基于U-Net网络的智能化地震数据去混叠方法及系统技术方案

本发明专利技术涉及一种基于U‑Net网络的智能化地震数据去混叠方法及系统，该方法包括如下步骤：(1)构建用于地震数据去混叠的U‑Net网络f；(2)获取模拟数据训练对：包括模拟的未混叠地震数据与混叠地震数据；(3)将模拟的混叠地震数据作为输入，未混叠地震数据作为训练标签训练U‑Net网络，得到训练后的网络参数θ

Intelligent seismic data De aliasing method and system based on u-net network

【技术实现步骤摘要】
基于U-Net网络的智能化地震数据去混叠方法及系统
本专利技术涉及一种地震数据去混叠方法及系统，尤其是涉及一种基于U-Net网络的智能化地震数据去混叠方法及系统。
技术介绍
地震数据混叠采集是有效提高地震数据采集效率的方法之一，但是混叠噪声的存在，对后续地震数据处理及偏移成像带来一定的挑战，因此去混叠方法得到广泛关注。传统去混叠方法一般包括滤波类方法和反演类方法：滤波类方法包括中值滤波、改进的中值滤波、FX反褶积等；反演类方法包括基于稀疏变换、字典学习等阈值迭代收缩方法。传统去混叠方法一般对地震数据具有一定的前提假设，例如线性、稀疏性或低秩等；另外，随着地震数据规模的增加，计算量迅速增加，且不同数据对应的最优化参数不同，需人工调节，进一步增加了计算耗时。随着计算机技术的进步，特别是GPU的开发应用，为深度学习的广泛应用奠定基础。基于深度学习方法，可以利用大量训练集对地震数据进行自学习、非线性表征，已在地震数据插值、随机噪声去除等方面得到尝试性应用。如何将深度学习方法应用于地震数据去混叠方法中，提高去混叠方法的计算效率及效果成为研究热点。本文档来自技高网...

【技术保护点】
1.一种基于U-Net网络的智能化地震数据去混叠方法，其特征在于，该方法包括如下步骤：/n(1)构建用于地震数据去混叠的U-Net网络f；/n(2)获取模拟数据训练对：包括模拟的未混叠地震数据与混叠地震数据；/n(3)将模拟的混叠地震数据作为输入，未混叠地震数据作为训练标签训练U-Net网络，得到训练后的网络参数θ*；/n(4)基于迁移学习方法，利用部分含标签的实际混叠地震数据，对训练后的网络参数θ*进行微调，得到优化的网络参数

【技术特征摘要】
1.一种基于U-Net网络的智能化地震数据去混叠方法，其特征在于，该方法包括如下步骤：
(1)构建用于地震数据去混叠的U-Net网络f；
(2)获取模拟数据训练对：包括模拟的未混叠地震数据与混叠地震数据；
(3)将模拟的混叠地震数据作为输入，未混叠地震数据作为训练标签训练U-Net网络，得到训练后的网络参数θ*；
(4)基于迁移学习方法，利用部分含标签的实际混叠地震数据，对训练后的网络参数θ*进行微调，得到优化的网络参数
(5)利用优化的U-Net网络对待处理的地震数据进行循环迭代得到分离的地震数据。


2.根据权利要求1所述的一种基于U-Net网络的智能化地震数据去混叠方法，其特征在于，步骤(2)具体为：利用波场正演方法得到模拟的未混叠地震数据，作为训练标签，基于实际数据混叠算子，对训练标签进行混叠模拟得到混叠地震数据。


3.根据权利要求1所述的一种基于U-Net网络的智能化地震数据去混叠方法，其特征在于，步骤(3)训练过程中的损失函数为



其中，θ为待设计的网络参数，Γ为混叠算子，ΓH为混叠算子的共轭算子，dbl为待处理的混叠地震数据，f(ΓHdbl；θ)为U-Net网络输出的去混叠地震数据，d为未混叠地震数据；
训练过程中以取最小为目标得到训练后的网络参数θ*。


4.根据权利要求1所述的一种基于U-Net网络的智能化地震数据去混叠方法，其特征在于，步骤(5)具体为：
(51)初始化迭代次数i＝1；
(52)将待处理的地震数据输入至优化的U-Net网络，输出第i次迭代得到分离的地震数据ddeb,i：



其中，Γ为混叠算子，ΓH为混叠算子的共轭算子，dbl为待处理的混叠地震数据，为优化的U-Net网络输出的去混叠地震数据；
(53)将ΓHdbl-(ΓHΓ-I)ddeb,i输入至优化的U-Net网络，输出第i+1次迭代得到分离的地震数据ddeb,i+1：



其中，I为单位矩阵；
(54)判断i是否小于N，若是，则赋值i＝i+1，返回步骤(53)，否则结束循环迭代，输出分离的地震数据，其中，N为最大迭代次数。


5.一种基于U-Net网络的智能化地震数据去混叠系统，其特征在...

【专利技术属性】
技术研发人员：王本锋，李家阔，耿建华，
申请(专利权)人：同济大学，
类型：发明
国别省市：上海;31