 重合。之后利用本发明搭建的深层编解码网络训练，通过验证集收敛情况选择合理的超参数， 优化器为Adam，网络训练轮数共600轮，在第250轮左右基本收敛稳定，训练完成后取得 较好的层间多次波压制效果。

图4为本发明方法对波场增广数据的层间多次波压制结果。由于现有虚同相轴方法无法 用真实一次波匹配压制改变波场的层间多次波，因此不用该方法处理波场增广数据。图4a为 原始合成数据，图4b为波场增广数据，波场增广参数Δt∈[0，5]，γ∈[0.5，1.5]，振幅浮动范 围为50％，图4c为虚同相轴方法对图4a原始数据进行层间多次波压制得到的一次波标签， 图4d、e分别为本发明方法对图4b进行层间多次波压制的结果和误差。作为数据驱动的算法， 在仅有原始数据及虚同相轴标签的情况下，通过波场增广增加训练集中多次波特征的多样性， 可以提高神经网络方法对新数据集的层间多次波压制能力；因此本发明的层间多次波压制方 法能有效压制新数据集中的多次波，具有较强的适应性。

图5为本发明对高斯噪声注入的增广数据的层间多次波压制结果，增广数据信噪比在 0-30dB之间。图5a为噪声注入增广后的5dB合成数据，图5b、c分别为虚同相轴方法和本 发明方法对图5a的增广数据进行层间多次波压制的结果，虚线箭头与实线箭头分别标示多次 波残留及一次波损失；图5d为虚同相轴方法对原始数据进行层间多次波压制得到的标签数 据；图5e、f分别为虚同相轴方法和本发明方法对图5a的增广数据进行层间多次波压制的误 差。虚同相轴方法处理5dB地震数据时，存在较明显的多次波泄露与一次波损失，分别如图 5e中虚线箭头及实线箭头所示；而通过本发明中的高斯噪声注入的数据增广方法，神经网络 能够学习训练集中包含的两种噪音的特征，在具备层间多次波压制能力的同时具有抗噪性能； 因此本发明方法能够自适应压制新低信噪比数据中的多次波及高斯噪声并充分保护有效波， 压制误差较小。

图6为本发明算法应用到某盆地叠后三维地震数据中进行层间多次波压制的结果。图6a 为第1865条联络测线的原始数据，图6f为虚同相轴方法的压制结果。当标签数目为测线总 数目的1/2或1/4时层间多次波压制结果较好，不存在明显的误差，如图6g，h所示。图6e、 j为每6条测线选1条制作标签时本发明的压制结果和误差，由于样本数量少，深层编解码网 络预测结果存在相对连续的有效波损失，如图6j中虚线椭圆所示。图6d，i为对1/6标签进 行波场增广后深层编解码网络层间多次波压制的结果与误差，波场增广参数为Δt∈[0，1]，γ∈ [0.9，1.1]，振幅浮动范围为10％。与未增广的压制误差相比(图6j)，增广后的压制误差明 显变小(图6i)；且1/6标签增广后的压制误差(图6i)与1/4标签的压制误差(图6h)相 比没有明显增大。本发明中波场增广方法能缓解训练样本缺少的问题，提高网络压制新数据 集中层间多次波的适应性，保证神经网络在小样本训练时仍具有较好的层间多次波压制效果。

图7为本发明算法对加入高斯噪声的某盆地地震数据的层间多次波压制结果。图7a为第 1690条联络测线原始地震数据，图7b为虚同相轴方法对原始数据的压制结果，其中箭头标 示虚同相轴方法恢复出的较弱一次波。图7c为加入高斯噪声后的5dB地震数据，利用本发明 方法对该数据进行处理后，层间多次波及高斯噪音均得到了较为充分的压制，且箭头处的较 弱一次波得到了很好的恢复(图7d)，且图7f中虚线椭圆指示的压制误差较为微弱。在信噪 比较低的情况下，本发明层间多次波压制方法仍然能充分压制层间多次波并保护一次波，具 有较好的抗噪性。本发明中高斯噪声注入的数据增广方法能够使网络学习两种噪音的特征， 实现对新数据集中层间多次波与随机噪音的同时压制。

需要注意的是，公布实施例的目的在于帮助进一步理解本发明，但是本领域的技术人员 可以理解：在不脱离本发明及所附权利要求的精神和范围内，各种替换和修改都是可能的。 因此，本发明不应局限于实施例所公开的内容，本发明要求保护的范围以权利要求书界定的 范围为准。