[发明专利]基于数据增广训练深度神经网络压制地震多次波的方法

说明书

本发明公布了一种基于数据增广训练深度神经网络压制地震多次波的方法，属于勘探地震信号处理技术领域，涉及地震资料多次波和随机噪声的压制以及一次波的重建。本发明设计具有卷积编码和卷积解码过程的深度神经网络，卷积编码过程用来学习训练集中地震数据的一次波特征，卷积解码过程能够利用这些特征来重建一次波和压制多次波。在训练阶段，包含多次波的原始数据和加入随机噪声的数据一起组成增广数据集，用该数据集来学习神经网络参数比只使用原始数据作为输入数据训练的神经网络能够取得更好的抗噪稳定性。

技术领域

本发明属于勘探地震数据处理技术领域，具体涉及基于数据增广方法训练深度神经网络，训练好的深度神经网络能够在强背景噪声情况下有效压制多次波，以及准确重构一次波有效信号。

背景技术

多次波是指在地下界面或者地表反射次数大于一次的同相轴，容易形成虚假反射地层成像或者导致目的层反射波成像的振幅、频率和相位发生畸变。由于常规的地震数据成像都是基于一次波波场信息，多次波的存在会严重影响速度拾取、地震偏移、层析成像，从而误导地震资料的解释，因此多次波一般被视为相干噪声进行分离和压制消除。多次波的压制方法主要有两大类：滤波法和基于波动理论的方法。

滤波法主要利用一次波和多次波在时间和空间特征上存在的差异，通过不同的变换方法压制多次波。预测反褶积是最早被用于多次波压制的方法。利用一次波和多次波之间的周期性分布规律，维纳滤波可以消除近炮检距地震道中具有重复性效应的多次波[1]。但是预测反褶积方法的缺点是只适合压制浅海短周期多次波，且对有效波损伤较大；另一种方法是时差区分法。利用一次波和多次波的动校正速度差异，在完成动校正的共中心点道集上，将已经校平的同相轴归为一次波，没有校平的同相轴归为多次波。此时可以将部分动校正后数据变换到抛物Radon域完成分离[2]。但是当一次波和多次波具有相近速度或者地下地层横向变化较大时，此类方法的分离效果较差。基于波动理论的方法利用多次波产生机理来预测和压制多次波，综合考虑了多次波传播的运动学和动力学特征。根据是否需要提前给出先验假设，该大类方法可以分为模型驱动法和数据驱动法。模型驱动法需要提前假设地层速度信息，然后根据波场的动力学特征按照波动方程模拟出多次波，主要包括波场外推法[3]。数据驱动法不需要提前知道完整的地层先验信息，能够适用于复杂的地下结构，主要包括逆散射级数法[4]、反馈迭代法[5]和虚同相轴法[6]。但是逆散射级数法要求常速度背景，以保证方法的收敛性，并且要求满足垂直走时单调性假设条件，计算量相当大，因此影响了实际的应用效果；反馈迭代法和虚同相轴法都要求数据规则化，但是实际采集数据往往因为炮数和道集数不能满足规则化要求，而需要进一步对数据插值重建，影响了处理效果。另外，这两类方法都严重依赖匹配算法，而深层的复杂波场限制了匹配算法的精度，也就影响了多次波的压制效果。以上提到的常规方法需要考虑大量的参数，往往需要花费大量时间手动调整这些参数使其达到最优，不满足智能化生产的需求。

最近，深度学习作为机器学习领域的一个重要研究方向，在图像处理、自然语言处理、语音识别等领域取得了突破性进展，得到了大家广泛的关注。现在，深度学习的应用也成为勘探地震数据处理的一个前沿技术领域。在国外，Siahkoohi等在2019年尝试采用EPSI(Estimation of Primaries by Sparse Inversion，稀疏反演法的一次波估计)方法得到压制了多次波后的数据[7]，接着用原始数据和分离得到的一次波数据训练生成对抗网络(GAN)，训练好的神经网络能够取得一定的多次波压制效果。Li和Gao在2020年应用CNN提取预测多次波的多特征数据，并将特征数据用于多次波的匹配中，能够平衡多次波的去除与一次波的保留[8]。但是上述方法没有考虑油气勘探实际地震数据较强背景噪声的条件下的分离情况，不具有很好的抗噪能力和实际应用价值。对于目前中国的深层油气勘探叠前地震数据，目的层的弱地震反射信号信噪比低，上覆地层产生的多次波影响了目的层一次波重构和成像的准确性，目前还没有利用深度学习人工智能技术直接在共炮点道集分离、压制勘探地震数据多次波的技术方案。

参考文献：