文档介绍：该【数据增广的编解码卷积网络地震层间多次波压制方法 】是由【tiros009】上传分享，文档一共【12】页，该文档可以免费在线阅读，需要了解更多关于【数据增广的编解码卷积网络地震层间多次波压制方法 】的内容，可以使用淘豆网的站内搜索功能，选择自己适合的文档，以下文字是截取该文章内的部分文字，如需要获得完整电子版，请下载此文档到您的设备，方便您编辑和打印。:.
2022年8月第57卷 第4期
·智能地球物理·文章编号:10007210(2022)04075711
数据增广的编解码卷积网络
地震层间多次波压制方法
刘小舟①胡天跃①刘韬②魏哲枫②谢飞②安圣培②
(①北京大学地球与空间科学学院,北京100871;②中国石化石油勘探开发研究院,北京100083)
刘小舟,胡天跃,刘韬,魏哲枫,谢飞,
物理勘探,2022,57(4):757767.
摘要 层间多次波压制是地震资料去噪领域的一项前沿技术挑战,对获取高质量数据、了解地下真实构造具有
十分重要的意义。现有的层间多次波压制方法耗时长,对人工参数调整要求高,处理低信噪比数据时可能导致
层间多次波泄露。为此,提出一种基于数据增广的编解码卷积神经网络层间多次波压制方法。首先,利用基于
虚同相轴的层间多次波压制方法从原始数据中估计出一次波和层间多次波,生成一次波标签数据。然后,构建
两种增广训练集:一方面,通过改变训练样本中层间多次波的振幅、极性及旅行时,进行层间多次波波场数据的
增广,提高层间多次波压制网络的泛化能力;另一方面,通过对原始数据添加不同信噪比的高斯噪声进行噪声
注入的数据增广,提高网络的抗噪性能。最后,结合去噪卷积神经网络(DnCNN)和U形全卷积神经网络(U
Net)的优势搭建了适合层间多次波压制的深层编、解码网络,进行神经网络训练和预测。合成数据和实际数据
的处理结果表明,该方法能够有效压制地震层间多次波并保护一次波,具有较强的泛化能力和抗噪性能,可显
著提高计算效率。
关键词 层间多次波压制 虚同相轴 卷积神经网络 编解码网络 数据增广
中图分类号:P631 文献标识码:A 犱狅犻:.
据驱动方法。模型驱动方法以地下地层的假设模型
引言为基础,进行层间多次波预测。Verschuur等[2]将
0
自由表面多次波压制(SRME)技术扩展到层间多次
在地震勘探过程中,复杂地质环境通常产生严波压制,提出共聚焦点(CFP)策略,利用上覆地层的
重的干扰波,对地震资料的处理、解释等带来不利影宏观速度信息预测层间多次波模型。而数据驱动类
响。其中,地震多次波与一次波波组特征相似,尤其方法无需对地层做模型假设,从野外记录数据出发,
是层间多次波,剩余时差小,预测及压制难度大,严进行层间多次波预测。Weglein等[3]基于散射理
重影响构造及油气识别的准确性。因此,研究多次论,提出逆散射级数法(ISS),经过Luo等[4]、Wan
g
波压制方法在地震勘探领域具有重大意义。地震多等[5]改进后,能够压制二维和三维实际数据中的层
次波通常分为表面多次波和层间多次波。其中,表间多次波,但该方法计算量巨大,限制了其用于大规
面多次波压制技术已较成熟,而层间多次波压制技模叠前数据。此外,等[6]利用自
MelesMarchenko
术在大规模应用方面效果仍不够理想。聚焦方法压制层间多次波,叶月明等[7]在SRME方
现有的层间多次波压制方法主要是基于波动方法的基础上,提出了层间多次波压制的数据驱动迭
程的预测减去法[1],根据地震资料预测层间多次波代算法。但这些层间多次波压制技术在实际数据应
模型,再从原始数据中减去,包括模型驱动方法和数用方面仍未成熟。
北京市海淀区颐和园路5号北京大学地球与空间科学学院,100871。Email:******@
本文于2021年6月30日收到,最终修改稿于2022年4月13日收到。
本项研究受国家重点研发计划变革性技术关键科学问题重点专项“多元信息联合驱动的地震成像方法研究”(2018YFA0702503)和国家自
然科学基金项目“基于Marchenko方程的数据驱动一次波和层间多次波成像研究”(41674122)联合资助。:.
7 58石油地球物理勘探2022年
Ikelle[8]提出了利用地震数据中的虚同相轴进面多次波模型作为输入,利用CNN实现表面多次
行层间多次波压制的方法,后人对该方法进行了多波预测模型,与原始数据的自适应匹配相减,取得了
种改进,并应用于实际数据:An等[9]利用虚同相轴优于传统匹配相减算法的效果。此外,宋欢等[29]利
;刘用CNN对合成数据中的CMP道集进行多次波压
嘉辉等[10]、等[11]、崔永福等[12]发展了虚同相轴制;等[17]利用压制合成地震数据中的
LiuYuDnCNN
方法并压制实际地震数据中的层间多次波,取得了表面多次波。然而,尚未见到神经网络方法应用于
较好效果。由于虚同相轴方法计算效率较低,一定层间多次波压制。
程度上依赖于人工参数调整和层位拾取,且处理低本文将神经网络方法应用于层间多次波压制,
信噪比数据时可能存在多次波泄露,限制了虚同相设计较为适合层间多次波压制的深层编、解码卷积
轴方法的规模化应用。网络,并发展了两种数据增广方法,建立了基于数据
随着人工智能技术的发展和推广应用,借助深增广的编解码卷积网络层间多次波压制框架。首
度学习模型的强大特征提取能力,对地震资料进行先,利用虚同相轴方法对实际数据进行层间多次波
智能化处理、解释成为可能,例如初至拾取[1314]、储压制,估计出一次波及层间多次波,将估计出的一次
层预测[15]、断层解释[16]等。目前,地震数据去噪成波作为标签;然后,构建两种增广训练集,通过改变
为人工智能技术在地球物理领域的应用热点之一,层间多次波波场的数据增广提高网络对新数据集的
利用深度学习模型能够建立含噪数据与干净数据的泛化能力和适应性,通过高斯噪声注入的数据增广
映射关系,模型训练完成后实现对新数据集的自适提高网络的抗噪性能;最后,基于增广训练集进行
应去噪,避免人为参数调整和耗时过长等问题[17]。编解码网络的训练及预测。合成及实际数据的实验
在图像处理领域,Jain等[18]利用卷积神经网络结果表明,本文提出的数据增广的编解码卷积网络
(CNN)进行自然图像去噪,证明CNN能够有效学层间多次波压制方法,能够有效压制复杂层间多次
习从含噪图像到干净图像的非线性映射;此后,波并保护一次波,具有良好的泛化能力和抗噪性能,
CNN由于具有较强的特征提取能力及更少的待训同时显著提高了计算效率。
练参数,得到了快速发展。等[19]提出
Ronneberger
的U形编码与解码卷积神经网络(UNet)以及1 方法原理
Zhan等[20]提出的去噪卷积神经网络(DnCNN),
g
均在图像去噪方面得到广泛应用。在有些应用领数据增广的编解码卷积网络层间多次波压制算
域,数据及标签数据获取难度大,训练数据的不足通法主要包括深层编解码网络和两种数据增广方法,
常导致神经网络泛化能力不高,因此相继发展了不即改变层间多次波波场的数据增广和高斯噪声注入
同的数据增广方法,包括几何变换[21]、噪声注的数据增广。
入[22]、多数据混合[23]等。神经网络层间多次波压制原理
在地震数据去噪方面,利用CNN进行地震随含层间多次波及随机噪声的地震数据可以表
机噪声压制已比较成熟。韩卫雪等[24]利用DnCNN示为
压制随机噪声,高好天等[25]对比了DnCNN与U犱=+犿+狀(1)
狆
模型的随机噪声压制效果。王钰清等[26]提出式中:为一次波数据;、分别为层间多次波、随
Net狆犿狀
基于数据增广的CNN随机噪声压制框架,通过几机噪声。
何变换及噪声注入的数据增广方法增加训练数据的利用神经网络压制噪声的目标是在无任何假设
多样性,取得了较好的实际数据随机噪声压制效果。的情况下,从犱中恢复狆,即
在多次波压制方面,神经网络方法已被用于压^狆=Net(犱;θ)(2)
制表面多次波。Siahkoohi等[27]将原始数据和式中:^为网络输出,即预测的一次波,是真实一次
狆
SRME算法的多次波初步预测模型作为输入,利用波狆的近似;θ是网络的待优化参数,在CNN中包
生成对抗网络(GAN)对实际数据中的表面多次波括卷积核权重狑及偏差犫;Net为网络结构。在网
进行压制;Li等[28]也将SRME算法预测得到的表络训练过程中,输入数据首先进行前向传播,逐层计:.
第57卷 第4期刘小舟,等:数据增广的编解码卷积网络地震层间多次波压制方法 759
算后得到输出数据;之后进行反向传播以更新网络复成原始图像尺寸;解码网络的第2~第5个反卷
参数,使网络输出与一次波标签的误差逐渐降低到积层输出的特征图跳跃接连编码网络中同层特征
最小,第犽层网络参数的更新可表示为图,使网络融合深层到浅层的多维信息,提取更精细
烄(犽)(犽)犔(狑,犫)的特征。网络最后加入只包含1个卷积核的卷积
狑=狑-α(犽)
狑层,以复原输出通道数,并用Tanh函数激活后输
烅(3)
(犽)(犽)犔(狑,犫)出。网络输入为含层间多次波的原始数据,网络输
犫=犫-α(犽)
烆犫出为预测得到的一次波。
犖
犔(狑,犫)1^2(4)
=犖∑狆犻-狆犻2
犻=1
式中:犔(狑,犫)为损失函数,是一次波数据与预测一
次波数据的均方误差(MSE);犖为输入数据个数;
α为学习率,表征网络参数更新的幅度,训练初期使
用较大学习率以便快速得到较优解,随后逐步减小
学习率使模型稳定收敛。在进行层间多次波压制
时,神经网络需要预测出输出数据每个样点的具体
值,因此本质上属于回归问题。MSE是回归问题中
的常用损失函数,能够让网络收敛快速稳定,本文将
网络输出与标签数据的MSE作为损失函数。
图1 层间多次波压制的解编码网络结构
深层编解码网络结构图中数字表示输出特征图个数
DnCNN是图像去噪领域常用的网络之一。网
改变层间多次波波场的数据增广
络使用的批归一化操作可以将每层神经网络的输入
神经网络处理训练集以外的、具有相同规律的
值归一化到较标准的分布,使非线性函数对输入更
新数据的能力即为网络的泛化能力。当训练数据有
为敏感,缓解训练过程中的梯度消失问题[22],提高
限时,通过数据增广丰富训练集中的特征多样性,能
网络收敛速度。UNet是图像分割领域的经典算够提高网络的泛化能力。对于三维地震数据,不同
法,它具备的编码与解码结构使网络随深度增加能剖面中的层间多次波在振幅、极性和旅行时上存在
够提取不同尺寸的信息,且编码、解码网络间的跳跃差异,这会由地下构造导致,也可能由接收仪器或不
连接操作使网络融合多维信息,提取复杂特征。因同处理流程产生的系统误差所致。据此设计了改变
此,结合DnCNN与UNet两种网络的优点搭建层层间多次波波场的数据增广方法,简称波场增广方
间多次波压制网络。法,通过对层间多次波进行适当改变,模拟待处理的
构建的网络结构如图1所示,由编码网络和与其余地震剖面数据的层间多次波,提高神经网络处
之对称的解码网络构成。编码网络包含五层卷积理新数据的泛化能力。
层,卷积核尺寸设置为4×4,卷积核步长为2,使网首先利用虚同相轴方法处理原始数据,估计出
络逐层提取特征并进行下采样,每个卷积层输出特一次波及层间多次波,然后对估计出的层间多次波
征图的长与宽变为输入的1/2,以获取更大的感受数据进行振幅、极性、旅行时的改变,将改变后的层
野;卷积核数量从第二层后逐层翻倍,使输出特征间多次波与一次波相加,以得到波场增广后的训练
图数目扩大2倍以充分保留有效特征;第二层以下样本。由于一次波是网络的学习目标及期望输出,
的卷积层后加入批归一化操作以缓解梯度消失问因此不对估计出的一次波进行改变,以保证网络的
题;之后使用Relu函数激活,加速网络收敛。学习目标准确,输出结果可靠。
解码网络包括五层反卷积层,用于特征恢复,每波场增广过程可表示为
层卷积核尺寸、数量及步长等与编码网络中同层卷烄犱(狋)=狆0(狋)+犿0(狋)
积核的设置相同,则每次反卷积后输出特征图个数烅犿1(狋)=γ犿0(狋+Δ狋)(5)
缩小为原来的1/2,尺寸增大2倍,使特征图最终恢烆犱′(狋)=狆0(狋)+犿1(狋):.
7 60石油地球物理勘探2022年
式中:狆0、犿0分别为利用虚同相轴方法估计出的一时学习两种干扰的特征,训练完成后具备同时压制
次波和层间多次波;犿1为波场增广后的层间多次两种干扰的能力。
波;犱′为波场增广后得到的训练样本,即估计一次得到高斯噪声注入的训练样本后,同样将虚同
波与波场增广后的层间多次波之和;Δ狋表示层间相轴方法估计的一次波作为对应的标签,加入训练
多次波波场在时间维度浮动的采样点数;γ表示层集,完成高斯噪声注入的数据增广。
间多次波振幅与极性改变系数,取负数时表示极性
反转,绝对值小于1表示振幅绝对值减小,2 合成数据算例
γ-1表示振幅浮动的百分比。
需要注意的是,通过波场增广方法生成的数据本文利用基于数据增广的编解码卷积网络层间
需要与待处理的地震数据在旅行时、振幅与极性特多次波压制算法处理合成数据,并与虚同相轴方法
征等方面基本吻合,以保证增广数据中的层间多次的结果进行对比,以验证层间多次波压制效果。首
波满足实际的地下传播规律,才能准确模拟待处理先,参考塔里木盆地TH地区X井的测井数据
数据,提高神经网络处理新数据集的效果。因此波(图2),建立多层倾斜层状地质模型(图3)。采用波
场延拓层间多次波模拟法[30]对该模型进行地震正
场增广参数γ及Δ狋的取值需要根据实际地震数据
中同相轴的振幅、极性、旅行时特征进行尝试后选演,得到图4a所示的合成数据,时间采样点数为
择。对于构造或岩性变化较大地区,Δ狋及γ的取值416,采样间隔为4ms。图4b和图4c分别为合成数
范围可以适当增大;当岩性变化剧烈,以至于不同据的真实一次波与层间多次波,、
剖面中上、下地层波阻抗差符号相反时,、,干扰了真实有
值,模拟极性相反的同相轴。效波信号。对该合成数据利用虚同相轴方法压制层
得到波场增广的训练样本后,将虚同相轴方法间多次波以制作标签(图4d),绝大部分层间多次波
估计的一次波数据作为对应的标签,并加入波场增得到了较好的压制,尤其是1s以下已不存在明显的
广训练集,完成改变层间多次波波场的数据增广。层间多次波同相轴,且一次波没有明显损失,说明虚
高斯噪声注入的数据增广同相轴法对合成数据的层间多次波压制较准确,是
实际地震数据通常信噪比较低,随机噪声的存制作一次波标签的有效方法。
在是影响虚同相轴方法效果的潜在因素之一。据此
设计了高斯噪声注入的数据增广方法,使增广后训
练样本包含层间多次波和高斯噪声两种干扰,以模
拟低信噪比的地震数据。神经网络经过训练能够同
时压制数据中的层间多次波及高斯噪声,具有较强
的抗噪性能。
同样,首先利用虚同相轴方法对原始数据进行
层间多次波压制,估计出一次波及层间多次波。需
要注意的是,如果原始地震数据信噪比较低,影响了
虚同相轴方法的层间多次波压制效果,需要通过已
有的随机噪声压制方法对数据进行预处理,以保证
虚同相轴方法生成的一次波标签准确。对原始地震
数据加入不同信噪比的高斯噪声,以生成低信噪比
地震数据,作为训练样本。信噪比可以表示为
图2 塔里木盆地TH地区X井测井曲线
SNR10l狆+犿2(6)
=g(a)速度;(b)密度
狀2
高斯噪声注入后的训练样本包含层间多次波和高斯得到一次波标签后,利用两种数据增广方法构
噪声两种干扰,因此,神经网络在训练过程中能够同建训练集、验证集及测试集,样本比例为10∶1∶1,:.
第57卷 第4期刘小舟,等:数据增广的编解码卷积网络地震层间多次波压制方法 761
三类数据集中的数据完全不重合, 改变层间多次波波场的数据增广
400组带标签数据,并使用本文搭建的网络训练。为了验证本文算法对变化较大的层间多次波的
训练过程中,通过验证集收敛情况确定合理的超参泛化性,选择波场增广参数Δ狋∈[0,7],γ∈[,
数,采用Adam优化算法更新参数,]。得到增广数据集后,分别利用本文搭建的网
数减小而逐步下降,网络训练600轮次,采用小批量络及DnCNN进行训练并测试,对比层间多次波压
训练法,每次以一个批量的地震数据为单元进行训制效果。
练,批大小设置为2。图5是本文网络与DnCNN对波场增广后的倾
斜模型正演数据进行层间多次波压制的结果。波场
增广后的数据如图5a所示,其中波场增广参数为
Δ狋=6,γ=。本文网络较精确地压制了振幅增大
图3 倾斜层状速度模型
图5 本文网络与DnCNN对波场增广后合成
数据的层间多次波压制结果对比
图4模型正演数据及虚同相轴法得到的一次波标签(a)波场增广后的合成数据;(b)本文算法的压制结果;(c)本文算法
预测的层间多次波;(d)本文算法压制结果与一次波标签数据的差;
(a)正演数据;(b)一次波数据;(c)多次波数据;(d)虚同相轴法得(e)DnCNN的压制结果;(f)DnCNN压制结果与一次波标签数据
到的一次波标签数据。红箭头指示了微弱的层间多次波压制误差的差:.
7 62石油地球物理勘探2022年
且旅行时改变的层间多次波(图5b~图5d)。神经
网络对波场增广数据的压制结果表明,在仅有原始
训练数据及标签的情况下,利用波场增广策略能够
使训练好的神经网络对新数据集中层间多次波实现
智能自适应压制,与传统方法相比显著提高了效率。
图5e、图5f为DnCNN的层间多次波压制结果和误
差,与本文网络压制结果相比,误差较大,存在部分
一次波损失,因此本文设计的网络能够更有效地学
习信号特征,压制复杂层间多次波的同时充分保护
有效信号。
高斯噪声注入的数据增广
为了验证本文算法的抗噪性能,利用高斯噪声
注入的数据增广方法建立增广数据集,数据集信噪
比为0~30dB,进行神经网络训练后,分别利用虚同
相轴法及本文层间多次波压制方法对不同信噪比的
地震数据进行层间多次波压制。
图6为本文层间多次波压制算法对信噪比为
5dB地震数据的层间多次波压制结果,并与虚同相
轴方法进行对比。本文算法抗噪性强,对低信噪比
数据中的层间多次波仍有较好压制效果,误差较小,
且能同时压制高斯噪声与层间多次波(图6b~
图6d)。相比之下,虚同相轴方法抗噪性较差,压制
结果存在层间多次波残留(图6e红色箭头所示),预
测误差含有一次波能量损失(图6f绿箭头所示)。
采用均方误差(MSE)作为定量指标验证两种
方法对不同信噪比数据中层间多次波的压制效果
(表1)。在压制低信噪比数据中的层间多次波时,
虚同相轴方法抗噪性差,尤其是当信噪比低于10dB
时,虚同相轴方法压制结果存在较大误差,噪声和层图6 本文算法对噪声注入增广后合成
间多次波有残留,一次波有损失。本文的神经网络数据的层间多次波压制结果
(a)噪声注入增广后的模拟数据;(b)本文算法压制结果;(c)本文算
方法层间多次波压制结果的MSE能够减小三个量法压制的噪声;(d)本文算法压制结果与一次波标签数据的误差;
级。神经网络作为数据驱动的算法,能够充分学习(e)虚同相轴方法的压制结果;(f)虚同相轴方法压制结果与一次波
标签数据的误差。红箭头指示层间多次波残留,绿箭头指示一次波
增广数据集中两种噪声的特征,在具备层间多次波损失
压制能力的同时具有抗噪性能。因此,通过将神经
网络与高斯噪声注入的数据增广方法结合,能够实
现抗噪性能强的层间多次波压制。3 实际数据算例
表1 不同信噪比数据两种算法压制结果的犕犛犈统计
将本文算法应用于塔里木盆地TH地区三维
数据信噪比/dB虚同相轴方法本文算法
偏移地震数据进行层间多次波压制。该地区地震数
×10-×10-6
×10-×10-7据包含700条主测线,时间采样点数为7000。利用
×10-×10-8虚同相轴方法对三维数据体中的不同主测线压制层
×10-×10-8
间多次波以生成标签数据。:.
第57卷 第4期刘小舟,等:数据增广的编解码卷积网络地震层间多次波压制方法 763
图7为地震测线1902的偏移剖面及虚同相轴证网络的泛化性能。
法压制层间多次波后的结果。
。虚同相轴方法压制程度,剧烈时应提供更多的带标签测线数据作为训
~,并主要压制了练数据,以保证神经网络学习到不同主测线数据中
,如的特征。塔里木盆地TH地区构造较为复杂,缝洞
图7a、图7b中蓝色箭头所示。、断层等发育,且不同的主测线数据间存在一定变
。。本文在每2、6、8条带标签测线数据中选1条加
,检验不同数量训练数据对神经网络层间
。以固定间隔选择训练数
的旅行时差,体现出了周期性的特征,即蓝色箭头指据,能够使神经网络基于最少的训练数据,充分学习
,缩短训练标签制作时间与
。网络训练时间。为提高神经网络在小样本训练情况
在原始剖面上,这些倾斜同相轴掩盖了绿箭头指示下的表现,使用层间多次波波场增广方法扩充训练
的水平同相轴能量(图7c);多次波压制后,绿色箭集。考虑到相邻测线中同相轴形态、振幅与极性特
头所示的水平同相轴能量得到了恢复。征及旅行时差别不大,本文设置了几组浮动范围较
得到一次波标签后,将部分带标签测线数据作小的波场增广参数,并对比不同参数训练的网络在
为训练集,其余作为测试集和验证集。不同主测线测试环节中取得的MSE值,最终选取的波场增广
数据中同相轴形态、振幅及极性特征、旅行时等均有参数为Δ狋∈[0,1],γ∈[,],采用这组参数训
差异,因此对训练集以外的主测线进行测试能够验练的网络在测试环节能够取得最小的MSE。
图7 塔里木盆地TH地区地震偏移剖面及其虚同相轴法的层间多次波压制结果
(a)地震测线1902偏移剖面;(b)虚同相轴法压制的层间多次波;(c)虚同相轴法层间多次波压制结果(一次波标签)。
绿箭头所示为原始数据中被倾斜多次波同相轴掩盖的水平同相轴;
生成数据集后,对编解码网络进行训练。图8定量指标验证压制效果。
为每2条带标签测线数据中选1条作为训练数据表2为训练数据量不同时,本文算法对测试集
时,网络训练过程中损失函数的收敛情况。无论训数据压制层间多次波后的MSE平均值,并对比了
练集还是验证集,损失函数的收敛均较稳定,前100神经网络基于原始训练集与波场增广训练集训练后
轮次lg犔从-3迅速下降到-5左右。随着训练轮的层间多次波压制结果。随着训练数据的减少,神
次的进一步增加,lg犔下降速度逐渐变慢,在第300经网络的压制误差逐渐增大;而进行数据增广可以
轮次网络基本达到较稳定的收敛结果,而继续训练提高神经网络在小样本训练时的表现,当训练数据
能使网络取得更好的层间多次波压制效果。网络训为主测线总数的1/6及1/8时,进行波场增广后
练完成后,×10-×10-6。对于构
层间多次波压制,以验证方法的泛化性能,并与虚同造复杂多变的实际地震资料,基于相同的训练数据
相轴方法的一次波标签进行对比,采用MSE作为时,神经网络结合波场增广方法后,能够对训练集以:.
7 64石油地球物理勘探2022年
外的新测线数据取得更好的层间多次波压制效果,带标签测线数据中选1条作为训练数据时,由于训
泛化能力更强。练数据较少,神经网络的压制误差较大,如图9e、
图9为训练数据数量不同时,~。
1902条主测线的层间多次波压制结果。当训练数对于后两种情况,进行波场增广后,基于增广训练集
据为主测线总数的1/2时,神经网络的压制结果较训练的神经网络的层间多次波压制结果如图10所
好,不存在明显误差(图9a、图9d)。当每6条或8条示。增广训练后神经网络的压制误差明显变小,说
明本文提出的波场增广方法能在一定程度上缓解神
经网络训练过程中训练样本缺少的问题,提高网络
压制新数据集中层间多次波的效果,使网络具有更强
表2 不同数量训练集压制结果的犕犛犈统计
训练数据数量与是否进行
主测线总数之比波场增广MSE
1/×10-6
1/×10-5
1/×10-5
1/×10-5
图8 网络训练过程损失函数的收敛曲线
1/×10-5
蓝色表示训练集收敛曲线,橙色代表验证集收敛曲线
图9 测线1902、不同数量训练集的层间多次波压制效果分析
(a)1/2训练集的压制结果;(b)1/6训练集的压制结果;(c)1/8训练集的压制结果;
(d)图a与标签数据(图7c)的差;(e)图b与标签数据的差;(f)图c与标签数据的差
的泛化能力。噪声注入数据及本文算法的层间多次波压制结果、
为了验证本文层间多次波压制算法的抗噪性,压制的噪声及压制误差。本文算法处理低信噪比数
对塔里木盆地TH地区地震数据进行高斯噪声注据时,能够同时压制高斯噪声以及层间多次波
入的数据增广,得到信噪比在0~30dB范围内的数(图11c),压制结果与一次波标签的误差较小,这是
据,生成训练集、验证集与测试集,并进行神经网络由于高斯噪声注入的数据增广方法使网络具备了抗
训练,训练完成后对测试集中的低信噪比数据进行噪能力。
层间多次波压制。图11是测线1800信噪比为5dB本文深层编解码网络在训练过程中的GPU内存:.
第57卷 第4期刘小舟,等:数据增广的编解码卷积网络地震层间多次波压制方法 765
图10 测线1902、波场增广后的层间多次波压制效果
(a)1/6训练集压制结果;(b)1/8训练集压制结果;(c)图a与标签数据的差;(d)图b与标签数据的差
图11 测线1800高斯噪声注入后本文算法的层间多次波压制结果
(a)噪声增广数据;(b)压制结果;(c)压制的噪声,含高斯噪声与层间多次波;(d)压制误差(图b与标签数据的差)
占用为18559MB,整个网络的训练共耗时约费266s,且压制前要求人为拾取层间多次波的来源
4h10min。训练完成后,利用网络对700条主测线层位。而本文方法在神经网络训练完成后,