基于条件生成对抗网络的高分辨率地震成像方法及系统技术方案

本发明专利技术提出了一种基于条件生成对抗网络的高分辨率地震成像方法及系统，属于高分辨率地震成像技术领域，基于条件生成对抗网络构建地震成像模型，在传统生成对抗网络随机生成无噪地震成像数据的基础上，以含噪地震成像数据作为额外条件，使生成器生成的无噪地震成像数据能够保留含噪地震成像数据的结构特征，达到对含噪地震成像数据中的噪声进行去除的效果，通过生成器与判别器互相博弈的方式对生成器和判别器的参数进行迭代更新，使生成器识别有效信号并去除噪声信号，直到判别器无法判断输入的无噪地震成像数据的真假，就可以保证通过生成器对含噪地震成像数据进行去噪后得到的预测无噪地震成像数据更贴合真实无噪地震成像数据。像数据。像数据。

【技术实现步骤摘要】
基于条件生成对抗网络的高分辨率地震成像方法及系统


[0001]本专利技术涉及高分辨率地震成像
，特别是涉及一种基于条件生成对抗网络的高分辨率地震成像方法及系统。

技术介绍

[0002]地震成像是了解地下深度空间地质结构，资源储藏等的一种重要地球物理方法，相对于其它重磁电勘探方法，地震方法与地震图形是对地层特征分辨能力最高的方法。然而在大多数情况下，地震成像基于一次反射波场的运动规律，在其中含有多种类型的噪声(如火车、电线和其他不需要的波形干扰信息)污染反射数据，这些噪声存在于地震成像剖面上，会严重降低地震成像的质量，牺牲分辨率，严重时使地震成像解释人员无法从中识别出地层单元，制约着高分辨率地震识别。

技术实现思路

[0003]本专利技术的目的是提供一种基于条件生成对抗网络的高分辨率地震成像方法及系统。
[0004]为实现上述目的，本专利技术提供了如下方案：
[0005]一种基于条件生成对抗网络的高分辨率地震成像方法，所述高分辨率地震成像方法包括以下步骤：
[0006]构建包括若干条训练数据的训练数据集；所述训练数据包括真实无噪地震成像数据和所述真实无噪地震成像数据对应的含噪地震成像数据；
[0007]基于条件生成对抗网络，构建地震成像模型；所述地震成像模型包括生成器和判别器；所述生成器用于预测输入的含噪地震成像数据对应的无噪地震成像数据，得到预测无噪地震成像数据；所述判别器用于判断输入到所述判别器中的无噪地震成像数据来自所述训练数据集的概率；所述输入到所述判别器中的无噪地震成像数据包括训练数据集中的真实无噪地震成像数据和所述预测无噪地震成像数据；
[0008]利用所述训练数据集对所述地震成像模型进行迭代训练，更新所述判别器的参数和所述生成器的参数，直到所述判别器判断所述预测无噪地震成像数据来自所述训练数据集的概率高于预设阈值，得到训练完成的生成器；
[0009]获取待转换的含噪地震成像数据，将所述待转换的含噪地震成像数据输入到所述训练完成的生成器中，得到待转换的含噪地震成像数据对应的预测无噪地震成像数据。
[0010]可选地，所述生成器为U
‑
net网络；所述生成器包括一个编码器和一个解码器；所述编码器包括若干个卷积层；所述解码器包括与所述编码器中卷积层相同个数的转置卷积层；所述编码器各卷积层与所述解码器各转置卷积层之间采用跳跃连接。
[0011]可选地，所述编码器中，除第一层卷积层以外的各卷积层之间均采用Leaky ReLU和归一化处理；所述解码器中，除最后一层转置卷积层以外的各转置卷积层均采用ReLU和归一化处理；所述解码器最后一层转置卷积层采用Tanh非线性激活函数。
[0012]可选地，所述利用所述训练数据集对所述地震成像模型进行迭代训练，更新所述判别器的参数和所述生成器的参数，直到所述判别器判断所述预测无噪地震成像数据来自所述训练数据集的概率高于预设阈值，具体包括：
[0013]将训练数据集中的若干条含噪地震成像数据分别作为条件输入到所述生成器中，得到若干条预测无噪地震成像数据；
[0014]利用所述判别器分别对若干条所述预测无噪地震成像数据、若干条所述含噪地震成像数据对应的真实无噪地震成像数据和随机无噪地震成像数据进行打分，根据所述判别器的损失函数，更新所述判别器的参数，使所述判别器判断所述真实无噪地震成像数据来自所述训练数据集的概率高于阈值且所述预测无噪地震成像数据来自所述训练数据集的概率低于预设阈值，得到优化后的判别器；
[0015]利用所述优化后的判别器对若干条所述预测无噪地震成像数据进行打分，根据所述生成器的损失函数，更新所述生成器的参数，使所述生成器根据输入到所述生成器中的含噪地震成像数据得到的预测无噪地震成像数据接近所述输入到所述生成器中的含噪地震成像数据对应的真实无噪地震成像数据，得到优化后的生成器；
[0016]对所述判别器的参数和所述生成器的参数进行迭代更新，直到所述地震成像模型的目标函数收敛；所述目标函数为所述判别器的损失函数最大且所述生成器的损失函数最小。
[0017]可选地，所述地震成像噪声压制模型的目标函数如下式所示：
[0018][0019]其中，G
*
为所述地震成像噪声压制模型的目标函数，θ
G
为所述生成器的参数，θ
D
为所述判别器的参数，L
D
(θ
G
,θ
D
)为所述判别器的损失函数，L
G
(θ
G
)为所述生成器的损失函数，μ为用于平衡所述判别器和所述生成器的超参数；所述目标函数收敛的达成条件为所述判别器的损失函数最大且所述生成器的损失函数最小。
[0020]可选地，所述判别器的损失函数如下式所示：
[0021][0022]其中，L
D
(θ
G
,θ
D
)为所述判别器的损失函数，为求期望，x为训练数据集中的无噪地震成像数据，y为含噪地震成像图像，z为生成无噪地震成像图像的潜变量，为所述生成器生成的无噪地震成像数据，P
g
为所述生成器生成的无噪地震成像数据的分布，P
r
为训练数据集中无噪地震成像数据的分布，为随机无噪地震成像数据的分布，为随机无噪地震成像数据，为从生成器生成的数据和训练数据集的数据中随机选取的，ε为0到1之间的均匀随机数，θ
G
为所述生成器的参数，θ
D
为所述判别器的参数，λ为惩罚系数，为梯度惩罚项。
[0023]可选地，所述生成器的损失函数如下式所示：
[0024][0025]其中，L
G
(θ
G
)为所述生成器的损失函数，L
GAN
为所述判别器的得分项，L1为所述生成器生成的无噪地震成像数据和训练数据集中对应的无噪地震成像数据的L1范数项，为求期望，x为训练数据集中的无噪地震成像数据，y为含噪地震成像图像，z为生成无噪地震成像图像的潜变量，θ
G
为所述生成器的参数，θ
D
为所述判别器的参数。
[0026]可选地，在所述利用所述训练数据集对所述地震成像模型进行迭代训练，更新所述判别器的参数和所述生成器的参数，直到所述判别器判断所述预测无噪地震成像数据来自所述训练数据集的概率高于预设阈值之前，所述高分辨率地震成像方法还包括：
[0027]针对任意一组原始无噪地震成像数据和对应的原始含噪地震成像数据，按照所述生成器和所述判别器的预设尺寸，对原始无噪地震成像数据和原始含噪地震成像数据进行图像重采样，得到符合预设尺寸的裁剪无噪地震成像数据和对应的裁剪含噪地震成像数据。
[0028]可选地，在所述按照所述生成器和所述判别器的预设尺寸，对原始无噪地震成像数据和原始含噪地震成像数据进行图像重采样，得到符合预设尺寸的裁剪无噪地震成像数据和对应的裁剪含噪地震本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于条件生成对抗网络的高分辨率地震成像方法，其特征在于，所述高分辨率地震成像方法包括：构建包括若干条训练数据的训练数据集；所述训练数据包括真实无噪地震成像数据和所述真实无噪地震成像数据对应的含噪地震成像数据；基于条件生成对抗网络，构建地震成像模型；所述地震成像模型包括生成器和判别器；所述生成器用于预测输入的含噪地震成像数据对应的无噪地震成像数据，得到预测无噪地震成像数据；所述判别器用于判断输入到所述判别器中的无噪地震成像数据来自所述训练数据集的概率；所述输入到所述判别器中的无噪地震成像数据包括训练数据集中的真实无噪地震成像数据和所述预测无噪地震成像数据；利用所述训练数据集对所述地震成像模型进行迭代训练，更新所述判别器的参数和所述生成器的参数，直到所述判别器判断所述预测无噪地震成像数据来自所述训练数据集的概率高于预设阈值，得到训练完成的生成器；获取待转换的含噪地震成像数据，将所述待转换的含噪地震成像数据输入到所述训练完成的生成器中，得到待转换的含噪地震成像数据对应的预测无噪地震成像数据。2.根据权利要求1所述的高分辨率地震成像方法，其特征在于，所述生成器为U
‑
net网络；所述生成器包括一个编码器和一个解码器；所述编码器包括若干个卷积层；所述解码器包括与所述编码器中卷积层相同个数的转置卷积层；所述编码器各卷积层与所述解码器各转置卷积层之间采用跳跃连接。3.根据权利要求2所述的高分辨率地震成像方法，其特征在于，所述编码器中，除第一层卷积层以外的各卷积层之间均采用Leaky ReLU和归一化处理；所述解码器中，除最后一层转置卷积层以外的各转置卷积层均采用ReLU和归一化处理；所述解码器最后一层转置卷积层采用Tanh非线性激活函数。4.根据权利要求1所述的高分辨率地震成像方法，其特征在于，所述利用所述训练数据集对所述地震成像模型进行迭代训练，更新所述判别器的参数和所述生成器的参数，直到所述判别器判断所述预测无噪地震成像数据来自所述训练数据集的概率高于预设阈值，具体包括：将训练数据集中的若干条含噪地震成像数据分别作为条件输入到所述生成器中，得到若干条预测无噪地震成像数据；利用所述判别器分别对若干条所述预测无噪地震成像数据、若干条所述含噪地震成像数据对应的真实无噪地震成像数据和随机无噪地震成像数据进行打分，根据所述判别器的损失函数，更新所述判别器的参数，使所述判别器判断所述真实无噪地震成像数据来自所述训练数据集的概率高于阈值且判断所述预测无噪地震成像数据来自所述训练数据集的概率低于预设阈值，得到优化后的判别器；利用所述优化后的判别器对若干条所述预测无噪地震成像数据进行打分，根据所述生成器的损失函数，更新所述生成器的参数，使所述生成器根据输入到所述生成器中的含噪地震成像数据得到的预测无噪地震成像数据接近所述输入到所述生成器中的含噪地震成像数据对应的真实无噪地震成像数据，得到优化后的生成器；对所述判别器的参数和所述生成器的参数进行迭代更新，直到所述地震成像模型的目标函数收敛；所述目标函数为所述判别器的损失函数最大且所述生成器的损失函数最小。
5.根据权利要求4所述的高分辨率地震成像方法，其特征在于，所述地震成像噪声压制模型的目标函数如下式所示：其中，G
*
为所述地震成像噪声压制模型的目标函数，θ
G
为所述...

【专利技术属性】
技术研发人员：张浩，杨星辰，施辉，冯兴强，
申请(专利权)人：中国地质科学院地质力学研究所，
类型：发明
国别省市：