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。

一种基于双调和样条插值的完全非规则地震数据重建

在地震勘探过程中,由于地形、环境等影响,采集到的地震数据常常是不规则且不完整的,这会对后续地震数据的处理造成不良影响,因此地震数据重建是一个常用的处理手段。目前已经发展了多种地震数据重建方法,大部分的地震数据的重建工作都是建立在一个规则网格上进行,而对于完全非规则地震数据的重建研究较少。本文基于双调和样条插值的方法提出了一种非规则地震数据重建方法,通过求取一个能够通过n个点的双调和样条函数,将残缺的且非规则的地震数据插值到规则的网格中,从而得到完整的地震数据。本文进一步提出了分块插值的思想,在插值之前将每一时间或频率切片进行分块,对每一块分别进行插值。此方法改善了插值对内存需求过大的弊端,并极大的提高了计算效率。通过合成地震数据进行测试,实验证明了提出的双调和样条插值方法的插值效果。