[發(fā)明專利]基于3D卷積神經(jīng)網(wǎng)絡(luò)自監(jiān)督3D地震數(shù)據(jù)隨機(jī)噪聲壓制方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202210097478.5
• 申請(qǐng)日: 2022-01-27
• 公開（公告）號(hào): CN114460648A
• 公開（公告）日: 2022-05-10
• 發(fā)明（設(shè)計(jì)）人: 曹偉;郭雪豹;田楓;石穎;王維紅;李婷婷
• 申請(qǐng)（專利權(quán)）人: 東北石油大學(xué)
• 主分類號(hào): G01V1/36
• 分類號(hào): G01V1/36;G06N3/04;G06N3/08;G06K9/62
• 代理公司: 大慶禹奧專利事務(wù)所 23208
• 代理人: 朱林

1.一種基于3D卷積神經(jīng)網(wǎng)絡(luò)自監(jiān)督3D地震數(shù)據(jù)隨機(jī)噪聲壓制方法，其特征在于：所述壓制方法包括以下步驟：

步驟一、設(shè)計(jì)3D卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)；

所述3D卷積神經(jīng)網(wǎng)絡(luò)為帶有跳躍連接的Encoder-Decoder結(jié)構(gòu)，由3DPConv、3DConv、LeakyReLU、3DMaxPooling、3DUpSampling和Dropout組成；其中3DPConv通過利用3D卷積濾波器替換2D部分卷積層中的2D卷積濾波器獲得，3DPConv可表示為：

weight為3D卷積濾波器的權(quán)重，bias表示相應(yīng)的偏差，feature表示當(dāng)前3D卷積滑動(dòng)窗口的特征值，mask表示3D的二進(jìn)制掩碼，sum(1)表示與mask具有相同維度但元素均為1的矩陣，表示兩個(gè)矩陣中對(duì)應(yīng)位置的元素相乘，前一層的3DPConv可以為下一層的3DPConv自動(dòng)生成更新的掩碼，掩碼更新函數(shù)為

將3DPConv—LeakyReLU組成的模塊記為3DPL，3DPConv—LeakyReLU—3DMaxPooling組成的模塊記為3DPLM，將Dropout—3DPConv—LeakyReLU組成的模塊記為D3DPL，Dropout—3DConv—LeakyReLU組成的模塊記為D3DCL；

Encoder的結(jié)構(gòu)為：

InputMask—3DPL—3DPLM—3DPLM—3DPLM—3DPLM—3DPL

Decoder的結(jié)構(gòu)為：

3DUpSampling①—D3DPL②—D3DPL③—3DUpSampling④—D3DPL⑤—D3DPL⑥—3DUpSampling⑦—D3DPL⑧—D3DPL⑨—3DUpSampling⑩—D3DPL—D3DPL—D3DCL—D3DCL—D3DCL—Output

跳躍連接是將編碼器某一階段的特征向量與解碼器某一階段的特征向量在通道方向進(jìn)行連接，該網(wǎng)絡(luò)結(jié)構(gòu)跳躍連接方式為：—①、—④、—⑦、—⑩；

輸入神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)首先利用編碼器映射到特征空間，隨后采用不對(duì)稱的解碼器重構(gòu)地震資料中的有效信號(hào)并壓制隨機(jī)噪聲，此過程中借助跳躍連接將編碼階段的特征融合到解碼過程中；

步驟二、準(zhǔn)備含有隨機(jī)噪聲的3D地震數(shù)據(jù)；

將步驟一設(shè)計(jì)的神經(jīng)網(wǎng)絡(luò)用于單個(gè)3D噪聲數(shù)據(jù)去噪，這樣就不需要設(shè)計(jì)大量的數(shù)據(jù)用于訓(xùn)練，只準(zhǔn)備需要壓制隨機(jī)噪聲的數(shù)據(jù)體；輸入神經(jīng)網(wǎng)絡(luò)的3D噪聲數(shù)據(jù)d可以通過在干凈的有效信號(hào)上添加高斯隨機(jī)噪聲獲得，干凈的有效信號(hào)作為真實(shí)的標(biāo)簽c；Xline方向的采樣點(diǎn)數(shù)為nx，Inline方向的采樣點(diǎn)數(shù)為ni，Time方向的采樣點(diǎn)數(shù)為nt，由于神經(jīng)網(wǎng)絡(luò)能夠自適應(yīng)輸入數(shù)據(jù)的維度，因此nx、ni、nt可以選擇大于1的任意值；

步驟三、設(shè)計(jì)自監(jiān)督輔助任務(wù)；

將伯努利采樣用于3D含有隨機(jī)噪聲的地震數(shù)據(jù)，使得3D卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)自監(jiān)督學(xué)習(xí)；神經(jīng)網(wǎng)絡(luò)迭代次數(shù)為N，在進(jìn)行每次訓(xùn)練時(shí)均需要以概率p對(duì)步驟二中準(zhǔn)備的3D噪聲數(shù)據(jù)d進(jìn)行伯努利采樣生成訓(xùn)練數(shù)據(jù)集輸入數(shù)據(jù)為bs_n表示二進(jìn)制伯努利矩陣的一個(gè)實(shí)例，因此3D噪聲數(shù)據(jù)d中每個(gè)元素被置為0的概率為1-p，標(biāo)簽為利用伯努利采樣實(shí)例訓(xùn)練神經(jīng)網(wǎng)絡(luò)，構(gòu)造3D地震數(shù)據(jù)中的監(jiān)督信息，避免恒等映射，神經(jīng)網(wǎng)絡(luò)每次訓(xùn)練時(shí)的優(yōu)化目標(biāo)為：Y_θ表示神經(jīng)網(wǎng)絡(luò)的參數(shù)模型；

步驟四、設(shè)計(jì)避免過擬合的策略；

避免過擬合策略用于3D卷積神經(jīng)網(wǎng)絡(luò)和3D含有隨機(jī)噪聲的地震數(shù)據(jù)；

策略1：利用步驟三設(shè)計(jì)的自監(jiān)督輔助任務(wù)訓(xùn)練步驟一設(shè)計(jì)的3D卷積神經(jīng)網(wǎng)絡(luò)，分別在mI次迭代后進(jìn)行測(cè)試，其中m＝1,2…M，在mI次迭代后進(jìn)行測(cè)試時(shí)，采用基于Dropout的集成策略使本階段訓(xùn)練完成的神經(jīng)網(wǎng)絡(luò)模型生成K個(gè)參數(shù)模型采用與步驟三相同的概率p對(duì)步驟二準(zhǔn)備的3D噪聲數(shù)據(jù)d進(jìn)行伯努利采樣生成測(cè)試數(shù)據(jù)集分別作為K個(gè)參數(shù)模型的輸入，相應(yīng)的預(yù)測(cè)結(jié)果為其均值即為經(jīng)過mI次迭代后最終的測(cè)試結(jié)果；

策略2：由于3D卷積神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)僅為單個(gè)3D噪聲數(shù)據(jù)d，在利用伯努利采樣獲得步驟三的訓(xùn)練數(shù)據(jù)集以及策略1的測(cè)試數(shù)據(jù)集中每個(gè)樣本之前隨機(jī)選擇是否對(duì)3D噪聲數(shù)據(jù)d應(yīng)用數(shù)據(jù)增強(qiáng)技術(shù)，若應(yīng)用數(shù)據(jù)增強(qiáng)技術(shù)，則在水平翻轉(zhuǎn)、垂直翻轉(zhuǎn)、對(duì)角翻轉(zhuǎn)三種方法中隨機(jī)選擇一種；

步驟五、運(yùn)行3D卷積神經(jīng)網(wǎng)絡(luò)；

選擇優(yōu)化器，設(shè)置學(xué)習(xí)率，設(shè)置每次訓(xùn)練和測(cè)試時(shí)的初始掩碼矩陣，運(yùn)行3D卷積神經(jīng)網(wǎng)絡(luò)壓制隨機(jī)噪聲，神經(jīng)網(wǎng)絡(luò)邊訓(xùn)練邊測(cè)試，訓(xùn)練完成后得到有效信號(hào)壓制掉的隨機(jī)噪聲為s_m＝d-o_m；

步驟六、確定最優(yōu)壓制噪聲結(jié)果；

選擇信噪比作為衡量壓制隨機(jī)噪聲能力的評(píng)價(jià)指標(biāo)，利用公式計(jì)算o_m與已知的真實(shí)有效信號(hào)c之間的信噪比，選擇信噪比最高的o_m作為最終的結(jié)果o*，壓制掉的隨機(jī)噪聲s*＝d-o*，繪制o*與s*之間的局部相似圖衡量對(duì)有效信號(hào)的保護(hù)能力。

2.根據(jù)權(quán)利要求1所述的一種基于3D卷積神經(jīng)網(wǎng)絡(luò)自監(jiān)督3D地震數(shù)據(jù)隨機(jī)噪聲壓制方法，其特征在于：在所述步驟一中，所有3DPConv的濾波器個(gè)數(shù)為32，滑動(dòng)步長(zhǎng)為(1,1,1)，卷積核尺寸為3×3×3；3DConv的濾波器個(gè)數(shù)分別為32、32和1，滑動(dòng)步長(zhǎng)為(1,1,1)，卷積核尺寸為1×3×3；LeakyReLU負(fù)半軸斜率為0.1，3DMaxPooling的輸入張量的每個(gè)維度的窗口大小為(2,2,2)，滑動(dòng)步長(zhǎng)為(2,2,2)；3DUpSampling的上采樣因子為(2,2,2)；Dropout的輸入張量中每個(gè)元素被設(shè)置為零的概率為0.15。