一种基于深度学习的抽油机噪声定位方法与流程

本发明涉及地球物理和地震数据检测分析技术领域，尤其涉及一种基于深度学习的抽油机噪声定位方法。是一种智能对地震数据中的抽油机噪声进行定位并自适应确定滤波器参数的一种手段。

背景技术：

抽油机噪声是老油田二次高精度勘探和深层地震勘探的重要影响因素，其形态如图1所示。抽油机噪声的存在严重降低了地震数据的分辨率，为后续的地震数据处理工作增加了难度。关闭抽油机会严重影响生产效率，成本较高，因此地震数据的后续处理至关重要。目前抽油机噪声的压制方法多为盲源分离、异常振幅衰减等。这些方法采用固定参数进行噪声滤波，容易造成噪声残留和损失有效信号，因此，本发明提出一种基于深度卷积神经cnn网络(convolutionalneuralnetwork,cnn)对抽油机噪声自动进行定位，并利用图像后处理估计抽油机噪声宽度的方法，用于自适应估计噪声滤波的参数。

技术实现要素：

本发明目的是针对上述问题，提供一种基于深度学习的抽油机噪声定位方法，可以自动对二次高精度勘探和深度地震勘探数据中的抽油机噪声进行定位，从而可以自适应估计噪声滤波的参数，一定程度避免有效信号的损失。本发明基于深度卷积神经cnn网络对包含抽油机噪声的地震数据进行抽油机噪声定位，利用固定大小窗口的滑动对地震数据进行分块，并利用分块后的数据包含抽油机噪声的程度进行标注。

为了实现上述目的，本发明的技术方案是：

一种基于深度学习的抽油机噪声定位方法，该方法的步骤是：

s1、利用固定大小的滑动窗单步滑动对地震数据按列分块，得到若干固定大小的局部地震道集，每个局部地震道集包含固定数量的地震道，根据当前patch包含一段扫把状的抽油机噪声的道数是否达到所设定阈值对其进行标注，若包含抽油机噪声的地震道数量达到阈值th1，将其标注为1，包含抽油机噪声的地震道数量低于阈值th2，将其标记为0，其余不用作训练；

s2、对步骤s1中得到的局部地震道集进行预处理，计算其能量谱、进行均值滤波，然后降采样，随机选取部分预处理之后的数据作为训练集，剩余部分作为测试集；

s3、搭建深度cnn网络，并利用步骤s2中得到的训练集对cnn网络进行训练，训练过程中利用错分的数据补充训练集反复训练；

s4、利用测试样本对步骤s3中训练好的cnn网络进行测试，对其定位功能进行定量评价；

s5、根据步骤s4中的定位结果对定位到的抽油机噪声进行宽度估计。

作为对上述技术方案的改进，在步骤s1中，滑动窗的列方向固定大小为w；每次选取w道地震数据。

作为对上述技术方案的改进，在步骤s2中，局部地震道集记为x，首先对其进行列方向的均值滤波得到滤波后的数据其中a为均值滤波器，然后利用双三次插值对其进行降采样，得到

作为对上述技术方案的改进，在步骤s3中，cnn网络包括四个卷积层和三个全连接层；利用训练集对cnn网络进行训练，利用测试集对训练好的cnn网络进行测试，并利用错分的样本对cnn网络进行微调；cnn网络使用交叉熵loss函数：

其中p代表真实的概率分布，q代表cnn网络输出的概率分布。

作为对上述技术方案的改进，在步骤s4中，对定位到的抽油机噪声所在地震道向左右延拓得到n，保证其包含完整的噪声，利用和预处理相似的方式得到：

其中利用thmean代表利用能量均值选择阈值进行二值化，iopen表示图像开运算，然后在中寻找最大连通域得到其横向宽度w，为补偿图像开运算中损失的噪声边缘，使用1.2w作为最终宽度。

与现有技术相比，本发明具有的优点和积极效果是：

本发明的基于深度学习的抽油机噪声定位方法，相较于传统手工抽油机噪声定位的方法，自动对抽油机噪声进行定位，提高了地震数据处理的智能化，可以有效节约时间成本和人力物力。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为抽油机的噪声形态示意图；

图2为本发明的流程示意图；

图3为本发明的cnn网络结构示意图；

图4单炮地震数据抽油机定位测试结果示意图；

图5用于宽度估计的图像后处理结果示意图；

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

如图1至5所示，

本发明的基于深度学习的抽油机噪声定位方法，步骤是：

s1、利用固定大小的滑动窗单步滑动对地震数据按列分块，得到若干固定大小的局部地震道集，每个局部地震道集包含固定数量的地震道，根据当前局部地震道集包含一段扫把状的抽油机噪声的道数是否达到所设定阈值对其进行标注，若包含抽油机噪声的地震道数量达到阈值th1，将其标注为1，包含抽油机噪声的地震道数量低于阈值th2，将其标记为0，其余不用作训练；

s2、对步骤s1中得到的局部地震道集进行预处理，计算其能量谱、进行均值滤波，然后降采样，随机选取部分预处理之后的数据作为训练集，剩余部分作为测试集；

s3、搭建深度cnn网络，并利用步骤s2中得到的训练集对cnn网络进行训练，训练过程中利用错分的数据补充训练集反复训练；

s4、利用测试样本对步骤s3中训练好的cnn网络进行测试，对其定位功能进行定量评价；

s5、根据步骤s4中的定位结果对定位到的抽油机噪声进行宽度估计。

其中，在步骤s1中，滑动窗的列方向固定大小为w；每次选取w道地震数据。在步骤s2中，局部地震道集记为x，首先对其进行列方向的均值滤波得到滤波后的数据其中a为均值滤波器，然后利用双三次插值对其进行降采样，得到

在步骤s3中，cnn网络包括四个卷积层和三个全连接层；利用训练集对cnn网络进行训练，利用测试集对训练好的cnn网络进行测试，并利用错分的样本对cnn网络进行微调；cnn网络使用交叉熵loss函数：

其中p代表真实的概率分布，q代表cnn网络输出的概率分布。

在步骤s4中，对定位到的抽油机噪声所在地震道向左右延拓得到n，保证其包含完整的噪声，利用和预处理相似的方式得到：

其中利用thmean代表利用能量均值选择阈值进行二值化，iopen表示图像开运算，然后在中寻找最大连通域得到其横向宽度w，为补偿图像开运算中损失的噪声边缘，使用1.2w作为最终宽度。

实验所用地震数据共包含17640个地震道，每道包含3501个采样点，窗的宽度固定为41，因此分块得到的patch大小为3501*1，降采样之后大小为350*41,。cnn网络的具体结构如图3所示，使用cnn网络的初始学习率为lr＝0.005，每一层卷积层的步长为2*2，每次用于训练的batch_size＝10，共训练30轮。图4展示了本发明的抽油机噪声定位结果，将分类为1的局部地震道集用红框标出，连续分为1的局部地震道集直接使用了较大的框对其进行了合并。同时对定位的准确率进行了定量计算，错误率的计算方式为标注错误的包含抽油机的局部地震道集所覆盖的地震道的数量，占整个用于测试的地震数据的地震道的比例，准确率＝1-错误率，计算得到用于测试的两个炮集的准确率分别为95.09％、86.87％。并且标注错误的多为多标，漏标的现象较少。对定位到的抽油机噪声进行宽度估计，使用阈值进行二值化，图5为用于宽度估计的图像后处理结果示例。