基于卷积神经网络的井中分布式光纤传感器地震数据随机噪声压制新技术

分布式光纤传感器(distributed fiber-optical acoustic sensor,DAS)是一种快速发展的具有巨大应用前景的地震勘探检波器技术.实际DAS地震资料往往会受到大量强能量随机噪声的干扰,通常表现为低信噪比(signal-to-noise ratio,SNR).这一现象给接下来的成像、反演以及解释带来了巨大的困难,因此如何压制DAS地震资料中的随机噪声并提高其SNR成为一个有待解决的技术问题.卷积神经网络(convolutional neural network,CNN)已经被证明是一种有效的噪声压制工具.通常情况下,CNN需要一个理论纯净地震数据集来优化网络,这极大地限制了CNN在DAS地震资料处理中的应用.在本文中,我们采用正演模拟的方法来构建理论纯净DAS地震数据集,通过正演模型的参数多样化增强数据集的真实性,从而获得适合DAS地震资料随机噪声压制的CNN去噪模型.此外,在网络结构方面,我们利用泄漏线性整流单元作为CNN的激活函数增强训练后模型对微弱有效信号的恢复能力;在训练过程中,通过能量比矩阵调节噪声片和有效信号片之间的SNR,增强CNN去噪模型对于不同SNR的DAS地震数据的适应性.模拟和实际实验均表明本文提出的这种正演模型驱动的卷积神经网络(forward-model-actuation convolutional neural network,FMA-CNN)能够有效地压制DAS随机噪声同时完整地恢复有效信号.     

陆地地震勘探随机噪声统计特性

在地震勘探随机噪声压制领域,噪声通常被假设为平稳、高斯随机过程的信息.然而,在某些情况下,这样的假设并不准确.本文应用现代统计检验方法对地震勘探随机噪声的平稳性、高斯性和线性进行了研究.结果表明地震勘探随机噪声并不是传统意义上认为的平稳随机过程,其平稳性受到噪声时长和采集环境复杂程度的影响.发现噪声时间越长,采集环境越复杂,随机噪声的平稳性越差,但是对于短时长随机噪声而言,其可以近似认为是平稳的.同时,采集环境的复杂程度也影响着随机噪声的高斯性和线性特性,环境条件越复杂,随机噪声高斯性越好,线性特性越差,但总的来说随机噪声可以归为线性非高斯随机过程.