动校正域CNN法压制自由表面多次波

【目的】自由表面多次波的存在影响了地震资料的解释精度,有效压制多次波是地震处理的重要环节。多次波是具有与有效信号相似特征的相干噪声,传统的卷积神经网络(convolution neural network, CNN)方法难以从全波场数据中分辨出多次波信号。此外,不同工区的自由表面多次波差异较大,导致CNN方法在迁移时面临更严重的问题。【方法】为此,引入物理先验,提出一种基于动校正(normal moveout correction,NMO)域的CNN方法。利用NMO域上一次波与多次波呈现出的曲率特征差异训练CNN,以实现对多次波的有效识别和压制。通过仿真和真实数据测试了方法的性能。【结果和结论】实验结果表明:动校正域上训练的CNN能够有效识别并压制多次波信号,同时保护一次波反射信号。与传统Radon算法相比,提出的方法减少了人为调整参数并降低了计算复杂度,且有效信号泄漏更少;与直接端到端基于CNN的自由表面多次波压制方法相比,新方法面向新数据的适应能力更好。研究成果可为提高地震资料解释精度和降低计算成本方面提供新思路。