基于数据增广训练深度神经网络压制地震多次波的方法技术

本发明专利技术公布了一种基于数据增广训练深度神经网络压制地震多次波的方法，属于勘探地震信号处理技术领域，涉及地震资料多次波和随机噪声的压制以及一次波的重建。本发明专利技术设计具有卷积编码和卷积解码过程的深度神经网络，卷积编码过程用来学习训练集中地震数据的一次波特征，卷积解码过程能够利用这些特征来重建一次波和压制多次波。在训练阶段，包含多次波的原始数据和加入随机噪声的数据一起组成增广数据集，用该数据集来学习神经网络参数比只使用原始数据作为输入数据训练的神经网络能够取得更好的抗噪稳定性。

【技术实现步骤摘要】
基于数据增广训练深度神经网络压制地震多次波的方法
本专利技术属于勘探地震数据处理
，具体涉及基于数据增广方法训练深度神经网络，训练好的深度神经网络能够在强背景噪声情况下有效压制多次波，以及准确重构一次波有效信号。
技术介绍
多次波是指在地下界面或者地表反射次数大于一次的同相轴，容易形成虚假反射地层成像或者导致目的层反射波成像的振幅、频率和相位发生畸变。由于常规的地震数据成像都是基于一次波波场信息，多次波的存在会严重影响速度拾取、地震偏移、层析成像，从而误导地震资料的解释，因此多次波一般被视为相干噪声进行分离和压制消除。多次波的压制方法主要有两大类：滤波法和基于波动理论的方法。滤波法主要利用一次波和多次波在时间和空间特征上存在的差异，通过不同的变换方法压制多次波。预测反褶积是最早被用于多次波压制的方法。利用一次波和多次波之间的周期性分布规律，维纳滤波可以消除近炮检距地震道中具有重复性效应的多次波[1]。但是预测反褶积方法的缺点是只适合压制浅海短周期多次波，且对有效波损伤较大；另一种方法是时差区分法。利用一次波和多次波的动校正速度差异，在完成动校正的共中心点道集上，将已经校平的同相轴归为一次波，没有校平的同相轴归为多次波。此时可以将部分动校正后数据变换到抛物Radon域完成分离[2]。但是当一次波和多次波具有相近速度或者地下地层横向变化较大时，此类方法的分离效果较差。基于波动理论的方法利用多次波产生机理来预测和压制多次波，综合考虑了多次波传播的运动学和动力学特征。根据是否需要提前给出先验假设，该大类方法可以分为模型驱动法和数据驱动法。模型驱动法需要提前假设地层速度信息，然后根据波场的动力学特征按照波动方程模拟出多次波，主要包括波场外推法[3]。数据驱动法不需要提前知道完整的地层先验信息，能够适用于复杂的地下结构，主要包括逆散射级数法[4]、反馈迭代法[5]和虚同相轴法[6]。但是逆散射级数法要求常速度背景，以保证方法的收敛性，并且要求满足垂直走时单调性假设条件，计算量相当大，因此影响了实际的应用效果；反馈迭代法和虚同相轴法都要求数据规则化，但是实际采集数据往往因为炮数和道集数不能满足规则化要求，而需要进一步对数据插值重建，影响了处理效果。另外，这两类方法都严重依赖匹配算法，而深层的复杂波场限制了匹配算法的精度，也就影响了多次波的压制效果。以上提到的常规方法需要考虑大量的参数，往往需要花费大量时间手动调整这些参数使其达到最优，不满足智能化生产的需求。最近，深度学习作为机器学习领域的一个重要研究方向，在图像处理、自然语言处理、语音识别等领域取得了突破性进展，得到了大家广泛的关注。现在，深度学习的应用也成为勘探地震数据处理的一个前沿
在国外，Siahkoohi等在2019年尝试采用EPSI(EstimationofPrimariesbySparseInversion，稀疏反演法的一次波估计)方法得到压制了多次波后的数据[7]，接着用原始数据和分离得到的一次波数据训练生成对抗网络(GAN)，训练好的神经网络能够取得一定的多次波压制效果。Li和Gao在2020年应用CNN提取预测多次波的多特征数据，并将特征数据用于多次波的匹配中，能够平衡多次波的去除与一次波的保留[8]。但是上述方法没有考虑油气勘探实际地震数据较强背景噪声的条件下的分离情况，不具有很好的抗噪能力和实际应用价值。对于目前中国的深层油气勘探叠前地震数据，目的层的弱地震反射信号信噪比低，上覆地层产生的多次波影响了目的层一次波重构和成像的准确性，目前还没有利用深度学习人工智能技术直接在共炮点道集分离、压制勘探地震数据多次波的技术方案。参考文献：[1]PorsaniM.J.,andUrsinB.,2007.Directmultichannelpredictivedeconvolution,Geophysics,72,no.2,H11-H27.[2]Hampson,D.,1986,Inversevelocitystackingformultipleelimination,SEGTechnicalProgramExpandedAbstracts,422-424.[3]Wiggins,J.W.,1988,Attenuationofcomplexwater-bottommultiplesbywave-equation-basedpredictionandsubtraction,Geophysics,53,no.12,1527-1539.[4]Weglein,A.B.,GasparottoF.A.,CarvalhoP.M.,andStoltR.H.,1997,Aninverse-scatteringseriesmethodforattenuatingmultiplesinseismicreflectiondata,Geophysics,62,no.6,1975-1989.[5]Verschuur,D.J.,BerkhoutA.J.,andWapenaarC.P.A.,1992,Adaptivesurface-relatedmultipleelimination,Geophysics,57,no.9,1166-1177.[6]Liu,J.,HuT.,PengG.,andCuiY.,2018,Removalofinternalmultiplesbyiterativeconstructionofvirtualprimaries,GeophysicalJournalInternational,215,no.1,81-101.[7]Siahkoohi,A.,VerschuurD.J.,andHerrmannF.J.,2019,Surface-relatedmultipleeliminationwithdeeplearning,SEGTechnicalProgramExpandedAbstracts,4629-4634.[8]Li,Z.,andGaoH.,2020,Featureextractionbasedontheconvolutionalneuralnetworkforadaptivemultiplesubtraction,MarineGeophysicalResearch,41,no.2.,Articleno.10.
技术实现思路
针对现有的深层油气勘探地震数据多次波压制技术存在的不足，本专利技术提出一种基于数据增广训练深度神经网络压制地震多次波的方法，创建具有卷积编码和卷积解码过程的深度神经网络结构，应用训练好的神经网络参数，卷积编码部分能够提取地震数据中的连续信号特征，区分一次波和多次波，卷积解码部分能够使用编码部分提取的一次波特征来重建消除了多次波的分离数据。考虑到深度神经网络训练阶段的训练集往往较少，容易造成神经网络过拟合，本专利技术在训练集的输入数据中加入不同强度的随机噪声得到增广数据集，进一步提高深度神经网络的抗噪能力。本专利技术的核心是：本专利技术设计的压制地震多次波神经网络结构包括卷积编码部分和本文档来自技高网...

【技术保护点】
1.一种基于数据增广训练深度神经网络压制地震多次波的方法，设计具有卷积编码和卷积解码过程的压制地震多次波深度神经网络模型；将包含多次波原始数据和随机噪声数据组成的增广数据集作为模型训练数据集，用于学习神经网络参数，得到训练好的压制地震多次波深度神经网络模型；再利用训练好的压制地震多次波深度神经网络模型进行测试，通过网络模型的卷积编码提取地震数据中的连续信号特征并区分一次波和多次波，通过网络模型的卷积解码并使用提取到的特征重建消除多次波和随机噪声的地震数据，实现基于数据增广训练深度神经网络压制地震多次波；包含以下步骤：/n步骤1，预处理训练数据集；/n首先去除地震数据中的直达波，再通过多次波压制方法去除共炮点道集数据中的多次波，并生成标签数据；/n步骤2，制作常规训练集；/n将输入数据记为X，真实输出数据记为Y

【技术特征摘要】
1.一种基于数据增广训练深度神经网络压制地震多次波的方法，设计具有卷积编码和卷积解码过程的压制地震多次波深度神经网络模型；将包含多次波原始数据和随机噪声数据组成的增广数据集作为模型训练数据集，用于学习神经网络参数，得到训练好的压制地震多次波深度神经网络模型；再利用训练好的压制地震多次波深度神经网络模型进行测试，通过网络模型的卷积编码提取地震数据中的连续信号特征并区分一次波和多次波，通过网络模型的卷积解码并使用提取到的特征重建消除多次波和随机噪声的地震数据，实现基于数据增广训练深度神经网络压制地震多次波；包含以下步骤：
步骤1，预处理训练数据集；
首先去除地震数据中的直达波，再通过多次波压制方法去除共炮点道集数据中的多次波，并生成标签数据；
步骤2，制作常规训练集；
将输入数据记为X，真实输出数据记为Ylabel；将输入数据与真实输出数据组成训练集数据对{X,Ylabel}；
含多次波的共炮点地震数据记为数据集HM；对应的不含多次波的共炮点地震数据记为数据集HO；在训练过程中，训练集数据的振幅被归一化到[-1,1]之间；在数据集HM和HO中相同位置等间隔抽取NUM1个共炮点道集，分别记为HMk和HOk,k＝1,2,3,…,NUM1，得到的训练集为常规训练集对
步骤3，制作增广训练集；
在每个输入数据HMk中加入NUM2种不同强度的随机噪声且当u＝1时，表示不添加噪声；得到增广训练数据集对其中
步骤4，构建压制地震多次波深度神经网络，并采用数据增广训练法训练压制地震多次波深度神经网络；
构建压制地震多次波深度神经网络包括：由卷积层和下采样层组成的卷积编码器和由卷积层和上采样层组成的卷积解码器；所述卷积编码器用于提取地震数据的一次波特征；所述卷积解码器用于将包含一次波信号的低维特征数据映射回高维空间，重构一次波地震数据；在除最后一层外的卷积运算后通过激活函数处理进行非线性映射；并使用损失函数表示训练模型与训练样本的匹配程度，并采用自适应矩估计优化算法最小化损失函数；
步骤5，保存参数最佳的神经网络，得到训练好的压制地震多次波深度神经网络；
步骤6，测试数据预处理；
将待测试数据中的直达波去掉，将数据振幅归一化为[-1,1]之间，得到用于测试的输入数据；
步骤7，重建不带噪声的一次波数据；
将预处理后用于测试的输入数据直接输入参数最佳的训练好的压制地震多次波深度神经网络中，重构出只含一次波的输出数据；该输出数据中的随机噪声也被有效压制。
通过上述步骤，实现基于数据增广训练深度神经网络压制...

【专利技术属性】
技术研发人员：胡天跃，王坤喜，安圣培，刘小舟，王尚旭，魏建新，
申请(专利权)人：北京大学，
类型：发明
国别省市：北京;11