【技术实现步骤摘要】
一种地震资料噪声的智能压制方法
[0001]本专利技术属于地球物理领域，具体涉及一种地震资料噪声的智能压制方法。
技术介绍
[0002]地震勘探中，高信噪比的地震资料往往获取难度较大。一方面，采集区域地层构造复杂，地震采集难度大；目标储层埋藏深，地震信号高频衰减快。另一方面，受地质、地理、人文等因素的作用，地震数据采集将面对复杂的噪声干扰，对后续的地震精确成像及沉积、构造、断层、储层等地质解释工作必然产生不利影响。由于实际地震勘探场景下干扰源的复杂性，地震资料会受到随机、相干、单频、强能量等多种类型噪声的污染，且各类噪声均具有其独特的特征。目前噪声压制方法可概括为传统方法和智能方法两类，传统方法大多根据噪声所具有的特定动力学、运动学、几何学特性进行压制，不同的信号需要不同的流程、参数和方法类型，泛化性较弱；而去噪效果却必将受到参数选择和处理人员经验的影响，主观性较；后者则不需要考虑噪声的类型，不依赖传统的数据处理方法，且因较强的普适性和简洁的数据处理思路而快速发展出了有监督、无监督和半监督等多种算法。其中，基于数据驱动的有监督类算法需要大量无噪声与含噪声的数据来训练模型，在无噪声数据获取、去噪效果依赖于无噪数据训练集等方面具有显著弊端。因此，探索更简捷、更高效的噪声压制方法，是地震勘探领域的研究热点。
[0003]以深度神经网络模型为代表的智能去噪方法拥有强大的特征学习能力，能够利用较短的计算时间拟合出目标信息的抽象特征，实现目标特征精确提取。同时，由于智能去噪方法具有不需要考虑噪声的类型和复杂性、且泛化能力...
【技术保护点】
【技术特征摘要】
1.一种地震资料噪声的智能压制方法，其特征在于，包括以下步骤：步骤1、利用正演软件模拟地震数据，通过地震波传播方程对地层模型进行地震波传播过程正演模拟，得到模拟地震数据；步骤2、向模拟地震数据中加入噪声，模拟地震数据被噪声污染的场景，并将模拟地震数据和被噪声污染的地震数据分别利用尺寸和滑动步长固定的窗口滑动截取，产生大量的训练样本；步骤3、搭建融合注意力机制的多尺度卷积自编码器，应用正演训练集进行迭代训练，输出每一轮训练后的模型，达到最大迭代次数后停止训练，保留损失函数最优的模型；步骤4、利用与步骤2相同的滑动截取策略获取实际数据训练集，再通过迁移学习的方式，利用正演数据训练得到的最优网络参数作为实际模型的初始化参数，接着利用实际训练集继续迭代训练模型，保留最优模型。2.根据权利要求1所述的一种地震资料噪声的智能压制方法，其特征在于，所述步骤1具体实现方法为：步骤11、利用电脑正演软件模拟地震数据，设计地质模型，并确定以下相关参数：纵波速度、横波速度、泊松比以及地层密度；步骤12、在软件中确定激发震源，设置检波器个数、时间采样间隔，利用地震传播方程进行正演模拟，获得模拟地震数据。3.根据权利要求1所述的一种地震资料噪声的智能压制方法，其特征在于，所述步骤2中加入的噪声包括单频、多频、强能量单频和弱能量单频相干噪声或高斯随机噪声中的一种或几种。4.根据权利要求1所述的一种地震资料噪声的智能压制方法，其特征在于，所述步骤3具体实现方法为：步骤31、确立融合注意力机制的多尺度卷积自编码器的结构，其结构为对称型，在编码器阶段，网络由InceptionV4卷积模块中的Inception
‑
A、Reduction
‑
A、Inception
‑
B、Reduction
‑
B、Inception
‑
C顺序连接组成；解码器阶段，网络由两个多尺度反卷积模块、卷积模块和注意力机制模块顺序连接组成；Inception
‑
C和第一个多尺度反卷积模块分别通过全连接层连接Dropout层；步骤32、确定优化器和训练超参数，训练超参数包括设置学习率、batch_size以及迭代次数，损失函数为重构输出与无噪声样本之间的均方根误差，训练达到最大迭代次数后，保存均方根误差最小的模型参数。5.根据权利要求4所述的一种地震资料噪声的智能压制方法，其特征在于，所述Inception
‑
A模块包括四个1
×
1卷积层和三个3
×
3卷积层；输入数据分别输入三个1
×
1卷积层，第一个1
×
1卷积层的输出依次连接两个3
×
3卷积层，第二个1
×
1卷积层的输出连接一个3
×
3卷积层；两路3
×
3卷积层的输出与第三个1
×
1卷积层的输出进行连接后输入第四个1
×
1卷积层；第四个1
×
1卷积层的输出与输入数据进行连接后作为输出；所述Inception
‑
B模块包括三个1
×
1卷积层、两个1
×
5卷积层和两个5
×
1卷积层；输入数据分别输入两个1
×
1卷积层，第一个1
×
1卷积层的输出依次输入1
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。