基于卷积神经网络的少量震源虚拟炮信号增强方法技术

本发明专利技术涉及一种基于卷积神经网络的少量震源虚拟炮信号增强方法，利用卷积神经网络对地震数据中的相干噪声及虚假同相轴进行识别和压制。将地下被动源震源数量较少虚拟炮记录作为训练数据，并将震源数量较多的虚拟炮记录作为训练标签，从标签中学习有效信号的特征，以此来压制相干噪声和虚假同相轴，并在波形不够连续的部位进行波形恢复。对于震源分布不够均匀的虚拟炮记录，采用震源分布较广泛的虚拟炮记录作为标签，此时网络的任务不仅要压制相干噪声、虚假同相轴，恢复波形的连续性和延展性，还要将直线相交型的同相轴恢复成双曲线型的同相轴。在进行被动源采集时，可降低其对地震记录的影响，最终获得较好的效果，提高被动源地震勘探的适用性。源地震勘探的适用性。源地震勘探的适用性。

【技术实现步骤摘要】
基于卷积神经网络的少量震源虚拟炮信号增强方法


[0001]本专利技术属于地震勘探
，具体涉及一种利用深度学习方法处理被动源虚拟炮记录的方法，特别涉及一种基于卷积神经网络的少量震源虚拟炮信号增强方法。

技术介绍

[0002]在地震勘探中，地下的噪声往往让处理人员们头疼。其信号微弱但分布广泛且杂乱无章，通常会采取各种手段来将其消除。然而近年来，人们发现其在地下介质中的传播规律与常规的地震波相同，且携带有大量的地下真实信息。如果可以得到合理的运用，那么就可以起到对主动源的替代作用。在一些无法进行主动源激发的场景，如城市附近，保护区等地，无需放炮，只需布置接收被动源信号的检波器即可完成采集工作，同时还节约了放炮的开支。除此之外，由于地下噪声震源的频段丰富，其中不乏许多低频段的信息。因此，被动源在大尺度的深层地震勘探上有着较之主动源地震勘探更大的优势。
[0003]针对被动源信号，一般将其分为瞬态震源和噪声震源。针对瞬态震源，通常，需要截取出包含信号的采样时间段进行地震干涉法重构，再将多段重构记录做叠加，得到信噪比更高的重构记录。针对噪声震源，人们往往在持续记录一定的时间后，直接对地震记录做地震干涉法重构，再根据需求重构出虚拟炮记录。
[0004]然而，应用地震干涉法对被动源地震数据进行重构时，不可避免的会出现相干噪声，以及强度不等的虚假同相轴。这些干扰有些来自于地下的噪声干扰，有些则是由于地下震源稀少或分布不均匀时，对其记录进行地震干涉法重构造成的。去除掉这些相干噪声和虚假同相轴的干扰的影响一直是地球物理学家们努力的方向。Yilmaz提出了F
‑
K滤波以压制相干噪声，但相干信号与有效信号有重叠时，其处理可能会对有效波造成伤害。Douglas等、Mauricio等、Akerberg等先后都尝试在Radon域内压制相干噪声，但仍存在分辨率较低的问题。Rabiner等创造了中值滤波的去噪方法，后来又产生了许多的衍生算法，如加权中值滤波、多级中值滤波等，其可以对图像上的像素点进行操作，但其小窗口对于相干噪声和虚假同相轴没有效果，大窗口又会模糊有效信号。
[0005]以上方法虽然在去除相干噪声上有一定的效果，但均无法取得完全令人满意的效果。并且，其计算方式复杂，计算耗时长，对于计算设备具有较高的要求。对于参数的选择需要处理人员的经验较多，含有一定的主观性。并且，对于虚假同相轴以及恢复有效波形方面，是没有什么效果的。
[0006]深度学习是机器学习的一个分支，通过训练神经网络来使其学习到图像等信息上的深层特征。LeCun等最早专利技术了卷积神经网络，在手写数字的识别上取得了较好的效果。Hinton等专利技术的AlexNet在图像识别上取得了很好的效果，VggNet、ResNet、FCN、DnCNN、UNet等各种深度学习网络在分类问题上以及图像分割领域上都取得很好的效果，其在保证准确率不输人工识别和常规方法的基础上，处理效率还更高，得到了各个领域上的广泛发展。
[0007]近年来，得益于计算机硬件设备的更新换代，在地球物理领域中，深度学习算法也
得到了广泛的应用。Kong等人利用神经网络将地震信号与活动噪声进行区分。Waldeland等利用卷积神经网络实现了地震剖面的解释。Qian等使用DCAE网络对叠前地震相进行识别。Wu等利用卷积神经网络拾取微地震信号的同相轴。Di提出了一种反卷积网络DCNN，较好的识别和解释了地震图像中的特征。Mandelli等利用自编码器重构了缺失地震道。在地震数据去噪方面，Zhu等利用卷积神经网络创造出了Deep Denoiser，即使是在高噪声背景下，该网络仍能较好的实现压制噪声的效果。Sun等将海上混采的相干噪声转换为随机噪声，并利用卷积神经网络对其进行压制。Song等利用UNet网络更为精细地压制了多次波干扰。Yu等利用CNN去除掉了多种噪声，展现出卷积神经网络强大的数据处理能力和适用性。
[0008]综上，如能研发一种被动源地震勘探数据处理方法，利用卷积神经网络，对地震数据中的相干噪声及虚假同相轴进行识别和压制，这是一种新的尝试，可有效降低对地震记录的影响，并提高被动源地震勘探的适用性，必将具有广泛的应用价值。

技术实现思路

[0009]本专利技术的目的在于提供一种基于卷积神经网络的少量震源虚拟炮信号增强方法，以解决被动源震源数量较少以及震源分布不均匀时，虚拟炮记录存在大量相干噪声和虚假同相轴以及同时同相轴的连续性较差，形态不符合物理学规律的问题。
[0010]本专利技术的目是通过以下技术方案实现的：
[0011]基于卷积神经网络的少量震源虚拟炮信号增强方法是基于Tensorflow
‑
GPU框架实现的。将被动源原始观测数据进行互相关重构，得到虚拟炮记录。核心是将重构的虚拟炮记录作为数据集和标签输入到神经网络中去，使其迭代更新参数，学习有效信号的特征，将其保留下来并进行一定程度的信号增强；以及学习相干噪声及虚假同相轴的特征，将其去除。利用此方法，不仅降低处理人员主观经验对数据处理的影响，可以精准的去除掉相干噪声和虚假同相轴，还可以保护有效信号。不仅效果更好，耗时还更短。
[0012]一种基于卷积神经网络的少量震源虚拟炮信号增强方法，包括以下步骤：
[0013]a、利用正演方法分别收集不同速度模型下，震源数量较少和、震源分布不均匀以及震源数量较多且分布广泛的原始被动源地震记录；
[0014]b、利用互相关地震干涉法对收集到的被动源原始记录进行虚拟炮记录的构建，其构建方程为：
[0015]R(x
B
,x
A
,t)+R(x
B
,x
A
,
‑
t)＝δ(x
H,B
,x
H,A
)δ(t)
‑
T(x
A
,
‑
t)*T(x
B
,t)
[0016]其中，R(x
B
,x
A
,t)代表某一道相对于另一炮的地震反射记录，即x
A
处进行放炮，x
B
处进行接收得到的地震记录；R(x
B
,x
A
,
‑
t)代表的是其非因果部分；δ()代表Dirac函数；T(x
A
,
‑
t)和T(x
B
,t)分别代表x
A
和x
B
两个检波器接收到的透射波响应；“*”代表卷积运算；
[0017]c、截取合适的采样点数的虚拟炮记录制作训练集和测试集以及其所对应的标签，并采用归一化处理：
[0018][0019]其中，x代表地震重构记录中的某一像素点，x
min
代表x所在的地震重构记录中最小像素点的值，x
max
代表x所在的地震重构记录中最大像素点的值；
[0020]d、设计本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于卷积神经网络的少量震源虚拟炮信号增强方法，其特征在于，包括以下步骤：a、利用正演方法分别收集不同速度模型下，震源数量较少、震源分布不均匀以及震源数量较多且分布广泛的原始被动源地震记录；b、利用互相关地震干涉法对收集到的被动源原始记录进行虚拟炮记录的构建，其构建方程为：R(x
B
,x
A
,t)+R(x
B
,x
A
,
‑
t)＝δ(x
H,B
,x
H,A
)δ(t)
‑
T(x
A
,
‑
t)*T(x
B
,t)其中，R(x
B
,x
A
,t)代表某一道相对于另一炮的地震反射记录，即x
A
处进行放炮，x
B
处进行接收得到的地震记录；R(x
B
,x
A
,
‑
t)代表的是其非因果部分；δ()代表D...

【专利技术属性】
技术研发人员：赵炳辉，韩立国，张盼，封强，尚旭佳，
申请(专利权)人：吉林大学，
类型：发明
国别省市：