【技术实现步骤摘要】
基于3D卷积神经网络自监督3D地震数据随机噪声压制方法
[0001]本专利技术属于地震数据处理
,具体涉及一种基于3D卷积神经网络自监督3D地震数据随机噪声压制方法。
技术介绍
[0002]在实际地震资料采集过程中,受自然条件、采集设备等诸多因素制约,检波器接收到的有效信号通常与噪声信号混叠在一起。随机噪声作为主要噪声之一,在时间、空间上表现出随机性,具有较宽的频带范围,无固定传播方向和速度。随机噪声的存在提高了地震资料的复杂性,降低了信噪比,不利于后续地震资料处理和解释工作,不满足高精度地震勘探的需求。
[0003]地震随机噪声压制方法主要可分为:预测滤波类方法、模态分解方法、变换域类方法、基于反演的方法、基于深度学习的方法。预测滤波类方法根据同相轴在空间方向具有可预测性分离随机噪声和有效信号,常规的f
‑
x域预测滤波基于线性同相轴假设,当构造比较复杂时,会伤害有效信号。模态分解方法通过剔除由地震资料分解的多个分量中的噪声分量来压制噪声,这类方法在低信噪比时,很难实现有效信号分量与噪声分量的有效分离,主要包括经验模态分解和变分模态分解等。变换域类方法首先将地震数据变换至相应域,根据有效信号和随机噪声在变换域中所表现的性质差异,设计合适的阈值将二者分离,最后通过反变换获得干净的数据,这类方法对阈值的选取敏感,主要包括曲波变换、小波变换等稀疏变换算法。传统稀疏变换的基函数一般是固定不变的,从而无法处理结构复杂的地震数据。通过字典学习方法能够获得自适应的稀疏变换基函数,如基于数据驱动紧框架 ...
【技术保护点】
【技术特征摘要】
1.一种基于3D卷积神经网络自监督3D地震数据随机噪声压制方法,其特征在于:所述压制方法包括以下步骤:步骤一、设计3D卷积神经网络架构;所述3D卷积神经网络为带有跳跃连接的Encoder
‑
Decoder结构,由3DPConv、3DConv、LeakyReLU、3DMaxPooling、3DUpSampling和Dropout组成;其中3DPConv通过利用3D卷积滤波器替换2D部分卷积层中的2D卷积滤波器获得,3DPConv可表示为:weight为3D卷积滤波器的权重,bias表示相应的偏差,feature表示当前3D卷积滑动窗口的特征值,mask表示3D的二进制掩码,sum(1)表示与mask具有相同维度但元素均为1的矩阵,表示两个矩阵中对应位置的元素相乘,前一层的3DPConv可以为下一层的3DPConv自动生成更新的掩码,掩码更新函数为将3DPConv—LeakyReLU组成的模块记为3DPL,3DPConv—LeakyReLU—3DMaxPooling组成的模块记为3DPLM,将Dropout—3DPConv—LeakyReLU组成的模块记为D3DPL,Dropout—3DConv—LeakyReLU组成的模块记为D3DCL;Encoder的结构为:Input&Mask—3DPL—3DPLM—3DPLM—3DPLM—3DPLM—3DPLDecoder的结构为:3DUpSampling
①
—D3DPL
②
—D3DPL
③
—3DUpSampling
④
—D3DPL
⑤
—D3DPL
⑥
—3DUpSampling
⑦
—D3DPL
⑧
—D3DPL
⑨
—3DUpSampling
⑩
—D3DPL—D3DPL—D3DCL—D3DCL—D3DCL—Output跳跃连接是将编码器某一阶段的特征向量与解码器某一阶段的特征向量在通道方向进行连接,该网络结构跳跃连接方式为:—
①
、—
④
、—
⑦
、—
⑩
;输入神经网络的数据首先利用编码器映射到特征空间,随后采用不对称的解码器重构地震资料中的有效信号并压制随机噪声,此过程中借助跳跃连接将编码阶段的特征融合到解码过程中;步骤二、准备含有随机噪声的3D地震数据;将步骤一设计的神经网络用于单个3D噪声数据去噪,这样就不需要设计大量的数据用于训练,只准备需要压制随机噪声的数据体;输入神经网络的3D噪声数据d可以通过在干净的有效信号上添加高斯随机噪声获得,干净的有效信号作为真实的标签c;Xline方向的采样点数为nx,Inline方向的采样点数为ni,Time方向的采样点数为nt,由于神经网络能够自适应输入数据的维度,因此nx、ni、nt可...
【专利技术属性】
技术研发人员:曹伟,郭雪豹,田枫,石颖,王维红,李婷婷,
申请(专利权)人:东北石油大学,
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。