基于Noise-to-Noise自监督学习的地震数据去噪方法

在地震勘探采集到的地震数据中不可避免的存在随机噪声,而高信噪比的地震数据是地震资料反演和解释的基础.因此随机噪声压制一直是地震资料处理中的重要工作.近些年来,随着深度学习技术的发展,基于卷积神经网络的地震数据去噪方法已经取得了丰硕的成果.常规的监督学习策略需要获取无噪数据作为标签,然而从实际地震数据中获取无噪数据只能通过传统去噪方法进行预处理,以此方法构建标签数据的监督学习去噪网络必然受构建数据集的去噪方法影响.针对此问题,本文提出了一种基于Noise-to-Noise自监督学习的地震数据去噪方法,该方法通过对实际地震数据添加不同等级的噪声构建训练数据集,仅需要含噪地震数据即可训练去噪网络.合成数据测试和实际数据测试表明,本文方法可以有效去除地震数据中的随机噪声,性能优于受数据集构建方法所限的监督学习去噪方法和传统去噪方法.     

基于Hessian矩阵的地震随机噪声压制方法

随机噪声的压制在提高地震资料信噪比方面发挥重要作用.考虑到传统去噪方法在构造复杂地区难以取得理想的去噪结果,本文提出基于Hessian矩阵特征值对应的线性目标关系在多个尺度上对随机噪声进行压制.该方法将地震信号看作不同尺度的曲线,从而利用Hessian矩阵在曲线检测方面表现出的良好性能实现信噪分离.该方法与传统方法相比不受地层倾角的限制,因此能够处理构造较为复杂地区的地震数据.利用模型及实际资料对该方法进行了验证并与传统方法F-X反褶积的去噪结果做对比,结果表明基于Hessian矩阵的随机噪声压制方法在构造复杂地区能够保持有效信号的完整性.

     

基于深度卷积生成对抗网络的瑞雷波信号随机噪声去除

瑞雷波勘探是一种新兴的环境与工程地球物理勘探方法,野外采集的瑞雷波数据常含各种噪声干扰,对瑞雷波信号进行去噪处理至关重要.本文提出了一种基于深度卷积生成对抗网络(DCGAN)的瑞雷波信号随机噪声去除方法,其关键在于构建一个适用于瑞雷波信号去噪的DCGAN,包含生成器与判别器两部分.生成器由一个全卷积神经网络(FCN)构成,用于学习含噪数据到无噪数据的特征映射;判别器由一个卷积神经网络(CNN)构成,用于辅助生成器训练.基于DCGAN的去噪方法的实现分为三步:数据预处理、网络训练和噪声去除.一旦网络训练完成,去噪过程无需更多人为调整参数,减少了人力成本.对实际数据进行去噪试验,从地震数据和频散曲线两方面评价去噪效果,验证了本文方法的可行性,且相较于常用的小波变换、F-X反褶积算法,本文方法在不同比例噪声情况下均具有更好的去噪效果,对瑞雷波信号去噪方法选取有一定参考意义.     

基于深度卷积神经网络的地震数据随机噪声压制

本文以提高地震数据的成像质量为目标,提出一种智能的卷积神经网络降噪框架,从带有噪声的地震数据中自适应地学习地震信号。为了加速网络训练和避免训练时出现梯度消失现象,我们在网络中加入残差学习和批标准化的方法,并采用了ReLU激活函数和Adam优化算法优化网络。此外,Marmousi和F3数据集被用来对网络进行训练和测试,经过充分训练的网络不仅能在学习中保留地震数据特征,而且能去除随机噪声。首先充分地训练网络,从中提取出随机噪声,并保留学习到的地震数据特征,之后通过重建地震数据估算测试集中的波形特征。合成记录和实际数据的处理结果显示了深度卷积神经网络在随机噪声压制任务中的潜力,并通过实验验证表明了深度卷积神经网络框架有很好的去噪效果。      

基于S变换的随机噪声压制方法

S变换是近年来发展起来的一种时频分析方法,本文首先通过设计理论模型测试S变换对非平稳信号的分辨能力,然后将S变换引入对地震资料随机噪声的压制中去,测试了S变换压制随机噪声的效果．研究表明：S变换是一种有效的时频分析方法,并可以很好地压制叠前地震资料的随机噪声．     

基于深度卷积自编码网络地震数据去噪方法

在采集得到地震数据中,随机噪声常常与有效信号混合在一起,并且毫无规律,使用常规去噪方法不能够达到理想的效果,影响后续的地震数据处理工作.为有效压制地震数据中的随机噪声,本文根据深度学习的相关理论,提出了一种基于深度卷积自编码网络的数据驱动的去噪方法,可以解决随机噪声难以去除的问题.在卷积自编码器的基础之上,网络使用了较多的层数并加入跳跃连接构造,从而增加了网络的深度,能够提取并结合数据中深层与浅层特征,增强对随机噪声的处理能力,更好地恢复有效信号的细节.经过实验证明该方法对于不同水平的随机噪声的压制均有优异的表现,在去噪的效果上远超中值滤波、小波变换等传统去噪方法,同时也比经典的DnCNN网络更加优秀,能够完整地保留有效信号,极大提升地震数据的质量.     

基于孪生网络的人工震源分布式光纤传感数据噪声压制

受耦合效应和其他诸多因素的影响,野外实际采集的分布式光纤声波传感(Distributed Fiber-optic Acoustic Sensing,DAS)数据的信噪比通常较低.因此,在后续处理之前,需要首先对DAS数据进行去噪处理.传统的基于人工智能监督学习的去噪方法能够对DAS数据中的噪声进行压制,但它需要大量含噪声和无噪声数据进行成组标记,人工标记工作量巨大.为此,本文提出了基于自监督学习孪生网络的DAS地震数据去噪方法.该方法基于自监督学习中的孪生网络结构,采用U-Net网络建立深度学习框架.所提框架通过对输入的含噪声数据进行数据自我特征学习,迭代获取去噪目标函数的最优解,从而实现自监督高精度深度学习去噪网络构建.合成数据和实际资料处理结果表明,本文方法可以有效抑制人工震源DAS采集数据中的随机噪声,显著提高去噪结果的信噪比和同相轴的连续性.此外,本文方法能够避免常规监督学习方法需要进行数据标记的人工工作量,有效提高实际地震数据去噪处理效率.

     

DnCNN和U-Net对地震随机噪声压制的对比分析

卷积神经网络(CNN)是近几年来最常用的用于有监督学习的深度学习算法之一.DnCNN是一种针对图像去噪问题提出的卷积神经网络.U-Net是一种U型结构的卷积神经网络,特点是融合了不同层次的特征,并在不同问题取得了不错的效果.近几年来多种CNN结构被广泛运用于地震数据的随机噪声压制中,但在地震去噪问题上选择CNN结构时有...     

地震随机噪声压缩感知迭代压制方法

复杂地表和复杂介质条件下,随机噪声往往严重影响着复杂地震信号的信噪比,同时深层地球物理目标探查中弱地震信号总是被随机噪声所掩盖,如何有效地压制随机噪声干扰、恢复有效地震信号仍然是高精度地震勘探中的关键问题.压缩感知理论突破了奈奎斯特采样定理的限制,利用有效地震信号的可压缩性和稀疏性,提供了从不可压缩随机噪声中进行有效信号分离的数据原理.本文系统分析压缩感知框架下地震随机噪声压制的稀疏优化反问题,提出了基于迭代软阈值算法的"采集-重建-修复"方案对该问题进行求解.在实现高度稀疏表征的基础上进行地震数据的压缩感知随机观测,通过迭代反演对有效地震信号进行重构,有效提高复杂地震数据的信噪比,同时,当求解稀疏优化问题时,如果出现正则化项引起重构信号衰减现象,可以匹配除偏对衰减的有效信号进行修复.通过与工业标准f-x预测滤波方法进行比较,理论模型和实际数据处理的结果表明,压缩感知迭代噪声压制方法对复杂地震数据中的随机噪声有较好的压制效果,可以有效恢复出被较强非平稳随机噪声干扰的时空变同相轴信息.     

基于DMFF-Net的地震随机噪声压制新技术

地震勘探是油气和矿产资源开发领域使用最为广泛的物探方法之一.由于采集条件的限制,地震记录中通常混杂有大量的随机噪声,导致勘探资料普遍信噪比(Signal-to-Noise Ratio,SNR)较低,这严重影响有效信号辨识的精度,为后续反演、解释等工作带来巨大挑战.此外,地震勘探随机噪声通常具有非平稳、非高斯和与信号存在频带混叠等复杂特性,导致传统方法在处理复杂勘探记录时,消噪性能可能发生退化.针对复杂勘探随机噪声消减问题,本文提出了一种新型的双层多尺度特征融合去噪网络(Double-layer Multi-scale Feature Fusion Denoising Network,DMFF-Net).该网络具有多尺度网络结构,利用多分支模块提取勘探数据不同尺度和不同分支的潜在特征,提升网络对于勘探记录复杂特征的学习能力.同时,采用跳跃连接实现浅层和深层信息的融合,提升网络对微弱信号的恢复能力.模拟和实际资料处理结果表明,相较传统地震勘探资料消噪方法而言,DMFF-Net可以更加有效地压制随机噪声,完整恢复有效信号,显著提升地震资料信噪比,在信号保幅性和微弱信号恢复能力方面更具优势.

     

一种优化预测滤波压制随机噪声的方法

针对低信噪比地震资料中的随机噪声干扰,提出了一种优化的预测滤波方法.通过对AR模型数学表达式进行改写,然后引入反褶积代价函数,最后推导得到压制随机噪声的递归算法.该算法实现了单道压制随机噪声,保护了有效信号的细节部分,比基于常规最小二乘代价函数的滤波算法收敛更快.通过模拟和实际地震资料验证表明,该方法能较好地压制低信噪比资料中的随机噪声干扰,同时能较好地保护有效地震信号.     

基于方向可控滤波的地震勘探随机噪声压制

针对地震勘探随机噪声的压制,本文应用拉伸厄米特高斯函数设计出方向可控滤波器.根据时空域上随机噪声的无方向性与有效信号的有向性的区别,通过局部数字特征,对数据进行选择后重组信号.方向选择性的增加,使得滤波过程能与不同方向的轴进行匹配,噪声被压制的同时保持信号的幅度;方向可调性,使得计算效率提高,且所需存储空间减少.仿真实验表明,采用此方法,信号保幅性和去噪效果均比传统的小波算法以及Curvelet变换好,在-5 db信噪比下,本文方法保幅度为92.99%,信噪比提升221.774%,在实际地震信号处理中有明显的抑制噪声、保持有用信号的效果.     

基于Context模型的Shearlet变换地面微地震随机噪声压制

地面微地震监测采集到的微地震信号通常能量微弱,信噪比低,如何提高微震数据的信噪比是数据处理的难题.Shearlet变换是一种新型的多尺度几何分析方法,具有敏感的方向性和较强的稀疏表示特性,能起到很好的随机噪声压制效果.由于地面微震数据的有效信号大多被淹没在噪声中,基于传统阈值的Shearlet变换（the traditional threshold-based Shearlet transform TST）只考虑到尺度或方向的阈值,在去噪过程中会过度扼制有效信号系数,造成有效信号能量损失.因而,本文建立Context模型,得到基于Context模型的Shearlet变换（the Context-model-based Shearlet transform CMST）方法,改进传统Shearlet阈值方法的不足.我们通过所建立的Context模型将能量相近的各方向系数划分为同一组,并分组估计阈值,分别处理各部分系数,达到微弱同相轴有效恢复的目的.通过TST及CMST的模拟实验与实际地面微震记录处理结果对比可知,本文方法在低信噪比条件下比对比方法更加有效地恢复地面微震数据的微弱信号,随机噪声压制效果明显,在-10 dB条件下,提升信噪比18.3741 dB.

     

基于分数阶小波域GSM模型的地震信号随机噪声压制方法

地震信号中的随机噪声是一种干扰波,严重降低了地震信号的信噪比,并影响着资料的后续处理和分析.本文根据地震信号中有效信号和随机噪声的差异,结合分数阶B样条小波变换与高斯尺度混合模型提出了一种地震信号随机噪声压制方法.首先利用分数阶B样条小波变换将含噪地震信号映射到最优分数阶小波时频域内,然后对各小波子带系数分别建立高斯尺度混合模型,由贝叶斯方法估计出源地震信号小波系数,最后使用分数阶B样条小波逆变换重构得到降噪后的地震信号.利用本文方法对合成地震记录和实际地震信号进行降噪处理,实验结果表明本文方法能够有效地压制地震信号中的随机噪声,并且较好地保留了有效信号.

     

压制地震勘探随机噪声的分段时频峰值滤波方法

提高勘探资料信噪比是地震勘探的主要内容之一.本项研究利用短时能量将记录分成能量均衡的若干段,获得减少尺度变换误差的分段时频峰值滤波方法,并运用端点拓展和与地震信号特征匹配的多级时窗参数改进时频峰值滤波精度.理论模型和共炮点资料处理结果表明,分段时频峰值滤波很好地消除了尺度变化误差引起的信号波形阶梯状畸变,能够在压制强随机噪声的同时更好地保留信号特征.对低信噪比勘探资料处理具有较大的应用价值.     

基于CEEMDAN和SWT的地震信号随机噪声压制

完备集合经验模态分解(CEEMD)通过添加正负成对辅助噪声可较好的解决集合经验模态分解(EEMD)中信号被噪声污染的问题,但CEEMD方法分解后的单个本征模态函数(IMF)分量中仍存在部分随机噪声信息.通过转变辅助噪声形式和分解流程提出自适应噪声完备集合经验模态分解(CEEMDAN)方法,该方法在较少集总次数和筛选迭代次数的情况下,即可实现优良的信噪分离功能,大大缩减处理耗时,具备分解精度高、具有完备性的特征.同时,针对传统经验模态分解(EMD)类方法去噪时直接舍弃第1～2阶高频IMF分量,导致其内高波数有效能量损失的问题,通过计算相邻IMF分量互信息熵获取高频噪声和低频有效信号的最优能量分界,对分界点前的各阶IMF分量进行同步压缩小波变换(SWT)处理,分离有效高频信息,最后与低频IMF分量重构达到噪声压制的目的.合成及实际地震资料处理结果表明,本文联合多步骤地震随机噪声压制策略具有较好的去噪效果和能量保持能力,在运算耗时指标上优于传统的EMD噪声辅助类方法.     

地震信号随机噪声压制的双树复小波域双变量方法

有效地压制地震信号中的噪声是地震信号解释和后续处理的重要环节之一.本文建立两种双树复小波域双变量模型对地震信号中的随机噪声进行压制.地震信号经双树复小波变换后,同一方向实部与虚部系数、实部（或虚部）系数与对应的模之间存在较强的相关性.鉴于此,对同一方向实部与虚部小波系数建立双变量模型,从含噪地震信号小波系数中估计原始信号的小波系数,再基于双树复小波逆变换重构得到降噪后的地震信号.进一步对同一方向实部（或虚部）系数与对应的模建立双变量模型,得到地震信号随机噪声压制的第二种双树复小波域双变量方法.最后对合成地震记录和实际地震资料中的随机噪声进行压制的实验结果证实本文两种方法都能够有效地压制地震信号中的随机噪声.     

一种神经网络改进小波的地震数据随机噪声去除方法

地震资料的有效信号反射弱,且易受多次波的影响,不可避免地存在随机噪声干扰。提出一种基于神经网络改进小波的地震数据随机噪声去除方法,采用神经网络模型,识别出随机噪声信号,对该信号进行小波包分解,获取多类别随机噪声信号,采用级联BP神经网络模型提取出多类别随机噪声信号,实现地震数据的随机信号压制。实验结果显示,这种改进小波方法对地震数据随机噪声信号的去噪效果较好,在复杂沉积地质结构被探测介质的地震数据随机噪声压制方面具有较强的适用性。     

基于典型分解的地震勘探随机噪声模拟方法

随着矿产资源勘探的发展,地震勘探采集环境越来越复杂,接收到的反射地震记录中常常包含大量的干扰,从而造成野外地震资料信噪比低、面貌复杂、有效信息难以分辨,这对提取和利用地震记录中的有效信息造成了障碍。传统数值模拟的记录一般不具有包含各种成因的随机干扰噪声背景,虽然理论记录的处理效果都很好,但却很难处理实际低信噪比的地震资料。截至目前,地震勘探随机噪声模拟方法少有成形理论可以参考,对地震勘探随机噪声特性的认识存在一定的理想化和局限性。许多研究在进行噪声模拟时,添加的是在后续叠加处理时一般都能消除的白噪声,不能接近实际资料的处理。本文基于随机函数的典型分解理论,在用Marmousi模型记录的基础上,根据CMP道集的相干特性计算出可加性随机干扰,这种随机干扰因为与CMP道集记录具有类似的相干性而更接近实际地震资料的干扰背景。此方法可以指导地震勘探的野外观测系统的设计、地震数据的后期处理和解释。     

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.