基于深度学习的智能化地震数据随机噪声压制方法与流程

本发明涉及地球物理勘探技术领域。具体地，涉及一种利用深度学习算法进行地震资料去噪的方法，可应用于石油地球物理勘探中的地震资料去噪阶段。

背景技术：

地震信号在产生、传输和记录过程中，经常会受到各种噪声的干扰，噪声问题一直是地震资料处理的主要问题。随着勘探程度的不断加深，“高信噪比、高分辨率、高保真度”已经成为地震资料处理的目标，实现“三高”的地震处理目标的关键在于高质量的去噪。如何更好地压制噪声，保护有效信号的能量和频率不受损失是目前地震资料去噪技术的关键。

目前去噪的主流方法依旧是通过多域变换，将时间域信号变换到不同域，利用噪声与有效信号的性质差异进行去噪，例如基于傅里叶变换的f-k滤波，它通过噪声和有效信号在频率上的差异进行噪声压制；基于radon变换的去噪技术，它通过将信号变换到τ-p域实现噪声和有效信号的分离；基于希尔伯特-黄变换的噪声压制技术，该技术通过二维经验模式分解对信号进行多尺度分解，实现噪声与有效信号的分离，再通过数据重构达到去噪的效果。这些技术虽然能够去除大部分噪声，但在一定程度上对有效信号造成破坏，且算法复杂，甚至会产生虚假有效信号。另外，这些方法的另一主要问题在于引入了处理人员的主观干预，可能将有效信号当噪声，或将噪声识别为有效信号，从而影响去噪效果。

随着地震采集技术的进步和计算机技术的飞速发展，勘探地震领域中积累了大量的数据，对这些数据进行智能化分析以发掘数据中蕴含的有用信息，成为时代发展的需求，尤其是利用深度学习开展智能化地震数据去噪技术研究。基于数据挖掘及深度学习的人工智能技术在新兴行业领域和其他传统行业领域已经取得较大进展，无论是算法层面还是技术层面都已相对成熟。在地震勘探领域，数据挖掘技术和基于深度学习的人工智能技术正在大规模开展广泛研究，但针对地震勘探资料的处理阶段目前尚未找到有效切入点。

技术实现要素：

面向地震资料噪声信息的数据挖掘目的在于利用数据挖掘和地震数据处理中的方法，自动提取叠前地震道集的特征信息，并进行抽象描述以达到最小化模拟数据与实际数据的特征信息差别，达到去除噪声、识别有效信号的目的，实现基于深度学习的智能化去噪技术。

针对地震数据处理中占用了大量人力、时间的噪声压制问题，将目前功能强大的人工智能技术引入到勘探地震中，开展基于数据挖掘和深度学习的智能化随机噪声压制技术研究，充分融合地球物理专家经验，最大力度识别及去除噪声，不伤害有效信号，形成针对勘探地震的数据挖掘技术和基于深度学习的智能化去噪技术，有效提高地震资料信噪比，降低地震勘探成本，缩短勘探周期，减少人工主观干预，为地震勘探中的噪声问题提供新的解决方案。

根据本发明的一方面，提供了一种基于深度学习的智能化地震数据随机噪声压制方法，包括：

生成用于地震资料正演的多个速度模型；

利用声波方程，针对每个速度模型正演得到相对应的地震单炮记录作为训练输出标签，并加入噪声形成训练数据输入集；以及

利用卷积神经网络算法并结合所述训练数据输入集，构建自编码训练模型、完成模型训练，并将其用于地震资料随机噪声压制。

在实施例中，生成用于地震资料正演的多个速度模型，包括：

每个速度模型中的地层层位数量、地层的倾斜角度，以及各层的层内速度均随机生成。

具体地，在优选实施例中，每个速度模型中的地层层位数量在2-12之间随机生成，地层的倾斜角度在0-80度之间随机生成，以及各层的层内速度在500m/s-7000m/s之间随机生成。

在实施例中，利用声波方程，针对每个速度模型正演得到相对应的地震单炮记录作为训练输出标签，并加入噪声形成训练数据输入集，包括：

利用二维声波方程，模拟地震波在每个所述速度模型中的传播状态，即激发方式采用中间放炮，两侧接收的观测系统，正演得到相对应的地震单炮记录作为训练输出标签，并加入噪声形成训练数据输入集，使得每个速度模型可以正演模拟得到一个单炮记录。

具体地，在优选实施例中，该观测系统可以左右两侧各放置64个检波器，共128道接收，纵向采样点为1000，采样间隔为4ms，正演得到相对应的地震单炮记录作为训练输出标签，并加入噪声形成训练数据输入集，使得每个速度模型可以正演模拟得到一个单炮记录。

在实施例中，将正演得到的地震单炮记录加入预定信噪比的随机噪声，以作为所述训练数据输入集。

在优选实施例中，所述预定信噪比为10。

在实施例中，利用卷积神经网络算法，构建自编码训练模型、完成模型训练，并将其用于地震资料随机噪声压制，包括：

利用如下的三层卷积神经网络算法公式，提取地震数据特征，

其中，上述公式表示第j层卷积神经网络算法，h^jw,b(x^j)表示第j层经过卷积神经网络计算后的结果，其中j＝1,2,3，x¹表示所述训练数据输入集；x²即为h¹w,b(x¹)；x³表示h²w,b(x²)；w表示权重，即卷积核；b为数据扰动项，i表示第i个单元，n表示单元总数；f表示激活函数，在此采用relu函数，其定义为：

其中m表示函数自变量，f表示函数因变量。

在实施例中，利用卷积神经网络算法并结合所述训练数据输入集，构建自编码训练模型、完成模型训练，并将其用于地震资料随机噪声压制，还包括：

在经过三层卷积核为预定尺寸的卷积神经网络计算之后，利用最邻近插值算法，恢复地震数据原始尺寸。

在实施例中，利用卷积神经网络算法并结合所述训练数据输入集，构建自编码训练模型、完成模型训练，并将其用于地震资料随机噪声压制，还包括：

利用如下的最小均方差(mse)函数，确定所述自编码训练模型的输出与输入之间的残差，

其中y'表示所述训练数据输入集经过所述自编码训练模型计算得到的输出值，y表示所述训练输出标签。

在实施例中，利用卷积神经网络算法并结合所述训练数据输入集，构建自编码训练模型、完成模型训练，并将其用于地震资料随机噪声压制，还包括：

通过将残差e对权重w和扰动项b求偏导，得到所述自编码训练模型中每层各单元的权重w和扰动项b：

其中h是训练步长，k是反馈迭代次数。

在实施例中，利用卷积神经网络算法并结合所述训练数据输入集，构建自编码训练模型、完成模型训练，并将其用于地震资料随机噪声压制，还包括：

利用多个所述地震单炮记录，完成所述自编码训练模型的训练，以用于地震资料的随机噪声压制。

根据本发明的另一方面，还提供了一种存储介质，其中存储有计算机可执行的程序，所述程序在被执行时适于实施基于深度学习的智能化地震数据随机噪声压制方法，所述方法包括：

生成用于地震资料正演的多个速度模型；

利用声波方程，针对每个速度模型正演得到相对应的地震单炮记录作为训练输出标签，并加入噪声形成训练数据输入集；以及

利用卷积神经网络算法并结合所述训练数据输入集，构建自编码训练模型、完成模型训练，并将其用于地震资料随机噪声压制。

本发明的其它特征和优点将在随后的说明书中阐述，并且部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及说明书附图中所特别指出的结构来实现和获得。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例共同用于解释本发明，并不构成对本发明的限制。在附图中：

图1示出根据本发明实施例的基于三层卷积神经网络的自编码器模型的示意图；

图2示出根据本发明实施例的随机生成的某个速度场；

图3示出根据本发明实施例的图1中的速度场对应生成的单炮地震记录；

图4示出根据本发明实施例的加入信噪比为10随机噪声后的单炮记录；

图5示出根据本发明实施例的自编码训练模型在训练阶段的收敛曲线，横坐标为迭代次数，纵坐标为训练误差(％)；

图6示出根据本发明实施例的利用自编码训练模型进行噪声压制后的结果；

图7示出根据本发明实施例的无噪数据、含噪数据及去噪数据的频谱对比，横坐标表示频率(hz)，纵坐标表示振幅；

图8示出根据本发明实施例的无噪数据与去噪数据的单道对比，其中横坐标表示时间(s)，纵坐标表示振幅；

图9示出根据本发明实施例的无噪数据(a)、含噪数据(b)及去噪数据(c)的局部细节对比。

具体实施方式

以下将结合附图及实施例来详细说明本发明的实施方式，借此对本发明如何应用技术手段来解决技术问题，并达成技术效果的实现过程能充分理解并据以实施。需要说明的是，只要不构成冲突，本发明中的各个实施例以及各实施例中的各个特征可以相互结合，所形成的技术方案均在本发明的保护范围之内。

同时，在以下说明中，出于解释的目的而阐述了许多具体细节，以提供对本发明实施例的彻底理解。然而，对本领域的技术人员来说显而易见的是，本发明可以不必用这里的具体细节或者所描述的特定方式来实施。

如上所述，本发明针对地震数据处理中占用了大量人力、时间的噪声压制问题，将功能强大的人工智能技术引入到勘探地震中，开展基于数据挖掘和深度学习的智能化随机噪声压制技术研究，充分融合地球物理专家经验，最大力度识别及去除噪声，不伤害有效信号，形成针对勘探地震的数据挖掘技术和基于深度学习的智能化去噪技术。

总体上，本发明通过：首先生成大量的速度模型用于地震资料正演；然后采用声波方程，针对每个速度模型正演得到相对应的地震单炮记录作为训练输出标签，并加入噪声形成数据训练输入集；最后采用卷积神经网络算法并结合所述训练数据输入集，构建自编码训练模型，实现基于数据挖掘的无监督训练模块，通过最小化输入-输出残差完成模型训练，并将其用于地震资料随机噪声压制。

本发明的方法能够有效提高地震资料信噪比，降低地震勘探成本，缩短勘探周期，减少人工主观干预，为地震勘探中的噪声问题提供新的解决方案。

以下，具体描述本发明的基于深度学习的智能化地震数据随机噪声压制方法的技术方案：

1)随机生成多个例如10000个速度模型，其中，各速度模型中地层层位数量在2-12之间随机生成、地层的倾斜角度在0-80度之间随机生成，各层的层内速度在500m/s-7000m/s之间随机生成，以保证样本的随机性；以上数值及其范围是非限制性的，可以根据实际需要选择不同数值及其范围；

2)在实施例中，设定速度模型数据体大小为128x1000，该尺寸可根据实际资料的需求调整；

3)采用二维声波方程，针对每个速度模型对应生成一个单炮地震记录，激发方式采用中间放炮，两边接收的观测系统，左右两边各放置64个检波器，共128道接收，纵向采样点为1000，采样间隔为4ms，该观测系统可根据实际资料调整；

4)对正演得到的单炮地震记录加入预定信噪比，例如10的随机噪声作为训练数据输入集，将正演得到的原始炮集作为训练输出标签；

5)利用三层卷积神经网络提取地震数据特征，卷积神经网络算法公式如下：

其中上述公式代表第j层卷积神经网络算法，h^jw,b(x^j)表示第j层经过卷积神经网络计算后的结果，进入下一层后h^jw,b(x^j)将作为输入x计算h^j+1w,b(x^j+1)，这样建立三层卷积神经网络算法用于数据特征的提取，即在实施例中j＝1,2,3。x¹表示输入地震数据单元，即第四步加噪后的训练数据输入集；x²即为h¹w,b(x¹)；x³表示h²w,b(x²)。w表示权重，即卷积核，本发明中采用2x2的卷积核。b为数据扰动项，i表示第i个单元，n表示单元总数。f表示激活函数，这里采用relu函数，其定义为：

其中m表示函数自变量，f表示函数因变量，激活函数的目的是为了增加神经网络模型的表达能力，提高模型的复杂度。

6)经过三层卷积核为2x2的卷积神经网络计算之后，128x1000的数据将被压缩为16x125，这种操作可以保持原有数据特征的同时减少权系数w和数据扰动项b的数量，提高训练效率，最后再利用最邻近插值算法(resize_nearest_neighbor)恢复数据原始尺寸，具体的做法是：为了保证数据特征不出现模糊现象，每次插值纵、横向仅扩大一倍，那么16x125的数据经过一次插值之后就变味32x250，这样经过三次插值即可实现数据模型大小的复原。

7)更新权值w与扰动项b：通过上面的模型搭建可以看出，实际上模型训练是想通过最小化输出与期望标签的残差来确定权值w和扰动项b，即权值w和扰动项b才是本发明中的未知数；要更新权值和扰动项，首先要确定价值函数(costfunction)，通常采用的mse(最小均方差)函数，即：期望标签值(即第四步中没有加入噪声的原始炮集)减去实际输出值(利用第四步含噪数据作为输入经过模型计算后的值)后求均方差。其中。公式如下：

其中y'表示第4步的训练数据输入集经过所搭建模型计算得到的输出值，y表示训练输出标签，即第四步中的原始炮集，i表示第i个单元序列，n表示数据单元总数。

8)确定价值函数以后，通过残差e的大小实现数据反馈，从而对w和b不断调整，直到e足够小为止，停止计算。残差e足够小实际上代表了含噪数据经过模型计算后达到了去噪的效果，所得结果若与无噪数据非常接近，这样训练后的模型就可以实现去噪的效果。具体的反馈算法如下：通过e对w和b求偏导，得到自编码训练模型中每层各单元的权重w和扰动项b：

其中h是训练步长，k是反馈迭代次数。

9)通过上述步骤搭建智能化去噪模型，利用10000个正演记录进行训练，训练结束后所得模型即为针对地震资料去噪的自编码训练模型。

图1示出根据本发明实施例的基于三层卷积神经网络的自编码器模型的示意图。如图1所示，数据体大小为128x1000的输入层，在经过三层卷积核为2x2的卷积神经网络计算之后，128x1000的数据将被压缩为16x125，再经过三次插值，即可实现数据模型大小的复原。通过构建三层卷积神经网络的自编码训练模型，最小化目标单元和输入单元的差别来进行优化，即让输出层(利用含噪数据作为输入通过模型计算后的结果)尽可能地去学习有效波信号的特征信息，从而达到去噪目的。

以下，结合图2-图9描述根据本发明实施例的基于深度学习的智能化地震数据随机噪声压制方法的正确性和有效性。

图2示出根据本发明实施例的随机生成的某个速度场。如图2所示，这是随机生成10000个速度模型之一，其中速度模型中的层位数量、倾角以及层内速度均为随机生成。

图3示出根据本发明实施例的图1中的速度场对应生成的单炮地震记录。如图3所示，采用声波方程正演，对每个速度模型生成单个地震单炮记录，激发方式采用中间放炮，两边接收的观测系统，左右两边各放置64个检波器，共128道接收，纵向采样点为1000，采样间隔为4ms。

图4示出根据本发明实施例的加入信噪比为10随机噪声后的单炮记录。如图4所示，对生成的单炮地震记录加入信噪比为10的随机噪声。

图5示出根据本发明实施例的自编码训练模型在训练阶段的收敛曲线，横坐标为迭代次数，纵坐标为训练误差(％)。如图5所示，利用10000个样本组成数据训练集对模型进行迭代训练更新，该图是训练对应的收敛曲线，可以看出，该模型收敛迅速。

图6示出根据本发明实施例的利用自编码训练模型进行噪声压制后的结果。如图6所示，这是利用训练完成的卷积自编码器模型得到的去噪效果图，可以看出，噪声得到了较好的压制，有效信号得以保存。

图7示出根据本发明实施例的无噪数据、含噪数据及去噪数据的频谱对比，横坐标表示频率(hz)，纵坐标表示振幅。如图7所示，分别对同一个样本的无噪数据、含噪数据及去噪数据进行频谱分析，验证去噪效果，从结果中可以看出，去噪前后数据频谱基本一致，也证明了该方法去噪能力。

图8示出根据本发明实施例的无噪数据与去噪数据的单道对比，其中横坐标表示时间(s)，纵坐标表示振幅。如图8所示，提取出去噪前后的单道地震记录(此处以第一道为例)进行对比，通过单道对比，可以更直观的看出该模型的去噪效果较好，数据重构能力强。。

图9示出根据本发明实施例的无噪数据(a)、含噪数据(b)及去噪数据(c)的局部细节对比。如图9所示，对去噪前后的数据进行局部放大，这里以浅层近偏移距数据为例，通过对比验证其去噪效果。其中图9(a)表示无噪数据，图9(b)表示含噪数据，图9(c)表示去噪后数据。

综上所述，本发明提供了一种基于深度学习的智能化地震数据随机噪声压制方法。与现有技术相比，本发明的有益效果是：利用数据挖掘技术，自动挖掘有效波与噪声的特征信息，形成适合深度学习的规则输入数据，搭建卷积自编码器模型，进而开展基于深度学习的智能化地震数据去噪技术研究，研发针对地震数据噪声压制损失函数，建立地震资料去噪的人工智能神经网络，通过大规模数值训练优化神经网络，形成智能化噪声压制技术，实现保幅去噪，在提高信噪比的同时保证有效信号不受损失，特别是保护低频信号方面。

1)为了确保训练数据集的随机性，生成的单炮记录对应的速度模型在层位数量、层速度及层位倾角均为随机产生；

2)将深度学习引入地震资料去噪处理环节，通过卷积神经网络算法实现地震资料的特征挖掘，自动区分有效波信号及噪声；

3)通过卷积神经网络算法，对原始地震资料进行低秩降维处理，得到适于机器学习的规范化地震数据；

4)搭建三层卷积神经网络的自编码器模型，通过去最小化目标单元和输入单元的差别来进行优化，即让输出层(利用含噪数据作为输入通过模型计算后的结果)尽可能地去学习有效波信号的特征信息，达到去噪目的。

根据本发明的另一方面，还提供了一种存储介质，其中存储有计算机可执行的程序，所述程序在被执行时适于实施基于深度学习的智能化地震数据随机噪声压制方法，所述方法包括：生成用于地震资料正演的多个速度模型；利用声波方程，针对每个速度模型正演得到相对应的地震单炮记录作为训练输出标签，并加入噪声形成训练数据输入集；以及利用卷积神经网络算法并结合所述训练数据输入集，构建自编码训练模型、完成模型训练，并将其用于地震资料随机噪声压制。

应该理解的是，本发明所公开的实施例不限于这里所公开的特定处理步骤或材料，而应当延伸到相关领域的普通技术人员所理解的这些特征的等同替代。还应当理解的是，在此使用的术语仅用于描述特定实施例的目的，而并不意味着限制。

说明书中提到的“实施例”意指结合实施例描述的特定特征、或特性包括在本发明的至少一个实施例中。因此，说明书通篇各个地方出现的短语“实施例”并不一定均指同一个实施例。

本领域的技术人员应该明白，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。本领域的技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(ram)、内存、只读存储器(rom)、电可编程rom、电可擦除可编程rom、寄存器、硬盘、可移动磁盘、cd-rom或技术领域内所公知的任意其它形式的存储介质中。

虽然本发明所公开的实施方式如上，但所述的内容只是为了便于理解本发明而采用的实施方式，并非用以限定本发明。任何本发明所属技术领域内的技术人员，在不脱离本发明所公开的精神和范围的前提下，可以在实施的形式上及细节上作任何的修改与变化，但本发明的保护范围，仍须以所附的权利要求书所界定的范围为准。