一种地震资料线性面波噪声压制方法、装置、设备及介质与流程

本发明涉及地震资料优化，尤其涉及一种地震资料线性面波噪声压制方法、装置、电子设备及计算机可读存储介质。

背景技术：

1、地震资料噪声压制是地震资料处理过程中的关键处理流程。地震资料面波通常具有低频、低度和高振幅等特征，严重影响了地震资料信噪比和成像质量。

2、常用的面波噪声压制方法基于面波和有效波在变换域中的差异，如fk域、小波域或曲波域。现有技术中存在利用以下方法实现噪声压制：

3、1、使用一维预测误差滤波器在频率域根据波形倾角来实现面波和有效信号的分离；

4、2、在带通滤波器后使用局部正交化算法提升了信噪分离效果；

5、3、使用局部时频变换(ltft)实现了信号和面波之间较好的分离。

6、但是，上述方法往往会蕴含了对噪音和信号的假设，当假设和实际情况较为吻合时，去噪效果比较显著，当二者存在明显差异时，去噪效果会较差；此外上述方法会较为依赖于滤波器的设计，然而，由于滤波参数设计的复杂性，进而导致去噪的效果难以保证。

7、目前，基于传统算法的面波噪声压制技术已经发展了多种算法，并在一定程度上都在实际生产中得到了应用。但传统方法的主要受限于人工强干预，并且去噪过程中需要大量的人工调参，在很大程度上影响了去噪效率。

8、综上所述，现有技术中存在地震资料噪声压制过程中人工干预较多，且去噪效率低的问题。

技术实现思路

1、针对上述问题，本发明的实施例提供了一种地震资料线性面波噪声压制方法、装置、电子设备及计算机可读存储介质。

2、第一方面，本发明实施例提供了一种地震资料线性面波噪声压制方法，包括：

3、获取实际地震资料，根据所述实际地震资料进行信噪比评估，得到训练地震资料；

4、根据所述训练地震资料制备初始样本集，并对所述初始样本集中的样本数据进行数据增强，得到标准样本集；

5、构建二维卷积层，根据所述二维卷积层、预设的归一化层及预设的激活层分别生成特征提取模块以及输出模块，根据所述归一化层及所述激活层生成多尺度扩张卷积模块，并根据所述特征提取模块、所述多尺度扩张卷积模块以及所述输出模块构建初始去噪模型；

6、将所述标准样本集输入所述初始去噪模型中进行训练，得到训练去噪结果，根据所述训练去噪结果及所述标准样本集进行损失值计算，得到训练损失值，利用所述训练损失值优化所述初始去噪模型，得到标准去噪模型；

7、获取待去噪地震资料，利用所述标准去噪模型对所述待去噪模型进行卷积计算，得到去噪地震资料。

8、根据本发明的实施例，所述根据所述实际地震资料进行信噪比评估，得到训练地震资料，包括：

9、对所述实际地震资料进行行列像素噪声标准差计算，得到行噪声标准差以及列噪声标准差；

10、根据所述行噪声标准差以及所述列噪声标准差计算行等效噪声标准差以及列等效噪声标准差；

11、从所述行等效噪声标准差以及所述列等效噪声标准差选取参考噪声标准差，根据所述参考噪声标准差计算所述实际地震资料的信噪比；

12、根据所述信噪比的大小对所述实际地震资料进行筛选，得到训练地震资料。

13、根据本发明的实施例，所述根据所述行噪声标准差以及所述列噪声标准差计算行等效噪声标准差以及列等效噪声标准差，包括：

14、利用下式计算行等效噪声标准差以及列等效噪声标准差：

15、

16、

17、其中，为所述行等效噪声标准差；为所述列等效噪声标准差，为第i个行噪声标准差，i∈(1,n)，n为行像素的总数，c为行噪声的标识；为第j个行噪声标准差,j∈(1,m)，m为列像素的总数，r为行噪声的标识。

18、根据本发明的实施例，所述对所述初始样本集中的样本数据进行数据增强，得到标准样本集，包括：

19、对所述样本数据进行分块剪裁，得到剪裁数据；

20、对所述剪裁数据进行重采样，得到采样数据；

21、汇总所述采样数据，得到标准样本集。

22、根据本发明的实施例，所述根据所述二维卷积层、预设的归一化层及预设的激活层分别生成特征提取模块以及输出模块，包括：

23、依次叠加所述二维卷积层、所述归一化层以及所述激活层，得到特征提取模块；

24、依次叠加所述归一化层、所述激活层、所述二维卷积层以及通道数为1的二维卷积层，得到输出模块。

25、根据本发明的实施例，所述根据所述归一化层及所述激活层生成多尺度扩张卷积模块，包括：

26、根据预设扩张卷积网络块的宽度及深度确定扩张率，根据所述扩张率以及预设的卷积核生成扩张卷积层；

27、利用下式确定扩展率：

28、dilationrate＝mod((i-1)*2+j,10)

29、其中，dilation rate为扩展率；i为扩张卷积网络块的深度，1≤i≤8；j为扩张卷积网络块的宽度，0≤j≤2；mod为取余算子；

30、根据所述归一化层、所述激活层以及所述扩张卷积层生成扩张卷积数据块；

31、根据所述深度以及所述扩张卷积数据块生成多尺度扩张卷积模块。

32、根据本发明的实施例，所述将所述标准样本集输入所述初始去噪模型中进行训练，得到训练去噪结果，包括：

33、利用所述初始去噪模型中的特征提取模块对所述标准样本集中的样本进行特征提取，得到地震资料图像特征；

34、利用所述初始去噪模型中的多尺度扩张卷积模块对所述地震资料图像特征进行多尺度卷积，得到多尺度特征向量；

35、利用所述初始去噪模型中的输出模块对所述多尺度特征向量进行归一化计算，得到训练去噪结果。

36、第二方面，本发明实施例提供了一种地震资料线性面波噪声压制装置，其特征在于，包括：

37、训练地震资料生成模块，用于获取实际地震资料，根据所述实际地震资料进行信噪比评估，得到训练地震资料；

38、标准样本集生成模块，用于根据所述训练地震资料制备初始样本集，并对所述初始样本集中的样本数据进行数据增强，得到标准样本集；

39、初始去噪模型生成模块，用于构建二维卷积层，根据所述二维卷积层、预设的归一化层及预设的激活层分别生成特征提取模块以及输出模块，根据所述归一化层及所述激活层生成多尺度扩张卷积模块，并根据所述特征提取模块、所述多尺度扩张卷积模块以及所述输出模块构建初始去噪模型；

40、标准去噪模型生成模块，用于将所述标准样本集输入所述初始去噪模型中进行训练，得到训练去噪结果，根据所述训练去噪结果及所述标准样本集进行损失值计算，得到训练损失值，利用所述训练损失值优化所述初始去噪模型，得到标准去噪模型；

41、标准去噪模块，用于获取待去噪地震资料，利用所述标准去噪模型对所述待去噪模型进行卷积计算，得到去噪地震资料。

42、第三方面，本发明实施例提供了一种电子设备，其包括：

43、处理器；

44、用于存储所述处理器可执行指令的存储器；

45、其中，所述处理器被配置为执行所述指令，以实现如前第一方面所述的一种地震资料线性面波噪声压制方法。

46、第四方面，本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时，实现如前第一方面所述的一种地震资料线性面波噪声压制方法。

47、与现有技术相比，本发明的上述技术方案具有如下有益效果：

48、本发明的实施例通过对实际地震资料进行信噪比评估，提高了数据的质量；通过进行数据增强处理，提升样本多样性，增强了网络泛化能力；通过建立特征提取模型，增强网络的非线性特性并进一步加快收敛；通过建立多尺度扩张卷积模型，在减少网络深度的同时可以大幅度提升网络感知野，增强了网络对不同尺度数据的识别能力，更大程度得实现噪声识别从而实现面波噪声压制的智能化处理；通过对初始去噪模型进行损失值计算以及优化处理，保证去噪前后的时空域数据能量和振幅相对关系保持不变，提高去噪后地震资料数据的稳定性。