基于U-Net网络的二维小波域地震数据随机噪声衰减

基于深度学习的地震数据噪声衰减方法比传统去噪方法更加高效,去噪结果具有更高的信噪比。现有基于深度学习的去噪方法通常在时空域对地震数据进行处理,但小波域中有效信号与噪声之间的特征差异更为明显,有利于网络训练学习及噪声衰减。利用二维小波域地震数据的稀疏性和多尺度性,联合二维离散小波变换与U-Net网络,提出了基于U-Net网络的二维小波域随机噪声衰减方法(Dwt-U-Net)。该方法先对地震数据进行二维离散小波变换,再以二维小波系数作为网络输入和输出进行网络训练,获得去噪后的小波系数,最后将该小波系数进行重构得到去噪结果。模拟数据和实际地震数据测试及与不同方法对比结果显示,在不同噪声水平情况下,Dwt-U-Net方法的去噪结果具有更高的信噪比和保真度。此外,相对于传统时空域U-Net网络去噪方法,Dwt-U-Net方法在提高信噪比的同时,网络训练时间减少一半左右。

基于深度学习的地震随机噪声衰减方法研究进展

分析了卷积神经网络(CNN)、去噪卷积神经网络(DnCNN)、U⁃Net深度神经网络、前反馈(BP)神经网络、空洞卷积神经网络(DCNN)、残差网络(ResNet)、迁移学习等为代表的深度学习方法的概念、发展现状、方法原理、去噪效果以及优缺点等;对比了传统去噪方法、字典学习及深度学习方法的去噪效果;展望了深度学习技术在地震去噪领域的发展前景。获得以下认识:①深度学习方法的实际去噪效果优于传统方法和字典学习方法,不需要设定结构模型,泛化性更强,且计算时间短、精度更高。②深度学习方法存在诸多不足:实际数据的去噪效果往往差于合成数据;普适性不强;神经网络的“黑匣子”特性使其物理可解释性大大降低;网络性能与训练数据的泛化性密切相关;用于训练网络的数据集因人而异,难以评价网络性能。③期待深度学习在以下方面取得进展和突破:搭建适用于不同噪声的去噪神经网络结构,并将更优的网络结构引入地震随机噪声压制;将地震信号转换到变换域构造网络的损失函数;改进学习策略的同时制作更具代表性的数据集,尽可能地使训练数据覆盖所有类型的解,提高网络泛化性;自动化的参数调优;结合模型驱动与数据驱动的方法。

三维叠后随机噪声衰减技术

讨论了二维AR模型以及三维叠后f－x,y域预测随机噪声衰减技术；推导了沿不同空间方向预测的二维AR预测模型及其系数之间的关系；实现了基于同样原理之下的地震数据体边缘处的预测。实际资料处理结果表明，这种处理方法在保持信号原有特征方面要优于f-x,y方法。

基于贝叶斯阈值估计的曲波域自适应随机噪声衰减

与小波变换相比,曲波变换可以更好地表达曲线奇异函数的异向性。根据曲波变换对于光滑且二阶连续可微函数所具有的最优逼近性能,结合贝叶斯理论,给出了基于曲波域的自适应阈值去噪方法。通过对合成地震记录及实际地震数据的处理,验证了该方法的有效性。结果表明,与传统小波阈值法相比,基于贝叶斯阈值估计的曲波域自适应去噪方法不仅可以很好地衰减随机噪声,有效提高地震资料的信噪比,而且能够较好地保持有效信号。

基于Contourlet变换的K-L变换地震随机噪声自适应衰减方法

地震资料中有效反射信号具有丰富的纹理及边缘特性,在Contourlet变换域系数较大并具有相关性,而随机噪声均匀分布于Contourlet变换域且系数较小。考虑K-L变换具有分类特征提取的优势,在Contourlet变换基础上应用K-L变换,采用最大似然估计法和多尺度噪声估计法估算地震记录中有效信号及随机噪声的Contourlet系数方差,并将其应用到K-L变换域能量百分比阈值函数的定义中,自适应地确定用于K-L反变换的特征向量,修改Contourlet变换的系数,再进行Contourlet反变换压制随机噪声。数值模拟及实际地震资料去噪效果表明,基于Contourlet变换的K-L变换去噪方法不仅可以有效地压制地震资料中的随机噪声,提高地震资料信噪比,而且具有较好的保真性。

基于f-x域流式预测滤波器的地震随机噪声衰减方法

随机噪声的影响在地震勘探中是不可避免的,常规的随机噪声压制方法在处理中往往会破坏具有时空变化特征的非平稳有效地震信号,影响地震数据的准确成像.当前油气勘探的目标已经转变为“两宽一高”,随着数据量的增大,对去噪方法的处理效率也提出了更高的要求.因此,开发高效的非平稳地震数据随机噪声压制方法具有重要意义.预测滤波技术广泛用于地震随机噪声的衰减,本文基于流式处理框架提出一种新的f-x域流式预测滤波方法,通过在频率域建立预测自回归方程,运用直接复数矩阵逆运算代替迭代算法求解非平稳滤波器系数,实现时空变地震同相轴预测,提高自适应预测滤波的计算效率.通过与工业标准的FXDECON方法和f-x域正则化非平稳自回归(RNA)方法进行对比,理论模型和实际数据的测试结果表明,提出的f-x域流式预测滤波方法能更好地平衡时空变有效信号保护、随机噪声压制和高效计算三者之间的关系,获得合理的处理效果.

基于相似度权重算子和f-x域经验模态分解的随机噪声衰减方法（英文）

传统的f-x域经验模态分解法(Empirical mode decomposition,EMD)能够有效地对主要由水平同相轴构成的地震记录进行随机噪声衰减。然而,当同相轴倾斜时,f-x域经验模态分解法在衰减随机噪声的同时去除大部分有效信号。本文提出了一种基于f-x域经验模态分解法的改进算法。我们通过局部相似度对所去除的噪声信号中的有效信号进行提取。局部相似度可以用来检测噪声信号中的有效信号点并用来构造一权重算子进行信号提取。新方法与f-x域经验模态分解法、f-x域预测滤波法以及f-x域经验模态分解预测滤波法相比能够在衰减随机噪声的同时保留更多的有用信号。数值模拟实验以及实际地震资料处理结果均表明该方法能更为有效地去噪。

叠前随机噪声衰减及其应用技巧

本文简要地介绍GeoEast系统中叠前随机噪声衰减模块的基本原理,并且着重介绍该模块中能量比值加权、算子外推、预测算子长度、处理的起始频率和终止频率、时间和空间长度及其重叠的百分数等几个重要参数的作用,同时介绍了这些参数与计算机机时的关系以及这些参数的应用技巧。

地震随机噪声衰减的改进经验模态分解法研究及应用

为解决地震随机噪声衰减问题,引入经验模态分解法,但该方法存在严重的端点效应问题并使得结果存在较大的误差。因此提出通过寻找包络线极大值点并进行平行延拓从而修正边界极值点的方法来对经验模态分解法进行改进。通过仿真实验和理论模型的测试,发现改进后的方法能很好地抑制端点效应,分解更精准,在对地震随机噪声进行衰减同时能更好地保护构造信息。

Curvelet阈值迭代法地震随机噪声压制(英文)

本文将近些年发展起来的多尺度分析技术——Curvelet变换与求解优化反演问题的阈值迭代法相结合,研究了基于Curvelet变换的阈值迭代法在地震数据随机噪声衰减中的应用。充分利用了Curvelet变换对地震数据表示的稀疏性,提出将地震数据随机噪声压制问题转化为基于Curvelet稀疏变换的L1范数最优化问题,并采用前人提出的阈值迭代法求解。通过与常规的中值滤波、FX反褶积和小波阈值法去噪方法对比,理论合成数据和实际数据试算表明,Curvelet阈值迭代法去噪法具有优势,该法不仅能够获得较高的信噪比,而且对有效信号的损失较小。为充分利甩Curvelet的多尺度、多方向特性,提出了在Curvelet阈值迭代法去噪结果的基础上再进行方向控制,进一步提高了数据信噪比。

一种降低地震数据随机噪声的方法

从砂岩型铀矿勘探需求出发,提出了一种改善地震勘探分辨率的方法——随机噪声衰减法,并开发了相应的处理软件。实践证明,采用该处理方法,可以提高地震剖面的质量。

基于方向金字塔分解与均值滤波联合的叠前地震数据随机噪声压制

在方向金字塔多尺度、多方向分解原理的基础上,提出了基于局部拉普拉斯概率密度模型和最大后验概率估计的随机噪声压制方法,该方法能够压制大部分随机噪声,但信号局部存在畸变和残余噪声。均值滤波具有图像平滑的作用,可以消除信号畸变,压制残余噪声,因此提出了方向金字塔分解与均值滤波联合的随机噪声压制方法。数值模拟实验和实际应用效果表明,该方法能有效压制随机噪声,提高地震资料的信噪比。

异常噪声对叠前多道处理效果的影响

记录中的猝发脉冲、漏电感应及 5 0Hz工业频率干扰等异常噪声具有能量和频率异常、出现位置不规则及分布随机的特点 ,是叠前数据中普遍存在的噪声。通过理论和实际数据的分析表明 ,异常噪声对叠前多道处理 (如地表一致性振幅补偿及叠前随机噪音衰减等 )的影响不容忽视 。

联合连续小波变换和脊波变换的面波衰减方法及应用

基于炮集地震记录面波的高振幅、低频率和低速度特性及其与反射波在小波域和脊波域中分布区域不同,提出了一种衰减强干扰面波的联合一维连续小波变换和脊波变换方法。首先根据面波的高振幅和低频率特性,利用一维连续小波变换的时频局部化性质,对强干扰面波进行衰减;然后利用脊波变换将地震记录变换到时间、尺度和射线参数的三维空间;最后在脊波域对剩余干扰进行衰减。合成记录和实际资料处理的应用表明该方法不仅可以较好地衰减地震记录中的干扰面波,而且可以保护有效信号的低频成分,为地震资料后续处理和分析提供更好的保证。

利用外部噪声拾取法压制大钻干扰波

文中基于详细分析大钻干扰波的传播规律及其在不同域中的表现特征,提出了在炮域拾取大钻干扰波进行区域静校正压制干扰波的方法(拾取法)。具体做法是:在存在大钻干扰的单炮记录上拾取同一时间段的干扰波曲线,将各干扰波曲线拾取值分别减去极小拾取值,得到各道静校正量;利用区域静校正对干扰波曲线进行静校正拉平处理;然后采用F-K滤波法对拉平的地震干扰波进行衰减;最后通过对资料进行区域反时移校正,得到去噪后单炮记录。理论分析及实际资料处理结果表明,拾取法无需事先知道大钻干扰波的频率、振幅,简单实用、精度高,对有效反射波的影响小,去噪效果优于随机噪声衰减法、陷波法,能更好地满足高保真、高分辨率的岩性处理要求。

三维地震非线性干扰波衰减方法研究及实践

在地震野外勘探中,几乎不可能完全避免外界的干扰。由于干扰产生的波形的存在严重影响了地震数据的信噪比和可分辨程度,对地震数据带来了严重影响,使得后续解释工作非常困难。因此,本文对数据进行处理解释,采用F-K滤波衰减、叠前相干压制、叠前随机噪声衰减、自适应高频噪音衰减处理过程后,有效的去除了非线性干扰波,提高了地震资料的分辨能力。

结合曲波变换的焦点变换在地震数据去噪和插值中的应用

为了更好地衰减地震数据中的随机噪声,以及更加精确地对缺失地震数据进行重构,在自由表面多次波的反馈迭代方法中,用多维加权互相关替换多维加权褶积,即焦点变换方法。该方法为全数据驱动过程,不需要任何地下信息,尤其当地下地质体比较复杂并且需要考虑的各种信息较多时。为了改善传统基于最小平方计算的焦点变换有效信号聚焦不够集中地效果,笔者提出将三维曲波变换与焦点变换结合,并采用L1范数最优化求解。模型及实测资料试验证明,联合三维曲波变换与焦点变换在地震数据随机噪声衰减中聚焦点有效信号更加集中,切除噪声后有效信号保存更完整;对缺失地震数据的重构更加完整和精细,并且有效保存了高频信息。

F-X域复数经验模态分解去噪方法（英文）

F-X域经验模态分解去噪方法在处理非稳态地震数据时存在两个局限,一是单纯剔除第一个固有模态分量将导致有效信号缺失及去噪能力偏弱问题,二是分解复信号时对实部和虚部分别分解存在分解数目不一致的风险。本文对上述两个方面进行了改进,提出了一种新的F-X域投影法复数经验模态分解预测滤波方法,首先采用基于空间投影的复数经验模态分解将F-X域地震数据直接分解为不同的复固有模态分量,然后再对这些分量分别进行F-X域预测滤波。合成记录及实际资料测试表明,本文的新方法能更好地衰减随机噪声,更有效地保持地震信号。

基于二维希尔伯特变换的地震倾角求取方法及其在构造导向滤波中的应用（英文）

在地震勘探数据采集中,随机噪声严重影响地震资料质量,给后期解释工作带来很大困难。如何在不损失剖面有效信息的前提下压制随机噪声,有效地提高地震资料的信噪比和保真度,是本文的研究目标。构造导向滤波技术的核心是构造方向表征的求取以及如何实现非平稳滤波,来达到提高地震数据信噪比和保真度的目的。本文首先通过分析函数二维导数与希尔伯特变换的频率响应关系,推导出了基于二维希尔伯特变换的非迭代地震同相轴倾角求取算子,进而达到了构造方向表征的求取;其次选取多项式拟合作为构造导向滤波中的非平稳滤波方法,扩展了非平稳多项式拟合的应用范围;最后沿构造倾角方向进行变振幅同相轴的非平稳多项式拟合,实现和构建了新的自适应构造导向滤波方法。理论模型和实际地震资料处理的结果表明,所提出的方法实现了既保护构造信息又有效地压制了随机噪声的目的。

减小离散误差的时频峰值滤波算法

提出减少时频峰值滤波分段点处阶跃误差的改进方法。经过研究时频峰值滤波在频率调制和时频平面峰值滤波时产生的离散误差以及尺度变换方式,发现分段点处阶跃误差与离散傅里叶变换的长度成反比,且与零点在尺度变换后产生的不确定值有关。提出基于定零点尺度变换的时频峰值滤波,在信号尺度变换时将零点变换到瞬时频率区间上的固定值,使各段时频峰值滤波零点偏移量一致,从而消除分段点处的阶跃误差。仿真实验和实际地震信号时频峰值滤波处理结果表明,改进的时频峰值滤波算法能够有效消减随机噪声,减少分段滤波在分段处的阶跃。