基于波原子变换的深度学习抗假频地震数据规则化方法技术

本发明专利技术属于地球科学技术领域，具体涉及一种基于波原子变换的深度学习抗假频地震数据规则化方法，该方法的步骤为1、训练数据集准备；2、波原子域样本标签准备；3、网络输入与标签设定；4、深度学习网络模型G结构设定；5、损失函数设定；6、网络模型训练；7、地震数据规则化测试。根据地震数据在波原子域的良好分布特征，建立空间域和波原子域联合学习深度卷积神经网络模型，结合空间域和波原子域的特征对地震数据进行规则化，模型的训练评判指标采用空间域、波原子域误差以及f‑k域误差联合约束规则化误差，反馈调整网络参数，提高地震数据规则化网络模型的精度与泛化能力。

Deep learning anti aliasing seismic data regularization method based on wave atom transform

【技术实现步骤摘要】
基于波原子变换的深度学习抗假频地震数据规则化方法
：本专利技术属于地球科学
，具体涉及一种基于波原子变换的深度学习抗假频地震数据规则化方法。
技术介绍
：在大数据与人工智能高速发展的当今，传统地震数据规则方法的问题将有望利用新技术来解决。地震勘探的目的是为了获得地下构造的精确成像，在理想的情况下，地震波场的采样应是规则且密集的。若使用现代化的仪器仪表设备在特定的时空间上进行密集采样，这在技术上和计算上是可行的，但是由于野外数据采集过程的费用占整个地震勘探成本的80％以上，出于经济角度的考虑，地震数据在空间方向往往是稀疏采样的，这样就导致采集的数据偏少；并且，受地表障碍物、仪器硬件故障的影响，还会引起的采集坏道；此外，海洋地震数据采集过程中，电缆的羽状漂流也会导致不均匀采样的现象。这些都可以归结为地震数据的不规则问题，它会使后续处理与解释工作引起误差，甚至导致错误的结果。地震数据规则化是地震数据处理的基本问题之一，从上世纪八十年代开始国内外的专家学者对这一问题开始进行研究，并发展了一些方法。这些方法基本上可分为以下六类：基于相干倾角插值的规则化技术、基于滤波的规则化技术、基于波场延拓算子的规则化技术，基于变换域的规则化技术、基于压缩感知的规则化技术，以及基于深度学习的规则化技术。在上述的规则化方法中，由于基于压缩感知的规则化技术、基于机器学习的规则化技术不受目标区块地质先验信息的限制，规则化效果仅与数据本身的特点有关，并且具有较高的运行效率，是当前研究的热点。基于压缩感知的规则化技术的基本原理是，将不规则地震数据看成是完整地震数据的少量信号投影值，在接收端通过稀疏性约束正则化方法就可实现数据的准确或近似重构，从而突破Nyquist采样定理的瓶颈。但是该方法存在的问题是在求解规则化的不适定反问题过程，基本采用稀疏约束的优化方法，而该方法受数据的稀疏先验影响很大，导致结果不稳定。基于深度学习的规则化技术的基本原理是通过大数据量的样本，训练得到目标区块地震数据的分布特征，然后利用该特征预测相应位置上缺失地震道的真实值，以达到恢复不规则数据中缺失道的目的。中国专利[CN201910599289.6]采用深度卷积生成对抗网络对训练集进行训练,并采用Wasserstein距离来作为地震数据生成模型的训练评判指标；采用地震数据生成模型对地震数据进行重建,采用反向传播算法和基于标准梯度的优化算法来优化目标函数的梯度,使得重建数据与缺失数据的差值最小化。上述现有的方式解决了传统地震数据重建算法需要满足Nyquist采样定理限制的问题；解决了使用压缩感知算法重建地震数据稀疏基难以选择的问题，但没有解决空间域特征提取不充分的问题。在当前的地震数据规则化方法中，基于深度学习的规则化技术是当前广为关注的热点，也能取得比传统方式优秀的结果，但是目前的方案存在的问题是：在获取样本特征的过程基本都采用空域卷积的方式，来获得空域的特征信息，而忽略了地震数据在某些变换域中存在的良好特征，并且在训练评判指标函数的定义方面大多单一的距离来计算误差，未从频谱的角度考虑误差，如中国专利[CN201910599289.6]。这些缺陷会导致重建质量在复杂地形未能达到理想效果，甚至会出现假频现象，以至于规则化结果过于平滑，成像效果不理想。当前的各深度学习的规则化方法都较为单一的利用空间域或变换域的信息，在深度学习的基础上进行空间域与波原子域的结合，根据波原子域具有良好的纹理表面特征刻画的性质，建立联合学习的深度卷积神经网络模型，增强网络模型的鲁棒性，提高地震数据的精确重构，突出地震数据的纹理细节特征
技术实现思路
：本专利技术的目的是提供一种在时空域和波原子域联合深度学习的抗假频地震数据规则化方法与流程，根据地震数据在波原子域的良好分布特征，建立空间域和波原子域联合学习深度卷积神经网络模型，结合空间域和波原子域的特征对地震数据进行规则化，模型的训练评判指标采用空间域、波原子域误差以及f-k域误差联合约束规则化误差，反馈调整网络参数，提高地震数据规则化网络模型的精度与泛化能力。本专利技术采用的技术方案为：所述地震数据规则化方法包括以下步骤：步骤一、训练数据集准备：将训练集中地震数据的样本进行空间变换处理，方法包括旋转角度和镜像翻转，增加数据集的样本数据，将样本数据裁剪为尺寸256×256的切片数据x，作为训练样本的最小单位；不规则的地震数据通过从完整地震数据抽取比例为r的地震道作为空道来仿真，抽取方法为分别利用完全随机抽取、部分随机抽取和均匀抽取的方法仿真3种不规则情况，通过随机抽取来仿真采集坏道的不规则情况，部分区域随机抽取仿真不均匀采样的不规则情况，均匀抽取的方法来仿真稀疏采样的不规则情况；将每一个地震数据切片复制15份，将这15份切片分3组，分别仿真上述3种不规则数据的样本，其中每组5份，分别采用相应的抽取方法在5种不同的比例r下，也即为r分别为10％、20％、30％、40％和50％，生成空白地震道，得到若干个不规则地震数据切片样本y，对应标签为x；步骤二：波原子域样本标签准备：波原子变换采用工具箱(http://www.waveatom.org/)代码完成，变换的参数利用(p＝’directional’，pat＝’p’)，每个切片数据x生成2个256×256的波原子域切片系数，分别设为c1和c2；步骤三：网络输入与标签设定：以步骤一中得到的不规则地震数据切片数据y作为输入，以步骤一中的原始地震切片数据x和步骤二中得到的切片系数c1和c2分别作为标签，训练联合学习网络模型G；步骤四：深度学习网络模型G结构设定：深度学习网络模型G划分成2个子网，分别为特征提取网络和波源子系数预测网络，首先将不规则数据输入作为特征提取网络的输入，并将此输入经过一系列卷积、归一化、激活等操作；然后在波原子系数预测网络中对相应的波原子系数进行估计，再利用波原子系数矩阵反变换生成预测得规则数据；网络模型设定为：(1)、特征提取子网络该子网的作用是将不规则地震数据作为网络的输入，提取数据的特征图谱；卷积网络的每一层卷积核的尺寸大小相同，为3×3，步长为1，填补为1，使得每一层输入数据与输出数据的尺寸相同且降低计算复杂度；卷积后的特征图谱经过归一化和激活函数，再经过下一层卷积操作；将卷积层、归一化层和激活函数3个操作定义为一组，每两组作为一个残差块，共5个残差块，每一个残差块中卷积核的个数依次为32，64，64，128，256，利用残差学习的特性，每两个残差块之间设置跳接；(2)、波源子系数预测子网络以提取的特征图谱作为两个并行波源子系数预测子网络的输入，分别生成相应的波原子系数；将所有的卷积核的尺寸设置为3×3，步长为1,填补为1；两个并行子网分别预测两个波原子子带对应的系数矩阵，在该网络的最后将预测的波原子系数反变换生成时空域规则数据；步骤五：损失函数设定：联合空间域、波原子域和傅里叶域损失误差的联合误差函数：loss本文档来自技高网...

【技术保护点】
1.一种基于波原子变换的深度学习抗假频地震数据规则化方法，其特征在于：所述地震数据规则化方法包括以下步骤：/n步骤一、训练数据集准备：/n将训练集中地震数据的样本进行空间变换处理，方法包括旋转角度和镜像翻转，增加数据集的样本数据，将样本数据裁剪为尺寸256×256的切片数据x，作为训练样本的最小单位；/n不规则的地震数据通过从完整地震数据抽取比例为r的地震道作为空道来仿真，抽取方法为分别利用完全随机抽取、部分随机抽取和均匀抽取的方法仿真3种不规则情况，通过随机抽取来仿真采集坏道的不规则情况，部分区域随机抽取仿真不均匀采样的不规则情况，均匀抽取的方法来仿真稀疏采样的不规则情况；/n将每一个地震数据切片复制15份，将这15份切片分3组，分别仿真上述3种不规则数据的样本，其中每组5份，分别采用相应的抽取方法在5种不同的比例r下，也即为r分别为10％、20％、30％、40％和50％，生成空白地震道，得到若干个不规则地震数据切片样本y，对应标签为x；/n步骤二：波原子域样本标签准备：/n波原子变换采用工具箱代码完成，每个切片数据x生成2个256×256的波原子域切片系数，分别设为c

【技术特征摘要】
1.一种基于波原子变换的深度学习抗假频地震数据规则化方法，其特征在于：所述地震数据规则化方法包括以下步骤：
步骤一、训练数据集准备：
将训练集中地震数据的样本进行空间变换处理，方法包括旋转角度和镜像翻转，增加数据集的样本数据，将样本数据裁剪为尺寸256×256的切片数据x，作为训练样本的最小单位；
不规则的地震数据通过从完整地震数据抽取比例为r的地震道作为空道来仿真，抽取方法为分别利用完全随机抽取、部分随机抽取和均匀抽取的方法仿真3种不规则情况，通过随机抽取来仿真采集坏道的不规则情况，部分区域随机抽取仿真不均匀采样的不规则情况，均匀抽取的方法来仿真稀疏采样的不规则情况；
将每一个地震数据切片复制15份，将这15份切片分3组，分别仿真上述3种不规则数据的样本，其中每组5份，分别采用相应的抽取方法在5种不同的比例r下，也即为r分别为10％、20％、30％、40％和50％，生成空白地震道，得到若干个不规则地震数据切片样本y，对应标签为x；
步骤二：波原子域样本标签准备：
波原子变换采用工具箱代码完成，每个切片数据x生成2个256×256的波原子域切片系数，分别设为c1和c2；
步骤三：网络输入与标签设定：
以步骤一中得到的不规则地震数据切片数据y作为输入，以步骤一中的原始地震切片数据x和步骤二中得到的切片系数c1和c2分别作为标签，训练联合学习网络模型G；
步骤四：深度学习网络模型G结构设定：
深度学习网络模型G划分成2个子网，分别为特征提取网络和波源子系数预测网络，首先将不规则数据输入作为特征提取网络的输入，并将此输入经过一系列卷积、归一化、激活等操作；然后在波原子系数预测网络中对相应的波原子系数进行估计，再利用波原子系数矩阵反变换生成预测得规则数据；
网络模型设定为：
(1)、特征提取子网络
该子网的作用是将不规则地震数据作为网络的输入，提取数据的特征图谱；卷积网络的每一层卷积核的尺寸大小相同，为3×3，步长为1，填补为1，使得每一层输入数据与输出数据的尺寸相同且降低计算复杂度；卷积后的特征图谱经过归一化和激活函数，再经过下一层卷积操作；将卷积层、归一化层和激活函数3个操作定义为一组，每两组作为一个残差块，共5个残差块，每一个残差块中卷积核的个数依次为32，64，64，128，256，利用残差学习的特性，每两个残差块之间设置跳接；
...

【专利技术属性】
技术研发人员：张岩，李杰，王斌，聂永丹，唐国维，赵建民，李井辉，
申请(专利权)人：东北石油大学，
类型：发明
国别省市：黑龙;23