【技术实现步骤摘要】
基于卷积神经网络的邻炮干扰分离方法及装置
[0001]本专利技术涉及地震资料处理
，尤指一种基于卷积神经网络的邻炮干扰分离方法及装置。
技术介绍
[0002]地震采集技术是地震勘探流程中的重要一环，该技术使用放炮的方式激发地震波，引起地下介质的振动，再利用称之为检波器的接收仪器按照时间先后顺序收集从地下反射到地面的信号。为了避免接收到的信号交叉干扰，传统的地震采集过程中，邻炮之间都设置了足够长的等待时间，但是这导致现场施工周期长，采集效率低下。
[0003]为了满足高精度地震勘探的需求，近年来高密度高效地震数据采集技术得到了迅猛的发展。这类技术使用多组震源，在满足一定时距规则的条件时独立自主激发，称之为混叠采集技术。该技术缩短了采集时间，极大地提高了地震采集效率，降低了成本。但是由于邻炮激发时间间隔较短，导致来自不同炮点的地震波发生混叠，严重降低了地震数据信噪比和成像质量。因此，邻炮干扰分离是高效混叠采集数据处理的必要环节。
[0004]目前，邻炮干扰分离方法主要分为两类，一类是基于滤波的方法：由于高效...
【技术保护点】
【技术特征摘要】
1.一种基于卷积神经网络的邻炮干扰分离方法，其特征在于，所述方法包括：选取地震数据中任意两炮数据，分别作为主炮数据及邻炮干扰数据，将所述邻炮干扰数据按照随机时间延迟与所述主炮数据叠加，得到的混叠数据作为网络学习的第一输入数据，所述邻炮干扰数据作为网络学习的第一标签数据；通过高效混叠采集方式得到含有邻炮干扰的实际数据，对所述实际数据利用稀疏反演方法进行邻炮干扰分离，将邻炮干扰分离前的实际数据作为网络学习的第二输入数据，将邻炮干扰分离后的实际数据作为网络学习的第二标签数据；根据道集抽取方法，将所述第一输入数据、第二输入数据、第一标签数据及第二标签数据变换到检波点道集，并按照预设比例将变换后的数据划分为测试集与训练集；对预设的卷积神经网络的参数进行初始化，获得卷积神经网络的初始模型，将所述训练集输入至所述卷积神经网络的初始模型进行模型训练，得到邻炮干扰分离模型，并利用所述邻炮干扰分离模型进行邻炮干扰分离处理。2.根据权利要求1所述的方法，其特征在于，所述将所述训练集输入至所述卷积神经网络的初始模型进行模型训练，得到邻炮干扰分离模型包括：将所述训练集输入至所述卷积神经网络的初始模型进行模型训练，得到第一输出层数据，根据所述第一输出层数据与所述训练集中的标签数据进行对比，判断预测精度是否满足预设条件，若满足预设条件，则将经过模型训练的初始模型作为邻炮干扰分离模型；将所述测试集输入至所述邻炮干扰分离模型进行模型测试，得到第二输出层数据，将第二输出层数据与测试集中的标签数据进行对比，得到所述邻炮干扰分离模型的去噪性能测试结果。3.根据权利要求2所述的方法，其特征在于，所述将所述训练集输入至所述卷积神经网络的初始模型进行模型训练，得到第一输出层数据包括：将所述训练集作为输入层数据，输入至所述卷积神经网络的初始模型进行模型训练；将所述输入层数据与n个卷积核进行卷积运算，将运算结果输入ReLU激活函数，得到所述输入层数据的基本特征，其中，n为正整数；将所述输入层数据的基本特征经过多个特征提取单元的处理，得到邻炮干扰数据的本质特征，所述特征提取单元包含一个具有n个卷积核的卷积层、一个BN层及一个ReLu激活函数层，其中，所述BN层用于对数据进行归一化处理；将所述邻炮干扰数据的本质特征与n个卷积核进行卷积运算，获得所述第一输出层数据。4.根据权利要求1所述的方法，其特征在于，所述利用所述邻炮干扰分离模型进行邻炮干扰分离处理包括：将待处理的含有邻炮干扰的地震数据通过道集抽取方法变换到检波点道集，将变换到检波点道集的数据输入所述邻炮干扰分离模型，得到分离后的地震数据；将分离后的地震数据通过道集抽取方法变换回炮集，变换回炮集的地震数据用于地震资料处理及解释。5.一种基于卷积神经网络的邻炮干扰分离装置，其特征在于，所述装置包括：第一数据模块，用于选取地震数据中任意两炮数据，分别作为主炮数据及邻炮干扰数据，将所述邻炮干扰数据按照随机时间延迟与所述主炮数据...
【专利技术属性】
技术研发人员：王伟，魏新建，李海山，陈德武，何润，王万里，贺东阳，何欣，李冬，禄娟，
申请(专利权)人：中国石油天然气股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。