一种基于多尺度残差网络的地震数据重建方法技术

本发明专利技术公开了一种基于多尺度残差网络的地震数据重建方法。本发明专利技术将多尺度卷积思想应用于残差结构中，在多尺度残差块的基础上引入不同大小的卷积核，通过多尺度残差块级联自适应地提取地震数据的信息；然后利用各多尺度残差块输出作为局部特征进行全局特征融合。最后，将融合后的全局特征发送到重建模块进行地震数据重建。本发明专利技术在多尺度残差块的基础上采用不同尺度卷积核进行特征提取，能够更好的提取出地震数据的局部特征，从而重建出更高信噪比的地震数据。比的地震数据。比的地震数据。

【技术实现步骤摘要】
一种基于多尺度残差网络的地震数据重建方法


[0001]本专利技术的技术方案涉及地震数据重建领域，具体是一种基于多尺度残差网络的地震数据重建方法。

技术介绍

[0002]地震数据在油气勘探、地质勘探等领域发挥了至关重要的作用。然而在地震数据采集过程中，由于地震波在地层传播过程中存在损耗，同时检波器接受地震波的精度受到采集环境的影响(如温度、湿度等)，导致最终采集到的数据存在部分失真、含有噪声等问题。这将影响后续地震数据的处理和解释过程。因此，采用插值的方法对地震数据进行高保真、高分辨率的重建，从而获得更有效地地震数据是解决地震数据缺失问题非常关键的方法。
[0003]传统的地震插值重建可以分为基于预测误差滤波的方法、基于波动方程的方法、基于稀疏变换的方法。基于预测误差滤波的方法是将地震数据视为信号，如Spitz在地震事件的线性假设下，提出利用从频率空间(f
‑
x)域的低频分量估计出来的滤波器来恢复混叠的高频数据。然而，它仅适用于规则采样的地震数据，对地震数据的应用不具有普适性。基于波动方程的方法如Ronen通过模拟声波传播来恢复缺失地震道，这就需要地震场的先验分布作为前提条件，并且此方法计算成本很高。基于稀疏变换的方法如Trickett等提出主要利用稀疏约束，该约束假设变换域中的地震道是稀疏的，通过剔除小幅度系数，逐步恢复缺失的地震道。
[0004]随着大数据时代的到来，深度学习逐渐成为各领域发展的关键技术，目前已经有很多学者采用深度学习方法实现了地震数据插值。例如Wang B等人利用残差网络、Fang等人利用U
‑
Net网络，Oliveira等人利用生成对抗网络分别实现了地震数据插值。但是，这些方法在特征提取过程中仅采用单一尺寸的卷积核，单一尺寸的卷积核感受野范围有限，无法直接建立局部特征之间的依赖关系，这就导致全局特征提取不足的问题。

技术实现思路

[0005]针对现有技术的不足，本专利技术拟解决的技术问题是，提供一种基于多尺度残差网络的地震数据重建方法。
[0006]本专利技术解决所述技术问题的技术方案是，提供一种基于多尺度残差网络的地震数据重建方法，其特征在于，该方法包括以下步骤：
[0007]步骤1、对原始地震数据集进行处理，生成统一尺寸的地震数据图像，并进行可视化处理；将地震数据图像分为训练集、验证集和测试集；地震数据图像包括完整地震图像以及与之对应的缺道地震图像；缺道地震图像作为多尺度残差网络的输入，其对应的完整地震图像作为标签，在计算损失函数时使用；
[0008]步骤2、对缺道地震图像进行下采样，生成低分辨率地震图像LR；
[0009]步骤3、将低分辨率地震图像LR输入到多尺度残差网络中进行特征提取，多尺度残
差网络由n个连续的多尺度残差块和一个特征融合层构成，特征融合层位于多尺度残差网络的末端；经过多尺度残差网络后的输出为全局特征F：
[0010][0011]式(1)中，w表示卷积层权重，M
f
表示n个多尺度残差块的特征图，b表示卷积层的偏差，[M0,M1,M2,M3]表示特征融合操作；
[0012]步骤4、将步骤3得到的全局特征F进行上采样，得到此次迭代的高分辨率重建地震图像F
out
；
[0013]步骤5、得到高分辨率重建地震图像F
out
后，再通过损失函数对此次迭代的多尺度残差网络进行优化；
[0014]步骤6、通过损失函数不断优化多尺度残差网络，直至达到设定的迭代次数，得到训练好的多尺度残差网络；再将测试集中的缺道地震图像输入到训练好的多尺度残差网络中完成地震数据重建，得到重建地震数据。
[0015]与现有技术相比，本专利技术有益效果在于：
[0016](1)本专利技术将多尺度卷积思想应用于残差结构中，在多尺度残差块的基础上引入不同大小的卷积核，通过多尺度残差块级联自适应地提取地震数据的信息；然后利用各多尺度残差块输出作为局部特征进行全局特征融合。最后，将融合后的全局特征发送到重建模块进行地震数据重建。本专利技术在多尺度残差块的基础上采用不同尺度卷积核进行特征提取，能够更好的提取出地震数据的局部特征，从而重建出更高信噪比的地震数据。
[0017](2)本专利技术利用不同尺寸的卷积核并联的方式进行特征提取，有效解决了之前插值方法中仅采用单一尺寸卷积核带来的特征提取不足问题；此外，不同尺寸卷积核提取到的特征作为局部特征输入到特征融合层后获取到图像全局特征，有效解决了目前深度学习插值方法中对地震数据全局特征利用不足的问题。
[0018](3)本专利技术所采用的多尺寸卷积核可以自适应的提取地震数据的特征，并且可以实现不同尺度的特征融合。
[0019](4)本专利技术相较于传统的重建方法，深度学习能够自动更新参数，不需要其他的先验信息，并且可以学习复杂的地震数据特征，有效地避免空间假频问题，能够在GPU的环境下快速重建出清晰的高分辨率地震数据。
[0020](5)本专利技术实现了端到端的图像重建方法，避免了过多的超参数和人工操作。
[0021](6)在损失函数部分引入均方误差损失函数进行优化。
附图说明
[0022]图1为本专利技术的多尺度残差网络的结构示意图；
[0023]图2为本专利技术的多尺度残差块的结构示意图；
[0024]图3为本专利技术实施例1的缺道地震图像；
[0025]图4为本专利技术实施例1的完整地震图像；
[0026]图5为本专利技术实施例1得到的高分辨率重建地震图像F
out
；
[0027]图6为本专利技术实施例1的完整地震图像和得到的重建地震图像的残差图；
[0028]图7为本专利技术实施例1的网络在训练过程中随机缺失率50％情况下使用验证集得
到的迭代次数Epoch和信噪比SNR的关系图。
具体实施方式
[0029]下面给出本专利技术的具体实施例。具体实施例仅用于进一步详细说明本专利技术，不限制本申请权利要求的保护范围。
[0030]本专利技术提供了一种基于多尺度残差网络的地震数据重建方法(简称方法)，其特征在于，该方法包括以下步骤：
[0031]步骤1、对原始地震数据集进行处理，生成统一尺寸的地震数据图像，并进行可视化处理；将地震数据图像分为训练集、验证集和测试集；地震数据图像包括清晰的高分辨率完整地震图像(简称完整地震图像)以及与之对应的非规则缺失的低分辨率缺道地震图像(简称缺道地震图像)；其中缺道地震图像作为多尺度残差网络(Multi
‑
scale Residual Network，MSRN)的输入，其对应的完整地震图像作为标签；在计算损失函数时，重建地震图像与标签差异越小，损失函数值越小；
[0032]优选地，步骤1中，生成地震数据图像的过程中，通过对原始地震数据集中的地震数据进行随机翻转和旋转90
°
、180
°
、270
°
来进行图像本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多尺度残差网络的地震数据重建方法，其特征在于，该方法包括以下步骤：步骤1、对原始地震数据集进行处理，生成统一尺寸的地震数据图像，并进行可视化处理；将地震数据图像分为训练集、验证集和测试集；地震数据图像包括完整地震图像以及与之对应的缺道地震图像；缺道地震图像作为多尺度残差网络的输入，其对应的完整地震图像作为标签，在计算损失函数时使用；步骤2、对缺道地震图像进行下采样，生成低分辨率地震图像LR；步骤3、将低分辨率地震图像LR输入到多尺度残差网络中进行特征提取，多尺度残差网络由n个连续的多尺度残差块和一个特征融合层构成，特征融合层位于多尺度残差网络的末端；经过多尺度残差网络后的输出为全局特征F：式(1)中，w表示卷积层权重，M
f
表示n个多尺度残差块的特征图，b表示卷积层的偏差，[M0,M1,M2,M3]表示特征融合操作；步骤4、将步骤3得到的全局特征F进行上采样，得到此次迭代的高分辨率重建地震图像F
out
；步骤5、得到高分辨率重建地震图像F
out
后，再通过损失函数对此次迭代的多尺度残差网络进行优化；步骤6、通过损失函数不断优化多尺度残差网络，直至达到设定的迭代次数，得到训练好的多尺度残差网络；再将测试集中的缺道地震图像输入到训练好的多尺度残差网络中完成地震数据重建，得到重建地震数据。2.根据权利要求1所述的基于多尺度残差网络的地震数据重建方法，其特征在于，步骤1中，生成地震数据图像的过程中，通过对原始地震数据集中的地震数据进行随机翻转和旋转90
°
、180
°
、270
°
来进行图像增强。3.根据权利要求1所述的基于多尺度残差网络的地震数据重建方法，其特征在于，步骤3的具体操作为：将步骤2生成的低分辨率地震图像LR输入到连续的n个多尺度残差块中进行特征提取，前一个多尺度残差块的输出作为后一个多尺度残差块的输入，并且将每一个多尺度残差块的输出均输入到特征融合层，作为局部特征便于后续获取全局特征F。4.根据权利要求1所述的基于多尺度残差网络的地震数据重建方法，其特征在于，步骤3中，每个多尺度残差块的计算公式为：式(2)中，M
i
表示第i个多尺度残差块的输出，M
i
‑1表示第i个多尺度残差块的输入即第i
‑
1个多尺度残差块的输出；w1和b1分别表示第一部分的上分支和下分支的卷积层权重和偏移量，下标表示层中使用的卷积核大小；w3和b3分别表示第三部分的上分支和下分支的卷积层权重和偏移量，下标表示层中使用的卷积核大小；w5和b5分别表示第五部分的卷积层权重和偏移量，下标表示层中使用的卷积核大小。5.根据权利要求1或4所述的基于多尺度残差网络的地震数据重建方法，其特征在于，步骤3中，每个多尺度残差块均包括连续的五个部分；第一部分由上分支和下分支构成、第二部分...

【专利技术属性】
技术研发人员：贾永娜，沈晓宁，顾军华，邵威，刘洋，
申请(专利权)人：河北工业大学，
类型：发明
国别省市：