[發明專利]基于3D卷積神經網絡自監督3D地震數據隨機噪聲壓制方法

在審

• 申請號: 202210097478.5
• 申請日: 2022-01-27
• 公開（公告）號: CN114460648A
• 公開（公告）日: 2022-05-10
• 發明（設計）人: 曹偉;郭雪豹;田楓;石穎;王維紅;李婷婷
• 申請（專利權）人: 東北石油大學
• 主分類號: G01V1/36
• 分類號: G01V1/36;G06N3/04;G06N3/08;G06K9/62
• 代理公司: 大慶禹奧專利事務所 23208
• 代理人: 朱林

本發明屬于地震數據處理技術領域，具體涉及一種基于3D卷積神經網絡自監督3D地震數據隨機噪聲壓制方法，1、設計3D卷積神經網絡架構；2、準備含有隨機噪聲的3D地震數據；3、設計自監督輔助任務；4、設計避免過擬合的策略；5、運行3D卷積神經網絡；6、確定最優壓制噪聲結果。相比于現有基于深度學習的方法，本方法通過自監督策略輔助的新型3D卷積神經網絡解決數據集中樣本多樣性或者標簽質量限制神經網絡去噪能力以及泛化能力的問題；考慮3D地震數據中有效信號的空間相關性，通過3D卷積克服2D卷積在提取3D空間結構特征上的局限性，改善神經網絡對有效信號的保護能力，提高3D地震資料的信噪比。

技術領域

本發明屬于地震數據處理技術領域，具體涉及一種基于3D卷積神經網絡自監督3D地震數據隨機噪聲壓制方法。

背景技術

在實際地震資料采集過程中，受自然條件、采集設備等諸多因素制約，檢波器接收到的有效信號通常與噪聲信號混疊在一起。隨機噪聲作為主要噪聲之一，在時間、空間上表現出隨機性，具有較寬的頻帶范圍，無固定傳播方向和速度。隨機噪聲的存在提高了地震資料的復雜性，降低了信噪比，不利于后續地震資料處理和解釋工作，不滿足高精度地震勘探的需求。

地震隨機噪聲壓制方法主要可分為：預測濾波類方法、模態分解方法、變換域類方法、基于反演的方法、基于深度學習的方法。預測濾波類方法根據同相軸在空間方向具有可預測性分離隨機噪聲和有效信號，常規的f-x域預測濾波基于線性同相軸假設，當構造比較復雜時，會傷害有效信號。模態分解方法通過剔除由地震資料分解的多個分量中的噪聲分量來壓制噪聲，這類方法在低信噪比時，很難實現有效信號分量與噪聲分量的有效分離，主要包括經驗模態分解和變分模態分解等。變換域類方法首先將地震數據變換至相應域，根據有效信號和隨機噪聲在變換域中所表現的性質差異，設計合適的閾值將二者分離，最后通過反變換獲得干凈的數據，這類方法對閾值的選取敏感，主要包括曲波變換、小波變換等稀疏變換算法。傳統稀疏變換的基函數一般是固定不變的，從而無法處理結構復雜的地震數據。通過字典學習方法能夠獲得自適應的稀疏變換基函數，如基于數據驅動緊框架(Data-driven Tight Frame，DDTF)方法，盡管這種方法可以處理結構復雜的數據，但計算效率較低。基于反演的隨機噪聲壓制方法直接從噪聲數據中反演有效信號，如貝葉斯反演方法，但其無法適用于低信噪比或者構造較為復雜的地震數據。

基于深度學習的地震隨機噪聲壓制方法主要是構建神經網絡模型挖掘有效信號或隨機噪聲的特征，從而實現二者的有效分離，大體可分為監督學習、半監督學習、自監督學習、無監督學習4類。基于監督學習的方法需要訓練大量的標注數據，標注數據的多樣性以及標簽的質量限制了神經網絡的去噪能力。基于半監督學習的方法從一定程度上緩解了基于監督學習類方法對高質量標注數據的依賴，但標簽樣本與無標簽樣本的比例影響神經網絡性能。基于自監督學習和無監督學習的方法直接從噪聲數據中挖掘隱含特征，不需要有效信號作為標簽，前者需要設計有效的輔助任務從噪聲數據中自動挖掘監督信息，后者一般需要借助網絡架構作為先驗模型(如Deep Image Prior方法)或依賴數據預處理技術改善性能。