中文版 | English
Arid
DOI10.27162/d.cnki.gjlin.2021.001910
基于生成对抗网络的沙漠地震记录噪声消减方法研究
王洪洲
出版年2021
学位类型硕士
学位授予单位吉林大学
中文摘要油气是一种不可再生的重要战略资源,与国家经济发展息息相关。地震勘探是探查油气的重要方法,通过在地面采集由人工激发向地下传播后反传的地震波,形成地震记录作为地层构造成像与解释的基础。但是在这个过程中,也不可避免会受到噪声干扰。消减地震记录中的噪声,提升信噪比是地震资料处理的重要内容。当前,浅层易开采的常规油气资源慢慢走向枯竭,而开采难度较大的非常规油气资源逐渐成为关注的重点。在此趋势下,勘探的对象也逐渐从浅层扩展到深层,从平原地区拓展到山地、沙漠地带。中国的西北部沙漠众多,这些地区往往蕴藏着大量未勘测、未开发的油气资源。但是,沙漠地区的地质条件和勘测条件均非常恶劣,致使获取的地震记录中噪声错综复杂,影响着记录后续的反演、成像和解释,因此我们迫切需要一种切实有效的沙漠地震勘探资料消噪策略。多数常规地震资料消噪方法是在变换域中,通过利用信号和噪声在能量、相关性或者其他物理量上的差异进行区分,但是面对沙漠地震勘探资料中复杂的低频噪声性质,常规算法多数存在对噪声压制不彻底、难以精确恢复信号等问题。近年来,基于卷积神经网络(CNN)的方法能够在地震信号复杂噪声的消减中发挥重要作用。依赖着复杂的体系和巨大的参数,CNN可以学习从含噪信号到纯净信号的复杂映射,从而能够极大程度恢复信号,获得远超传统方法的去噪效果。但是,以CNN为基础的去噪算法也表现出了很大局限性。在算法上,训练目标主要集中在训练网络最小化纯净信号和CNN去噪后信号的均方重建误差,由此产生的估计虽然具有高的信噪比,但是其结果偏向于局部感知,使得最后的去噪结果呈现异常:信号的全局结构难以被精确恢复,信号的高频细节也无法保留。此外,对数据集的高度依赖也使得CNN在缺少噪声数据时难以展开训练。基于深度学习的模型是数据驱动的,这要求在网络训练中,需要配对的含噪记录和有效信号来构建起一一对应的数据集,但这在地震探测中是难以获得的,这也严重影响了CNN在实际地震记录去噪中的应用。基于上述两种问题,我们分别提出两种基于生成对抗网络的沙漠地震记录消噪策略。首先,针对信号恢复不佳的问题,借鉴生成对抗网络的思想,在去噪网络的训练中增加鉴别网络的指导,使其纳入到一个对抗训练的体系中,从而形成一个“单向训练生成对抗网络”。整个体系包含有去噪网络和鉴别网络两个部分。去噪网络用于学习从含噪信号到去噪信号的映射,含噪数据在网络中前向传播后会生成纯净的信号。而鉴别网络被训练以区分去噪信号和原始信号,逼迫去噪网络提高去噪质量以欺骗鉴别网络,最终网络的去噪结果将更具有结构完整性;另外,为解决模型对数据集依赖性较强的问题,我们还设计了一个“双向训练生成对抗网络”,使其在循环一致性约束下学习含噪数据域到有效信号数据域的域映射。循环一致性保证了学习到的域映射可以极大程度得保留原纪录中的同相轴信息。这种无监督的训练体系不再需要成对的含噪记录和有效信号,能够在缺少噪声数据的情况下开展训练,模型也更加适应对实际记录的处理。在实际沙漠地震勘探资料处理中,本文所提方法展现了出色的去噪性能,在两种策略下训练的去噪网络都是无需人工调整参数的基于数据驱动的自动去噪器,能够在实际应用中实现较好的去噪效果,且优于常规消噪方法。更重要的是,对比当前热门研究的CNN算法,针对提及的CNN的局限性问题,本文的方法均有较大的提升与改善。
中文关键词沙漠低频噪声 ; 噪声压制 ; 对抗学习 ; 卷积神经网络(CNN) ; 生成对抗网络(GAN)
语种中文
国家中国
中图法分类号P631.4
资源类型学位论文
条目标识符http://119.78.100.177/qdio/handle/2XILL650/373153
作者单位吉林大学
推荐引用方式
GB/T 7714		 王洪洲. 基于生成对抗网络的沙漠地震记录噪声消减方法研究[D]. 吉林大学,2021.
条目包含的文件
条目无相关文件。
个性服务
推荐该条目
保存到收藏夹
导出为Endnote文件
谷歌学术
谷歌学术中相似的文章
[王洪洲]的文章
百度学术
百度学术中相似的文章
[王洪洲]的文章
必应学术
必应学术中相似的文章
[王洪洲]的文章
相关权益政策
暂无数据
收藏/分享

除非特别说明，本系统中所有内容都受版权保护，并保留所有权利。