一种基于模型与数据驱动深度学习的地震多次波压制方法技术

本发明专利技术公布了一种基于模型与数据驱动深度学习算法的地震多次波压制方法，构建用于多次波压制的模型与数据驱动的深度学习模型，提取地震数据标签，并以包含一次波和多次波的全波场炮集为模型的输入，模型的输出即为压制多次波后的一次波炮集。本发明专利技术通过残差傅里叶子模块在网络架构中结合傅里叶算子和残差网络，在时间域的通道维度、时间维度及频率域提取多次波特征，使网络能够准确高效地实现多次波压制，可实现深度模拟复杂的多次波压制处理，且具有良好的抗噪性和泛化能力。本发明专利技术技术方案可用于提高地震多次波压制的精度和效率。可用于提高地震多次波压制的精度和效率。可用于提高地震多次波压制的精度和效率。

【技术实现步骤摘要】
一种基于模型与数据驱动深度学习的地震多次波压制方法


[0001]本专利技术属于深度学习算法信号处理及地学中勘探地震数据处理
，通过采用深度残差傅里叶算子网络模型挖掘地震数据中一次波与多次波的内在差别，并快速准确地压制多次波，从而避免多次波对速度分析、地震偏移和成像造成的干扰。同时，也可将本专利技术提出的深度残差傅里叶算子网络模型拓展应用于地震数据的去噪、速度分析、边缘检测和油气预测等方面，应用领域广泛。

技术介绍

[0002]多次波是在地下或地表界面反射一次以上的地震波，在地震数据处理流程中，对速度分析、地震偏移和层析成像构成干扰，进而影响地震资料的解释。因此，在基于一次波成像的工业化地震数据处理流程中，需要准确的识别和压制多次波[1]。
[0003]目前，多次波压制方法主要有数学模型驱动和智能数据驱动两类，数学模型驱动方法是基于一次波与多次波在时间
‑
空间域的特征差异和波动理论，对多次波进行压制的一类方法，包括滤波法[2]‑
[3]和波动理论法[4]‑
[5]。智能数据驱动方法是一类以人工智能算法为依托，挖掘地震数据中与多次波有关的规律与特征，进而实现多次波压制的方法[6]‑
[8]。基于智能数据驱动的方法缺乏控制方程对神经网络算法的约束，通常需要大量训练数据予以支持，这与地震勘探数据小样本的特点相背离，需要更改驱动模式使神经网络可以在小样本条件下进行训练。
[0004]随着人工智能技术的发展，机器学习算法在图像、语音、文本的识别与处理领域得到广泛应用，并逐步开始在地震勘探领域应用[9]‑
[11]。以数学模型与智能数据联合驱动的深度学习算法开始被学者们用于解决地球物理正演、反演问题[12]‑
[15]。智能数据驱动算法训练神经网络的本质是尽可能逼近一个函数，这与数学模型驱动方法求解偏微分方程数值解的本质相同。数学模型驱动方法中，偏微分控制方程对解空间较强的约束能力，为智能数据驱动方法求解更复杂的非线性问题提供了可能。
[0005]参考文献：
[0006][1]Liu J H,Hu T Y,Peng G X.2018.Suppressing seismic inter
‑
bed multiples with the adaptive virtual events method.Chinese Journal of Geophysics(in Chinese),61(3):1196
‑
1210.
[0007][2]Weglein A B,Hsu S Y,Terenghi P,et al.2011.Multiple attenuation:Recent advances and toad ahead(2011).The Leading Edge,30(8):864
‑
875.
[0008][3]胡天跃，王润秋，White R E.2000.地震资料处理中的聚束滤波方法.地球物理学报，43(1):105
‑
115.
[0009][4]Loewenthal D,Lu L,Roberson R,et al.1976.The wave equation applied to migration.Geophysical Prospecting,24(2):380
‑
399.
[0010][5]Berkhout A J.2006.Seismic processing in the inverse data space.Geophysics,71(4):A29
‑
A33.
[0011][6]Siahkoohi A,Verschuur D J,Herrmann F J.2019.Surface
‑
related multiple elimination with deep learning.SEG Technical Program Expanded Abstracts,2019:4629
‑
4634.
[0012][7]宋欢,毛伟建,唐欢欢.2021.基于深层神经网络压制多次波.地球物理学报,64(8):2795
‑
2808.
[0013][8]王坤喜,胡天跃等.2021.基于数据增广训练的深度神经网络方法压制地震多次波.地球物理学报,64(11):4196
‑
4214.
[0014][9]Zhang H,Zhu P,Yuan G U,et al.2019.Velocity auto
‑
picking from seismic velocity spectra based on deep learning.Geophysical Prospecting for Petroleum,58(5):724
‑
733.[10]Wu X,Liang L,Shi Y,et al.2019.FaultSeg3D:using synthetic datasets to train an end
‑
to
‑
end convolutional neural network for 3D seismic fault segmentation.Geophysics,84(3):IM35
‑
IM45.
[0015][11]Liu L,Ma J.2018.Structured Graph Dictionary Learning and Application on the Seismic Denoising.IEEE Transactions on Geoscience and Remote Sensing,PP(99):1
‑
11.
[0016][12]Sun J,Niu Z,Innanen K A,et al.2019.A theory
‑
guided deep learning formulation of seismic waveform inversion.SEG Technical Program Expanded Abstracts,2019:2343
‑
2347.
[0017][13]Sun J,Niu Z,Innanen K A,et al.2019.A theory
‑
guided deep learning formulation and optimization of seismic waveform inversion.Geophysics,85(2):1
‑
63.
[0018][14]Wang W,Mcmechan G A,Ma J.2021.Elastic isotropic and anisotropic full wav本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于模型与数据驱动深度学习算法的地震多次波压制方法，构建用于多次波压制的模型与数据驱动的深度学习模型，提取地震数据标签，并以包含一次波和多次波的全波场炮集为模型的输入，模型的输出即为压制多次波后的一次波炮集；包括以下步骤：A.获得叠前多次波地震数据；B.从叠前多次波地震数据中提取得到训练数据集和测试数据集；C.从训练数据集多次波地震数据中提取得到地震数据样本矩阵和地震数据标签，并通过预处理方法进行处理；具体是：C1.以训练数据集中的全波场地震数据结合该全波场地震数据的横坐标和纵坐标组成三个通道，每个通道数据均为一个二维矩阵，即地震数据样本矩阵；C2.采用一次波地震数据作为地震数据标签；C3.通过地震数据预处理方法对步骤C1得到的地震数据样本矩阵和步骤C2得到的地震数据标签进行处理，缩小同一样本中同相轴的振幅差异；进行数据预处理更新后的地震数据样本矩阵和地震数据标签可使得构建的神经网络模型的隐藏层权值能处理地震数据样本中的所有同相轴；经过预处理后得到的地震数据样本矩阵的数值分布基本满足正态分布；且经过预处理的数据可通过预处理的逆变换恢复为原始数据；地震数据预处理方法具体为：首先将地震数据进行归一化处理，使振幅值分布在[
‑
1,1]；再通过式(1)的函数进行变换，得到经过预处理方法处理后的地震波场数据：其中，x表示振幅为真实振幅的地震波场数据；y表示振幅经过预处理方法处理后的地震波场数据；α,β,k分别为预设参数，其中α用于控制非线性部分的函数曲率；β用于控制进行非线性变换的x范围；k用于控制线性部分的函数梯度；D.构建深度残差傅里叶算子网络模型并进行模型初始化和模型训练，包括：D1.构建深度残差傅里叶算子网络模型，作为多次波压制网络模型；深度残差傅里叶算子网络模型以经过预处理处理后的地震全波场数据及该地震全波场数据的横坐标和纵坐标组成的三通道的二维矩阵作为模型输入矩阵，模型输出为压制多次波后的一次波场；网络模型将全连接层作为首特征层和尾特征层，用于连接输入的波场数据、输出的波场数据与网络模型内部隐藏层的特征数据；网络模型的隐藏层由多个残差傅里叶子模块串联组成，用于在时间域的通道维度、图像维度及频率域提取得到多次波特征；首先通过全连接层整合网络模型的输入，将模型输入矩阵的波场信息整合到特征层的多个通道的矩阵中，使每个通道的特征矩阵同时包含波场和坐标信息；接着，通过网络模型的多个残差傅里叶子模块在时间域的通道维度、时间维度及频率域提取得到地震多次波特征；
在网络模型的残差傅里叶子模块之间和内部使用Dropout正则化和L2正则化进行处理，进一步缓解过拟合；在残差傅里叶子模块中的频率域特征提取部分和时间域的通道、图像维度特征提取部分均额外使用批标准化BN控制各层特征值的分布；时间域的短路连接部分无需使用BN；所述时间域的短路连接是在时间域特征提取中，网络中的每一层除了要提取通道维度的特征和图像维度的特征，还提取上一层的特征，提取到的上一层的特征即作为网络中本层的输入特征，即构成时间域的短路连接；再通过一个全连接层整合网络各通道得到的特征矩阵，即得到输出的波场矩阵；对上述深度残差傅里叶算子网络模型架构中的各权值与偏置进行深度学习随机初始化；D2.将训练集数据导入初始化后的深度残差傅里叶算子网络模型，并根据训练结果调整和更新神经网络超参数，得到训练好的网络模型即为多次波压制模型；E.根据多次波压制模型，对多次波地震数据测试集中的数据进行多次波压制：E1.将测试集样本导入训练好的网络模型，即多次波压制网络模型，得到输出的一次波；E2.将网络模型输出的一次波根据预处理方法的逆变换进行处理，即得到真实振幅的一次波地震数据；通过上述步骤，实现基于模型与数据驱动深度学习算法的地震多次波压制。2.如权利要求1所述基于模型与数据驱动深度学习算法的地震多次波压制方法，其特征是，步骤B中，从叠前多次波地震数据中提取得到训练数据集，所述训练数据集包含工区的各种主要地质结构。3.如权利要求1所述基于模型与数据驱动深度学习算法的地震多次波压制方法，其特征是，步骤C2中，所述一次波地震数据是通过高精度的多次波压制方法处理训练数据集中的全波场地震数据得到的，或是采用现有的高精度一次波地震数据。4.如权利要求1所述...

【专利技术属性】
技术研发人员：胡天跃，刘继伟，郑晓东，赵邦六，曾庆才，曾同生，黄建东，焦梦瑶，于珍珍，隋京坤，
申请(专利权)人：北京大学，
类型：发明
国别省市：