基于深度学习的海上地震勘探相干噪声压制方法研究

论文摘要

能源保障是国家发展的重要前提。化石燃料占据世界能源市场主导地位的现实从未改变,地震勘探技术一直是探勘化石燃料最重要的手段。我国正处在走向复兴的重要历史阶段,对油气资源的需求与日俱增,随着开采程度不断加深,地震勘探重点逐渐由陆上转向海上。面对这样的局面,加大海上地震勘探开发范围,发展多快好省的采集技术、数据处理方法刻不容缓。根据一般地震勘探噪声分类方法,海上勘探噪声可分为随机噪声和相干噪声两大类。随机噪声的压制对于现代地震勘探工业界而言并不十分困难,相比之下,海上相干噪声是降低海上地震资料信噪比、影响成像品质的最重要噪声类型。在海上相干噪声中,相干性最强的当属混合震源数据中的混叠噪声,其运动学、动力学特征常与有效信号几乎一致。另一种极具实际意义的海上相干噪声是邻队震源干扰噪声,即在数据采集过程中记录到周围其他震源船激发的地震波场而产生的干扰噪声。其运动学特征表现为线性或双曲线形式,频带范围与震源子波频带范围相当,振幅级别与有效信号在同一范围内,在地震记录中造成相干的假象。海上相干噪声的存在会严重影响地震成像的精度,甚至误导地质分析的结论。多年来,地震勘探业界已经发展出许多相干噪声压制技术,以应对海上相干噪声污染。尽管其中许多方法已能实现良好的压制效果,但往往计算量庞大、耗时费力。随着近年来机器学习领域研究热度的不断提升,我们看到了使用基于深度学习理论的处理方法减少运算时间、简化压制流程的可能性。然而,由于地震数据和海上相干噪声的性质与常规图像差异很大,适用于常规图像处理的网络结构并不适用于处理地震数据。因此,本文自主研究和设计了两个基于深度学习理论的卷积神经网络,分别对上述两种典型海上相干噪声进行压制。为保证研究的实用性和严谨性,网络使用的训练、验证和测试数据都为实际地震数据,训练样本均超过20000个。针对混叠噪声,本文设计了一个深度卷积神经网络。我们将数据从共炮点道集转换到共检波点道集,使混叠噪声从连续分布变成不连续分布,相干性降低。在完成训练和验证后,该网络可在共检波点域中对混叠噪声进行实时压制。研究还表明,输入数据即混合震源记录的信噪比是影响最终压制效果的重要因素。通过使用采自不同地质区域且激发间隔不同的数据和采自另一种混合情况下的数据,进行无重复训练下的混叠噪声压制效果测试,验证了该网络具有一定程度上的鲁棒性和适应性。最后,与工业界两种常见滤波方法的对比显示该网络具有良好的混叠噪声压制能力,且完成训练后的压制执行速度比工业界滤波算法迅速许多。针对邻队震源干扰噪声,本文提出了一个自定义U-Net。与标准U-Net不同,自定义U-Net卷积层数更少,且在前三个卷积层内使用了较大尺度的卷积核,并以元素加和代替串联,在压缩通道和扩展通道中引入了跃层连接,以实现高级特征和低级特征之间的信息融合,从而补偿下采样过程中产生的信息丢失,同时解决了梯度消失的问题。考虑到邻队震源干扰噪声的不可控性,我们用包含来自不同方向、不同距离噪声的丰富样本在共炮点道集中对自定义U-Net进度了训练和测试。结果表明,除来自船侧的邻队震源干扰噪声难以被压制外,自定义U-Net对来自其他方向的噪声均有良好的压制效果。进一步研究表明,增加网络深度可在一定程度上改善上述问题。在不进行重新训练情况下,对采自另一地质区域的数据进行噪声压制测试,结果表明自定义U-Net具有鲁棒性和适应性,尽管其压制精度尚未超越商用处理流程,但其压制速度远快于工业界现存的任何一种算法,且能在共炮域中对单炮数据进行实时处理,实现了在采集过程中随时检验数据质量的目的。

论文目录

• 论文摘要
• abstract
• 第1章 绪论
•   1.1 研究背景
•   1.2 当前海上地震勘探相干噪声压制技术存在的主要问题
•   1.3 深度学习研究现状及主要优势
•   1.4 深度学习在地震勘探业界的研究现状
•   1.5 论文主要创新点与结构安排
• 第2章 常见海上地震勘探相干噪声概述
•   2.1 混叠噪声
•     2.1.1 混叠噪声的产生
•     2.1.2 混合震源采集方式主要类型
•     2.1.3 混合震源采集方式评价
•     2.1.4 混叠噪声的特点
•     2.1.5 常规混叠噪声压制技术
•   2.2 邻队震源干扰噪声
•     2.2.1 邻队震源干扰噪声的产生
•     2.2.2 邻队震源干扰噪声的特点
•     2.2.3 常规邻队震源干扰噪声压制技术
•   2.3 本章小结
• 第3章 深度学习基本理论和常规网络可移植性探究
•   3.1 深度学习
•   3.2 人工神经网络
•     3.2.1 前向传播算法
•     3.2.2 激活函数
•     3.2.3 反向传播算法
•     3.2.4 卷积层
•     3.2.5 损失函数和优化器
•     3.2.6 池化层
•     3.2.7 上采样层
•     3.2.8 跃层连接
•   3.3 常规网络可移植性探究
•   3.4 本章小结
• 第4章 基于深度卷积神经网络的混叠噪声压制方法
•   4.1 用于混叠噪声压制的深度卷积神经网络模型
•     4.1.1 卷积核的大小对处理结果的影响
•     4.1.2 卷积核的数目
•     4.1.3 卷积神经网络层的数目
•   4.2 应用深度卷积神经网络压制真实海上混叠噪声的效果
•   4.3 信噪比对使用深度卷积神经网络压制混叠噪声的影响
•   4.4 用于混叠噪声压制的深度卷积神经网络鲁棒性和适应性探究
•   4.5 用于混叠噪声压制的深度卷积神经网络与工业滤波方法对比
•   4.6 本章小结
• 第5章 基于自定义U-Net的邻队震源干扰噪声压制方法
•   5.1 用于邻队震源干扰噪声压制的自定义U-Net模型
•     5.1.1 卷积核的大小
•     5.1.2 损失函数的选择
•     5.1.3 激活函数的选择
•   5.2 应用自定义U-Net压制真实邻队震源干扰噪声的效果
•   5.3 自定义U-Net与工业界标准化商用处理流程对比及鲁棒性测试
•   5.4 改进自定义U-Net以更好地压制侧向来源噪声
•   5.5 本章小结
• 第6章 总结与讨论
• 参考文献
• 作者简介及科研成果
• 致谢

文章来源

类型: 硕士论文

作者: 孙婧

导师: 王德利

关键词: 海上相干噪声,混叠噪声压制,邻队震源干扰噪声压制,深度学习,卷积神经网络

来源: 吉林大学

年度: 2019

分类: 基础科学,工程科技Ⅰ辑

专业: 地质学,地球物理学,矿业工程

单位: 吉林大学

分类号: P631.46

DOI: 10.27162/d.cnki.gjlin.2019.000555

总页数: 116

文件大小: 16252K

下载量: 278