【技术实现步骤摘要】
本专利技术属于地震资料处理，尤其涉及一种针对多类型噪音的智能去噪方法、装置及相关设备。
技术介绍
1、现有地震资料往往具有“高信噪比、高分辨率、高保真度”的特点，高信噪比是高分辨率和高保真度的基础，如果没有较高的信噪比，高分辨率就无从谈起，高保真度也就失去意义。去噪技术是提高地震资料信噪比的重要途径，在地震资料处理中占有重要地位。随着地震勘探所要解决的问题越来越复杂，采集的数据量越来越大，对去噪技术的处理精度和效率要求也越来越高。
2、常规去噪方法在去噪效率、保真度方面有一定的局限性。针对这个问题，高晗(2018)对比了基于卷积去噪神经网络(dncnn)、空洞卷积神经网络(dilate-dncnn)、残差神经网络(res-net)、解码编码网络(encoder-decoder net)的深度学习去噪方法的应用效果。买皓(2019)提出了seis-res net地震资料噪声压制神经网络模型，该算法采用了41层深度残差神经网络结构，突破了深度学习算法网络层数的限制，使网络学习地震信号特征更为充分，地震有效信号的波形信息得到恢复。顾航(2019)研究发现基于dncnn网络的残差学习，可以对不同信噪比数据进行自适应的去噪工作，具有自动特征提取和盲去噪的特点；并且在dncnn的基础上，设计出对称式空洞卷积神经网络(symmetric dilatedconvolutional neural network,sdcnn),该网络可充分利用地震信号领域信息辨别信号与噪音。玉琨(2020)使用超参数训练bp神经网络，并验证了该方法去噪
3、尽管顾航(2019)提出的方法也对dncnn网络进行了改进，可以充分利用地震信号领域信息辨别信号与噪音，但该方法目前在三维实际资料去噪应用中的泛化能力很差；尽管买皓(2019)提出的方法突破了深度学习算法网络层数的限制，但该算法仅可应用于二维叠后随机噪音与相干噪声的压制，且对参数调整要求较高；尽管王峰(2020)和陈杰等(2020)提出的方法可同时对三维数据进行去噪和重建，但算法并不成熟，或仅能应用于合成数据或计算效率较低；尽管张岩等(2022)提出的方法在二维叠前面波压制与二维叠后随机噪音压制方面具有一定鲁棒性，同时可提升地震数据的信噪比，但无法应用于三维数据块的整体去噪。
4、鉴于上述问题，有必要提供一种适用于各类地震噪音智能化压制，可以增强目的层反射轴的连续性和信号能量，并有效避免去噪结果失真，同时大幅提高去噪效率的智能去噪方法、装置及相关设备。
技术实现思路
1、为了克服上述现有技术存在的缺陷，本专利技术的目的在于提供一种适用于各类地震噪音智能化压制，可以增强目的层反射轴的连续性和信号能量，并有效避免去噪结果失真，同时大幅提高去噪效率的智能去噪方法、装置及相关设备。
2、为实现上述目的，本专利技术提供如下技术方案：
3、一种针对多类型噪音的智能去噪方法，包括以下步骤：
4、基于去噪卷积神经网络构建针对多类型地震噪音的基础去噪网络模型；
5、利用含噪地震数据与地震噪音数据训练基础去噪网络模型得到智能去噪网络模型；
6、利用智能去噪网络模型对实际含噪地震数据去噪，得到智能噪声压制结果。
7、进一步地，基于去噪卷积神经网络构建针对多类型地震噪音的基础去噪网络模型，包括：
8、修改去噪卷积神经网络的卷积层数与激活函数使其可应用到地震去噪领域；
9、将修改后的去噪卷积神经网络扩展为三维网络架构得到基础去噪网络模型。
10、进一步地，将修改后的去噪卷积神经网络扩展为三维网络架构得到基础去噪网络模型，包括：
11、将修改后的去噪卷积神经网络的输入输出样本维度、卷积核维度、步长维度由二维扩展为三维。
12、进一步地，利用含噪地震数据与地震噪音数据训练基础去噪网络模型得到智能去噪网络模型，包括：
13、对叠前、叠后的原始含噪地震数据去噪得到地震噪音数据；
14、根据原始含噪地震数据和地震噪音数据的振幅最小值和振幅最大值对原始含噪地震数据和地震噪音数据进行归一化处理；
15、利用归一化处理后的原始含噪地震数据与噪音数据制作训练样本数据集；
16、利用训练样本数据集对基础去噪网络模型进行训练，确定基础去噪网络模型中的模型训练参数，得到智能去噪网络模型。
17、进一步地，对叠前、叠后原始含噪地震数据去噪得到地震噪音数据，包括：
18、采用约束层析静校正、几何扩散补偿对叠前、叠后原始含噪地震数据进行数据预处理；
19、采用分频分区面波压制、分频异常振幅压制、非规则相干噪音压制、鸣震压制、随机噪音压制的去噪方法组合对预处理后的原始含噪地震数据进行噪声压制处理，得到地震噪音数据；
20、根据训练样本大小对原始含噪地震数据与地震噪音数据分割，构成训练与测试样本数据集。
21、进一步地，利用含噪地震数据与地震噪音数据训练所述基础去噪网络模型得到智能去噪网络模型，还包括：
22、使用bn以及rl技术加快训练进程和改善智能去噪网络模型的去噪性能。
23、进一步地，利用智能去噪网络模型对实际含噪地震数据去噪，得到智能噪声压制结果，包括：
24、将归一化处理后的实际含噪地震数据输入到智能去噪网络模型，输出预测的包含多种地震噪音的噪音数据本文档来自技高网...
【技术保护点】
1.一种针对多类型噪音的智能去噪方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的智能去噪方法，其特征在于，所述的基于去噪卷积神经网络构建针对多类型地震噪音的基础去噪网络模型，包括：
3.根据权利要求2所述的智能去噪方法，其特征在于，所述的将修改后的所述去噪卷积神经网络扩展为三维网络架构得到基础去噪网络模型，包括：
4.根据权利要求1所述的智能去噪方法，其特征在于，所述的利用含噪地震数据与地震噪音数据训练所述基础去噪网络模型得到智能去噪网络模型，包括：
5.根据权利要求4所述的智能去噪方法，其特征在于，所述的对叠前、叠后原始含噪地震数据去噪得到地震噪音数据，包括：
6.根据权利要求5所述的智能去噪方法，其特征在于，所述的利用含噪地震数据与地震噪音数据训练所述基础去噪网络模型得到智能去噪网络模型，还包括：
7.根据权利要求1所述的智能去噪方法，其特征在于，所述的利用所述智能去噪网络模型对实际含噪地震数据去噪，得到智能噪声压制结果，包括：
8.根据权利要求1～7任意一项所述的智能去噪方法，其特
9.一种针对多类型地震噪音的智能去噪装置，其特征在于，包括：
10.一种计算机可读存储介质，其特征在于，其上存储有计算机可读指令，当所述指令被处理器执行时，使得所述处理器执行权利要求1～8中任一项所述的方法。
11.一种计算机设备，其特征在于，包括：
...【技术特征摘要】
1.一种针对多类型噪音的智能去噪方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的智能去噪方法，其特征在于，所述的基于去噪卷积神经网络构建针对多类型地震噪音的基础去噪网络模型，包括：
3.根据权利要求2所述的智能去噪方法，其特征在于，所述的将修改后的所述去噪卷积神经网络扩展为三维网络架构得到基础去噪网络模型，包括：
4.根据权利要求1所述的智能去噪方法，其特征在于，所述的利用含噪地震数据与地震噪音数据训练所述基础去噪网络模型得到智能去噪网络模型，包括：
5.根据权利要求4所述的智能去噪方法，其特征在于，所述的对叠前、叠后原始含噪地震数据去噪得到地震噪音数据，包括：
6.根...
【专利技术属性】
技术研发人员：许鑫，杨午阳，李海山，魏新建，
申请(专利权)人：中国石油天然气集团有限公司，
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。