一种基于改进Transformer的叠前地震数据重建方法技术

本发明专利技术公开了一种基于改进Transformer的叠前地震数据重建方法，其特征在于，建立基于改进Transformer的叠前地震数据重建模型，通过收集大量叠前地震数据，进行数据清洗与数据切片，将三维维叠前地震数据转化为为二维叠前地震数据，从而构建叠前地震数据重建数据集，然后基于Transformer基础网络模型设计整体结构恢复模块，交替使用轴向注意力机制与标准注意力机制，基于CNN与门控卷积设计一个结构特征筛选模块，将结构特征上采样到所需大小并筛选有用的结构特征，然后基于快速傅里叶卷积CNN构建纹理修复模块，将上述结构特征逐步添加到纹理修复模块中，最后完成了叠前地震数据重建模型的建立，实现了叠前地震数据重建。实现了叠前地震数据重建。实现了叠前地震数据重建。

【技术实现步骤摘要】
一种基于改进Transformer的叠前地震数据重建方法


[0001]本专利技术属于地震数据重建领域和深度学习领域，具体涉及一种基于改进Transformer的叠前地震数据重建方法。

技术介绍

[0002]随着油气勘探开发程度的不断提高,地震勘探的对象正在从构造油气藏逐步转向岩性油气藏，因此需要高信噪比、高分辨率和高保真度的叠前地震数据来刻画地下含油气藏构造的精细结构。由于自然条件限制和人为因素的影响，实际采集得到的叠前地震数据会存在地震道缺失、空间采样不足、含有强烈的噪声等问题，因此需要对叠前地震数据进行噪声压制或重建。而常规叠前地震数据重建方法受Nyquist采样定理的限制，往往要求数据有较高的采样率，使得数据采集成本较高；另一方面，常规的叠前地震数据重建方法通常比较依赖于叠前地震数据的先验信息，需要大量的人工干预。
[0003]随着深度学习的快速发展，深度学习被应用在了众多领域，效果显著，通过深度学习的方法对原有的叠前地震数据进行重建，无需地下先验信息、无需大量的人工干预、不受采样率限制，能使其包含的地球物理信息更加真实的反映地下地质体的地球物理特征。因此，亟需运用深度学习方法建立一种叠前地震数据重建模型。

技术实现思路

[0004]为了克服叠前地震数据重建受到采样率限制、依赖地下先验信息、受强噪音干扰等诸多因素的影响，导致叠前地震数据重建效果不佳，从而使其包含的地球物理信息无法真实的反映地下地质体的地球物理特征，影响后续的地震数据处理，本专利技术提出了一种基于改进Transformer的叠前地震数据重建方法，通过集中收集大量叠前地震数据，进行数据清洗与数据标准化来构建构叠前地震数据重建数据集，采用transformer基础网络模型设计结构恢复模型，然后基于简单CNN与门控卷积设计一个多尺度结构特征上采样器，将灰度草图上采样到任意大小并提取多尺度结构特征，然后利用基于快速傅里叶卷积的CNN设计纹理修复模型，将上述多尺度结构特征逐步添加到纹理修复模型中，最终完成叠前地震数据重建模型的建立，实现叠前地震数据重建。
[0005]为实现上述目的，本专利技术技术方案主要包括如下步骤：
[0006]A.构建叠前地震数据重建数据集：
[0007]集中收集大量叠前地震数据，用统计分析的方法识别可能的错误值或异常值，如偏差分析、识别不遵守分布或回归方程的值，或使用不同属性间的约束、外部的数据来检测和清理数据。然后从不同维度将三维叠前地震数据标准化为二维叠前地震数据图片的形式，最终实现叠前地震数据重建数据集的构建。
[0008]B.构建整体结构恢复模块：
[0009]由于Transformer具有捕捉全局结构的能力，利用其能力以相对较低的分辨率恢复整体结构。对于输入的图像数据，首先采用3个卷积层对其进行下采样，以减少注意力学
习的计算量，然后交替使用轴向注意力模块与标准注意力模块，以降低标准注意力模块的复杂度，对于输入特征X∈R
h
×
w
×
c
，我们假设X
ri,rj
,X
ci,cj
∈R
c
,表示X的行i、j和列i、j的特征向量。然后基于行级和列级RPE的轴向注意得分A
row
,A
col
可以写为:
[0010][0011][0012]其中W
rq
、W
rk
、W
cq
、W
ck
为行列键的可训练参数；为i、j行之间的可训练RPE值，为列i、j之间的RPE值。然后，通过softmax操作来处理注意力分数。在对堆叠的transformer块进行编码后，将特征通过三个转置卷积进行上采样，以便在输入图像尺寸下输出结构。
[0013]C.构建结构特征筛选模块：
[0014]为了捕获可能的更完整的二维地震数据的整体结构，将生成的结构特征上采样到任意比例，而没有明显的退化,对于给定的任意尺度下的修复边和线需要一个完整的卷积网络来将它们处理到一个特征空间中。首先训练一个CNN来上采样整体结构特征到所需的尺寸，然后设计3层下采样卷积(编码器)，3层扩展卷积块，和3层上采样卷积(解码器)，对于编码器和解码器，使用门控卷积(GCs)来选择性地传输有用的特征。最后从一个中间层选择4个特征映射Sk、k∈{0、1、2、3}和3个解码器层的输出，将结构特征传递到纹理修复模型：
[0015][0016]D.构建纹理修复模块:
[0017]纹理修复模型由几个卷积下采样、图像上采样、快速傅里叶卷积层组成，快速傅里叶卷积层由使用传统卷积的局部分支和经过快速傅里叶变换后的全局分支卷积组成，将两个分支合并，可以获得更大的接受域和局部不变性。然后将结构信息的特征传递到预训练好的基于快速傅里叶卷积的CNN纹理修复模型上，最终完成叠前地震数据重建模型的建立，实现叠前地震数据重建。
[0018]本专利技术的有益效果是：通过对收集的叠前地震数据进行数据清洗和标准化，能够有效解决高维叠前地震数据难以通过常规机器学习方法重建的难题；设计基于transformer的结构恢复模型，可以捕捉叠前地震数据的整体结构特征；设计结构特征筛选模块，可以将生成的结构特征向上采样到任意比例，而没有明显的退化，并且使用门控卷积过滤能有选择地输有用的特征；设计纹理修复模型，能将整体结构特征与纹理特征相融合，可以获得更大的接受域和局部不变性。此外，本方法还解决了叠前地震数据重建受采样率限制、依赖地下先验信息、受强噪音干扰等诸多因素影响的难题，使得其包含的地球物理信息更加真实的反映地下地质体的地球物理特征。
附图说明
[0019]图1是本专利技术的模型结构图
具体实施方式
[0020]下面结合图1对本专利技术作进一步详细的描述：
[0021](1)集中收集大量叠前地震数据，用统计分析的方法识别可能的错误值或异常值，然后分别从时间、横向、纵向三个维度将形状为(128，128，128)的三维叠前地震数据切片，然后将三个不同维度的切片拼接形成形状为(3，128，128)的二维叠前地震数据，从而实现叠前地震数据重建数据集的构建。
[0022](2)构建结构恢复模块，对于输入的形状为(3，128，128)地震数据，首先采用3个卷积层对其进行下采样为(3，32，32)，然后交替使用轴向注意力模块与标准注意力模块，对于输入特征X∈R
h
×
w
×
c
，我们假设X
ri,rj
,X
ci,cj
∈R
c
,表示X的行i、j和列i、j的特征向量。然后基于行级和列级RPE的轴向注意得分A
row
,A
col
可以写为:
[0023][0024][0025]其中W
rq
、W
rk
、W
cq
、W
ck
为行本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进Transformer的叠前地震数据重建方法，其特征在于，包括以下步骤：A.构建叠前地震数据重建数据集：通过收集大量叠前地震数据，使用统计分析方法对数据进行清洗，然后从不同维度将三维叠前地震数据标准化为二维叠前地震数据的形式，然后将二维叠前地震数据切片为固定大小，以实现叠前地震数据重建数据集的构建；B.构建整体结构恢复模块：利用Transformer的能力，设计一个整体结构恢复模块，采用交替使用轴向注意力模块与标准注意力模块的方法...

【专利技术属性】
技术研发人员：李克文，姚锐，李华昱，李文韬，范娅婷，
申请(专利权)人：中国石油大学华东，
类型：发明
国别省市：