[发明专利]基于深度学习频谱分割的动态自适应衰减补偿方法及系统

说明书

本发明属于地震数据处理技术领域，公开了一种基于深度学习频谱分割的动态自适应衰减补偿方法及系统，进行深度学习频谱分割和组合补偿函数的设计；通过深度学习对地震信号的频谱进行分割，确定补偿区域和噪声压制区域，二者的连接点即为补偿函数的最大增益点；补偿函数由指数增长函数、二次函数和指数衰减函数三部分组成，在有效频带范围内进行指数补偿，在有效频带范围外进行指数衰减；将深度学习和补偿函数结合，实现对地震资料的智能Q补偿。本发明利用深度学习对地震信号的频谱进行分割，结合相应的组合型补偿函数进行地震信号的衰减补偿，解决了地震信号补偿中的不稳定问题。

技术领域

本发明属于地震数据处理技术领域，尤其涉及一种基于深度学习频谱分割的动态自适应衰减补偿方法及系统。

背景技术

在地震勘探过程中，由于大地滤波效应的存在，地震信号会发生衰减，导致深层地震信号带宽窄，有效能量弱，给油气识别带来困难。对地震波衰减效应进行补偿，也被称为Q(品质因子)补偿，可以增强地震信号的深层能量，有效提高地震资料的分辨率。Q补偿是一种指数补偿，存在补偿不稳定问题。

目前稳定的Q补偿实现可以分为两类：

一类是添加稳定因子改造理论的补偿函数，但稳定因子需要通过经验值获取，而同一稳定因子又难以适合一个工区内的所有地震信号，因而造成补偿后剖面的连续性降低，或出现线性噪音等问题；

另一类是自适应的补偿方法，该类方法一般是设计转换函数，根据Q值不同压制高频噪音，在低Q区控制振幅的增益倍数，以此改善补偿不稳定问题；这种方法本质上改变了Q值的大小，不符合Q补偿的物理意义。

本发明通过深度学习先分割出频谱上的有效区域和噪声区域，在有效区域内按照理论公式进行补偿，有效区域外进行压制，在实现自适应补偿的同时，保证了有效信号补偿的物理意义。另外，经调研发现，将深度学习和Q补偿相结合实现智能Q补偿，在本研究领域中是首次尝试。

通过上述分析，现有技术存在的问题及缺陷为：现有技术无法自适应地进行稳定而有效的Q补偿。

解决以上问题及缺陷的难度为：经目前调研发现，将深度学习和Q补偿相结合实现智能Q补偿，在本研究领域中是首次尝试，难点在于两种技术结合实现自适应而有效的补偿。

解决以上问题及缺陷的意义为：通过深度学习进行智能Q补偿，在对靶区资料的频谱进行深度学习的基础上，实现稳定而有效的自适应补偿，使补偿后的地震剖面深层能量增强，分辨率提高，有效高频更丰富，有利于后续的地震资料解释及储层油气预测。从技术上来讲，将深度学习纳入Q补偿的过程中，实现了两种技术的有效结合。

发明内容

针对现有技术存在的问题，本发明提供了一种基于深度学习频谱分割的动态自适应衰减补偿方法。

本发明是这样实现的，一种基于深度学习频谱分割的动态自适应衰减补偿方法，包括：

步骤一，对靶区资料进行初步分析和预处理；

步骤二，随机从靶区资料中挑选若干道信号作为训练样本，并对其振幅谱进行人工标签分类，选取振幅谱右侧第一个主峰值为分类标准；

步骤三，利用样本数据和标签进行神经网络训练；

步骤四，随机从靶区资料中选取若干道信号作为验证，按照步骤二中的标准进行标签分类；

步骤五，将训练好的神经网络用于验证道信号，验证神经网络分类的准确程度，若不满意，则重新进行训练；

步骤六，对待补偿信号，利用训练好的神经网络进行振幅谱分割，获得分割点ω₂，计算补偿函数的增益顶点z₂；

步骤七，利用补偿函数，计算信号补偿后的频谱，并进行傅里叶反变换得到补偿后的时间域信号；