基于数据增广的卷积神经网络地震层间多次波压制方法
阅读说明:本技术 基于数据增广的卷积神经网络地震层间多次波压制方法 (Data-amplification-based seismic interbed multiple suppression method for convolutional neural network ) 是由 胡天跃 刘小舟 刘韬 安圣培 肖彦君 于 2021-08-06 设计创作,主要内容包括:本发明公布了一种基于数据增广的卷积神经网络地震层间多次波压制方法,基于DnCNN和U-Net网络模型,搭建层间多次波压制的深层编解码网络模型,对三维陆地地震勘探资料采用搭建得卷积神经网络模型进行自适应层间多次波压制,实现三维陆地地震勘探资料的高效自适应层间多次波压制;本发明利用神经网络模型实现对三维地震数据的高效自适应层间多次波压制,无需人为调参,且具有良好的抗噪性和较高的计算效率。(The invention discloses a data augmentation-based convolutional neural network seismic interbed multiple suppression method, which is characterized in that a deep coding and decoding network model for interbed multiple suppression is built based on a DnCNN and U-Net network model, and the built convolutional neural network model is adopted for self-adaptive interbed multiple suppression on three-dimensional land seismic exploration data, so that high-efficiency self-adaptive interbed multiple suppression of the three-dimensional land seismic exploration data is realized; the method utilizes the neural network model to realize the high-efficiency self-adaptive interbed multiple suppression of the three-dimensional seismic data, does not need artificial parameter adjustment, and has good noise immunity and higher calculation efficiency.)
技术领域
本发明属于勘探地震数据处理技术领域,涉及陆地地震资料层间多次波的自适应压制方 法,尤其涉及一种基于数据增广的卷积神经网络地震层间多次波压制方法,对叠后三维地震 数据中的不同测线数据采用基于数据增广的卷积神经网络方法,实现三维陆地地震资料的高 效自适应层间多次波压制。
背景技术
在地震勘探过程中,由于地下构造较为复杂,地震资料中通常含有干扰波,严重影响后 续地震资料处理、解释等工作的开展。其中地震层间多次波是在地下地层间发生了多次反射 的地震波,其产生机理复杂,与一次波波组特征相似,剩余时差小,预测及压制的难度较大, 对构造及油气识别带来不利影响。因此,研究层间多次波压制的有效方法在地震勘探领域具 有重大意义。
目前的多次波压制方法主要包括滤波方法和预测减去法两大类[1]。滤波方法主要基于地 震波运动学及动力学差异,将地震数据从时间-空间域变换到其他数据域后,根据多次波和一 次波正常时差差异或多次波周期性将两者分离,实现多次波压制,例如预测反褶积法[2]、 Radon变换法[3]、聚束滤波方法[4-6]等。这类方法具有较高的计算效率,但处理速度梯度小 或构造复杂的数据时效果较差。预测减去法以波动方程为基础,从地震资料出发预测多次波, 再将预测的多次波从原始数据中减去,例如波场延拓方法[7]、SRME方法(surface-related multiple elimination,地表相关多次波压制法)[8]等,其中针对表面多次波压制的SRME法已 形成商业化模块。由于层间多次波与一次波在振幅和时间上有较强的相似性,许多层间多次 波压制方法被相继提出,例如基于反馈迭代模型的多次波压制方法[9]、逆散射级数法[10]及 虚同相轴方法[11]等。与滤波方法相比,预测减去法能够对构造复杂地区的数据取得较好的多 次波压制结果,然而计算效率较低,极大程度上依赖于人工调参[12],且处理低信噪比数据 时通常会导致多次波泄露。
随着计算机运算能力的提高和人工智能技术的发展,深度学习模型鉴于其强大的特征提 取能力及数据驱动的特点被广泛应用于地球物理领域。地震数据去噪是其中的热点之一,利 用深度学习模型建立出含噪数据与干净数据的复杂映射关系,以此实现对新数据集的高效自 适应去噪,达到无需人为调参、显著提高去噪效率的目的[13]。卷积神经网络(CNN)在深 度学习图像去噪领域表现突出,常用网络包括U形编码与解码网络(U-Net)[14]、去噪卷积 神经网络(DnCNN)[15]、生成对抗网络[16]等。在地震数据去噪领域,DnCNN和U-Net[13][17] 等网络在合成及实际数据的随机噪声压制中取得了较好的效果。此外,DnCNN被成功用于压 制合成及野外数据中的线性噪音[13]。然而,将神经网络方法应用在地震多次波压制方面的 技术方案较少,目前只被用于压制合成地震数据中的表面多次波[13]。对于层间多次波,难 以利用神经网络方法实现自适应去噪,主要有以下几个原因:(1)缺少成熟的层间多次波压 制方法,无法对实际数据生成一次波标签并建立有标签数据集;(2)层间多次波作为典型的 规则干扰,其波形等特征与局部构造变化有关,需要在三维地震数据体中生成足够量的标签 数据,否则神经网络无法学习到每条测线多次波的特征;而利用传统方法生成大量标签数据 使得神经网络方法同样出现耗时长的问题。
参考文献:
[1]Weglein A B.Multiple attenuation:an overview of recent advancesand the road ahead[J].The Leading Edge,1999,18(1):40-44.
[2]Taner M T,O'Doherty R F,Koehler F.Long period multiple suppressionby predictive deconvolution in the x-t domain[J].Geophysical Prospecting,2010,43(4):433-468.
[3]Dan H.Inverse velocity stacking for multiple elimination[C].SEGTechnical Program Expanded Abstracts,1986,5(1):419-419,Houston,Texas.
[4]胡天跃,王润秋,White R E.地震资料处理中的聚束滤波方法[J].地球物理学报,2000, 43(1):105-115.
[5]洪菲,胡天跃,张文坡,等.用优化聚束滤波方法消除低信噪比地震资料中的多次波[J]. 地球物理学报,2004,47(6):1106-1110.
[6]洪菲,胡天跃,王润秋.利用三维聚束滤波方法消除相关噪音[J].石油地球物理勘探, 2005,40(1):42-47.
[7]Verschuur D J,Berkhout A J.Removal of internal multiples with thecommon-focus-point (CFP)approach:Part 2-Application strategies and dataexamples[J].Geophysics,2005,70 (3):61-72.
[8]Baumstein A,Hadidi M T.3D surface-related multiple elimination:Data reconstruction and application to field data[J].Geophysics,2006,71(3):25-33.
[9]Brookes D.Case studies in 3D interbed multiple attenuation[J].Leading Edge,2011,30(8): 914-918.
[10]Zou Y,Weglein A B.A new method to eliminate first order internalmultiples for a normal incidence plane wave on a 1D earth[C].SEG TechnicalProgram Expanded Abstracts,2013, 4136-4140,Houston,Texas.
[11]刘嘉辉,胡天跃,彭更新.自适应虚同相轴方法压制地震层间多次波[J].地球物理学报, 2018,61(3):1196-1210.
[12]刘田田,薛野,唐新媛,等.QT地区层间多次波识别与压制方法[J].油气藏评价与开发, 2020,10(6):121-125.
[13]Yu S,Ma J,Wang W.Deep learning for denoising[J].Geophysics,2019,84(6):V333-V350. [14]Mao X,Shen C,Yang Y B.Image restoration using very deepconvolutional encoder-decoder networks with symmetric skip connections[C].Advances in neural information processing systems, 2016:2802-2810,Barcelona,Spain.
[15]Zhang K,Zuo W,Chen Y,et al.Beyond a gaussian denoiser:Residuallearning of deep cnn for image denoising[J].IEEE transactions on imageprocessing,2017,26(7):3142-3155.
[16]Chen J,Chen J,Chao H,et al.Image blind denoising with generativeadversarial network based noise modeling[C].Proceedings of the IEEEConference on Computer Vision and Pattern Recognition,2018:3155-3164,SaltLake City,UT,USA.
[17]王钰清,陆文凯,刘金林,等.基于数据增广和CNN的地震随机噪声压制[J].地球物理 学报,2019,62(1):421-433.
发明内容
针对以上技术问题,本发明提出了三维陆地地震数据的神经网络层间多次波自适应压制 方法,并在我国某盆地的实际地震资料中取得了较好的压制效果。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神经网络高效自适应压制。
本发明的核心是:利用现有的传统层间多次波压制方法生成少量有标签数据集,通过本 发明设计的两种针对层间多次波压制的数据增广方法扩充训练集,将增广后的数据集输入进 新搭建的适合层间多次波压制的深层编解码网络模型进行训练,实现无需人工调参且具有良 好抗噪性能的三维陆地地震数据的高效自适应层间多次波压制。本发明设计了两种针对层间 多次波压制的数据增广方法:通过进行改变层间多次波波场的数据增广,解决神经网络方法 进行多次波压制时需要大量一次波标签的问题,实现有限训练标签下的自适应层间多次波压 制;通过进行高斯噪声注入的数据增广,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,实现具有抗噪性的层间多次波压制。此外,结合DnCNN和U-Net两种 网络的特点搭建了适合层间多次波压制的深层编解码网络,网络训练后能够避免现有层间多 次波压制方法对人工调参的需求及耗时太长的问题。本发明利用神经网络实现了对三维地震 数据的高效自适应层间多次波压制,无需人为调参,且具有良好的抗噪性和较高的计算效率。
本发明提供的技术方案如下:
一种基于数据增广的卷积神经网络地震层间多次波压制方法,是一种三维陆地地震勘探 资料的卷积神经网络自适应层间多次波压制方法,该方法对叠后三维地震数据中的不同测线 数据采用神经网络方法,实现三维陆地地震资料的高效自适应层间多次波压制,包含以下步 骤(如图1):
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;
B.有标签数据集生成:
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,变化剧烈地区训练集应更为密集;
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;
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(称为波场增广方法):
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;
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';
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,将使用虚同相轴 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,,得到波 场增广数据集,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:
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及高 斯噪音两种干扰的特征,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,得到高斯噪声注入的增广数据集,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:
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;该模型包含编码网络和与之对称的解码 网络两部分,分别由五层卷积层和五层反卷积层提取地震数据中抽象背景信息和具体细节信 息,使网络准确压制层间多次波并恢复有效波;对每个卷积层或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,并使用Relu函数激活;通过跳跃接连操作连接编码和解码 网络中同层特征图,使网络能够提取地震数据中的复杂特征;
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、学习率等;
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。
本发明的有益效果:
现有常用的层间多次波压制方法计算效率较低,且压制效果依赖于人为调参,处理低信 噪比数据时通常存在层间多次波泄露。而本发明提供的方法利用神经网络对层间多次波实现 高效自适应压制,以虚同相轴方法得到的少量层间多次波压制结果为标签,利用本发明提出 的两种针对层间多次波压制的数据增广方法及新搭建的适合层间多次波压制的深层编解码卷 积神经网络进行训练,实现了神经网络自适应层间多次波压制,无需人为调参,显著提高了 计算效率,具有较好的抗噪性。本发明的技术优势在于:
(一)本发明方法中,利用深度学习具备的强大特征提取能力,避免现有层间多次波方 法的人为调参需求和耗时较长的问题,实现对新数据集的高效、自适应层间多次波压制;
(二)本发明构建了适合层间多次波压制的深层编解码网络,能够有效学习地震数据中 不同信号的特征,并较为精确地压制层间多次波并保护一次波,压制结果误差较小;
(三)本发明基于深度学习数据驱动的特点,设计了两种针对层间多次波压制的数据增 广方法使网络具有较优的性能:通过改变层间多次波波场的数据增广,解决神经网络方法进 行多次波压制时需要大量一次波标签的问题,实现有限训练标签下的神经网络自适应层间多 次波压制;通过高斯噪声注入的数据增广,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。
附图说明
图1是本发明提供的基于数据增广的卷积神经网络层间多次波压制方法的流程框图。
图2是本发明搭建的深层编解码网络结构;
网络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组成,通过下 采样进行抽象特征提取;解码网络由五层反卷积层构成,通过上采样进行细节特征恢复;解、 编码网络的第二至五层输出特征图间加入了跳跃接连操作,使网络融合不同维度的特征;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。
图3是用于产生含层间多次波的合成数据的倾斜层状模型示意图;
其中,炮点及检波点均位于地表;图中色标表示速度值大小。
图4是本发明实施例应用神经网络方法的波场增广合成数据示例;
其中,合成数据通过图3模型的正演得到;(a)为包含层间多次波的全波场数据;(b)为进 行波场增广后的数据;(c)为虚同相轴方法对(a)进行层间多次波压制得到的一次波标签;(d) 为本发明方法对(b)数据进行层间多次波压制的结果;(e)为本发明方法对(b)数据进行层间多次 波压制的误差,即(c)-(d)。
图5是本发明实施例应用神经网络方法的高斯噪声注入增广合成数据示例;
其中,虚线箭头与实线箭头分别标示多次波残留及一次波损失;(a)为高斯噪声注入增广 后的信噪比为5dB的增广数据;(b)为虚同相轴方法对(a)进行层间多次波压制的结果;(c)为本 发明方法对(a)进行层间多次波压制的结果;(d)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;(e)为虚同相轴方法对(a)进行层间多次波压制的误差,即(d)-(b),存在多 次波泄露;(f)为本发明方法对(a)进行层间多次波压制的误差,即(d)-(c)。
图6是本发明实施例中处理某盆地实际三维叠后陆地地震资料的结果;
其中,虚线椭圆标示神经网络方法产生的较大误差;(a)为原始数据;(b)为选择1/2测线 作为标签的神经网络压制结果;(c)为选择1/4测线作为标签的压制结果;(d)为选择1/6测线 作为标签并进行数据增广的压制结果;(e)为选择1/6测线作为标签的压制结果;(f)为虚同相 轴法压制结果;(g)为选择1/2测线作为标签的压制误差,即(b)-(f);(h)为选择1/4测线作为标 签的压制误差,即(c)-(f);(i)为选择1/6测线作为标签并进行数据增广的压制误差,即(d)-(f); (j)为选择1/6测线作为标签的压制误差,即(e)-(f)。
图7是本发明实施例中处理某盆地低信噪比陆地地震资料的结果;
其中,虚线椭圆标示神经网络方法产生的较大误差,箭头标示虚同相轴方法恢复出的较 弱一次波;(a)为原始数据;(b)为虚同相轴法对(a)的压制结果;(c)为高斯噪声注入后的低信噪 比数据;(d)为本发明方法对(c)的压制结果;(e)为本发明方法压制的干扰(c)-(d);(f)为本发明 方法压制误差(b)-(d)。
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。