【技术实现步骤摘要】
本专利技术涉及地震混叠噪声压制领域，尤其涉及一种基于多级纹理感知和多输出的混叠噪声压制方法和装置。
技术介绍
1、随着油气勘探精度要求的提高，勘探区域条件更加复杂，多震源混合采集方式得到了工业界和学术界越来越多的关注。多震源混采技术突破了传统采集技术在时间和空间上的限制，大幅提高了采集效率和空间采样率，然而通过多震源采集混采技术获得的地震数据相互混叠的，这给我们传统需要单炮数据来开展后续偏移成像、解释等工作带来了新的问题。具体地，对于我们目标震源的单炮地震数据来说，其他震源就是干扰震源，干扰震源产生的地震数据混叠到目标震源的有效信号上形成混叠噪声。传统的偏移和反演算法需要单炮地震数据，混叠噪声会对地震数据偏移和反演的准确性产生负面影响，这给混采方式下的地震数据处理带来了新的挑战(。对混叠地震数据的处理目前有两种途径，一种是直接开发相应的新偏移和反演方法，并在偏移和反演过程种抑制混叠噪声的影响。第二种是对干扰震源产生的地震数据进行分离，即通过混叠噪声抑制方法对混叠噪声进行抑制，以得到传统采集方式得到的单炮数据。由于在大多数情况下仍然需要单炮数据进行后续数据分析，并且通过第二种途径处理的数据偏移和反演结果的精度和准确度更高，因此第二种方法备受研究人员的关注。
2、目前，混叠噪声压制研究主要还是集中在传统滤波分离和稀疏反演上。滤波法分离多震源混叠数据是根据混叠噪声在不同域内与有效信号之间的分布特性差异来对混叠噪声进行压制。基于滤波的方法以较低的去混叠噪声精度为代价，有效地实现了混叠噪声压制，在某些方面取得了不错的压制效果，
3、由于传统滤波方法和稀疏反演方法的局限性，基于数据驱动的深度学习方法引起了研究人员的关注。近三年，研究人员尝试用深度学习的相关理论应用到混叠噪声压制中，取得了初步的成功。现有深度学习方法主要是基于一些基础的神经网络模型，如去噪神经网络dncnn、深度卷积神经网络、u-net网络等，相比传统压制方法更加智能和高效，并且具有更高的压制精度。
4、但是，现有的去混叠噪声方法还存在一些不足：一是现有方法仅仅是将基础的网络模型应用到混叠噪声压制上，仅仅利用了神经网络提取特征的优势，没有针对混叠地震数据的特征设计更加符合混叠噪声的神经网络，使得去混叠噪声的精度还有待进一步提高；二是对有效信号的保持性能不够理想。
技术实现思路
1、针对现有技术之不足，提出一种基于多级纹理感知和多输出的混叠噪声压制方法，其特征在于，针对地震数据具有横向连续的双曲线型纹理特征，引入了多级纹理感知机制，通过纹理感知对输出地震数据进行约束，提升去混叠性能，同时，提出多输入多输出机制来利用输入的多尺度特征和输出的多重损失约束，加快模型收敛速度，所述混叠噪声抑制方法具体包括：
2、步骤1：生成模拟数据，所述模拟数据通过五层的水平层状正演模型得到；
3、步骤2：构建模拟数据集，数据集包含混叠地震数据和无混叠地震数据构成的数据对，数据集按约定比例分为训练集和验证集，每个数据对的大小为512*512；
4、步骤3：构建多级纹理感知和多输入多输出机制的混叠噪声压制网络，所述混叠噪声压制网络包括：生成器、第一判别器、多输出约束模块、纹理感知模块，将步骤2的模拟数据集输入构建好的混叠噪声压制网络中进行训练，具体过程包括：
5、步骤31：将混叠数据块输入到所述生成器中，所述生成器以u-net结构为基础，所述生成器包括第一编码器、第二编码器、中间模块和对应的第一解码器和第二解码器，同时，在解码器和编码器中引入了残差模块，有效地抑制了网络梯度消失，具体过程包括：
6、步骤311：首先将混叠数据块(h，w)进行两次下采样，得到三种不同尺度的地震数据块作为多级输入，得到的尺度大小分别为(h，w)，(h/2，w/2)，(h/4，w/4)；
7、步骤312：将(h，w)尺度大小的数据块输入第一编码器中，第一编码器进行浅层的特征提取得到第一特征图，将第一特征图输入到第二编码器中进行深层特征提取；
8、步骤313：同时，将(h/2，w/2)尺度大小的地震数据块一起输入到第二编码器中进行特征提取得到第二特征图；
9、步骤314：将所述第二特征图和(h/4，w/4)尺度大小的数据块经过中间模块进行特征恢复，输出预测的(h/4，w/4)尺度大小的去混叠地震结果，并将这个结果输出到第一解码器；
10、步骤315：同时，将第二特征图输入第一解码器，最终，第一解码器输出第三特征图，第四特征图经过一个卷积模块得到恢复的(h/2，w/2)尺度大小的去混叠地震结果，将该去混叠结果输入到第二解码器中；
11、步骤316：同时，将第一特征图输入第二解码器得到第五特征图，第五特征图分别经过一个卷积模块得到恢复的(h，w)尺度大小的多级输出地震数据块；
12、步骤32：将恢复的三种尺度大小的多级输出地震数据块输入所述多输出约束模块，以对生成器输出(h，w)尺度大小的去混叠地震数据进行约束得到预测无混叠地震数据；
13、步骤33：将所述预测无混叠地震数据输入到所述纹理感知模块中，所述纹理感知模块感知真实无混叠地震数据和所述预测无混叠地震数据之间的纹理差异，进一步对预测的无混叠地震数据进行约束；
14、步骤34：将步骤33的预测无混叠地震数据块输入第一判别器，第一判别器对其进行判别，同时输出一个反馈信息给生成器，生成器根据所述反馈信息修改参数，继续生成高质量的去混叠地震数据，直到第一判别器无法分辨预测无混叠地震数据的真假或达到预设的迭代次数，训练结束；
15、步骤4：将验证集输入训练好的混叠噪声压制网络中进行验证。
16、2、基于多级纹理感知和多输出的混叠噪声压制装置，其特征在于，所述装置包括：模拟数据生成模块、训练集生成模块、混叠噪声压制模块、判别模块和输出模块，其中，
17、所述模拟数据生成模块，用于根据正演模型生成模拟数据，所述模拟数据包括混叠地震数据和对应的无混叠地震数据；
18、所述模拟训练集生成模块，用于根据生成的模拟数据制作训练集，训练集包含混叠数据和无混叠地震数据构成的数据对；
19、所述混叠噪声压制模块，包括下采样模块、编码器模块、中间模块和解码器模块，所述下采样模块用于将原始有混叠地震数据块分别进行两倍和四倍的下采样，得到多尺度地震数据；所述编码器模块包括第一编码器和第二编码器，用于对多级输出的地震数据块提取特征生成特征图；所述解码器模块包括第一解码器本文档来自技高网...
【技术保护点】
1.基于多级纹理感知和多输出的混叠噪声压制方法，其特征在于，针对地震数据具有横向连续的双曲线型纹理特征，引入了多级纹理感知机制，通过纹理感知对输出地震数据进行约束，提升去混叠性能，同时，提出多输入多输出机制来利用输入的多尺度特征和输出的多重损失约束，加快模型收敛速度，所述混叠噪声抑制方法具体包括：
2.基于多级纹理感知和多输出的混叠噪声压制装置，其特征在于，所述装置包括：模拟数据生成模块、训练集生成模块、混叠噪声压制模块、判别模块和输出模块，其中，
3.如权利要求2所述的混叠噪声压制装置，其特征在于，所述混叠噪声压制模块还包括多级输出约束模块和纹理感知模块，其中，
【技术特征摘要】
1.基于多级纹理感知和多输出的混叠噪声压制方法，其特征在于，针对地震数据具有横向连续的双曲线型纹理特征，引入了多级纹理感知机制，通过纹理感知对输出地震数据进行约束，提升去混叠性能，同时，提出多输入多输出机制来利用输入的多尺度特征和输出的多重损失约束，加快模型收敛速度，所述混叠噪声抑制方法具体包括：...
【专利技术属性】
技术研发人员：任红萍，文晓涛，唐超，林凯，张天悦，朱桓，李超，
申请(专利权)人：成都理工大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。