利用卷积自编码器的深度神经网络地震多次波压制方法技术

本发明专利技术提供一种利用卷积自编码器的深度神经网络地震多次波压制方法，该该利用卷积自编码器的深度神经网络地震多次波压制方法包括：步骤1，对含多次波的野外地震数据进行处理；步骤2，规则化步骤1中得到的地震数据；步骤3，构建卷积自编码器；步骤4，对网络参数进行更新；步骤5，以迭代次数作为迭代终止条件，输出卷积自编码器神经网络预测结果；步骤6，将步骤2中规则化的输入数据集和标签数据集给予网络进行训练与测试。该利用卷积自编码器的深度神经网络地震多次波压制方法可避免预测相减流程的繁复性和自适应相减的庞大计算量，训练好的网络，可以直接应用于同一工区的地震资料，无需重新计算，效率得到大幅提升。效率得到大幅提升。效率得到大幅提升。

【技术实现步骤摘要】
利用卷积自编码器的深度神经网络地震多次波压制方法


[0001]本专利技术涉及石油地球物理勘探
，特别是涉及到一种利用卷积自编码器的深度神经网络地震多次波压制方法。

技术介绍

[0002]目前，地震资料成像和反演技术的原理主要基于地震一次波的传播规律。多次波会影响成像、反演结果，从而影响解释结果，常被视作噪声。故压制地震勘探任务所采数据中的多次波能量是地震数据处理的关键。且有多种多次波压制方法，以衰减不同类型的多次波，提升数据处理效果。这些方法可被分为两大类——滤波法和预测相减法。滤波法主要针对在某个变换域内，与一次波分布于不同区域，或有着明显特征差异的多次波。滤波法简单易行，但仅能应对地下介质水平时的大偏移距地震记录，一般作为辅助压制方法。预测相减法是先利用波场延拓或者反馈迭代等手段预测出多次波，再将多次波从原始地震数据中减去。波场延拓法预测多次波需要已知地层的界面位置及各层物性参数，且会引入相关噪声，因此对于实际生产任务的适用性不足；数据驱动的反馈迭代法基本原理为二维褶积，仍需先利用采集数据计算得到地下介质信息，才能预测多次波。方法分为本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.利用卷积自编码器的深度神经网络地震多次波压制方法，其特征在于，该利用卷积自编码器的深度神经网络地震多次波压制方法包括：步骤1，对含多次波的野外地震数据进行处理；步骤2，规则化步骤1中得到的地震数据；步骤3，构建卷积自编码器；步骤4，对网络参数进行更新；步骤5，以设定的迭代次数作为迭代终止条件，输出卷积自编码器神经网络预测结果；步骤6，将步骤2中规则化的输入数据集和标签数据集给予网络进行训练与测试。2.根据权利要求1所述的利用卷积自编码器的深度神经网络地震多次波压制方法，其特征在于，在步骤1，对含多次波的野外地震数据进行处理，获得一套相对应的含多次波和不含多次波的地震数据。3.根据权利要求1所述的利用卷积自编码器的深度神经网络地震多次波压制方法，其特征在于，在步骤2，规则化步骤1中得到的地震数据，使得待处理道集的采样率即时空保持一致；规则化后的含地震多次波的数据形成网络输入数据集，不含多次波的数据形成网络标签数据集。4.根据权利要求1所述的利用卷积自编码器的深度神经网络地震多次波压制方法，其特征在于，在步骤3，卷积自编码器由编码器和解码器构成，编码器网络表示为式(1)：其中x为输入数据集，w
i
，b
i
为编码器网络参数，h为编码结果，代表卷积，其运算表达式为式(2)：其中k1,k2为x的下标值，m,n为卷积窗口的位移量；解码器网络可表示为式(3)：其中为网络预测结果，即解码器输出，w
j
，b
j
为解码器网络参数，f
e
和f
d
为编码器和解码器的激活函数。5.根据权利要求4所述的利用卷积自编码器的深度神经网络地震多次波压制方法，其特征在于，在步骤3，f
e
和f
d
为编码器和解码器的激活函数，使用Leaky ReLU函数f，其可表示为式(4)：其中x为函数自变量，a为非零斜率；综上，卷积自编码器神...

【专利技术属性】
技术研发人员：张猛，苗永康，王修银，刘群强，李美梅，隆文韬，孙兴刚，王东凯，李继光，匡斌，
申请(专利权)人：中国石油化工股份有限公司胜利油田分公司物探研究院，
类型：发明
国别省市：