地震散射噪音压制方法、装置、电子设备以及存储介质与流程

本申请属于地震数据处理领域，具体涉及一种地震散射噪音压制方法、装置、电子设备以及存储介质。

背景技术：

1、地震资料噪声的存在严重影响了地震资料的成像质量，如何有效的进行地震资料去噪处理是地震资料处理中提升地震资料信噪比的关键步骤。散射噪音具有能量强、分布范围广、频散现象严重、去除难度大的特点。目前散射噪音的压制技术可以分为两类：(1)基于信号的散射噪音压制。常见的去噪方法：预测滤波，变换域滤波，稀疏反演，低秩算法都可以用来压制散射噪音，不同的去噪方法蕴含了对噪音和信号的假设，当假设和实际情况吻合很好时，去噪效果比较显著，当二者存在明显差异时，去噪效果会明显降低；(2)基于地震干涉的散射噪音压制方法，这种方法在模型数据上效果非常显著，其基本思想是假设散射噪音沿近地表传播，可以通过地震干涉合成一个散射噪音的模型，然后通过匹配相减来达到压制散射噪音的效果。这种方法的适用性和实际资料的效果需要进一步研究，目前还没有见到大规模的商业应用。总的来说，目前针对散射噪声的压制已经发展了多种算法，并取得了较为广泛的实际应用，但目前的大多方法都依赖于人工干预并在很大程度上受到了处理人员的能力的影响，去噪过程需要大量的人工调参，在很大程度上影响了去噪效率。

2、纵观智能化去噪方法，目前大部分技术主要聚焦在随机噪音的压制上，面向散射噪声压制的智能化技术研究还较为缺乏。

技术实现思路

1、基于以上技术问题，本申请提出一种地震散射噪音压制方法、装置、电子设备以及存储介质。

2、第一方面，本申请提出一种地震散射噪音压制方法，包括：

3、将时空域地震数据以及对应的变化域地震数据，输入到已训练的深度神经网络中，得到散射噪音压制后的时空域数据；所述深度神经网络以时空域地震数据以及对应的变化域地震数据为输入，以满足散射噪音压制要求的时空域数据作为输出。

4、所述深度神经网络为全卷积神经网络的u-net网络，其包括：输入层、n层下采样结构、n层上采样结构以及输出层，n≥4；所述输入层为双通道数据输入层，以输入时空域地震数据以及对应的变化域地震数据；所述输出层为单通道数据输出层，以输出散射噪音压制后的时空域数据。

5、所述n层下采样结构中的每一层下采样结构均包括：两个卷积层以及一个最大池化层，所述两个卷积层以及一个最大池化层依次相连接。

6、所述n层上采样结构包括一个反池化层以及两个卷积层，所述一个反池化层与两个卷积层依次相连接，将对应层的下采样结构的输入数据与对应层的上采样结构的输入数据相拼接，拼接后的数据作为对应层的上采样结构的新的输入数据。

7、所述变化域地震数据为所述时空域地震数据经过傅里叶变换得到的频率波数域地震数据。

8、所述深度神经网络的训练过程包括：

9、筛选时空域地震数据样本，将满足散射噪音压制要求的时空域地震数据添加标签，得到标签数据样本集；

10、针对所述标签数据样本集进行数据增强，将数据增强后的标签数据样本分为训练集及测试集；

11、将所述训练集输入深度神经网络进行训练，得到初步训练的深度神经网络；

12、采用所述测试集输入初步训练的深度神经网络，得到测试结果；

13、若测试结果小于或等于阈值，则对应的深度神经网络为已训练的深度神经网络；

14、若测试结果大于阈值，增加训练集中的标签数据样本数量，重新进行深度神经网络训练。

15、所述时空域地震数据与散射噪音压制后的时空域数据尺寸大小一致。

16、所述全卷积神经网络的u-net网络采用l2范数作为损失函数，对散射噪音压制后的时空域数据用adam优化器进行迭代更新，得到更新后的时空域数据作为最终的散射噪音压制后的时空域数据。

17、第二方面，本申请提出一种地震散射噪音压制装置，包括：数据输入模块、网络构建模块；

18、所述数据输入模块用于将时空域地震数据以及对应的变化域地震数据，输入到已训练的深度神经网络中，得到散射噪音压制后的时空域数据；

19、所述网络构建模块用于所述深度神经网络以时空域地震数据以及对应的变化域地震数据为输入，以满足散射噪音压制要求的时空域数据作为输出。

20、第三方面，本申请提出一种电子设备，包括：一个或多个处理器，以及存储器，所述存储器存储指令，当所述指令被所述一个或多个处理器执行时，使得所述一个或多个处理器执行所述的地震散射噪音压制方法。

21、第四方面，本申请提出一种计算机可读存储介质，其存储有可执行指令，所述指令当被执行时使得机器执行所述的地震散射噪音压制方法。

22、有益效果：

23、本申请提出种地震散射噪音压制方法、装置、电子设备以及存储介质，将多域联合的思想和深度神经网络结合应用于地震资料去噪中，有效避免了常规卷积网络对训练数据量以及神经网络规模的高要求，提升了网络精度，实现了对叠前资料散射噪声的有效压制。

技术特征：

1.一种地震散射噪音压制方法，其特征在于，包括：将时空域地震数据以及对应的变化域地震数据，输入到已训练的深度神经网络中，得到散射噪音压制后的时空域数据；所述深度神经网络以时空域地震数据以及对应的变化域地震数据为输入，以满足散射噪音压制要求的时空域数据作为输出。

2.如权利要求1所述的地震散射噪音压制方法，其特征在于，所述深度神经网络为全卷积神经网络的u-net网络，其包括：输入层、n层下采样结构、n层上采样结构以及输出层，n≥4；所述输入层为双通道数据输入层，以输入时空域地震数据以及对应的变化域地震数据；所述输出层为单通道数据输出层，以输出散射噪音压制后的时空域数据。

3.如权利要求1所述的地震散射噪音压制方法，其特征在于，所述n层下采样结构中的每一层下采样结构均包括：两个卷积层以及一个最大池化层，所述两个卷积层以及一个最大池化层依次相连接。

4.如权利要求2所述的地震散射噪音压制方法，其特征在于，所述n层上采样结构包括一个反池化层以及两个卷积层，所述一个反池化层与两个卷积层依次相连接，将对应层的下采样结构的输入数据与对应层的上采样结构的输入数据相拼接，拼接后的数据作为对应层的上采样结构的新的输入数据。

5.如权利要求1所述的地震散射噪音压制方法，其特征在于，所述变化域地震数据为所述时空域地震数据经过傅里叶变换得到的频率波数域地震数据。

6.如权利要求1所述的地震散射噪音压制方法，其特征在于，所述深度神经网络的训练过程包括：

7.如权利要求2所述的地震散射噪音压制方法，其特征在于，所述时空域地震数据与散射噪音压制后的时空域数据尺寸大小一致。

8.如权利要求7所述的地震散射噪音压制方法，其特征在于，所述全卷积神经网络的u-net网络采用l2范数作为损失函数，对散射噪音压制后的时空域数据用adam优化器进行迭代更新，得到更新后的时空域数据作为最终的散射噪音压制后的时空域数据。

9.一种地震散射噪音压制装置，其特征在于，包括：数据输入模块、网络构建模块；

10.一种电子设备，其特征在于，包括：一个或多个处理器，以及存储器，所述存储器存储指令，当所述指令被所述一个或多个处理器执行时，使得所述一个或多个处理器执行权利要求1～8中任意一项所述的地震散射噪音压制方法。

11.一种计算机可读存储介质，其特征在于，其存储有可执行指令，所述指令当被执行时使得机器执行权利要求1～8中任意一项所述的地震散射噪音压制方法。

技术总结
本申请提出一种地震散射噪音压制方法、装置、电子设备以及存储介质，属于地震数据处理领域，其中方法包括：将时空域地震数据以及对应的变化域地震数据，输入到已训练的深度神经网络中，得到散射噪音压制后的时空域数据；所述深度神经网络以时空域地震数据以及对应的变化域地震数据为输入，以满足散射噪音压制要求的时空域数据作为输出。装置包括：包括：数据输入模块、网络构建模块。本申请通过将多域联合的思想和深度神经网络结合，有效避免了常规卷积网络对训练数据量以及神经网络规模的高要求，提升了网络精度，实现了对叠前资料散射噪声的有效压制。

技术研发人员：陶永慧,张兵,白英哲
受保护的技术使用者：中国石油化工股份有限公司
技术研发日：
技术公布日：2024/3/21