一种基于快速自监督学习的地震数据压缩感知重构方法与流程

本发明涉及地震采集，具体涉及一种基于快速自监督学习的地震数据压缩感知重构方法。

背景技术：

1、地震勘探是海上油气勘探的重要手段，地震勘探的基础是野外地震采集获取地震数据。随着地震勘探进程的深入，目前大部分的海上地震采集已经是二次三维采集。二次三维采集中主要存在两个问题：(1)目标精细化和复杂化导致地震采集参数规格升级，成本攀升；(2)目标工区存在采集施工障碍区，地震采集数据存在漏洞。

2、针对第一个问题，采用压缩感知技术进行地震数据采集，可以大大减少地震采集工作量，提高采集效率，降低成本，但数据不规则，需要进行数据重构后才能够使用常规处理技术进行后续处理。

3、针对第二个问题，其产生的主要原因是现在的地震采集区都或多或少地存在一些钻井平台或海底管线。为了避免地震采集作业伤害到钻井平台或海底管线，二次三维地震采集往往要避开钻井平台、海底管线等油田设备，这就造成地震数据的缺失。而地震数据的缺失对于地震数据的原始品质、地震数据的多次波压制、地震数据的偏移成像等都有影响，严重制约地震勘探进程。目前较为常用的方法，是在障碍区附近加密炮点、加密接收点来一定程度减小数据漏失的影响，但效果往往很有限。

4、使用压缩感知算法可以由不规则数据或有采集漏洞的数据重建出规则地震数据。然而传统压缩感知技术反假频重构能力不足、重构噪音和假象严重；现有的基于深度学习的压缩感知技术多是二维算法且依赖大量高质量训练数据，泛化能力、实用性有限。

技术实现思路

1、针对上述问题，本发明的目的是提供一种基于快速自监督学习的地震数据压缩感知重构方法，通过压缩感知数据重构技术对随机采样所得的三维叠前数据进行数据重构，将采集的非规则压缩感知数据变成规则的地震数据，从而利用常规地震数据处理技术进行地震数据的后续处理，或是降低常规地震采集中障碍物导致的数据漏洞对整体采集质量的影响。

2、为实现上述目的，本发明采取以下技术方案：

3、一种基于快速自监督学习的地震数据压缩感知重构方法，包括：

4、利用采集的含缺失道的三维地震数据进行标签制作，形成用于网络模型训练的标签数据；

5、利用标签数据进行快速自监督学习深度卷积神经网络的网络模型训练；

6、利用训练好的网络模型进行自监督数据重构，得到重构后无缺失的地震数据。

7、进一步，所述利用采集的含缺失道的三维地震数据进行标签制作，形成用于网络模型训练的标签数据，包括：

8、基于采集的含缺失道的三维地震数据，采用伯努利抽样方法随机生成预设数量的地震标签数据对，包括标签输入数据和标签输出数据。

9、进一步，所述采用伯努利抽样方法随机生成预设数量的地震标签数据对，包括：

10、

11、

12、其中，s为所需的完整网格点集合，sa为采集条件受限后采集到的网格点数据集合，sm为缺失的网格点；si和st分别是每次迭代中划分出的标签输入数据与标签输出数据。

13、进一步，所述利用标签数据进行快速自监督学习深度卷积神经网络的网络模型训练，包括：

14、搭建深度卷积神经网络模型；

15、基于标签数据和预设迭代次数，对深度卷积神经网络模型进行训练，得到满足预设要求的深度卷积神经网络模型。

16、进一步，所述深度卷积神经网络模型包括：

17、三维门控卷积层模块，用于对输入数据进行特征提取，得到三维随机缺失特征图；

18、三维像素重排与反重排模块，用于对三维随机缺失特征图进行解码与编码操作，在不同尺度下进行特征提取与缺失数据重建；

19、自监督学习模块，用于对三维门控卷积层模块和三维像素重排与反重排模块中的网络参数进行修正，使得输出结果逐渐向标签输出收敛。

20、进一步，所述三维门控卷积层模块包括三维地震数据特征提取和soft门控特征提取两个部分，其公式为：

21、

22、

23、ox,y,z＝prelu(fx,y,z)⊙σ(gx,y,z)+b

24、

25、式中，gx,y,z是三维门控特征提取部分，wg是其权重参数，i是单位矩阵；fx,y,z是三维地震数据特征提取部分，wf是其权重参数；ox,y,z是输出；prelu(yi)是激活函数，yi是激活函数的输入，ai是激活参数；σ是sigmoid函数；b是偏置参数。

26、进一步，所述三维像素重排与反重排模块使用pytorch中的permute与reshape矩阵变换函数实现。

27、进一步，所述自监督学习模块中采用基于pytorch的带掩码的一范数损失函数，其表达式为：

28、loss＝l1(o⊙m,t⊙m)

29、其中，l1表示一范数，是各个元素的平均绝对误差(mae)，o是网络输出，t是目标地震数据，m是掩码信息矩阵。

30、本发明由于采取以上技术方案，其具有以下优点：

31、1、本发明使用自监督学习方式进行深度学习模型训练，不需要额外的训练数据，突破泛化性约束；

32、2、本发明使用轻量化的编解码与残差连接网络结构、门控卷积、像素重排模块，从而提高训练效率，在短时间内获得较高的压缩感知数据重构表现，能够应用到实际生产中。

33、因此，本发明可以广泛应用于地震数据采集、处理领域。

技术特征：

1.一种基于快速自监督学习的地震数据压缩感知重构方法，其特征在于包括：

2.如权利要求1所述的一种基于快速自监督学习的地震数据压缩感知重构方法，其特征在于，所述利用采集的含缺失道的三维地震数据进行标签制作，形成用于网络模型训练的标签数据，包括：

3.如权利要求1所述的一种基于快速自监督学习的地震数据压缩感知重构方法，其特征在于，所述采用伯努利抽样方法随机生成预设数量的地震标签数据对，包括：

4.如权利要求1所述的一种基于快速自监督学习的地震数据压缩感知重构方法，其特征在于，所述利用标签数据进行快速自监督学习深度卷积神经网络的网络模型训练，包括：

5.如权利要求4所述的一种基于快速自监督学习的地震数据压缩感知重构方法，其特征在于，所述深度卷积神经网络模型包括：

6.如权利要求5所述的一种基于快速自监督学习的地震数据压缩感知重构方法，其特征在于，所述三维门控卷积层模块包括三维地震数据特征提取和soft门控特征提取两个部分，其公式为：

7.如权利要求5所述的一种基于快速自监督学习的地震数据压缩感知重构方法，其特征在于，所述三维像素重排与反重排模块使用pytorch中的permute与reshape矩阵变换函数实现。

8.如权利要求5所述的一种基于快速自监督学习的地震数据压缩感知重构方法，其特征在于，所述自监督学习模块中采用基于pytorch的带掩码的一范数损失函数，其表达式为：

技术总结
本发明涉及一种基于快速自监督学习的地震数据压缩感知重构方法，包括：利用采集的含缺失道的三维地震数据进行标签制作，形成用于网络模型训练的标签数据；利用标签数据进行快速自监督学习深度卷积神经网络的网络模型训练；利用训练好的网络模型进行自监督数据重构，得到重构后无缺失的地震数据。本发明使用自监督学习方式进行深度学习模型训练，不需要额外的训练数据，突破泛化性约束，同时，使用轻量化的编解码与残差连接网络结构、门控卷积、像素重排模块，从而提高训练效率，在短时间内获得较高的压缩感知数据重构表现，能够应用到实际生产中。因此，本发明可以广泛应用于地震数据压缩感知重构技术领域。

技术研发人员：黄小刚,丁继才,刘志鹏,孙文博,王建花,叶云飞,朱振宇,张云鹏,鲍铁钊,张洪亮,薛东川,焦振华,陶杰
受保护的技术使用者：中海石油（中国）有限公司
技术研发日：
技术公布日：2024/3/21