基于Noise-to-Noise自监督学习的地震数据去噪方法

在地震勘探采集到的地震数据中不可避免的存在随机噪声,而高信噪比的地震数据是地震资料反演和解释的基础.因此随机噪声压制一直是地震资料处理中的重要工作.近些年来,随着深度学习技术的发展,基于卷积神经网络的地震数据去噪方法已经取得了丰硕的成果.常规的监督学习策略需要获取无噪数据作为标签,然而从实际地震数据中获取无噪数据只能通过传统去噪方法进行预处理,以此方法构建标签数据的监督学习去噪网络必然受构建数据集的去噪方法影响.针对此问题,本文提出了一种基于Noise-to-Noise自监督学习的地震数据去噪方法,该方法通过对实际地震数据添加不同等级的噪声构建训练数据集,仅需要含噪地震数据即可训练去噪网络.合成数据测试和实际数据测试表明,本文方法可以有效去除地震数据中的随机噪声,性能优于受数据集构建方法所限的监督学习去噪方法和传统去噪方法.     

基于深度卷积神经网络的地震数据随机噪声压制

本文以提高地震数据的成像质量为目标,提出一种智能的卷积神经网络降噪框架,从带有噪声的地震数据中自适应地学习地震信号。为了加速网络训练和避免训练时出现梯度消失现象,我们在网络中加入残差学习和批标准化的方法,并采用了ReLU激活函数和Adam优化算法优化网络。此外,Marmousi和F3数据集被用来对网络进行训练和测试,经过充分训练的网络不仅能在学习中保留地震数据特征,而且能去除随机噪声。首先充分地训练网络,从中提取出随机噪声,并保留学习到的地震数据特征,之后通过重建地震数据估算测试集中的波形特征。合成记录和实际数据的处理结果显示了深度卷积神经网络在随机噪声压制任务中的潜力,并通过实验验证表明了深度卷积神经网络框架有很好的去噪效果。      

基于卷积神经网络的井中分布式光纤传感器地震数据随机噪声压制新技术

分布式光纤传感器(distributed fiber-optical acoustic sensor,DAS)是一种快速发展的具有巨大应用前景的地震勘探检波器技术.实际DAS地震资料往往会受到大量强能量随机噪声的干扰,通常表现为低信噪比(signal-to-noise ratio,SNR).这一现象给接下来的成像、反演以及解释带来了巨大的困难,因此如何压制DAS地震资料中的随机噪声并提高其SNR成为一个有待解决的技术问题.卷积神经网络(convolutional neural network,CNN)已经被证明是一种有效的噪声压制工具.通常情况下,CNN需要一个理论纯净地震数据集来优化网络,这极大地限制了CNN在DAS地震资料处理中的应用.在本文中,我们采用正演模拟的方法来构建理论纯净DAS地震数据集,通过正演模型的参数多样化增强数据集的真实性,从而获得适合DAS地震资料随机噪声压制的CNN去噪模型.此外,在网络结构方面,我们利用泄漏线性整流单元作为CNN的激活函数增强训练后模型对微弱有效信号的恢复能力;在训练过程中,通过能量比矩阵调节噪声片和有效信号片之间的SNR,增强CNN去噪模型对于不同SNR的DAS地震数据的适应性.模拟和实际实验均表明本文提出的这种正演模型驱动的卷积神经网络(forward-model-actuation convolutional neural network,FMA-CNN)能够有效地压制DAS随机噪声同时完整地恢复有效信号.     

基于Hessian矩阵的地震随机噪声压制方法

随机噪声的压制在提高地震资料信噪比方面发挥重要作用.考虑到传统去噪方法在构造复杂地区难以取得理想的去噪结果,本文提出基于Hessian矩阵特征值对应的线性目标关系在多个尺度上对随机噪声进行压制.该方法将地震信号看作不同尺度的曲线,从而利用Hessian矩阵在曲线检测方面表现出的良好性能实现信噪分离.该方法与传统方法相比不受地层倾角的限制,因此能够处理构造较为复杂地区的地震数据.利用模型及实际资料对该方法进行了验证并与传统方法F-X反褶积的去噪结果做对比,结果表明基于Hessian矩阵的随机噪声压制方法在构造复杂地区能够保持有效信号的完整性.     

基于数据增广训练的深度神经网络方法压制地震多次波

地震数据中存在的多次波影响偏移成像,误导地震资料的解释,因此通常视为相干噪声而被去除.为了对多次波进行智能化衰减,本文提出了一种基于数据增广训练的使用深度神经网络的多次波压制方法.设计的深度神经网络包括卷积编码和卷积解码过程,其中卷积编码过程学习全波场数据中的一次波特征,卷积解码过程利用这些特征来重构一次波并压制多次波和随机噪声.在训练阶段,旋转训练集并在输入数据中加入随机噪声构成增广训练数据集来提升神经网络的抗噪稳定性和泛化性,通过迁移学习让深度神经网络具备跨工区压制多次波的能力.简单模型与Sigsbee2B模型三套模拟数据的实例验证了本文方法在一次波重构和多次波压制中的有效性、稳定性和良好泛化性;一套崎岖海底模型地震物理模拟数据的应用实例表明本文方法具有应用于复杂条件下压制地震多次波的能力.     

基于压缩感知的小波阈值和CEEMD联合去噪方法

中深层地质条件复杂,地震资料品质差,主要表现为:地震资料信噪比低、有效信号弱.如何在去噪的同时有效保留弱有效信号,获取高信噪比的地震数据成为地震数据处理的关键问题.传统小波阈值与互补集合经验模态分解(CEEMD)联合去噪方法相比单一方法可以获取更高品质的地震数据.基于压缩感知理论的去噪方法利用地震数据在变换域中的稀疏特性,通过设定稀疏基矩阵和测量矩阵,可以将地震数据去噪问题转化成求解最优化问题,通过最优解重构原始信号,实现对地震资料的去噪处理.该方法能够在有效衰减随机噪声的同时最大限度的保留有效信号.本文基于压缩感知理论开展小波阈值去噪方法研究,并在此基础上结合CEEMD方法对含噪较多的固有模态分量进行有针对性的随机噪声压制.通过对含噪数据开展不同方法的去噪结果对比可见,本文方法可以在保证高信噪比的基础上更为有效的保留弱有效信号,数值试算验证了该方法对弱有效信号地震数据去噪具有显著优势.     

基于经验模态分解的分数维地震随机噪声衰减方法

经验模态分解算法(EMD)是一种基于有效波和噪声尺度差异进行波场分离的随机噪声压制方法,但由于实际地震数据波场复杂,导致模态混叠较严重,仅凭该方法进行去噪很难达到理想效果.本文基于EMD算法对信号多尺度的分解特性,结合Hausdorff维数约束条件,提出一种用于地震随机噪声衰减的新方法.首先对地震数据进行EMD自适应分解,得到一系列具有不同尺度的、分形自相似性的固有模态分量(IMF);在此基础上,基于有效信号和随机噪声的Hausdorff维数差异,识别混有随机噪声的IMF分量,对该分量进行相关的阈值滤波处理,从而实现有效信号和随机噪声的有效分离.文中从仿真信号试验出发,到模型地震数据和实际地震数据的测试处理,同时与传统的EMD处理结果相对比.结果表明,本文方法对地震随机噪声的衰减有更佳的压制效果.     

一种神经网络改进小波的地震数据随机噪声去除方法

地震资料的有效信号反射弱,且易受多次波的影响,不可避免地存在随机噪声干扰。提出一种基于神经网络改进小波的地震数据随机噪声去除方法,采用神经网络模型,识别出随机噪声信号,对该信号进行小波包分解,获取多类别随机噪声信号,采用级联BP神经网络模型提取出多类别随机噪声信号,实现地震数据的随机信号压制。实验结果显示,这种改进小波方法对地震数据随机噪声信号的去噪效果较好,在复杂沉积地质结构被探测介质的地震数据随机噪声压制方面具有较强的适用性。     

基于f-x域流式预测滤波器的地震随机噪声衰减方法

随机噪声的影响在地震勘探中是不可避免的,常规的随机噪声压制方法在处理中往往会破坏具有时空变化特征的非平稳有效地震信号,影响地震数据的准确成像.当前油气勘探的目标已经转变为“两宽一高”,随着数据量的增大,对去噪方法的处理效率也提出了更高的要求.因此,开发高效的非平稳地震数据随机噪声压制方法具有重要意义.预测滤波技术广泛用于地震随机噪声的衰减,本文基于流式处理框架提出一种新的f-x域流式预测滤波方法,通过在频率域建立预测自回归方程,运用直接复数矩阵逆运算代替迭代算法求解非平稳滤波器系数,实现时空变地震同相轴预测,提高自适应预测滤波的计算效率.通过与工业标准的FXDECON方法和f-x域正则化非平稳自回归(RNA)方法进行对比,理论模型和实际数据的测试结果表明,提出的f-x域流式预测滤波方法能更好地平衡时空变有效信号保护、随机噪声压制和高效计算三者之间的关系,获得合理的处理效果.     

基于分数阶小波域GSM模型的地震信号随机噪声压制方法

地震信号中的随机噪声是一种干扰波,严重降低了地震信号的信噪比,并影响着资料的后续处理和分析.本文根据地震信号中有效信号和随机噪声的差异,结合分数阶B样条小波变换与高斯尺度混合模型提出了一种地震信号随机噪声压制方法.首先利用分数阶B样条小波变换将含噪地震信号映射到最优分数阶小波时频域内,然后对各小波子带系数分别建立高斯尺度混合模型,由贝叶斯方法估计出源地震信号小波系数,最后使用分数阶B样条小波逆变换重构得到降噪后的地震信号.利用本文方法对合成地震记录和实际地震信号进行降噪处理,实验结果表明本文方法能够有效地压制地震信号中的随机噪声,并且较好地保留了有效信号.     

低信噪比地震资料FDOC-seislet变换阈值消噪方法研究

地震数据本质上是时变的,不仅有效同相轴表现出确定性信号的时变特征,而且复杂地表和构造条件以及深部探测环境总是引入时变的非平稳随机噪声.标准的频率-空间域预测滤波只适合压制平面波信号假设下的平稳随机噪声,而处理非平稳地震随机噪声时,需要将数据体分割为小窗口进行分析,但效果不够理想,而传统非预测类随机噪声压制方法往往适应性不高,因此开发能够保护地震信号时变特征的随机噪声压制方法具有重要的工业价值.压缩感知是近年出现的一个新的采样理论,通过开发信号的稀疏特性,已经在地震数据处理中的数据插值以及噪声压制中得到了应用.本文系统地分析了压缩感知理论框架下的地震随机噪声压制问题,建立了阈值消噪的数学反演目标函数;针对时变有效信息具有的可压缩性,利用有限差分算法求解炮检距连续方程,构建有限差分炮检距连续预测算子(FDOC),在seislet变换框架下,提出一种新的快速稀疏变换域———FDOC-seislet变换,实现地震数据的高度稀疏表征;结合非平稳随机噪声不可压缩的特征,提出了一种整形迭代消噪方法,该方法是一种广义的迭代收缩阈值(IST)算法,在无法计算稀疏变换伴随算子的条件下,仍然能够对强噪声环境中的时变有效信息进行有效恢复.通过对模型数据和实际数据的处理,验证了FDOC-seislet稀疏变换域随机噪声迭代压制方法能够在保护复杂构造地震波信息的前提下,有效地衰减原始数据中的强振幅随机噪声干扰.     

基于Seislet-TV双正则化约束的地震随机噪声压制方法

人工地震数据总是受到随机噪声的干扰,地震数据时-空变的特性使得常规去噪方法处理效果并不理想,容易导致有效信号的损失.目前广泛应用的预测滤波类方法存在处理时变数据能力不足的问题.随着压缩感知理论的不断完善,稀疏变换阈值算法能够解决时变地震数据噪声压制问题,但是常规的稀疏变换方法,如傅里叶变换,小波变换等,并不是特殊针对地震数据设计的,很难提供地震数据最佳的压缩特征,同时,常规阈值算法容易导致去噪结果过于平滑.因此开发更加有效的时-空变地震数据信噪分离方法具有重要的工业价值.本文将地震数据信噪分离问题归纳为数学基追踪问题,在压缩感知理论框架下,利用特殊针对地震数据设计的VD-seislet稀疏变换方法,结合全变差(TV)算法,构建seislet-TV双正则化条件,并利用分裂Bregman迭代算法求解约束最优化问题,实现地震数据的有效信噪分离.通过理论模型和实际数据测试本文方法,并且与工业标准FXdecon方法进行比较,结果表明基于seislet-TV双正则化约束条件的迭代方法能够更加有效地保护时-空变地震信号,压制地震数据中的强随机噪声.     

自适应非局部均值地震随机噪声压制(英文)

非局部均值滤波是一种基于图像信息冗余的去噪方法,其认为图像自身的有效结构具有一定的重复性,而随机噪声则不具备这一特点,通过利用图像本身的自相似性来达到压制随机噪声的目的,是一种全局的去噪方法。本文把这一思想引入地震数据随机噪声压制中,针对传统非局部均值滤波计算量过大的问题,文章采用分块非局部均值的方式来减少计算量;针对滤波参数选取会影响非局部均值滤波效果的问题,提出一种简单的自适应滤波参数地震数据分块非局部均值算法。模型和实际数据处理结果表明:相对于传统的去噪算法(如f-x反褶积),该方法在压制随机噪声的同时对有效信号保护地更好,具有更高的保真度,更有利于后续的处理和解释工作。     

基于深度卷积神经网络的地震数据局部信噪比估计

估计地震数据的信噪比对于地震数据的处理和解释具有重要作用.以往估计地震数据信噪比的方法都需要分离数据中的有效信号和噪声,然后再估计相应的信噪比.这些估计方法的精度严重依赖信号估计方法或噪声压制方法的有效性,往往存在偏差.本文提出一种估计地震数据局部信噪比的深度卷积神经网络模型,通过迭代训练优化参数,构建从含噪地震数据到其信噪比的特征映射.然后使用该神经网络完成信噪比的推理预测,不需要分离地震数据中的有效信号和噪声.模拟数据和实际资料的处理结果都表明,本文的方法可以准确而高效地估计局部地震数据的信噪比,为地震数据质量的定量评价提供依据.     

时频峰值滤波去噪技术及其应用

本文将时频峰值滤波(TFPF)去噪技术应用于共炮点地震资料的随机噪声压制.时频峰值滤波技术是通过频率调制将信号调制成解析信号的瞬时频率,利用解析信号的Wigner-Ville分布的峰值进行瞬时频率估计,恢复有效信号,与其它去噪方法相比,TFPF具有在较少的约束条件下压制强随机噪声的优点.本文针对实际地震资料的非线性特性,利用加窗的Wigner-Ville分布实现TFPF,使得地震信号在一个窗长内近似满足线性瞬时频率条件,减小由地震信号非线性引起的偏差.本文对共炮点地震记录做时频峰值滤波处理,滤波结果表明在地震勘探资料中存在强随机噪声的情况下,利用局部线性化处理的时频峰值滤波技术可以有效地压制地震资料中的随机噪声,恢复出湮没在随机噪声中的地震反射信号.信噪比提高3～6 dB.     

基于时频分析与分数阶最优控制网络的地震数据噪声压制

在复杂的地表环境,地震勘探采集到的实际地震资料信噪比较低,分辨率较差,接收的噪声能量较强,与有效信号存在频谱的重叠.常规的消噪手段很难在保证有效信号幅值的同时,还兼顾噪声压制的效果.本文采用基于分数阶最优控制(Fractional Optimal Control)理论建立的深度学习神经网络——FOCNet来压制地震数据噪声,并恢复微弱同相轴.不同于传统深度学习网络(DCNN)算法大多为基于经验的网络设计,FOCNet具有坚实的数理基础,它从动态系统的最优控制角度阐述了网络的原理,并采用长期记忆的方式增强了网络的稳定性,提高了系统对噪声的消减能力.针对地震数据有效信号在低频带与噪声重叠严重,且FOCNet对数据中、高频信息保留更好这一情况,本文提出了一种基于理想时频分析与FOCNet相结合的算法(TF-FOCNet)来压制地震噪声,提取有效信号.该算法通过理想时频分析,针对性的提取信噪重叠的低频目标数据成分,并与数据的中、高频成分一起送入网络中进行处理并融合,完成噪声的压制,增强了低频信息的保留能力.模拟及实际的实验结果验证了算法在随机噪声、面波压制及微弱信号恢复上的有效性和优越性.     

基于复数域混合SVD滤波方法及在随机噪声压制中的应用

在低信噪比地震资料处理中,压制随机噪声是其中的关键处理环节.传统的频率空间域预测滤波方法,容易使得去噪后高频段的有效信号严重畸变,不利于进一步提高分辨率.为此,提出了一种基于复数域混合SVD滤波法压制三维地震数据中随机干扰的方法,该方法首先在时空域对地震数据作傅里叶变换,再依据Eigenimage滤波法与Cadzow滤波法建立混合Hankel矩阵,然后对其运行奇异值分解,最后通过秩约化的方法来压制随机干扰.理论模型和实际地震数据的应用表明:该方法可有效地去除随机噪声,保护有效波,明显地改善了叠后三维地震资料的信噪比.     

卷积神经网络中批量规范化层的使用对地震数据去噪的影响分析

深度学习算法已广泛应用于地震数据处理分析领域,并在地震数据去噪等方面取得了较好的应用效果.目前业界关注重点在于各种不同深度学习算法和相关的网络结构形式,以及不同标签数据对算法效果的影响,较少关注数据集本身的差异对深度学习算法的应用效果影响.本文以卷积神经网络(Convolutional Neural Network, CNN)算法中批量规范化层(Batch Normalization)对地震数据去噪的影响分析为例,通过理论公式和应用效果的对比分析,提出了基于地震数据特征分析下的批量规范化层的使用建议.批量规范化层的使用依赖于数据集的统计分布特征,只有当训练集的归一化能量分布集中在能量较强的区域,批量规范化层的使用才会提升网络的效果.但通常情况下,在地震数据去噪的应用中,不建议使用批量规范化层.这些特征为深度学习算法在地震数据去噪应用中的网络结构设计提供了有价值的参考.     

SVD与EMD联合去噪方法在地震勘探数据处理中的研究与应用

将基于倾角扫描的奇异值分解与经验模式分解法相结合应用到地震资料随机噪声压制中。首先利用经验模式分解法消除部分噪声,增强地震道有效信号的相关性,再利用奇异值分解对地震信号进行同相轴自动追踪,截取小时窗数据体,并进行同相轴拉平处理,经SVD计算小时窗数据中心点的值来代替计算样点的值,最终实现随机噪声的压制。理论模型试算和实际资料处理表明,本文提出的EMD-SVD方法简单易行,比单一的SVD方法去噪效果更显著有效地消除了地震资料中的随机噪声,提高了地震资料的信噪比,并改善了叠加剖面的质量。     

基于曲波变换的循环平移地震随机噪声衰减

对曲波变换的地震数据随机噪声衰减方法进行了探索,基于曲波(Curvelet)变换在图像处理方面的优越性,结合循环平移(Cycle spinning)技术提出了一种用于地震随机噪声衰减的新方法.在利用曲波变换闽值去噪算法基础上引入循环平移技术,可以消除曲波变换由于缺乏平移不变性所导致的信号伪吉布斯效应,并且较好地保留了有效信号.对地震正演模拟数据进行随机噪声衰减试验,对不同噪声含量数据进行去噪分析,并应用于实际地震数据,结果表明,新方法对去除地震随机噪音有较好的效果.