[发明专利]一种基于深度卷积神经网络的可控震源数据振铃压制方法

说明书

本发明公开了一种基于深度卷积神经网络的可控震源数据振铃压制方法，其特征在于，所述振铃压制方法包括以下步骤：步骤1：首先从实际地震数据中提取地震子波，并合成伪反射系数，将地震子波与伪反射系数进行卷积，得到合成地震数据；步骤2：将伪反射系数作为要拟合的输出，合成地震数据作为输入，对深度卷积神经网络进行训练；步骤3：将实际地震数据输入已训练好的网络中，在输出端得到振铃压制后的结果。

技术领域

本发明涉及物理勘探技术领域，特别是涉及基于深度卷积神经网络的可控震源数据振铃压制方法。

背景技术

在地球物理勘探中，可控震源作业是一种常见的高效、安全的地震资料获取方式。可控震源勘探的方法是通过将人工设计激发信号作为扫描信号激发地下介质振动并接收。由于扫描信号的频带有限，因此接收到的地震数据中往往存在较为明显的振铃效应，导致初至波的信噪比较低，单炮初至起跳不干脆，从而影响了初至拾取的精度以及后续的处理过程。地震数据的振铃现象实际上是扫描信号对地层的脉冲响应进行频谱截断从而产生的频谱缺失在时空域的表现。因此振铃压制问题的难点在于通过一定手段将缺失的频谱进行一定程度的恢复，从而拓宽信号频谱，减弱振铃影响，为后续的初至拾取做准备。

目前对振铃压制从而提高初至拾取精度的方法主要是从对可控震源地震信号的形成方式进行建模，并利用传统信号处理的方法进行的，如反褶积的方法、小波变换的方法。反褶积的目的是提高分辨率和从由子波卷积得到的地震数据中恢复反射系数，在实际应用中有各种方法来实现，如基于重加权的反褶积方法，基于统计蒙特卡洛马尔科夫链(MCMC)的方法，以及多通道半盲反褶积(MSBD)方法，以及互相关记录反褶积、振动信号反褶积。小波变换由于可以表征信号局部特征，因此可以对带噪声的地震信号进行整形作用，从而突出起跳位置，便于初至拾取。但是现有方法多数是通过较强的假设和先验条件进行建模，需要人工设置参数，且对不同数据，尤其是与模型假设差异较大的数据，泛化能力较为受限。

因此希望有一种基于深度卷积神经网络的可控震源数据振铃压制方法，以解决现有技术中存在的问题。

发明内容

本发明的目的在于提供一种基于深度卷积神经网络的可控震源数据振铃压制方法，该方法利用深度卷积神经网络对二维地震道集进行去振铃处理，并通过神经网络的前向传播输出振铃压制后的处理结果。

本发明提供一种基于深度卷积神经网络的可控震源数据振铃压制方法，所述振铃压制方法包括以下步骤：

步骤1：首先从实际地震数据中提取地震子波，并合成伪反射系数，将地震子波与伪反射系数进行卷积，得到合成地震数据；

步骤2：将伪反射系数作为要拟合的输出，合成地震数据作为输入，对深度卷积神经网络进行训练；

步骤3：将实际地震数据输入已训练好的网络中，在输出端得到振铃压制后的结果。

优选地，利用自相关法提取所述步骤1中的地震子波，具体包括以下步骤：实际地震道数据与地震子波的关系，如公式(1)模型：

y(t)＝r(t)*w(t) (1)

其中y(t)表示实际地震道数据，r(t)为反射系数，w(t)为地震子波，反射系数与地震子波进行卷积操作；

若假设反射系数是白噪声，即自相关为脉冲函数，对于地震道数据的自相关与地震子波的自相关之间有公式(2)关系：

在共含有N道数据的地震道集中，每一道的数据y_i(t)都是由反射系数r_i(t)与地震子波w(t)卷积而成，其中i表示道号，即公式(3)：

y_i(t)＝r_i(t)*w(t)，i＝1,2,...,N (3)