一种基于神经网络的多道地震连续记录分离方法与流程

本发明涉及海洋地震勘探数据处理技术领域，具体是一种基于神经网络的多道地震连续记录分离方法。

背景技术：

海洋地震勘探是海洋油气和基础地质调查的重要手段，对海洋地震勘探数据采集而言，传统的采集方式采用非连续记录的方式采集地震数据，一般是根据地质目标以及分辨率要求等因素确定最小、最大偏移距，炮间距以及记录长度，炮间距一般是固定的(比如25m)，通过调整船速来保证震源的激发间隔大于单炮记录的长度，保证炮与炮之间不存在混叠。随着地震采集技术的提高，连续记录的方式得到了越来越多的关注，相对于非连续记录方法，连续记录采集不仅能够极大地提高采集效率，而且能够提高数据的密度。

采用连续记录的方式采集地震数据时，震源每隔一段时间激发，而检波器一直在记录，直至震源停止激发。连续记录由于存在混叠能量，需要进行分离，数据分离的好坏直接决定了连续记录数据后续处理的效果。目前，对连续记录进行分离，主要借鉴去噪的思路来处理。其中，学者seher和clarke提出两步法，首先，估算混叠能量中的低频成分，并用自适应相减的方式从连续记录中去除混叠能量中的低频成分；然后，基于统计方法衰减混叠能量中的高频成分，主要采用k-l变换，中值滤波等技术。混叠能量的估算是这类方法的关键部分，直接决定了分离的效果。一般在共检波点域估算混叠的直达波，在cdp域通过randon变换来估算混叠的反射波。目前，对地震连续记录的分离的方法难以估算混叠能量，尤其是在海底地质复杂的条件下，难以将存在能量混叠的连续记录转换为单炮记录，导致地震连续记录分离的效果不好。

技术实现要素：

针对现有技术的不足，本发明的目的是提供一种基于神经网络的多道地震连续记录分离方法，其能够解决多道地震连续记录分离的问题。

实现本发明的目的的技术方案为：一种基于神经网络的多道地震连续记录分离方法，包括如下步骤：

步骤s1：通过数值模拟分别获得连续记录数据和非连续记录的单炮数据；

步骤s2：构建神经网络模型，其中，根据所述激发的激发时间和预设的记录长度从连续记录数据截取得到伪单炮记录，伪单炮记录表征对应连续记录数据中每一次激发的记录数据，伪单炮记录作为输入数据，非连续记录的单炮数据作为目标数据，将所述输入数据和目标数据输入至所述神经网络模型进行训练，得到训练后的神经网络；

步骤s3：获得待分离的实测地震连续记录，对所述实测地震连续记录进行截取得到伪单炮记录，将所述伪单炮记录输入至训练后的神经网络进行分离，输出即为分离后的单炮结果。

进一步地，通过数值模拟获得所述连续记录数据包括如下步骤，预设若干震源，震源按预设的时间间隔进行激发，检波器持续进行接收直至震源停止激发，下一次激发的初始波场为上一次激发最后两个时刻的波场；

通过数值模拟获得所述非连续记录数据包括如下步骤，

设置与获得连续记录数据的相同数量的震源，震源按与所述相同的预设的时间间隔进行激发，检波器进行记录，当一次激发结束，则检波器停止接收，直至下一次激发，每一次激发的初始波场重置为0值波场。

进一步地，所述目标数据和输入数据为同一个炮点激发产生的记录。

进一步地，所述神经网络模型为全连接深度神经网络。

本发明的有益效果为：本发明具有方便快速准确地分离多道地震连续记录，能够有效去除混叠能量，并得到符合要求的单炮记录，分离效果良好。

附图说明

图1为本发明的流程示意图；

图2为采集连续记录数据和非连续记录数据的炮点激发示意图；

图3为获得的连续记录数据和非连续记录数据(含伪单炮记录)示意图；

图4为标签数据示意图；

图5为深度神经网络结构示意图；

图6为分离得到的单炮记录与理想单炮记录的对比图。

具体实施方案

下面，结合附图以及具体实施方案，对本发明做进一步描述：

如图1至图4所示，一种基于神经网络的多道地震连续记录分离方法，包括如下步骤：

步骤s1：生成用于训练所述神经网络的标签数据。

本步骤的实现过程包括如下子步骤：

步骤s11：通过正演模拟生成连续记录数据和非连续记录数据，非连续记录数据不存在混叠能量的数据。正演模拟也是一种数值模拟方式。

参考图2所示的采集方式,设置若干个震源(例如设置3个)，震源也即是激发炮，一个震源为一个炮点，震源按预设的时间间隔进行激发。对于连续记录的方式，检波器持续进行接收直至所有的震源停止激发；而对应非连续记录，检波器不持续接收而是只记录震源的每一次激发，每一次激发结束后，检波器停止接收，直至下一次激发，检波器才开始接收。图3(a)为连续记录方式得到的连续记录数据，图3(b)为非连续记录方式得到的单炮记录。

可以通过两次正演模拟来分别获得连续记录数据和非连续记录单炮数据，只需要将两次正演模拟的参数和数值模型设置为相同即可。

在进行非连续记录数据的模拟中，在新的一次激发炮开始模拟之前，重置波场为0值波场，各个激发炮之间相互独立，互不干涉。在对进行连续记录数据的模拟中，在每一次激发炮结束之后，保存最后两个时刻的波场作为下一次激发炮模拟的初始波场。连续记录模拟和非连续记录模拟的区别在于开始新的一次激发炮的模拟是否有重置初始波场。

对于非连续记录模式，每一次激发对应形成一个单炮记录。而对于连续记录模式，一个记录文件中包含多个伪单炮记录。

步骤s12：对步骤s11获得的连续记录数据和非连续记录数据制作成标签数据，标签数据包括输入数据和目标数据。输入数据为从连续记录数据截取出来的伪单炮记录，伪单炮记录为根据炮点的激发时间及预设的记录长度从连续记录数据中截取得到，如图3(c)所示，图3(c)为从图3(a)中截取的伪单炮记录。对应的，同一个炮点的非连续记录单炮数据则作为目标数据(图3b)。

图4为一个标签数据的示例，图4(a)为炮点两次不同激发记录的不含混叠能量的单炮记录，图4(b)为含有混叠能量的连续记录，其中，图4(b)中的箭头处表示混叠能量。不含混叠能量的单炮记录即为目标数据，而连续记录伪分离的单炮数据则为输入数据。

步骤s2：构建神经网络模型，并将所述标签数据输入神经网络模型进行训练，得到训练后的神经网络。

本实施例的神经网络模型(图5)的中间层设置为3层，中间层的节点数为10个，各个节点之间为全连接方式，神经网络模型的激励函数为elu激励函数(指数线性单元函数)。

优选地，神经网络模型设置为全连接深度神经网络。

本实施例的神经网络模型的目标函数j(m)为神经网络模型的输出数据与目标数据的差值的二范数，如公式①所示：

其中，ei表示输出数据与目标数据差值的元素，n表示目标数据的采样点个数，m表示神经网络模型的参数。

神经网络模型的初始权重和偏置为符合正态分布的随机数。由于连续记录数据和非连续记录数据的数据量大，采用随机梯度算法更新神经网络模型，更新公式如②所示：

其中，α^k表示学习率，用于控制学习的步长，k表示学习次数，q表示步长，表示目标函数的梯度，其元素为目标函数关于神经网络模型的权重和偏置的偏导数，的计算可通过误差的反向传播来实现。

根据目标函数的收敛特征确定最大迭代次数，从而确定最后训练后的神经网络。

本步骤中，还包括对训练后的神经网络进行评估，并将标签数据分成训练数据和测试数据，训练数据用于对神经网络进行训练，测试数据用于评估训练得到的神经网络模型的泛化能力，确定没有过拟合和欠拟合，以得到性能优良的神经网络。

步骤s3：将实际测量获得的地震连续记录数据进行伪分离，也即根据炮点的激发时刻以及预设的记录长度，从连续记录数据中截取部分数据，得到伪单炮记录，伪单炮记录也即是含有混叠能量的数据，并将伪单炮数据输入到训练后的神经网络进行处理，输出的数据即为常规的单炮记录，也即将多道地震连续记录分离出来。

如图6所示，是采用本实施例对地震连续记录数据分离得到的单炮记录与理想单炮记录的对比图，图6(a)为从地震连续记录数据伪分离得到的伪单炮记录，图6(b)为将图6(a)的伪单炮记录利用本方案的神经网络进行处理输出的单炮记录，图6(c)为理想的没有混叠的单炮记录，也即是实际非连续记录方式得到的单炮记录。可以看出图6(b)与图6(c)接近，有些许差异是由于图6(b)含有随机的噪音，采用常规的去噪方法进行衰减即可，能够分离得到与理想的单炮记录更接近的单炮记录。

本说明书所公开的实施例只是对本发明单方面特征的一个例证，本发明的保护范围不限于此实施例，其他任何功能等效的实施例均落入本发明的保护范围内。对于本领域的技术人员来说，可根据以上描述的技术方案以及构思，做出其它各种相应的改变以及变形，而所有的这些改变以及变形都应该属于本发明权利要求的保护范围之内。