共查询到10条相似文献，搜索用时 15 毫秒
1.
有效压制多次波一直是地震勘探中的难点问题.尽管已发展了多种多次波压制方法,但仍存在多次波压制不全、计算耗时长等缺陷,使得应对复杂地质地震数据多次波压制具有挑战性.为了突破现有多次波压制方法的局限性,本文提出了一种基于深层神经网络的多次波压制方法,采用的深层神经网络是一种改进的具有卷积编码器和卷积解码器的U-net网络.不同于常规方法依赖于滤波或波动理论,该方法仅依赖于大量训练数据.训练数据以含多次波的原始地震数据作为输入,不含多次波的地震数据作为输出,通过最小化损失函数来优化神经网络参数.训练成功的网络模型具备较好地分离多次波和一次波的能力,可直接用来快速压制地震数据中的多次波,避免了常规方法涉及的大规模计算.工业界模型数据测试结果表明,本文提出的深层神经网络方法能有效压制复杂地质地震数据中的多次波,同时还具有较高的泛化能力和多次波压制效率. 相似文献
2.
本文以提高地震数据的成像质量为目标,提出一种智能的卷积神经网络降噪框架,从带有噪声的地震数据中自适应地学习地震信号。为了加速网络训练和避免训练时出现梯度消失现象,我们在网络中加入残差学习和批标准化的方法,并采用了ReLU激活函数和Adam优化算法优化网络。此外,Marmousi和F3数据集被用来对网络进行训练和测试,经过充分训练的网络不仅能在学习中保留地震数据特征,而且能去除随机噪声。首先充分地训练网络,从中提取出随机噪声,并保留学习到的地震数据特征,之后通过重建地震数据估算测试集中的波形特征。合成记录和实际数据的处理结果显示了深度卷积神经网络在随机噪声压制任务中的潜力,并通过实验验证表明了深度卷积神经网络框架有很好的去噪效果。 相似文献
3.
分布式光纤传感器(distributed fiber-optical acoustic sensor,DAS)是一种快速发展的具有巨大应用前景的地震勘探检波器技术.实际DAS地震资料往往会受到大量强能量随机噪声的干扰,通常表现为低信噪比(signal-to-noise ratio,SNR).这一现象给接下来的成像、反演以及解释带来了巨大的困难,因此如何压制DAS地震资料中的随机噪声并提高其SNR成为一个有待解决的技术问题.卷积神经网络(convolutional neural network,CNN)已经被证明是一种有效的噪声压制工具.通常情况下,CNN需要一个理论纯净地震数据集来优化网络,这极大地限制了CNN在DAS地震资料处理中的应用.在本文中,我们采用正演模拟的方法来构建理论纯净DAS地震数据集,通过正演模型的参数多样化增强数据集的真实性,从而获得适合DAS地震资料随机噪声压制的CNN去噪模型.此外,在网络结构方面,我们利用泄漏线性整流单元作为CNN的激活函数增强训练后模型对微弱有效信号的恢复能力;在训练过程中,通过能量比矩阵调节噪声片和有效信号片之间的SNR,增强CNN去噪模型对于不同SNR的DAS地震数据的适应性.模拟和实际实验均表明本文提出的这种正演模型驱动的卷积神经网络(forward-model-actuation convolutional neural network,FMA-CNN)能够有效地压制DAS随机噪声同时完整地恢复有效信号. 相似文献
4.
5.
在地震勘探采集到的地震数据中不可避免的存在随机噪声，而高信噪比的地震数据是地震资料反演和解释的基础.因此随机噪声压制一直是地震资料处理中的重要工作.近些年来，随着深度学习技术的发展，基于卷积神经网络的地震数据去噪方法已经取得了丰硕的成果.常规的监督学习策略需要获取无噪数据作为标签，然而从实际地震数据中获取无噪数据只能通过传统去噪方法进行预处理，以此方法构建标签数据的监督学习去噪网络必然受构建数据集的去噪方法影响.针对此问题，本文提出了一种基于Noise-to-Noise自监督学习的地震数据去噪方法，该方法通过对实际地震数据添加不同等级的噪声构建训练数据集，仅需要含噪地震数据即可训练去噪网络.合成数据测试和实际数据测试表明，本文方法可以有效去除地震数据中的随机噪声，性能优于受数据集构建方法所限的监督学习去噪方法和传统去噪方法. 相似文献
6.
卷积神经网络(Convolutional Neural Network,CNN)是一种基于数据驱动的学习算法,简化了传统从特征提取到分类的两阶段式处理任务,被广泛应用于计算机科学的各个领域.在标注数据不足的地震数据去噪领域,CNN的推广应用受到限制.针对这一问题,本文提出了一种基于数据生成和增广的地震数据CNN去噪框架.对于合成数据,本文对无噪地震数据添加不同方差的高斯噪声,增广后构成训练集,实现基于小样本的CNN训练.对于实际地震数据,由于无法获得真实的干净数据和噪声来生成训练样本集,本文提出一种直接从无标签实际有噪数据生成标签数据集的方法.在所提出的方法中,我们利用目前已有的去噪方法从实际地震数据中分别获得估计干净数据和估计噪声,前者与未知的干净数据具有相似纹理,后者与实际噪声具有相似的概率分布.人工合成数据和实际数据实验结果表明,相较于F-X反褶积,BM3D和自适应频域滤波算法,本文方法能更好地压制随机噪声和保护有效信号.最后,本文采用神经网络可视化方法对去噪CNN的机理进行了探索,一定程度上解释了网络每一层的学习内容. 相似文献
7.
在地震勘探中，层间多次波在地震剖面上形成的虚假界面会严重影响对地质构造的解释.由于层间多次波在走时、频率和形态上与一次波的差异较小，因此较难对层间多次波进行识别和压制.本文使用分层层间多次波预测方法与基于2D卷积信号盲分离的多次波自适应相减方法相结合的策略对层间多次波进行压制处理.首先推导并阐述了分层层间多次波预测方法的理论基础，然后对地下介质中存在的多个多次波产生界面实现了层间多次波的分层预测，最后采用基于2D卷积信号盲分离的多次波自适应相减方法对层间多次波进行压制，以更好的保护有效信号.分层预测的方法通过分离层间多次波产生层位，对目标层位产生的所有层间多次波直接进行预测，该方法避免了共聚焦点方法构建共聚焦点道集的聚焦运算，降低了计算成本，同时该方法是基于数据驱动的，算法容易实现.模型数据和实际地震资料试算结果表明，本文方法能直接利用地表数据对层间多次波进行压制，并有效的保护一次波． 相似文献
8.
在采集得到地震数据中，随机噪声常常与有效信号混合在一起，并且毫无规律，使用常规去噪方法不能够达到理想的效果，影响后续的地震数据处理工作.为有效压制地震数据中的随机噪声，本文根据深度学习的相关理论，提出了一种基于深度卷积自编码网络的数据驱动的去噪方法，可以解决随机噪声难以去除的问题.在卷积自编码器的基础之上，网络使用了较多的层数并加入跳跃连接构造，从而增加了网络的深度，能够提取并结合数据中深层与浅层特征，增强对随机噪声的处理能力，更好地恢复有效信号的细节.经过实验证明该方法对于不同水平的随机噪声的压制均有优异的表现，在去噪的效果上远超中值滤波、小波变换等传统去噪方法，同时也比经典的DnCNN网络更加优秀，能够完整地保留有效信号，极大提升地震数据的质量. 相似文献
9.
高分辨率的宽带地震勘探技术是最近几年海上油气地震勘探的热点问题,鬼波压制是其中的核心议题.石油工业界,除了提出各种压制鬼波的采集方式外,资料处理过程中压制鬼波的方法也在不断地推陈出新.源、检鬼波的存在使得反射子波的有效频带变窄,成像分辨率降低,且干扰后续的自由表面多次波压制、FWI等.不同于常规的鬼波压制模型,本文基于编码与解码理论框架,用编码建立起鬼波预测模型,在Bayes反演框架下建立起解码估计一次波、从而压制鬼波的方法.基于此鬼波预测模型及相应反演理论的鬼波压制方法对鬼波的压制更为彻底.理论模型数据与实际资料测试结果验证了本文提出的理论框架和方法技术的有效性与优越性. 相似文献
10.
为了快速、高效地从地震数据中识别地震事件和拾取震相，本文利用基于样本增强的卷积神经网络自动震相拾取方法，将西藏林芝地区L0230台站3个月数据作为训练集，该区内另外6个台站连续1个月的波形数据作为测试集，采用高斯噪声、随机噪声拼接、随机挑选噪声、随机截取地震事件等4种样本增强的方法扩增训练集，以提高自动震相拾取技术的准确率。结果显示:样本增强前模型在测试集上的地震事件识别准确率为80%，样本增强后提升至97%，表明样本增强有效地提高了模型的泛化性能和抗干扰能力；在0.5 s误差范围内，震相自动拾取准确率高于81%，在1.0 s误差范围内，准确率高于95%；利用基于样本增强的卷积神经网络震相拾取方法能够检测出人工拾取震相中误标和漏检的震相。 相似文献