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。     

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。     

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。     

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。     

基于深度残差网络的初至拾取软件开发

基于残差的优化卷积神经网络—深度残差网络(ResNet)能够对图像进行有效的识别分类。将深度残差网络应用于地震数据的初至识别,借助Hadoop分布式批处理计算系统和TensorFlow人工智能学习平台开发了基于残差网络深度学习的初至波自动拾取软件。采用不同地区、不同震源类型和不同地表的地震数据对深度残差神经网络模型进行训练和验证,最终得到一个精度较高的地震初至自动拾取网络模型。本文总结了深度残差网络的基本方法原理、初至波自动拾取软件实现的关键步骤、地震初至自动拾取网络模型的训练、并验证了拾取效果和效率。     

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,限制了感受野大小,容易导致地震数据特征信息提取不充分。为此,提出一种基于联合深度学习的地震数据随机噪声压制方法。首先,考虑时域和频域两方面的特征信息,利用联合误差定义损失函数,改善特征提取效果;其次,通过分析卷积核大小和网络深度对感受野大小的影响,采用扩充卷积的方式,增加地震数据特征提取的多样性,减少地震数据细节的损失;再次,根据网络输入与输出数据具有相似性的特点,引入残差学习策略;最后,利用批归一化算法加快模型收敛,提高地震数据去噪效率。与同类算法对比实验表明,应用所提出的方法可得到更好的同相轴纹理保持效果和较高的信噪比。     

基于深度卷积神经网络的地震数据溶洞识别

溶洞识别对于缝洞型油气藏的勘探与开发具有重要意义。传统溶洞识别方法多解性强且效率低,因此将具有强特征学习能力、高泛化性的深度学习方法引入溶洞识别中,但溶洞的地震波场响应特征复杂、异常体尺寸较小、训练样本难以获取等导致深度学习在识别溶洞时仍具挑战性。为此,提出一套识别地震数据溶洞的"两步法"深度学习方法:首先通过U-Net模型识别地震剖面上的"串珠状"异常反射;再根据"串珠状"异常识别结果对地震数据进行小范围截取,输入深度残差网络中,实现对实际溶洞轮廓的预测。对于实际溶洞预测训练数据难以获取这一问题,采用波动方程正演模拟的方法制作具有准确标签的溶洞地震数据。实际地震数据的应用表明,该方法对于溶洞识别准确性高,抗噪能力强,可以极大地节约人工解释成本。     

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...     

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。     

基于曲波变换和各向异性扩散滤波的联合去噪技术

曲波变换阈值去噪方法是一种有效的随机噪音压制方法,其去噪效果取决于阈值的选取,且存在过度平滑和环绕效应2种固有缺陷。各向异性扩散滤波方法是一种基于热扩散偏微分方程的边界保持的滤波方法,适用于信噪比较高的地震纹理图像,往往用于图像增强。基于对曲波变换阈值的分析,充分结合2种去噪方法的优点,提出了一种有效的联合去噪算法,避开了曲波阈值选取的困难,实现了边界和振幅的保持,改善了曲波变换阈值方法的缺陷。通过对叠前、叠后模拟地震数据以及实际地震数据测试,证明了该方法在去除随机噪音的同时能有效保持地震同相轴的振幅和形态特征。通过6种定量化指标,分析了该方法相对于多种曲波阈值去噪方法在提高信噪比和保持边界特征方面的优势。     

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。     

时频域变分模态分解地震资料去噪方法

强噪声干扰、信噪比过低是造成深层地震资料成像不佳的主要因素。为此,提出在时频域内将变分模态分解算法应用于分频地震资料的噪声压制处理的新思路。首先,通过希尔伯特-黄变换（HHT）构建地震数据的解析信号,将地震数据转换到时频域,在时频域进行分频变分模态分解;随后,分析有效信号与噪声在时频切片上的能量分布,在此基础上优选出有效信号模态分量重构时频切片;最后反变换回时空域,达到噪声压制的目的。应用模型数据分析了关键参数对去噪效果的影响;实际资料的应用结果表明该算法可有效压制较强的随机背景噪声,同时对陡倾角的线性干扰也有明显的压制作用。     

深海地震资料叠前去噪方法研究

以琼东南深海三维地震资料为例,全面分析深海地震资料特点,深入分析深海干扰波的类型和特点。针对不同类型的干扰波,采用不同的处理方法,开展针对深海地震资料叠前去噪处理技术研究。通过研究深海地震多次波压制、水鸟干扰压制、涌浪干扰和异常振幅压制等处理方法,总结出针对深海地震资料的叠前去噪技术,为今后的深海地震资料处理工作奠定了技术基础。