基于人工智能深度神经网络的公路噪音压制方法及系统技术方案

本发明专利技术公开了一种基于人工智能深度神经网络的公路噪音压制方法及系统，涉及石油地球物理勘探地震资料处理技术领域；主要包括对样本数据中的含噪地震数据和噪音分布数据进行处理；采用人工智能深度学习卷积神经网络对处理后的样本数据进行学习，得到噪音分布模型；处理后的当前含噪地震数据输入到噪音分布模型中，得到噪音分布数据估计值；根据噪音分布数据估计值计算噪音掩码和压制尺度；根据噪音掩码和压制尺度，压制当前含噪地震数据中的公路噪音。本发明专利技术采用人工智能深度学习卷积神经网络，直接从样本资料中学习公路噪音的分布模型，达到直接且更好地压制地震资料中公路噪音的目的。

Highway Noise Suppression Method and System Based on Artificial Intelligence Depth Neural Network

【技术实现步骤摘要】
基于人工智能深度神经网络的公路噪音压制方法及系统
本专利技术涉及石油地球物理勘探地震资料处理
，特别是涉及一种基于人工智能深度神经网络的公路噪音压制方法及系统。
技术介绍
地震勘探主要包括地震资料采集，地震资料处理和地震解释三大步骤，地震资料处理是对采集的地震数据进行解编、静校正、叠前噪音压制、反褶积、速度分析、剩余静校正、叠后偏移等常规处理或者叠前偏移成像处理，最终提供给地震解释步骤可使用的叠后或者叠前成果数据。叠前噪音压制是对地震资料中的各种噪音进行压制，是地震资料处理流程中基础且关键的步骤，较好的噪音压制方法能够为整个地震数据处理流程提供高信噪比的地震数据。由于公路网密集，陆地地震采集资料中的公路噪音不可避免，需要进行合理的压制，否则会影响后续的地震资料处理结果质量。相对于地震震源产生的信号来说，公路噪音是一种加性相干噪音和随机噪音的组合，可定义为：地震资料采集时，检波器靠近公路附近接收到交通工具引起的强振幅环境噪音，主要由于交通工具经过时地基松散震荡引起的不同频率谐波噪音和地滚波噪音。环境工程中，采集和分析公路噪音主要是研究该类型噪音对社区和建筑物的影响，此时，公路噪音仅是分析的“信号”对象，不需要压制过程。然而，地震资料中的公路噪音是需要去除或者压制的“噪音”对象，因它混杂了多种类型的噪音，比较复杂，没有针对性的处理方法。常规压制方法是分类处理：公路噪音中包含的地滚波主要是沿地表传播的面波，传播速度比较小，频率范围以低频为主，在强干扰噪音中，振幅并不是异常突出，常规的面波去除方法一般是对面波的低频和低速特征进行滤波压制；公路噪音中的谐波干扰能够通过常规预测方法去除；其他的异常强干扰可以利用它们的强能量特性通过识别强振幅的位置并衰减压制，具体的方法可以用全局方法衰减，也可以用局部时变空变的方法进行压制。如前描述，强振幅是公路噪音的典型特征，针对地震资料强振幅干扰噪音压制方法发展众多，其中主要的有自动道编辑方法和频率空间域预测误差滤波器方法，如Guo(2003)提出了两种基于预测误差滤波器的相干和非相干强振幅干扰噪音的去除方法；Schonewilleetal.(2008)迭代的预测误差滤波器方法衰减海上强振幅干扰波浪噪音；关于自动道编辑方法，Anderson&McMechen(1989)和Bekara&Baan(2010)给出了系统和实用的研究。这些强振幅干扰噪音传统的压制方法都可以应用到公路噪音衰减中，但它们都属于基于模型的方法，即基于确定性或者统计模型，只能近似表达不同成分噪音的确定性或者统计性特性。区别于以模型为基础的优化方法是基于学习模型的判别方法，也称之为判别模型方法，其中深度学习的去噪方法属于此范畴。在图像处理领域，基于深度学习的去噪技术研究广泛；因为判别方法可以直接从长期积累的地震资料去噪样本中学习不同噪音的复杂模型，所以在地震资料去噪领域的研究也已经开始广泛展开，但目前大多数研究仍然集中在加性随机噪音的压制方法，如Sietal(2018)提出了基于卷积神经网络技术的地震资料随机噪音压制方法，对实际非随机噪音深度学习方法的研究比较少。
技术实现思路
针对实际公路噪音的复杂性，即混合噪音模型包括不同的非线性关系，本专利技术基于人工智能技术，提出了一种基于人工智能深度神经网络的公路噪音压制方法及系统，直接从样本资料中学习公路噪音的复杂模型，达到直接且更好地压制地震资料中公路噪音的目的。为实现上述目的，本专利技术提供了如下方案：一种基于人工智能深度神经网络的公路噪音压制方法，包括：获取样本数据；所述样本数据包括含噪地震数据以及噪音分布数据；所述含噪地震数据为含有公路噪音的地震数据；所述噪音分布数据为所述含噪地震数据减去去噪地震数据得到的数据；对所述样本数据进行谐波噪音去除、数据分块以及规则化处理；采用人工智能深度学习卷积神经网络对处理后的样本数据进行学习，得到噪音分布模型；所述噪音分布模型为处理后的含噪地震数据与处理后的噪音分布数据的关系模型；获取当前含噪地震数据，并对所述当前含噪地震数据进行谐波噪音去除、数据分块以及规则化处理；将处理后的当前含噪地震数据输入到所述噪音分布模型中，得到噪音分布数据估计值；根据所述噪音分布数据估计值，计算噪音掩码和压制尺度；根据所述噪音掩码和所述压制尺度，压制所述当前含噪地震数据中的公路噪音，得到当前去噪地震数据。可选的，所述对所述样本数据进行谐波噪音去除、数据分块以及规则化处理，具体包括：对所述样本数据中的含噪地震数据和噪音分布数据分别进行谐波噪音去除处理；对谐波噪音去除后的含噪地震数据和谐波噪音去除后的噪音分布数据分别进行数据分块处理；对数据分块后的含噪地震数据和数据分块后的噪音分布数据分别进行规则化处理。可选的，所述对数据分块后的含噪地震数据和数据分块后的噪音分布数据分别进行规则化处理，具体包括：根据公式x'i(j)＝si(j)*xi(j)对数据分块后的含噪地震数据进行规则化处理；其中，x'i(j)表示第i块第j元素对应的规则化后的含噪地震数据，j表示元素序号，xi(j)表示第i块第j元素对应的含噪地震数据，si(j)表示第i块第j元素对应的含噪地震数据的规则化系数；规则化系数表达式为其中，J表示元素总数，表示对xi(j)进行振幅修正后得到数据；max(x)表示数据分块后的含噪地震数据中最大的振幅值；max(xi(j))表示第i块第j元素对应的含噪地震数据中最大的振幅值；根据公式r'i(j)＝gi(j)*ri(j)对数据分块后的噪音分布数据进行规则化处理；其中，r'i(j)表示第i块第j元素对应的规则化后的噪音分布数据，j表示元素序号，ri(j)表示第i块第j元素对应的噪音分布数据，gi(j)表示第i块第j元素对应的噪音分布数据的规则化系数；规则化系数表达式为其中，J表示元素总数，表示对ri(j)进行振幅修正后得到数据；max(r)表示数据分块后的噪音分布数据中最大的振幅值；max(ri(j))表示第i块第j元素对应的噪音分布数据中最大的振幅值。可选的，所述根据所述噪音分布数据估计值，计算噪音掩码和压制尺度，具体包括：将所述噪音分布数据估计值的数据块形式还原成地震道形式；根据地震道形式的噪音分布数据估计值，计算噪音掩码和压制尺度。一种基于人工智能深度神经网络的公路噪音压制系统，包括：样本数据获取模块，用于获取样本数据；所述样本数据包括含噪地震数据以及噪音分布数据；所述含噪地震数据为含有公路噪音的地震数据；所述噪音分布数据为所述含噪地震数据减去去噪地震数据得到的数据；样本数据处理模块，用于对所述样本数据进行谐波噪音去除、数据分块以及规则化处理；噪音分布模型得到模块，用于采用人工智能深度学习卷积神经网络对处理后的样本数据进行学习，得到噪音分布模型；所述噪音分布模型为处理后的含噪地震数据与处理后的噪音分布数据的关系模型；当前含噪地震数据处理模块，用于获取当前含噪地震数据，并对所述当前含噪地震数据进行谐波噪音去除、数据分块以及规则化处理；噪音分布数据估计值计算模块，用于将处理后的当前含噪地震数据输入到所述噪音分布模型中，得到噪音分布数据估计值；噪音掩码和压制尺度计算模块，用于根据所述噪音分布数据估计值，计算噪音掩码和压制尺度；当前去噪地震本文档来自技高网...

【技术保护点】
1.一种基于人工智能深度神经网络的公路噪音压制方法，其特征在于，所述公路噪音压制方法包括：获取样本数据；所述样本数据包括含噪地震数据以及噪音分布数据；所述含噪地震数据为含有公路噪音的地震数据；所述噪音分布数据为所述含噪地震数据减去去噪地震数据得到的数据；对所述样本数据进行谐波噪音去除、数据分块以及规则化处理；采用人工智能深度学习卷积神经网络对处理后的样本数据进行学习，得到噪音分布模型；所述噪音分布模型为处理后的含噪地震数据与处理后的噪音分布数据的关系模型；获取当前含噪地震数据，并对所述当前含噪地震数据进行谐波噪音去除、数据分块以及规则化处理；将处理后的当前含噪地震数据输入到所述噪音分布模型中，得到噪音分布数据估计值；根据所述噪音分布数据估计值，计算噪音掩码和压制尺度；根据所述噪音掩码和所述压制尺度，压制所述当前含噪地震数据中的公路噪音，得到当前去噪地震数据。

【技术特征摘要】
1.一种基于人工智能深度神经网络的公路噪音压制方法，其特征在于，所述公路噪音压制方法包括：获取样本数据；所述样本数据包括含噪地震数据以及噪音分布数据；所述含噪地震数据为含有公路噪音的地震数据；所述噪音分布数据为所述含噪地震数据减去去噪地震数据得到的数据；对所述样本数据进行谐波噪音去除、数据分块以及规则化处理；采用人工智能深度学习卷积神经网络对处理后的样本数据进行学习，得到噪音分布模型；所述噪音分布模型为处理后的含噪地震数据与处理后的噪音分布数据的关系模型；获取当前含噪地震数据，并对所述当前含噪地震数据进行谐波噪音去除、数据分块以及规则化处理；将处理后的当前含噪地震数据输入到所述噪音分布模型中，得到噪音分布数据估计值；根据所述噪音分布数据估计值，计算噪音掩码和压制尺度；根据所述噪音掩码和所述压制尺度，压制所述当前含噪地震数据中的公路噪音，得到当前去噪地震数据。2.根据权利要求1所述的公路噪音压制方法，其特征在于，所述对所述样本数据进行谐波噪音去除、数据分块以及规则化处理，具体包括：对所述样本数据中的含噪地震数据和噪音分布数据分别进行谐波噪音去除处理；对谐波噪音去除后的含噪地震数据和谐波噪音去除后的噪音分布数据分别进行数据分块处理；对数据分块后的含噪地震数据和数据分块后的噪音分布数据分别进行规则化处理。3.根据权利要求2所述的公路噪音压制方法，其特征在于，所述对数据分块后的含噪地震数据和数据分块后的噪音分布数据分别进行规则化处理，具体包括：根据公式x'i(j)＝si(j)*xi(j)对数据分块后的含噪地震数据进行规则化处理；其中，x'i(j)表示第i块第j元素对应的规则化后的含噪地震数据，j表示元素序号，xi(j)表示第i块第j元素对应的含噪地震数据，si(j)表示第i块第j元素对应的含噪地震数据的规则化系数；规则化系数表达式为其中，J表示元素总数，表示对xi(j)进行振幅修正后得到数据；max(x)表示数据分块后的含噪地震数据中最大的振幅值；max(xi(j))表示第i块第j元素对应的含噪地震数据中最大的振幅值；根据公式r'i(j)＝gi(j)*ri(j)对数据分块后的噪音分布数据进行规则化处理；其中，r'i(j)表示第i块第j元素对应的规则化后的噪音分布数据，j表示元素序号，ri(j)表示第i块第j元素对应的噪音分布数据，gi(j)表示第i块第j元素对应的噪音分布数据的规则化系数；规则化系数表达式为其中，J表示元素总数，表示对ri(j)进行振幅修正后得到数据；max(r)表示数据分块后的噪音分布数据中最大的振幅值；max(ri(j))表示第i块第j元素对应的噪音分布数据中最大的振幅值。4.根据权利要求1所述的公路噪音压制方法，其特征在于，所述根据所述噪音分布数据估计值，计算噪音掩码和压制尺度，具体包括：将所述噪音分布数据估计值的数据块形式还原成地震道形式；根据地震道形式的噪音分布数据估计值，计算噪音掩码和压制尺度。5.一种基于人工智能深度神经网络的公路噪音压制系统，其特征在于，所述公路噪音压制系统包括：样本数据获取模块，用于获取...

【专利技术属性】
技术研发人员：朱兆林，曹丹平，
申请(专利权)人：中国石油大学华东，
类型：发明
国别省市：山东,37