Knowledge Resource Center for Ecological Environment in Arid Area
| DOI | 10.27162/d.cnki.gjlin.2021.000284 |
| 基于深度学习的复杂陆地地震数据噪声压制方法研究 | |
| 董新桐 | |
| 出版年 | 2021 |
| 学位类型 | 博士 |
| 学位授予单位 | 吉林大学 |
| 中文摘要 | 地震勘探是油气藏资源开发的重要手段之一。与其他物探方法(重、磁、电)相比,地震勘探可以更加精准、详细地刻画整套地层的构造信息,因此其被广泛应用于国内外众多大型油气田的开发。近年来,由于油气勘探重点逐渐转向复杂油气藏开发、探测深度进一步加深以及非常规地区油气开发等一系列因素,实际获取的地震资料的质量不是十分理想。具体来说,反射有效信号经常受到大量规则和不规则噪声的干扰,难以识别。这些噪声严重影响地震资料的信噪比和分辨率,给后期的反演、成像、解释以及最终的油气勘探带来了巨大的困难。如何压制地震资料中的背景噪声、恢复有效信号,进而提升地震资料的整体质量是一个有待解决的技术问题。深度学习是一种从数据本征出发、基于海量训练数据驱动的数据处理技术,它可以更加有效地处理一些常规机器学习难以处理的高维、冗杂、高噪的复杂数据。深度学习中最具代表性的技术便是卷积神经网络(convolutional neural network;CNN);它可以通过多次卷积运算提取数据的内在高维特征,具有局部感知以及权值共享两大显著优势。近年来,CNN在图像去噪、图像超分辨重构、模式识别、自动驾驶、数据融合、数据增强等诸多领域取得了较好的应用效果,但现阶段CNN在地震资料处理中的应用还相对较少,其巨大的应用潜力尚待挖掘。针对两种复杂地震资料:塔里木地区沙漠地面地震资料以及分布式光纤传感器(distributed optical fiber acoustic sensor;DAS)地震资料,本文开展基于CNN的地震资料消噪技术研究,利用网络训练、损失误差最小化、多种损失并重、正演模拟、同时结合低秩方法以及高阶统计量判定等手段分别为上述两种复杂地震资料构建针对性基于深度学习的消噪模型,建立含噪地震资料到去噪地震资料的最优非线性映射关系,并通过模拟和实际实验验证深度学习方法在地震资料去噪中的有效性。在塔里木地区的沙漠地面地震勘探中,有效信号往往受到大量不规则随机噪声以及规则面波干扰,整个地震资料通常表现为低信噪比(signal-to-noise ratio;SNR);此外,有效信号、随机噪声以及面波在低频段存在严重的频谱混叠现象。针对该地震资料的噪声压制问题,本文以在图像去噪中表现优异的前馈去噪卷积神经网络(feed-forward denoising convolutional neural network;DnCNNs)为基础,利用高阶统计量判定为DnCNNs构建适合沙漠地震资料去噪的自适应训练集,同时通过SNR和均方根误差(root mean square error;RMSE)的最优化选取合适的网络深度以及训练块大小,最终实现随机噪声和面波的彻底压制以及有效信号的完整恢复。此外,当网络深度达到一定程度时,DnCNNs会出现过拟合现象。为了进一步增强其去噪表现,我们将DnCNNs与鲁棒主成分分析(robust principal component analysis;RPCA)相结合。RPCA是一种基于核范数最小化的低秩矩阵分解方法,它可以通过降低含噪数据的秩实现噪声压制与信号的恢复。我们利用RPCA分解得到含噪沙漠地震资料的最优低秩矩阵和稀疏矩阵;并通过基于DnCNNs的有效信号预测模型得到两个矩阵中的有效信号。这样通过RPCA分解“变相”加深网络的深度,从而进一步提升DnCNNs的去噪表现。DAS是一种新型光纤地震检波器。与传统电子检波器相比,它具有高空间分辨率、方便长期大规模布设、高性价比、抗电磁干扰等诸多优势。但是,在DAS接收的实际地震资料中,背景噪声能量往往要明显强于有效信号,整个DAS地震资料的SNR较低。此外,DAS地震资料中背景噪声包括光缆与接收面之间不良耦合所造成的强相干噪声以及DAS本身的光学仪器噪声,这两类噪声是全新的地震背景噪声,在传统动圈检波器接收的地震资料中从未出现。针对DAS地震资料的消噪问题,本文提出两个针对性的降噪神经网络。其一,我们采用生成对抗网络(generative adversarial network;GAN)的基本思路,利用去噪器和鉴别器共同组成卷积对抗去噪网络(convolutional adversarial denoising network;CAND);在CADN中,将去噪器的均方误差损失和去噪器与鉴别器之间的对抗损失相结合,通过多次测试确定两种损失的最优权重关系,进而构建全新损失函数;最终通过损失函数最小化实现去噪器参数的最优化,利用优化之后的去噪器预测DAS地震资料中的有效信号,进而实现信噪分离。其二,我们利用卷积单元、批标准化单元、泄露线性整流单元、残差学习共同组成CNN的基本网络框架,利用地球物理方法正演模拟和被动源数据分别构建高真实性的DAS有效信号训练集和噪声集;同时在损失函数中引入能量比矩阵增强网络对于不同SNR的DAS地震数据的适应能力;最终实现在低SNR、复杂背景噪声下有效信号的完整恢复。本文以CNN为基础,针对两种复杂地震资料的消噪问题,构建对应的消噪策略。模拟与实际试验均表明本文提出这些基于深度学习的降噪方法能够有效压制多种复杂地震背景噪声,同时实现低SNR条件下有效信号的完整恢复,进而为后期的反演、精细成像、地震属性分析等工作打下坚实的基础。 |
| 中文关键词 | 地震背景噪声压制 ; 卷积神经网络 ; 生成对抗网络 ; 有效信号恢复 ; 沙漠地震资料 ; 分布式光纤传感器 ; 信噪比 |
| 语种 | 中文 |
| 国家 | 中国 |
| 中图法分类号 | P631.44 |
| 资源类型 | 学位论文 |
| 条目标识符 | http://119.78.100.177/qdio/handle/2XILL650/373161 |
| 作者单位 | 吉林大学 |
| 推荐引用方式 GB/T 7714 | 董新桐. 基于深度学习的复杂陆地地震数据噪声压制方法研究[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 |
| [董新桐]的文章 |
| 百度学术 |
| 百度学术中相似的文章 |
| [董新桐]的文章 |
| 必应学术 |
| 必应学术中相似的文章 |
| [董新桐]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。
