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。

基于深度残差傅里叶神经算子方法压制地震多次波

多次波是一种较为严重影响地震成像的干扰波,如何有效压制多次波是需要关注的地震资料处理关键问题之一.本文基于傅里叶神经算子(FNO)和残差网络(ResNet),提出了基于深度残差傅里叶神经算子(DRFNO)网络的多次波压制方法.DRFNO是一种弱约束模型+数据驱动的人工智能算法,包含一次波和多次波的全波场炮集为输入,其中真实一次波炮集为标签训练网络,输出为压制多次波后的一次波炮集.DRFNO的网络结构中考虑了地震波场的数据特点,结合波动方程正演模拟的物理机理,约束网络训练过程.基于传统机器学习中的激活函数设置方法,该方法通过一个用于地震数据样本与标签预处理的激活函数(SDAF),克服地震炮集数据中因同相轴能量差异导致神经网络无法训练的问题.采用两套层状介质模型和Sigsbee2B复杂模型的模拟地震数据验证了DRFNO方法多次波压制处理的有效性,抗噪性和泛化能力.最后,通过一套实际地震数据实例表明本文提出的DRFNO方法应用于压制实际复杂地震波场中多次波的良好效果.