可逆网络的地震数据分辨率增强与去噪

基于卷积神经网络的地震超分辨率方法表现良好,但在下采样过程中会丢失高频信息,无法解决一对多不适定性问题.为此,提出了一种基于可逆网络的地震超分辨率和去噪算法(SRInvNet)缓解该问题.在前向过程中,SRInvNet被训练为将有噪声的低分辨率地震图像转换为干净的降尺度图像和噪声-高频信息混合的潜在表示;丢弃潜在的表示来完全去除噪声,并从高斯分布中随机采样一个新的变量来恢复高频信息.在后向过程中,该变量和降尺度图像作为输入来恢复干净的高分辨率图像.结果表明,SRInvNet的性能和参数量均优于最新的超分辨率算法CAUC和SeisGAN.

基于Curvelet域的注意力机制卷积网络地震数据去噪

【目的】地震资料中的噪声严重影响着对地下地层信息的准确解释。基于地震资料中横向相关性较强的有效信号在Curvelet域分布在特定系数上,而随机噪声在Curvelet域通常会均匀分布于所有系数,可对信号进行更有效的分离。【方法】基于注意力机制卷积神经网络能够聚焦图像的重要特征,自适应提取关键信息的特点,提出一种基于Curvelet变换和注意力机制卷积神经网络(Curvelet-AU-Net)的地震数据噪声衰减方法。首先,将含噪声的地震数据通过Curvelet变换得到Curvelet变换系数,分析有效信号和噪声在Curvelet域的分布情况。其次,使用加入CBAM(Convolutional block attention module)注意力机制的U-Net网络,以含噪地震数据的Curvelet变换系数制作训练集作为输入数据,用无噪地震数据的Curvelet变换系数作为标签,通过比较实际输出与标签的损失函数值,并逐层反向传播梯度来更新网络参数,当损失函数值达到最小时,网络训练完成。最后,将测试数据输入训练好的网络模型中,再对网络输出数据进行Curvelet反变换即可得到地震数据去噪结果。【结果和结论】模拟数据与实际数据处理结果表明,与传统方法和普通卷积网络相比,该方法在不同噪声水平和尺度条件下对常见噪声(如随机噪声等)的衰减效果更优,获得的地震信号信噪比和保真度更高。由于该方法融合了Curvelet变换的稀疏表示优势和深度学习模型的自适应性,将为地震数据噪声衰减提供一种新的解决途径。

基于高效字典学习算法的地震数据去噪

地震数据去噪在地震资料处理中扮演着关键的角色,提升地震数据的信噪比将为后续高质量处理和精确解释奠定坚实基础。目前,地震数据去噪的方法已经得到了广泛发展,其中字典学习方法具有独特的优势。当前经典的K-奇异值分解(K-singular value decomposition,K-SVD)字典学习算法存在去噪结果损失了部分原始信号和计算效率不太理想等问题,为了将这些问题进一步优化,提出了一种基于顺序广义K-均值算法(sequential generalized K-means,SGK)的字典学习方法用于地震数据去噪。首先,从样本数据中提取随机位置的块,并移除空白块,以初始化字典。接着,在字典学习阶段,通过地震数据本身的特征自适应地构造出最新的稀疏表示字典。随后,利用学得的字典对包含噪声的地震数据分块进行去噪处理,将去噪后的块进行平均处理,并重新构建图像块,最终实现地震数据的去噪。通过合成数据和实际数据的实验,从信噪比、计算效率以及对有效信号的保护方面验证本文方法的去噪性能。

生成式对抗神经网络的改进及其在地震数据压噪中的应用

常规的生成式对抗神经网络在地震数据去噪过程中受模型限制,地震数据有效信息还原能力差。因此,对生成式对抗神经网络进行改进,以U-net神经网络为基础建立更深层级的生成器神经网络,优化模型的批标准化层和池化层,提升特征还原能力,搭建多尺度判别器神经网络,提升判别器性能,提出一种包含对抗损失、配准损失和结构信息损失的多层次综合损失函数。改进后的模型结构无需预先估计噪声,能够实现端到端的盲去噪功能,神经网络泛化能力强,对数据细节的保护还原水平高。南海北部涠A地区地震数据测试结果表明,改进后的神经网络去噪能力以及对地震有效信息的保护要优于目前常见的去噪算法的结果,去噪过程对地震有效反射信息保护好,地震边界信息成像质量高。与常见的去噪方法相比,改进的生成或对抗神经网络方法在地震数据去噪中具有良好的应用效果,去噪能力强,在实际地震数据处理中具有良好的推广价值。

基于一种注意力机制U-Net的地震数据去噪方法

受野外采集过程中设备和环境等多种因素影响,地震数据中往往存在表面波、鬼波、随机噪声等各种噪声,影响了地震数据处理和解释的可靠性和准确性。近年来,基于人工智能的方法以其计算效率高、数值效果好等优点成为地震数据去噪的研究热点。U型网络(U-Net)是一种经典的卷积神经网络结构,常用于图像分割任务;注意力机制(Attention Mechanism,AM)是一种能够让模型在学习过程中更加关注特定区域或特征的技术。通过在U-Net网络中添加AM模块,构建了一种具有注意力功能的U型网络(AU-Net),并将其运用到地震数据去噪。为解决去噪过程中产生的边界效应,使用膨胀填充的方法对数据进行切分,该方法通用性较高,可以用于其他网络模型。AU-Net和U-Net的去噪试验结果表明:AU-Net网络去噪的效果比U-Net更好,可更好地保留弱信号;同时,通过迁移学习使AU-Net去噪方法更具适应性。

基于地震频率域数据的改进非局部均值去噪研究

油气勘探地震资料中常常存在严重噪音,常规的去噪方法在去噪中无法对地震主频段内的型号进行针对性处理,对区域目标处的去噪强度过于均匀,信噪比保留能力不高,容易形成整体去噪过渡平滑。针对以上问题,提出采用频率域切片和改进非局部均值去噪的方法进行解决。首先通过傅里叶变换将地震数据变换到频率域,然后对其实部、虚部切片进行排序,通过改进后的自适应平滑滤波因子对切片进行滤波,再通过傅里叶反变换实现将滤波后的频率数据恢复到时间域。通过实验得出去噪后的效果能比较完整的保留地震道集的主要特征,平面剖面特征保留完整。

基于密集扩张卷积残差网络的地震数据随机噪声压制方法

地震数据处理过程中压制随机噪声是提高地震数据质量的重要环节之一,其关键是有效压制噪声并尽可能地保留有效信号。针对深度学习方法在地震数据去噪处理时局部特征提取的局限性,提出了一种基于密集扩张卷积残差网络(DDCRN)的去噪方法。DDCRN主要由多个密集扩张卷积特征融合块(DDCFFB)构成,DDCFFB内部的密集块和多尺度扩张卷积可以用来并行提取特征,融合结构可以用来融合特征,残差结构则跳跃连接通道数。其中,密集块连接不同的卷积层来学习特征,关注局部特征的传播和重用,高效提取复杂信息;多尺度扩张卷积扩大感受野,增加特征提取范围;残差学习则加快网络训练的收敛速度。分别采用K奇异值分解(KSVD)、频域空间域反卷积(f-x decon)、去噪卷积神经网络(DnCNN)、U型网络(Unet)以及DDCRN去噪方法对合成地震数据和实际地震数据进行去噪处理。结果表明,DDCRN去噪方法不仅能更有效地压制随机噪声,同时还能更完整地保留同相轴的连续性。

一种新的K⁃SVD字典学习地震数据去噪方法

地震数据去噪是地震资料处理的关键步骤之一,高信噪比的数据是后续高质量处理和解释的基础。目前,已推出多种类型的去噪方法,其中稀疏表示方法虽具有利用较少的基本信号的线性组合表示大部分或者全部的原始信号,即充分挖掘数据中含有的信息,最大化利用数据的优点,但用于稀疏表示的K⁃SVD字典学习算法存在去噪结果损失了部分原始信号和计算效率不太理想等问题。为了进一步优化解决这些问题,研发了一种新的用于地震数据去噪的K⁃SVD字典学习方法。首先,从样本数据中提取随机位置的块,并删除空白块,初始化字典;然后,进行字典学习,自适应地由地震数据本身特征构造出稀疏表示数据的最新字典;最后,利用学习到的字典对含噪地震数据分块进行去噪,对去噪后的块取平均处理再重构图像块得到去噪图像,完成地震数据的去噪。合成数据和实际数据的试验结果表明:所提K⁃SVD字典学习算法的去噪效果与当前用于稀疏表示的K⁃SVD字典学习算法相比,在信噪比、计算时间以及地震数据局部特征保持方面更有优势。

基于曲波变换 联合双边滤波的二维地震数据随机噪声去除方法研究

在地震数据去噪处理中,曲波变换硬阈值法容易导致弱同相轴模糊,为此,提出了一种基于曲波变换联合双边滤波的地震随机噪声去除方法。曲波系数尺度分析结果表明,粗尺度信号主要表征地震数据构造特征;中尺度信号通常包含大量的弱同相轴的信息;细尺度信号通常包含噪声信息。曲波变换联合双边滤波方法对粗尺度信号进行双边滤波处理,对中间尺度信号进行联合双边滤波处理,对细尺度信号应用硬阈值处理。曲波变换可以较好地处理多方向的线状变化特征,而联合双边滤波具备引导图,可以修复有效信息的关键特征,提高弱同相轴的连续性。叠前和叠后数值模拟测试和实际地震数据处理结果表明,曲波变换联合双边滤波方法的去噪结果优于曲波变换硬阈值法和小波变换方法,具有更高的信噪比和峰值信噪比。该方法克服了曲波变换硬阈值法的局限性,不仅能够较好地去除随机噪声,而且增强了弱同相轴的能量,提高了弱同相轴的连续性。

基于前馈去噪卷积神经网络的地震数据去噪方法

随机噪声压制是提高地震数据信噪比的有效方法,这里利用前馈去噪卷积神经网络(Denoising Convolutional Neural Network,DnCNN)的深度学习去噪方法,对地震数据随机噪声的去除进行了研究,同时利用Mish激活函数构建M-DnCNN网络进一步提升网络模型的去噪性能。该方法基于神经网络与统计学原理,通过卷积神经网络自动提取特征,利用单个残差单元来预测噪声,即输入含噪地震数据,经过M-DnCNN学习后输出预测的噪声,将输入与输出噪声作差,得到去噪后的地震数据。在实验部分,首先利用合成地震数据对该方法的去噪效果进行验证,同时将M-DnCNN与均值滤波和f-x域预测滤波方法进行去噪对比,结果表明:M-DnCNN在去除地震数据随机噪声方面优于原始DnCNN,与其他两种去噪方法相比能够更有效地压制随机噪声;随后将M-DnCNN用于实际地震数据的去噪实验,实验证明M-DnCNN在实际地震数据的去噪处理中同样适用,其在保留并突出有效信号的同时可达到较好的去噪效果。

基于自适应噪声完全集合经验模态分解算法和Hurst指数的地震数据去噪方法

在地震观测中,地震数据中普遍包含有噪声信号。由于噪声信号的干扰,地震分析的效率会受到不同程度的影响。传统的去噪方法通常需要噪声的先验知识,并且滤波时会造成部分有效信号丢失。针对这一问题,本文提出一种将自适应噪声完全集合经验模态分解(CEEMDAN)算法与Hurst指数相结合的地震数据去噪方法。首先通过CEEMDAN方法将信号分解为一系列本征模函数(IMF),然后利用Hurst指数对滤波后的IMF分量进行识别,最后对地震数据IMF分量进行重构,从而实现数据去噪。与传统方法的去噪效果对比表明,本文方法可将低信噪比波形的去噪效果提高32%,将高信噪比波形的去噪效果提高6倍。同时对地磁数据的去噪结果表明,本文方法能够较完整地将地铁噪声从地磁信号波形中滤除。

加权全变分正则化与ADMM求解的无监督地震数据随机噪声压制方法

噪声压制是地震数据处理中的一个至关重要的环节。近年来,随着深度学习的蓬勃发展,其在地震数据中的应用取得显著成效。在实际应用中,收集大量带标签的地震数据(无噪数据)是困难的,为此,基于无监督的深度图像先验(DIP)框架压制二维地震数据随机噪声。首先,探索跳跃连接对网络去噪性能的影响,确定网络架构;其次,在损失函数中加入加权全变分(WTV)正则项,与传统的全变分(TV)正则项所不同的是,WTV正则项的权重系数不再是固定不变的超参数,而是与数据空间结构有关的可学习参数;最后,通过交替方向乘子法(ADMM)求解该优化问题。合成和实际数据实验表明,结合WTV正则项与ADMM的DIP方法可以在压制地震数据随机噪声的同时减少有效信号损失,且相较于DIP方法去噪稳定性更好,相邻迭代拟合信号峰值信噪比波动小,较易制定早停准则,更实用。

联合VMD和Shearlet变换的去噪方法研究

地震数据中的噪声信号会很大程度上降低地震数据的信噪比,对后续的处理和解释工作造成一定的难度,因此研究一种去噪方法具有十分重要的意义。本文构建一种变分模态分解(Variational Mode Decomposition,VMD)和Shearlet变换联合去噪的方法,首先通过VMD将地震数据分解为一系列不同中心频率分布的模态分量(Intrinsic Mode Function,IMF),然后使用Shearlet变换对含噪的IMF分量进行去噪并对处理后的分量进行重构,最终达到去噪目的。该方法引入基于稀疏表示的地震数据去噪方法,兼顾VMD和Shearlet变换的优点,可以有效去除噪声。经过合成信号、模型及实际数据测试结果表明,本文方法处理合成信号结果显示,与VMD和小波变换方法相比,信噪比分别提高1.69、1.87,均方误差数值上减少近一半,在去除噪声的同时能更好地保留地震数据特征,提高地震资料的信噪比。

模型约束下的在线字典学习地震弱信号去噪方法

本文针对噪声成分和噪声结构的复杂性及弱信号的特征,发展了最新的在线字典学习去噪方法.在线字典学习去噪方法是以数据驱动的方式,反复进行学习构建字典方式,求得信号的稀疏性解以实现对信号的去噪,在此基础上,提出了数据驱动与模型驱动联合的模型约束下的在线字典学习去噪方法,先通过模型驱动方式获得一个较优质的学习样本以构建字典再进行去噪处理.通过和传统小波变换进行理论地震合成记录的效果对比,在高噪声比例的弱信号情况下远远优于传统的时频域去噪方法.实际数据去噪处理表明,模型约束下的在线字典学习去噪方法是一种有效的去噪方法,这种联合去噪方式能在高噪声背景下有效地提取出弱信号,具有广阔的推广应用前景.

自适应数据驱动的紧框架微地震数据随机噪声压制

地面微地震数据的信噪比很低,严重影响初至拾取的精度及反演结果的可靠性。本文首先采用基于弱纹理块的噪声估计方法求取含噪微地震数据中的噪声方差,然后采用数据驱动紧框架方法去噪,有效地压制实际微地震数据中的随机噪声,提高数据的信噪比。理论模型和实际资料的处理结果表明,该方法可以去除传统方法在低信噪比数据去噪后引入的背景斑块,且去噪后的信噪比得到了极大的提高。因此,相对于传统的方法,本文方法具有显著的优势及较好的应用价值。

基于高精度字典学习算法的地震随机噪声压制

地震勘探中的随机噪声会对有效信号产生严重干扰,甚至会导致信号畸变。为了满足高精度的地震勘探要求,应用高精度字典学习算法压制随机噪声。该算法基于超完备稀疏表示理论,对传统的字典学习算法从字典训练和稀疏编码两个方面进行了改善:在字典训练阶段,保持支集完备的情况下,对字典进行循环更新,使字典更好地适应数据;在稀疏编码阶段,选用上一轮更新的部分大系数作为新一轮迭代的初始系数,充分利用大系数表示有效信号的特点。对理论数据和实际含噪地震资料的处理结果表明,与传统算法相比,高精度字典学习算法在去噪的同时能保护有效信息,明显改善去噪精度,对地震记录信噪比的提高有显著优势。

基于交叠组稀疏广义全变分的地震信号随机噪声衰减

广义全变分方法能较有效去除地震信号随机噪声。本文将交叠组稀疏收敛技术引入广义全变分模型,提出一种改进的广义全变分去噪方法。该方法更充分地挖掘并利用了图像一阶梯度和二阶梯度的结构稀疏的先验知识,从而获得比常规广义全变分更好的去噪效果。针对构建的改进模型,基于交替乘子迭代法框架,将多约束问题转化为去耦合的若干子问题,并引入傅里叶变换技术以提高算法运行效率。针对地震信号进行的各类全变分去噪方法的对比实验结果显示,本文方法的去噪性能相比于常规广义全变分方法具有较大提升,尤其对重噪声污染像素点具有更好的去噪效果。

频域奇异值分解(SVD)地震波场去噪

无规则干扰噪声的频谱分带较宽,不存在相干性;但在同一地区地震信号的主频带区间大致相同,尤其是叠后数据,也就是说各地震道有效频带的频谱存在较好的相干性。本文基于这个特点,通过傅里叶变换,在频率域进行SVD变换,并设计滤波因子,提取目标信号的奇异值进行重构频域信号,然后再进行反傅里叶变换,实现地震波场分离与去噪。与传统的带通滤波相比,该方法能彻底压制主频带干扰噪声,保护高、低频有效信号。实际地震数据处理表明,在不破坏原始地质信息的前提下,能较好地提高地震信号的信噪比。

地震数据去噪中的小波方法

地震资料去噪是地震数据处理中是必不可少的步骤,随着地震勘探的进步和勘探目的层加深,对地震资料的信噪比和分辨率提出了越来越高的要求.小波分析作为一个新兴的数学方法在地震资料去噪中也有巨大的潜力.本文从小波去噪的特点出发,介绍了小波分频和小波域阈值去噪的特点,并详细总结了地震资料去噪中的小波方法,主要有面波的压制和随机噪声的衰减.最后简要叙述了地震资料小波去噪的一些问题和发展.

基于深度学习的鲁棒地震数据去噪

地震勘探数据中包含的噪声比较复杂,基于先验的传统建模方式无法准确地刻画噪声分布。深度学习通过多层卷积神经网络自动提取数据的深层次特征,利用非线性逼近能力自适应地学习而得到一个复杂的去噪模型,为地震数据去噪带来了新思路。但是,目前基于深度学习的去噪方法在样本覆盖不充分的情况下,学习得到的模型泛化能力不强,极大地降低了去噪效果。为此,提出一种鲁棒的深度学习去噪算法。该方法的网络模型由两部分子网构成,分别实现含噪地震数据的噪声分布估计与噪声压制。噪声分布估计子网采用多层卷积神经网络估计噪声分布;去噪子网引入特征融合策略,综合考虑地震数据的全局和局部信息,利用残差学习策略提取噪声特征;两部分子网采用L;范数作为损失函数,增强网络模型的泛化能力。实验表明,与同类算法相比,该算法具有更高的泛化能力;数据处理结果中同相轴纹理保持更好,信噪比更高。