【技術實現(xiàn)步驟摘要】
本專利技術涉及油氣勘探地震資料處理，特別是涉及到一種基于mlreal變換的地震去噪方法。
技術介紹
1、在地震數(shù)據(jù)采集的過程中，由于各種環(huán)境因素和設備的干擾，會導致采集到的地震資料中出現(xiàn)各種噪音，從而影響到地震剖面的信噪比和分辨率，所以壓制噪音是非常必要的。隨著各國學者的不斷努力，地震去噪的方法有著很大的突破，具體有f-x反褶積(naghizadeh?and?sacchi，2012)，radon變換(foster?and?mosher，1992；hargreaves?etal.，2001)，曲波變換(cao?et?al.，2015)，字典學習(beckouche?and?ma，2014)和奇異值分解法(桑雨，2014)等。這些傳統(tǒng)的方法在處理噪聲取得了一定的成果，但當面臨地下結構十分復雜，采集到的地震資料復雜的情況下，處理結果會十分不理想。
2、近年來，隨著深度學習理論和應用的大力發(fā)展，深度學習算法已經(jīng)應用到各個領域。在地震去噪方面，2018年，韓魏雪通過構建cnn網(wǎng)絡并用于地震數(shù)據(jù)中隨機噪聲的去除，取得了良好的效果；2019年，dong提出了基于高階統(tǒng)計量確定的自適應dncnn對沙漠中的低頻噪聲進行壓制；2021年，方文倩等提出了雙重殘差網(wǎng)絡用于地震信號的隨機噪聲壓制，保護有效信號；2022年，mihai?l-antonio?chirtu，在時頻域將地震信號分為噪聲和信號兩個部分，并用u-net卷積神經(jīng)網(wǎng)絡結構對其進行去噪，證明了方法的可行性；2022年，張浩提出了基于條件對抗神經(jīng)網(wǎng)絡的成像域進行地震去噪，不但保持
3、然而深度學習過程中訓練數(shù)據(jù)的選擇決定了神經(jīng)網(wǎng)絡的性能及其對進一步數(shù)據(jù)集的適用性。特別是在地震應用中，對于手動標記野外地震數(shù)據(jù)或生成合成地震數(shù)據(jù)的兩種方法來說，選擇是非常重要的，這兩種方法都表現(xiàn)出嚴重的局限性。手動標記野外地震數(shù)據(jù)標簽優(yōu)勢是訓練網(wǎng)絡的數(shù)據(jù)可能具有與將來應用網(wǎng)絡相同的特征，但常常會受限于傳統(tǒng)方法去噪的性能，從而無法超越生成標簽所需的傳統(tǒng)方法；使用合成數(shù)據(jù)集進行訓練克服了這一障礙，允許為訓練過程生成完全無噪聲的標簽。然而，如果合成數(shù)據(jù)與實際數(shù)據(jù)集幾乎不相同，那么它會影響基于數(shù)據(jù)進行決策的質量。即使合成數(shù)據(jù)確實很好，但仍是真實數(shù)據(jù)集特定屬性的副本。模型尋找要復制的趨勢，因此可能會忽略一些隨機行為，從而大大影響了降噪的效果。
4、在合成數(shù)據(jù)上訓練我們的神經(jīng)網(wǎng)絡模型的挑戰(zhàn)是將訓練模型推廣到真實數(shù)據(jù)，因為該過程需要仔細識別訓練集，并仔細識別合成數(shù)據(jù)和真實數(shù)據(jù)之間包含的真實噪聲和其他變量。換言之，合成數(shù)據(jù)和真實數(shù)據(jù)通常不是來自同一分布，這對于訓練神經(jīng)網(wǎng)絡模型的成功至關重要(kouw，2018)。因此，許多經(jīng)過綜合訓練的神經(jīng)網(wǎng)絡模型在真實數(shù)據(jù)上表現(xiàn)不佳。另一方面，對真實數(shù)據(jù)的訓練提供的模型通常與人工算法確定的標簽的準確性一樣好。因此，在這種情況下，機器學習的數(shù)據(jù)驅動特性將被嚴重削弱(zhou，2017)。由于合成數(shù)據(jù)通常無法捕捉野外數(shù)據(jù)的真實情況，導致我們在推理階段的訓練神經(jīng)網(wǎng)絡(nn)表現(xiàn)不佳，使得去噪效果降低。所以如何將盡可能多的野外地震數(shù)據(jù)特征注入到合成數(shù)據(jù)訓練中，減小合成訓練數(shù)據(jù)和真實應用數(shù)據(jù)之間的誤差，最后用于地震去噪任務中，是急需解決的問題。
5、在申請?zhí)枺篶n202210523847.2的中國專利申請中，涉及到基于卷積神經(jīng)網(wǎng)絡的地震數(shù)據(jù)去噪方法，首先構建初始數(shù)據(jù)集，構建循環(huán)生成對抗卷積神經(jīng)網(wǎng)絡，該循環(huán)生成對抗卷積神經(jīng)網(wǎng)絡以循環(huán)生成對抗網(wǎng)絡的結構為主網(wǎng)絡，循環(huán)生成對抗網(wǎng)絡的結構包括生成器和判別器，將非局部神經(jīng)網(wǎng)絡作為殘差連接到生成器的卷積層之間，在判別器中用patchgan輸出方式代替原有的全連接方式。然后對環(huán)生成對抗卷積神經(jīng)網(wǎng)絡進行訓練，最后對有噪聲的地震數(shù)據(jù)進行去噪處理。經(jīng)過實驗驗證該專利技術方法的去噪效果好。
6、在申請?zhí)枺篶n202211250180.x的中國專利申請中，涉及到一種基于卷積神經(jīng)網(wǎng)絡和視覺變換神經(jīng)網(wǎng)絡的地震去噪方法，涉及信息處理
本專利技術采集含噪聲的地震數(shù)據(jù)，對含噪聲的地震數(shù)據(jù)進行去噪處理后，得到多個去噪后的地震數(shù)據(jù)塊，構建包括訓練集、驗證集和測試集的地震數(shù)據(jù)集，并基于卷積神經(jīng)網(wǎng)絡和視覺變換神經(jīng)網(wǎng)絡構建地震數(shù)據(jù)去噪網(wǎng)絡，利用訓練集訓練地震數(shù)據(jù)去噪網(wǎng)絡后，再利用驗證集調試訓練后地震數(shù)據(jù)去噪網(wǎng)絡的去噪效果，得到去噪效果最佳的地震數(shù)據(jù)去噪網(wǎng)絡后，利用訓練后的地震數(shù)據(jù)去噪網(wǎng)絡去除測試集中含噪聲地震數(shù)據(jù)塊的噪聲，得到去除噪聲后的地震數(shù)據(jù)。該專利技術有效提高了地震數(shù)據(jù)的去噪性能，降低了訓練成本，有利于快速且準確的獲取地下介質構造信息。
7、在申請?zhí)枺篶n202111337078.9的中國專利申請中，涉及到一種基于深度張量神經(jīng)網(wǎng)絡的無監(jiān)督地震數(shù)據(jù)去噪方法，應用于地震數(shù)據(jù)處理領域，針對現(xiàn)有技術存在的去噪性能低下的問題；本專利技術首先使用sure替代mse的代價函數(shù)將數(shù)據(jù)去噪轉換為相應的無監(jiān)督回歸模型；之后，建立了一個sure-tcnn網(wǎng)絡框架，遵循tnn框架和基于變換的t-product，這是對傳統(tǒng)tnn框架的t-product的擴展；利用t-product中的優(yōu)點，基于張量的sure-tcnn可以拆分為單獨的基于矩陣的sure-cnn，用于時頻域中的每個正面或時間片，這樣易于求解和更加具有吸引力；最后合成和真實的數(shù)據(jù)實驗表明，與sota去噪方法相比，所提出的方法實現(xiàn)了優(yōu)越的性能。
8、在申請?zhí)枺篶n201710334723.9的中國專利申請中，涉及到一種基于自適應濾波與小波變換結合的地震波降噪方法，解決如何從混合信號中提取出利于分析解釋的有效信號，壓制噪聲，即凸顯有效信號,盡量去除干擾信號，實現(xiàn)信號與噪聲分離的目的。首先考慮使用時間延遲估計的方法快速找到有用信號，此時的有用信號中仍然包含有部分頻段的噪聲；接著利用小波去噪的方法實現(xiàn)與有用信號頻譜重合的部分噪聲，實現(xiàn)精細去噪的目的，最終得到干凈有效的地震波數(shù)據(jù)，可以反映地下地質結構真實情況，對地質情況做出正確合理的檢測。
9、以上現(xiàn)有技術均與本專利技術有較大區(qū)別，未能解決我們想要解決的技術問題，為此我們專利技術了一種新的基于mlreal變換的地震去噪方法。
技術實現(xiàn)思路
1、本專利技術的目的是提供一種去噪效果得到明顯的改善的基于mlreal變換的地震去噪方法。
2、本專利技術的目的可通過如下技術措施來實現(xiàn)：基于mlreal變換的地震去噪方法，該基于mlreal變換的地震去噪方法包括：
3、步驟1，選擇目標函數(shù)；
4、步驟2，搭建去噪神經(jīng)網(wǎng)絡；
5、步驟3，重新定義訓練數(shù)據(jù)；
6、步驟4，重新定義測試數(shù)據(jù)；
7、步驟5，將重新定義的訓練數(shù)據(jù)和測試數(shù)據(jù)輸入神經(jīng)網(wǎng)絡，進行訓練循環(huán)迭代，得到具有野外數(shù)據(jù)特征的合成數(shù)據(jù)。
8、本專利技術的目的還可通過如下技術措本文檔來自技高網(wǎng)...
【技術保護點】
1.基于MLReal變換的地震去噪方法，其特征在于，該基于MLReal變換的地震去噪方法包括：
2.根據(jù)權利要求1所述的基于MLReal變換的地震去噪方法，其特征在于，該基于MLReal變換的地震去噪方法還包括，在步驟1之前，為了解決訓練數(shù)據(jù)與測試數(shù)據(jù)集分布之間的差異，需要定義誤差界限，以保證差異度量的最小值。
3.根據(jù)權利要求2所述的基于MLReal變換的地震去噪方法，其特征在于，在定義誤差界限時，采用的公式為：
4.根據(jù)權利要求1所述的基于MLReal變換的地震去噪方法，其特征在于，在步驟1，利用測試誤差界限作為目標函數(shù)對網(wǎng)絡模型進行優(yōu)化處理。
5.根據(jù)權利要求4所述的基于MLReal變換的地震去噪方法，其特征在于，在步驟1，目標函數(shù)為：
6.根據(jù)權利要求1所述的基于MLReal變換的地震去噪方法，其特征在于，在步驟2，構建了4層的殘差U-Net神經(jīng)網(wǎng)絡，該網(wǎng)絡使用32個濾波器作為初始濾波器，每層增加兩倍，產(chǎn)生106M可訓練的參數(shù)，使用8092個訓練樣本和1024個驗證樣本對網(wǎng)絡進行了訓練，訓練的次數(shù)epochs為1
7.根據(jù)權利要求1所述的基于MLReal變換的地震去噪方法，其特征在于，在步驟3，在訓練階段，對訓練數(shù)據(jù)進行Ts變換，使得野外數(shù)據(jù)特征注入到合成數(shù)據(jù)。
8.根據(jù)權利要求7所述的基于MLReal變換的地震去噪方法，其特征在于，在步驟3，Ts變換即
9.根據(jù)權利要求8所述的基于MLReal變換的地震去噪方法，其特征在于，在步驟3，用于自相關真實數(shù)據(jù)的隨機選取的j索引在每次迭代訓練中變化，以允許真實數(shù)據(jù)特征在訓練集上的適當表示。
10.根據(jù)權利要求1所述的基于MLReal變換的地震去噪方法，其特征在于，在步驟4，在推理階段，通過對測試數(shù)據(jù)進行Tt變換，使得合成數(shù)據(jù)的特征注入到目標數(shù)據(jù)。
11.根據(jù)權利要求10所述的基于MLReal變換的地震去噪方法，其特征在于，在步驟4，Tt變換即：
12.根據(jù)權利要求11所述的基于MLReal變換的地震去噪方法，其特征在于，在步驟4，用于自相關真實數(shù)據(jù)的隨機選取的j索引在每次迭代訓練中變化，以允許真實數(shù)據(jù)特征在訓練集上的適當表示。
13.根據(jù)權利要求1所述的基于MLReal變換的地震去噪方法，其特征在于，在步驟5，將重新定義的訓練數(shù)據(jù)和測試數(shù)據(jù)輸入神經(jīng)網(wǎng)絡，進行訓練循環(huán)迭代，從而使得測試誤差目標函數(shù)達到最小值，即得到具有野外數(shù)據(jù)特征的合成數(shù)據(jù)，最終作為網(wǎng)絡的輸入，最后用于去噪。
...【技術特征摘要】
1.基于mlreal變換的地震去噪方法，其特征在于，該基于mlreal變換的地震去噪方法包括：
2.根據(jù)權利要求1所述的基于mlreal變換的地震去噪方法，其特征在于，該基于mlreal變換的地震去噪方法還包括，在步驟1之前，為了解決訓練數(shù)據(jù)與測試數(shù)據(jù)集分布之間的差異，需要定義誤差界限，以保證差異度量的最小值。
3.根據(jù)權利要求2所述的基于mlreal變換的地震去噪方法，其特征在于，在定義誤差界限時，采用的公式為：
4.根據(jù)權利要求1所述的基于mlreal變換的地震去噪方法，其特征在于，在步驟1，利用測試誤差界限作為目標函數(shù)對網(wǎng)絡模型進行優(yōu)化處理。
5.根據(jù)權利要求4所述的基于mlreal變換的地震去噪方法，其特征在于，在步驟1，目標函數(shù)為：
6.根據(jù)權利要求1所述的基于mlreal變換的地震去噪方法，其特征在于，在步驟2，構建了4層的殘差u-net神經(jīng)網(wǎng)絡，該網(wǎng)絡使用32個濾波器作為初始濾波器，每層增加兩倍，產(chǎn)生106m可訓練的參數(shù)，使用8092個訓練樣本和1024個驗證樣本對網(wǎng)絡進行了訓練，訓練的次數(shù)epochs為150，圖像塊的大小為64×64。
7.根據(jù)權利要求1所述的基于mlreal變換的地震去噪方法，其特征在于，在步驟...
【專利技術屬性】
技術研發(fā)人員：秦寧，田坤，李凌云，葛大明，李聳，畢麗飛，孟憲霞，
申請(專利權)人：中國石油化工股份有限公司，
類型：發(fā)明
國別省市：
還沒有人留言評論。發(fā)表了對其他瀏覽者有用的留言會獲得科技券。