[发明专利]基于数据增广的卷积神经网络地震层间多次波压制方法

说明书

本发明公布了一种基于数据增广的卷积神经网络地震层间多次波压制方法，基于DnCNN和U‑Net网络模型，搭建层间多次波压制的深层编解码网络模型，对三维陆地地震勘探资料采用搭建得卷积神经网络模型进行自适应层间多次波压制，实现三维陆地地震勘探资料的高效自适应层间多次波压制；本发明利用神经网络模型实现对三维地震数据的高效自适应层间多次波压制，无需人为调参，且具有良好的抗噪性和较高的计算效率。

技术领域

本发明属于勘探地震数据处理技术领域，涉及陆地地震资料层间多次波的自适应压制方法，尤其涉及一种基于数据增广的卷积神经网络地震层间多次波压制方法，对叠后三维地震数据中的不同测线数据采用基于数据增广的卷积神经网络方法，实现三维陆地地震资料的高效自适应层间多次波压制。

背景技术

在地震勘探过程中，由于地下构造较为复杂，地震资料中通常含有干扰波，严重影响后续地震资料处理、解释等工作的开展。其中地震层间多次波是在地下地层间发生了多次反射的地震波，其产生机理复杂，与一次波波组特征相似，剩余时差小，预测及压制的难度较大，对构造及油气识别带来不利影响。因此，研究层间多次波压制的有效方法在地震勘探领域具有重大意义。

目前的多次波压制方法主要包括滤波方法和预测减去法两大类[1]。滤波方法主要基于地震波运动学及动力学差异，将地震数据从时间-空间域变换到其他数据域后，根据多次波和一次波正常时差差异或多次波周期性将两者分离，实现多次波压制，例如预测反褶积法[2]、Radon变换法[3]、聚束滤波方法[4-6]等。这类方法具有较高的计算效率，但处理速度梯度小或构造复杂的数据时效果较差。预测减去法以波动方程为基础，从地震资料出发预测多次波，再将预测的多次波从原始数据中减去，例如波场延拓方法[7]、SRME方法(surface-related multiple elimination，地表相关多次波压制法)[8]等，其中针对表面多次波压制的SRME法已形成商业化模块。由于层间多次波与一次波在振幅和时间上有较强的相似性，许多层间多次波压制方法被相继提出，例如基于反馈迭代模型的多次波压制方法[9]、逆散射级数法[10]及虚同相轴方法[11]等。与滤波方法相比，预测减去法能够对构造复杂地区的数据取得较好的多次波压制结果，然而计算效率较低，极大程度上依赖于人工调参[12]，且处理低信噪比数据时通常会导致多次波泄露。

随着计算机运算能力的提高和人工智能技术的发展，深度学习模型鉴于其强大的特征提取能力及数据驱动的特点被广泛应用于地球物理领域。地震数据去噪是其中的热点之一，利用深度学习模型建立出含噪数据与干净数据的复杂映射关系，以此实现对新数据集的高效自适应去噪，达到无需人为调参、显著提高去噪效率的目的[13]。卷积神经网络(CNN)在深度学习图像去噪领域表现突出，常用网络包括U形编码与解码网络(U-Net)[14]、去噪卷积神经网络(DnCNN)[15]、生成对抗网络[16]等。在地震数据去噪领域，DnCNN和U-Net[13][17]等网络在合成及实际数据的随机噪声压制中取得了较好的效果。此外，DnCNN被成功用于压制合成及野外数据中的线性噪音[13]。然而，将神经网络方法应用在地震多次波压制方面的技术方案较少，目前只被用于压制合成地震数据中的表面多次波[13]。对于层间多次波，难以利用神经网络方法实现自适应去噪，主要有以下几个原因：(1)缺少成熟的层间多次波压制方法，无法对实际数据生成一次波标签并建立有标签数据集；(2)层间多次波作为典型的规则干扰，其波形等特征与局部构造变化有关，需要在三维地震数据体中生成足够量的标签数据，否则神经网络无法学习到每条测线多次波的特征；而利用传统方法生成大量标签数据使得神经网络方法同样出现耗时长的问题。

参考文献：

[1]Weglein A B.Multiple attenuation：an overview of recent advancesand the road ahead[J].The Leading Edge，1999，18(1)：40-44.