一种地震数据去噪方法技术

本发明专利技术提供了一种地震数据去噪方法，获取包括随机噪音、面波和线性噪音的含噪地震数据；将含噪地震数据输入随机噪音去噪模型，得到第一去噪地震数据；将第一去噪地震数据输入面波去噪模型，得到第二去噪地震数据；将第二去噪地震数据输入线性噪音去噪模型，得到第三去噪地震数据。本发明专利技术通过随机噪音去噪模型、面波去噪模型和线性噪音去噪模型对含噪地震数据进行去噪处理，能够提高地震数据去噪的精度和效率。度和效率。度和效率。

【技术实现步骤摘要】
一种地震数据去噪方法


[0001]本专利技术涉及地震数据采集与处理
，特别是涉及一种地震数据去噪方法。

技术介绍

[0002]在地震数据采集的过程中，受环境影响通常会产生许多噪音。因为各种噪音的存在，使得地震的偏移和反演过程出现许多的假象，严重影响到后续的处理与解释工作。因此，在进行后续的地震数据处理过程前，需要对噪音进行衰减。传统方法基于滤波的技术对地震数据中被假设为高斯分布的随机噪音进行去除。传统方法中通常使用滤波或预测技术对相干噪音进行衰减。地滚波沿着地表移动，会覆盖浅层反射信号，针对地滚波频率和速度的特性，虽然，传统方法针对地震数据噪音衰减问题提出了许多解决方案，但是仍存在假设不精确以及参数选择不合适等问题，降低地震数据去噪的效率和准确率，从而提升成本。

技术实现思路

[0003]本专利技术的目的是提供一种地震数据去噪方法，能够提高地震数据去噪的精度和效率。
[0004]为实现上述目的，本专利技术提供了如下方案：
[0005]一种地震数据去噪方法，包括：
[0006]获取包括随机噪音、面波和线性噪音的含噪地震数据；
[0007]将含噪地震数据输入随机噪音去噪模型，得到第一去噪地震数据；
[0008]将第一去噪地震数据输入面波去噪模型，得到第二去噪地震数据；
[0009]将第二去噪地震数据输入线性噪音去噪模型，得到第三去噪地震数据；随机噪音去噪模型、面波去噪模型和线性噪音去噪模型均是利用历史含噪地震数据训练深度学习网络得到的；深度学习网络是通过Transformer模型对卷积神经网络进行改进后得到的。
[0010]根据本专利技术提供的具体实施例，本专利技术公开了以下技术效果：
[0011]本专利技术提供了一种地震数据去噪方法，通过Transformer模型对卷积神经网络进行改进后并训练得到随机噪音去噪模型、面波去噪模型和线性噪音去噪模型对含噪地震数据进行去噪处理，能够提高地震数据去噪的精度和效率。
附图说明
[0012]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0013]图1为本专利技术实施例中地震数据去噪方法流程图；
[0014]图2为本专利技术实施例中Transformer编码器的内部结构示意图；
[0015]图3为本专利技术实施例中MLP模块内部结构示意图；
[0016]图4为本专利技术实施例中TransCNN网络模型结构图；
[0017]图5为本专利技术实施例中合成地震数据的训练集；
[0018]图6为本专利技术实施例中TransCNN对于合成地震数据的去噪结果；
[0019]图7为本专利技术实施例中用于测试TransCNN的实际地震数据；
[0020]图8为本专利技术实施例中TransCNN对于实际地震数据的去噪结果；
[0021]图9为本专利技术实施例中TransCNN对于实际地震数据去除的噪音。
具体实施方式
[0022]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0023]本专利技术的目的是提供一种地震数据去噪方法，能够提高地震数据去噪的精度和效率。
[0024]为使本专利技术的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本专利技术作进一步详细的说明。
[0025]如图1，本专利技术提供了一种地震数据去噪方法，包括：
[0026]步骤101：获取包括随机噪音、面波和线性噪音的含噪地震数据；
[0027]步骤102：将含噪地震数据输入随机噪音去噪模型，得到第一去噪地震数据；
[0028]步骤103：将第一去噪地震数据输入面波去噪模型，得到第二去噪地震数据；
[0029]步骤104：将第二去噪地震数据输入线性噪音去噪模型，得到第三去噪地震数据；随机噪音去噪模型、面波去噪模型和线性噪音去噪模型均是利用历史含噪地震数据训练深度学习网络得到的；深度学习网络是通过Transformer模型对卷积神经网络进行改进后得到的。
[0030]在步骤101：之前还包括：
[0031]构建深度学习网络；
[0032]获取历史含噪地震数据；
[0033]去除历史含噪地震数据中的随机噪音，得到第一历史去噪地震数据；
[0034]以历史含噪地震数据为输入，以第一历史去噪地震数据为输出，对深度学习网络进行训练，得到随机噪音去噪模型。
[0035]在步骤101：之前还包括：
[0036]去除第一历史去噪地震数据中的面波，得到第二历史去噪地震数据；
[0037]以第一历史去噪地震数据为输入，以第二历史去噪地震数据为输出，对深度学习网络进行训练，得到面波去噪模型。
[0038]在步骤101：之前还包括：
[0039]去除第二历史去噪地震数据中的线性噪音，得到第三历史去噪地震数据；
[0040]以第二历史去噪地震数据为输入，以第三历史去噪地震数据为输出，对深度学习网络进行训练，得到线性噪音去噪模型。
[0041]具体的，深度学习网络包括一个编码器和一个解码器；编码器为基于Transformer
模型和卷积神经网络构建混合编码器；解码器为卷积神经网络。
[0042]对于随机噪音的去除网络，通过含有随机噪音的数据作为输入数据，不含随机噪音的数据作为标签数据，从而训练针对于去除随机噪音的TransCNN网络模型。
[0043]CNN
‑
Transformer的结构及特点：
[0044]卷积神经网络(CNN)善于提取局部特征，却不具备提取全局表征的能力。而Transformer模型中，自注意力模块可以很好的捕捉长期特征，也就是说Transformer模块更注重全局信息，但是却容易忽略局部特征细节。本专利技术将Transformer结构整合到CNN的网络结构中，可以兼顾全局特征和局部特征。
[0045]本专利技术通过Transformer模块改进卷积神经网络，从而提升地震数据去噪的效果。也就是说，本专利技术的权利主要集中在Transformer模块在地震数据去噪中的应用。如图2，整个Transformer模块由12个Encoder Block(编码器块)所组成，其中每个Encoder Block中均含有Layer Norm层(Layer Normalization层，线性标准化层)、多头自注意力机制层(MSA)、MLP层(多层感知器，即图中的MLP Block)及Dropout层(Dropout层为深度学习术语，随机舍弃，防止过拟本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种地震数据去噪方法，其特征在于，包括：获取包括随机噪音、面波和线性噪音的含噪地震数据；将含噪地震数据输入随机噪音去噪模型，得到第一去噪地震数据；将第一去噪地震数据输入面波去噪模型，得到第二去噪地震数据；将第二去噪地震数据输入线性噪音去噪模型，得到第三去噪地震数据；随机噪音去噪模型、面波去噪模型和线性噪音去噪模型均是利用历史含噪地震数据训练深度学习网络得到的；深度学习网络是通过Transformer模型对卷积神经网络进行改进后得到的。2.根据权利要求1的地震数据去噪方法，其特征在于，在获取含噪地震数据之前还包括：构建深度学习网络；获取历史含噪地震数据；去除历史含噪地震数据中的随机噪音，得到第一历史去噪地...

【专利技术属性】
技术研发人员：李闻达，霍守东，刘洪，吴天麒，
申请(专利权)人：中国科学院地质与地球物理研究所，
类型：发明
国别省市：