一种被动源面波数据规则干扰压制方法及系统技术方案

本发明专利技术提供了一种被动源面波数据规则干扰压制方法及系统，构建被动源面波干扰压制网络；按照设置的时间段与地震道数量，在地震数据中，随机裁取出包含不同时空域范围内、包含面波信号的数据，构建小尺寸面波干扰压制数据集；利用所构建的数据集，以监督学习的方式训练被动源面波干扰压制网络；构建道向掩模，利用道向掩模遮盖训练后的被动源面波干扰压制网络中输入中的部分地震道数据；利用上述数据进行无人工标签的迁移学习训练，得到处理后的数据。本发明专利技术能够实现对被动源面波数据中规则干扰的压制。干扰的压制。干扰的压制。

【技术实现步骤摘要】
一种被动源面波数据规则干扰压制方法及系统


[0001]本专利技术属于地球物理勘探
，涉及一种被动源面波数据规则干扰压制方法及系统。

技术介绍

[0002]本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术。
[0003]近年来，城市浅地表高频面波探测技术的发展为城市地质勘察提供了新思路，该类方法通过提取人工激励振动信号或城市人文环境噪声中面波成分的频散信息，对地下介质波速分布进行成像。由于面波具有能量强、振幅大的特点，使得这类方法受环境噪声干扰小，加之面波对波速变化响应敏感，具有非侵入式和场地试用性强等优势，城市浅地表高频面波探测方法成为城市地下空间探测的有效途径。
[0004]通常情况下，面波数据常用于浅地表横波速度结构成像，其基本流程为野外数据采集、数据处理、面波数据频散成像与频散曲线提取、基于频散曲线的横波波速反演。随着人工智能蓬勃发展，其中最具代表性的深度学习技术在自然语言处理、无人驾驶、医学成像等生产生活中的领域不断取得新突破，人工智能的发展已然进入了“革命时代”。深度学习算法具有极强的非线性函数拟合能力，使其被逐渐应用于地球物理领域中，极大程度提高了数据信号处理、参数模型构建、反演与成像等算法的处理能力。在面波频散曲线提取与反演方面，现有研究表明深度学习方法在减少人力成本与人为主观因素影响、提升算法准确度方面展现出强大的优势，可有效应对传统面波探测方法在地下介质波速成像过程中面临的问题。
[0005]对于现有城市浅地表被动源面波探测技术而言，面波数据中存在的规则干扰制约着面波的频散曲线提取效果：被动源数据恢复出的面波虚源炮集中存在规则干扰，这些干扰包括部分体波信号干扰；也包括被动源数据互相关时多模态面波信号相互影响，引入的虚假同相轴干扰；城市环境下地表探测条件复杂，造成掘进被动源面波虚源炮集中信号不连续的问题，使得数据中存在道间采集误差。这些数据质量问题均对后续面波频散曲线提取过程造成严重干扰。

技术实现思路

[0006]本专利技术为了解决上述问题，提出了一种被动源面波数据规则干扰压制方法及系统，本专利技术构建了小尺寸面波干扰压制数据集，用于训练干扰压制网络；并针对实测城市浅地表被动源面波数据中存在的道向采集误差的问题，通过形成基于道向掩模的迁移学习进一步提高实测面波数据的干扰压制效果，实现对被动源面波数据中规则干扰的压制。
[0007]根据一些实施例，本专利技术采用如下技术方案：
[0008]一种被动源面波数据规则干扰压制方法，包括以下步骤：
[0009]构建被动源面波干扰压制网络；
[0010]按照设置的时间段与地震道数量，在地震数据中，随机裁取出包含不同时空域范围内、包含面波信号的数据，构建小尺寸面波干扰压制数据集，数据集中包括含噪声的面波数据作为输入，与对应的纯净面波数据作为标签；
[0011]利用所构建的数据集，以监督学习的方式训练被动源面波干扰压制网络；
[0012]构建道向掩模，利用道向掩模遮盖训练后的被动源面波干扰压制网络中输入中的部分地震道数据；
[0013]利用上述遮盖后的输入数据，并以未经遮盖的数据作为输入时监督学习训练后得到的被动源面波干扰压制网络的直接预测结果作为标签数据，通过上述输入与标签数据组成的数据对再次训练被动源面波干扰压制网络，即无人工标签的迁移学习训练过程，得到处理后的数据。
[0014]作为可选择的实施方式，被动源面波干扰压制网络包含编码器、跳跃连接与解码器三部分，所述编码器由多个卷积网络层构成，解码器由多个反卷积网络层构成，跳跃连接用于连接部分编码器的卷积层与解码器的反卷积层。
[0015]作为可选择的实施方式，所述小尺寸面波干扰压制数据集包含输入数据和标签数据，所述输入数据包括纯净的面波信号与已知的被动源面波干扰，所述标签数据包含纯净面波信号。
[0016]作为可选择的实施方式，所述小尺寸面波干扰压制数据集中，纯净面波信号通过地表主动源的瑞雷波场有限差分正演模拟获得。
[0017]作为可选择的实施方式，所述小尺寸面波干扰压制数据集中的被动源面波干扰包括体波干扰和虚假同相轴干扰。
[0018]作为进一步的限定，包含体波干扰的面波数据通过在进行瑞雷波场有限差分正演模拟时，增加震源埋深增加数据中的体波干扰信号。
[0019]作为进一步的限定，通过被动源瑞雷波场有限差分正演模拟，即通过连续激震的形式获得被动源模拟数据，再通过地震干涉法恢复成虚源炮集数据，以此方式获得包含虚假同相轴干扰的面波数据。
[0020]作为可选择的实施方式，被动源面波干扰压制网络采用均方误差损失函数计算目标函数，表示为：
[0021][0022]式中b表示每次训练的样本数；n表示地震道的数量；t表示时间采样点的数量；w为可更新网络参数；X表示待处理的虚源炮集数据,S表示标签数据，即纯净的面波数据，N表示被动源面波干扰压制网络。
[0023]作为可选择的实施方式，在实测被动源面波虚源炮集上进行无人工标签的迁移学习训练时，在输入的地震道范围内随机选取相邻两道，并随机生成形状为t
×
2的随机向量作为道向掩模，替换原始输入中所选的两道数据，且每一步训练均随机生成一个道向掩模。
[0024]作为可选择的实施方式，基于L2损失函数，构建目标函数，利用目标函数在实测被动源面波虚源炮集上进行无人工标签的迁移学习训练，所述目标函数为：
[0025][0026]式中b表示每次训练的样本数；w为可更新网络参数；w
pre
表示通过监督学习训练得到的网络参数；Δw表示迁移学习后网络参数的更新量；X表示待处理的虚源炮集数据，N表示添加噪声掩模的被动源面波干扰压制网络。
[0027]一种被动源面波数据规则干扰压制系统，包括：
[0028]网络构建模块，被配置为构建被动源面波干扰压制网络；
[0029]数据集构建模块，被配置为按照设置的时间段与地震道数量，在地震数据中，随机裁取出包含不同时空域范围内、包含面波信号的数据，构建小尺寸面波干扰压制数据集；
[0030]训练模块，被配置为利用所构建的数据集，以监督学习的方式训练被动源面波干扰压制网络；
[0031]道向掩模模块，被配置为构建道向掩模，利用道向掩模遮盖训练后的被动源面波干扰压制网络中输入中的部分地震道数据；
[0032]处理模块，被配置为利用上述遮盖后的输入数据，并以未经遮盖的数据作为输入时监督学习训练后得到的被动源面波干扰压制网络的直接预测结果作为标签数据，通过上述输入与标签数据组成的数据对再次训练被动源面波干扰压制网络，得到处理后的数据。
[0033]一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行所述方法中的步骤。
[0034]一种终端设备，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行所述的方法中的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种被动源面波数据规则干扰压制方法，其特征是，包括以下步骤：构建被动源面波干扰压制网络；按照设置的时间段与地震道数量，在地震数据中，随机裁取出包含不同时空域范围内、包含面波信号的数据，构建小尺寸面波干扰压制数据集；利用所构建的数据集，以监督学习的方式训练被动源面波干扰压制网络；构建道向掩模，利用道向掩模遮盖训练后的被动源面波干扰压制网络中输入中的部分地震道数据；利用上述数据进行无人工标签的迁移学习训练，得到处理后的数据。2.如权利要求1所述的一种被动源面波数据规则干扰压制方法，其特征是，被动源面波干扰压制网络包含编码器、跳跃连接与解码器三部分，所述编码器由多个卷积网络层构成，解码器由多个反卷积网络层构成，跳跃连接用于连接部分编码器的卷积层与解码器的反卷积层。3.如权利要求1所述的一种被动源面波数据规则干扰压制方法，其特征是，所述小尺寸面波干扰压制数据集包含输入数据和标签数据，所述输入数据包括纯净的面波信号与已知的被动源面波干扰，所述标签数据包含纯净面波信号。4.如权利要求1所述的一种被动源面波数据规则干扰压制方法，其特征是，所述小尺寸面波干扰压制数据集中，纯净面波信号通过地表主动源的瑞雷波场有限差分正演模拟获得。5.如权利要求1所述的一种被动源面波数据规则干扰压制方法，其特征是，所述小尺寸面波干扰压制数据集中的被动源面波干扰包括体波干扰和虚假同相轴干扰。6.如权利要求1或5所述的一种被动源面波数据规则干扰压制方法，其特征是，包含体波干扰的面波数据通过在进行瑞雷波场有限差分正演模拟时，增加震源埋深增加数据中的体波干扰信号；或，通过被动源瑞雷波场有限差分正演模拟，即通过连续激震的形式获得被动源模拟数据，再通过地震干涉法恢复成虚源炮集数据，以此方式获得包含虚假同相轴干扰的面波数据。7.如权利要求1或2所述的一种被动源面波数据...

【专利技术属性】
技术研发人员：任玉晓，王清扬，杨森林，陈磊，蒋鹏，
申请(专利权)人：山东大学，
类型：发明
国别省市：