部分卷积与注意力机制融合深度学习网络的缺失地震数据重建方法技术

本发明专利技术提供了一种将部分卷积与注意力机制融合到深度学习网络中，实现缺失地震数据重建的数据处理方法，该方法将部分卷积思想和注意力机制联合，构建了新的GAN网络模型。当卷积核内存在有效数据时才选择性地进行卷积运算，且能充分利用卷积核外较远位置的有效信息，通过注意力机制，选择余弦相似度高背景数据的信息驱动前景数据的重建，从而大幅减少重建数据中地层反射结构变形、模糊和假频等问题，本发明专利技术的方法可以适应地震采集数据中出现的非规则、大间距数据缺失的情况，实现更加准确可靠的地震数据重建。的地震数据重建。的地震数据重建。

【技术实现步骤摘要】
部分卷积与注意力机制融合深度学习网络的缺失地震数据重建方法


[0001]本专利技术属于石油地震勘探资料处理领域，涉及一种在地震数据出现缺失或损坏时，进行数据重建和恢复的地震数据处理方法。

技术介绍

[0002]在地震勘探数据野外采集中，由于地表地形、地质条件、数据采集装备和环境因素等的限制，采集到的地震数据往往是不规则、采样不足或是存在数据缺失的。在地震数据处理过程中，剔除坏道、切除特定数据段或滤波等也会造成地震数据的缺失。而原始地震数据的完整性是后续地震数据处理和解释、实现可靠地下地质结构和储层成像的关键基础，因此对缺失的地震数据进行重建，成为地震数据处理的关键技术之一。现有的地震数据重建方法主要包括基于波动方程、基于预测滤波、基于变换域重建、基于压缩感知理论、以及利用机器学习和深度学习的人工智能方法。
[0003]近年来，在地震资料处理中引入人工智能的方法已经成为了一种趋势，以GAN对抗生成网络、DNCNN深度卷积网络为代表的深度学习模型，在地震数据重建处理方面均取得了很好的效果。但是，普通的GAN深度学习模型的输出结果常常会出现地震反射结构变形、有效信号模糊和假频等问题。特别是对于地震数据出现大间距数据道缺失的情况，利用普通深度学习方法重建的地震数据道，常常与其周围已有的地震数据道表现的特征不协调。出现这种情况的一个重要原因是这类数据重建算法中存在卷积核大小的限制，使卷积结果主要受到卷积核内的数据的影响，无法获得卷积核外较远位置的有效信息的作用和影响。
[0004]深度学习中的注意力机制作为深度学习网络中的额外模块，可用于解决因卷积核大小限制所致的网络感知范围较小的问题，本专利技术专利建立了能够充分利用缺失地震数据道的近、远端的有效信息，实现更加准确可靠的地震数据重建的方法。

技术实现思路

[0005]本专利技术的目的在于避免了现有地震数据重建方法和技术的不足，研发了一种部分卷积与注意力机制融合深度学习网络的缺失地震数据重建方法，所述方法包括以下主要步骤：
[0006]⑴
建立大小统一的地震数据切片作为训练集；
[0007]⑵
利用训练集数据输入生成对抗网络，使对抗网络随机生成与训练集中的地震数据切片数量相同，大小相等的掩码M。掩码M随机地分别划分出不同大小的标记为0的矩形缺失区域和标记为1的已知区域。当掩码与数据切片数乘时，即可在原始数据切片上形成缺失区域；
[0008]⑶
输入数据I先经过生成网络G中的部分卷积层，部分卷积层根据卷积核所在位置内判断是否存在有效数据，再选择性地执行卷积运算，然后经生成网络G中的下采样层处理后得到I
′
，用于注意力模块进一步处理；
[0009]⑷
生成网络G中的注意力模块会计算缺失区域内每一个点与已知区域内所有点之间的余弦距离，计算方法如下：
[0010][0011]其中，代表通过标准化内积运算得到(x,y),(x',y')两点处的余弦相似性，将计算结果通过softmax函数映射为概率模型，概率模型的数量与缺失区域内的点数相同；
[0012]⑸
将已知区域数据分别与所得的不同的概率模型数乘，如下式：
[0013][0014]即可得到概率模型所对应的缺失区域内一点的新的值，通过这样处理后，使缺失区域内的值融合了已知区域内的数据特征，所得新的数据矩阵记为
[0015]⑹
将I
′
与在通道维度上拼接在一起后，再进行像素卷积运算，并输送到生成网络G中的上采样层中后续处理；
[0016]⑺
生成网络G中的上采样层处理数据后，输出多个结果，计算它们的均值后输送到判别网络D中，判别网络D对重建结果与训练集的样本进行比较，并将比较结果反馈给生成网络G，两个网络之间相互影响，共同提升网络性能，确保构建的损失函数取得最小值，从而输出重建后的地震数据。
附图说明
[0017]图1是本专利技术所设计的融合了部分卷积层和注意力模块的深度学习网络模型示意图。输入数据依次通过生成网络G中的部分卷积层，下采样层，注意力模块，上采样层后再输入到判别网络D中。
[0018]图2是本专利技术实施例对完整采集的单炮地震道集，在随机缺失地震道数据后，本专利技术的方法处理前后的地震剖面对比。其中：图2(a)是完整采集的、未缺失地震道数据的剖面，横坐标为道号，纵坐标为时间，单位是秒(s)；图2(b)是图2(a)中被随机缺失了地震道数据后的剖面，横坐标为道号，纵坐标为时间，单位是秒(s)；图2(c)是利用本专利技术的地震数据重建方法，对图2(b)进行处理后得到的剖面，横坐标为道号，纵坐标为时间，单位是秒(s)；图2(d)是利用图2(a)与图2(c)的数据相减后的残差剖面，横坐标为道号，纵坐标为时间，单位是秒(s)。
具体实施方式
[0019]本专利技术专利具体实现缺失地震数据重建的深度学习网络的结构和流程如图1所示，它融合了部分卷积层和注意力机制的处理模块，对缺失地震数据进行重建处理的具体实施流程如下：
[0020]⑴
首先使用大小统一的地震数据切片作为训练集；
[0021]⑵
一批训练数据输入生成对抗网络时，网络会随机生成与数据切片数量相同，大
小相等的掩码M。掩码上会随机划分出不同大小的矩形缺失区域和已知区域，掩码中已知区域内数据标记为1，缺失区域标记为0。当掩码与数据切片数乘时，即可在原始数据切片上制作出缺失区域；
[0022]⑶
输入数据I经过部分卷积层，下采样层处理后得到I
′
。I
′
不会直接输入到上采样层，而是进入注意力模块进一步处理；其中部分卷积层会根据卷积核所在位置内是否存在有效数据，选择性地进行卷积。
[0023]⑷
注意力模块会计算缺失区域内每一个点与已知区域内所有点之间的余弦距离，计算方法如下：
[0024][0025]其中代表通过标准化内积运算得到的(x,y),(x
′
,y
′
)两点处的余弦相似性。
[0026]将计算结果通过softmax函数映射为概率模型，记为score，概率模型的数量与缺失区域内的点数相同；然而随着神经网络的迭代，score并不是唯一固定的。所以定义经过迭代i次后最终分数为score
i
，score
i
与score
i
‑1的关系如下式：
[0027]score
i
＝λsocre
′
i
+(1
‑
λ)score
i
‑1[0028]式中socre
′
i
表示第i次迭代过程中，通过softmax函数产生的分数。λ为迭代过程中可以学习的参数。
[0029]⑸
将已知区域数据分别与所得的不同概率模型数乘，如下式：
[0030][0031]即可得到概率模型所对应的缺失区域内一点本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种部分卷积与注意力机制融合深度学习网络的缺失地震数据重建方法，其包括以下主要步骤：(1)建立大小统一的地震数据切片作为训练集；(2)利用训练集数据输入生成对抗网络，使对抗网络随机生成与训练集中的地震数据切片数量相同，大小相等的掩码M；掩码M随机地分别划分出不同大小的标记为0的矩形缺失区域和标记为1的已知区域；当掩码与数据切片数乘时，即可在原始数据切片上形成缺失区域；(3)输入数据I先经过生成网络G中的部分卷积层，部分卷积层根据卷积核所在位置内判断是否存在有效数据，再选择性地执行卷积运算，然后经生成网络G中的下采样层处理后得到I
′
，用于注意力模块进一步处理；(4)生成网络G中的注意力模块会计算缺失区域内每一个点与已知区域内所有点之间的余弦距离，计算方法如下：其中，代表通过标准化内积运算...

【专利技术属性】
技术研发人员：陈学华，冯永基，张杰，吕丙南，姜晓敏，刘俊杰，
申请(专利权)人：成都理工大学，
类型：发明
国别省市：