[發明專利]一種微地震資料噪聲壓制方法及系統、存儲介質和地震信息處理設備

在審

• 申請號: 202210278729.X
• 申請日: 2022-03-21
• 公開（公告）號: CN114706128A
• 公開（公告）日: 2022-07-05
• 發明（設計）人: 董宏麗;商柔;王闖;管闖;宋金波;申雨軒
• 申請（專利權）人: 東北石油大學
• 主分類號: G01V1/36
• 分類號: G01V1/36
• 代理公司: 黑龍江立超同創知識產權代理有限責任公司 23217
• 代理人: 楊立超

1.一種基于時間注意力機制互信息生成對抗網絡的微地震資料噪聲壓制方法，其特征在于所述方法包括如下步驟：

步驟1：利用檢波器對目標區塊的微地震資料進行采集，獲取帶有噪聲的微地震資料X與無噪聲的微地震資料

步驟2：將步驟1采集到的微地震資料按照8:1:1的比例分為訓練集、驗證集、測試集；訓練集表示為其中x_k為第k個訓練道集樣本，共K道訓練樣本；驗證集表示為其中x_a為第a個驗證道集樣本，共A道驗證樣本；測試集表示為其中x_b為第b個測試道集樣本，共B道測試樣本；所述訓練集、驗證集和測試集的采樣頻率為f；

步驟3：提取經由步驟1采集到的的結構語義特征集合其中，c_d∈R^H×1為第d個微地震結構語義向量，長度為H；

步驟4：對隨機噪聲分布進行采樣，采樣頻率為f，并獲取隨機噪聲向量集合其中z_m∈R^N×1為第m個隨機噪聲向量，由N個采樣點組成；

步驟5：將步驟3中得到的與步驟4得到的進行維度合并獲得特征向量其中v_u∈R^(H+N)×1為第u個合并特征向量；

步驟6：利用基于時間注意力機制互信息生成對抗網絡對訓練集數據進行學習并輸出訓練完成的微地震噪聲壓制預訓練模型，具體路徑如下：

本步驟采用的微地震噪聲壓制模型包括生成模型、判別模型和分離模型；

生成模型由時間注意力模塊與生成模塊構成，時間注意力模塊具體定義為：

其中，時間注意力模塊的輸入為經由步驟5獲得的v_u,j；時間注意力模塊的輸出為權重α_u；σ_t代表tanh激活函數；代表卷積核的第j個通道，卷積核尺寸為Z′×1；為偏置項；

生成模塊由Dense層、Batch Normalization層、ReLU層、Deconv層、Tanh層構成；

判別模型由時間注意力模塊和判別模塊兩部分構成，時間注意力模塊具體定義為：

其中，時間注意力模塊的輸入為經由步驟2獲得的時間注意力模塊的輸出為權重β_k；σ_s代表softmax激活函數；代表卷積核的第j個通道，卷積核尺寸為F′×1；為偏置項；

判別模塊由Dense層、Batch Normalization層、LeakyReLU層、Conv層、Softmax層構成；

分離模型由時間注意力模塊和分離模塊兩部分構成，時間注意力模塊定義為：

其中，時間注意力模塊的輸入為經由生成模型獲得的G(z,c)_h,j；時間注意力模塊的輸出為權重γ_h；σ_sig代表sigmoid激活函數；代表卷積核的第j個通道，卷積核尺寸為Y′×1；為偏置項；

分離模塊由Dense層、Batch Normalization層、LeakyReLU層、Conv層、Sigmoid層構成；

將步驟5獲得的輸入到生成模型中得到生成的無噪微地震資料集合；將生成的無噪微地震資料集合和經由步驟2得到的分別輸入到判別模型中，對判別模型進行訓練并將梯度反傳給生成模型；將生成的無噪微地震資料集合輸入到分離模型中提取結構語義特征，計算生成的無噪微地震資料與提取的結構語義特征之間的互信息并對分離模型進行訓練，并將梯度反傳給生成模型；最后當達到最大迭代次數時，即可得到用于微地震噪聲壓制的預訓練模型；

步驟7：將經由步驟2獲得的驗證集數據輸入到經由步驟6中得到的噪聲壓制預訓練模型中，利用信噪比對訓練好的噪聲壓制預訓練模型的性能進行驗證，并獲得微地震噪聲壓制模型最優超參數組合；

步驟8：利用經由步驟2獲得的測試集數據對經由步驟7中得到的微地震噪聲壓制模型最優超參數組合進行測試，并獲得最終的微地震資料噪聲壓制模型；

步驟9：將現場微地震資料輸入到經由步驟8得到的最終的微地震噪聲壓制模型中獲得去噪后的微地震資料，實現微地震資料噪聲壓制。