[发明专利]基于卷积神经网络的邻炮干扰分离方法及装置

说明书

一种基于卷积神经网络的邻炮干扰分离方法及装置，方法包括：选取地震数据中任意两炮数据，将邻炮干扰数据与主炮数据叠加，得到第一输入数据，邻炮干扰数据为第一标签数据；通过高效混叠采集方式得到实际数据，对实际数据利用稀疏反演方法进行邻炮干扰分离，将分离前的数据作为第二输入数据，将分离后的数据作为第二标签数据；根据道集抽取方法，将上述数据变换到检波点道集，划分为测试集与训练集；对卷积神经网络的参数进行初始化，获得初始模型，将训练集输入至初始模型，得到邻炮干扰分离模型，进行邻炮干扰分离处理。本发明能够有效分离邻炮噪声，提高分离效率、精度及地震资料信噪比，为地震资料定量解释和储层预测提供高质量基础数据。

技术领域

本发明涉及地震资料处理技术领域，尤指一种基于卷积神经网络的邻炮干扰分离方法及装置。

背景技术

地震采集技术是地震勘探流程中的重要一环，该技术使用放炮的方式激发地震波，引起地下介质的振动，再利用称之为检波器的接收仪器按照时间先后顺序收集从地下反射到地面的信号。为了避免接收到的信号交叉干扰，传统的地震采集过程中，邻炮之间都设置了足够长的等待时间，但是这导致现场施工周期长，采集效率低下。

为了满足高精度地震勘探的需求，近年来高密度高效地震数据采集技术得到了迅猛的发展。这类技术使用多组震源，在满足一定时距规则的条件时独立自主激发，称之为混叠采集技术。该技术缩短了采集时间，极大地提高了地震采集效率，降低了成本。但是由于邻炮激发时间间隔较短，导致来自不同炮点的地震波发生混叠，严重降低了地震数据信噪比和成像质量。因此，邻炮干扰分离是高效混叠采集数据处理的必要环节。

目前，邻炮干扰分离方法主要分为两类，一类是基于滤波的方法：由于高效混叠采集方法的震源大多采用随机时间延迟的方式进行激发，因此除炮集之外的其他道集(共检波点道集、共中心点道集或共炮检距道集)中，有效信号是连续的，而混叠噪声表现出随机离散的特征。因此，基于滤波的邻炮干扰分离方法主要利用了邻炮干扰在非炮集上的随机离散特征进行分离。但是，该类方法在邻炮干扰比较严重时，会损伤有效信号，导致邻炮干扰分离效果不理想；另一类是基于反演的方法：高效混叠采集技术的混叠过程可视为一个正演问题，邻炮干扰分离则可视为反演问题。基于稀疏反演的分离方法主要是利用有效信号在变换域中的稀疏性特征，在迭代过程中不断收缩阈值，逐步提取有效信号，并消除邻炮干扰噪声，改善邻炮干扰分离结果。相对于基于滤波的分离方法，稀疏反演方法混采数据分离效果更好，但计算成本较高，难以推广到实际应用。尤其对于高效混采数据，由于混叠度高、信噪比低、数据量大，对分离方法提出了更加严峻的挑战。

因此，目前亟需一种分离效果好且效率高的邻炮干扰分离方法。

发明内容

本发明实施例的主要目的在于提供一种基于卷积神经网络的邻炮干扰分离方法及装置，实现分离效果好且效率高的邻炮干扰分离。

为了实现上述目的，本发明实施例提供一种基于卷积神经网络的邻炮干扰分离方法，所述方法包括：

选取地震数据中任意两炮数据，分别作为主炮数据及邻炮干扰数据，将所述邻炮干扰数据按照随机时间延迟与所述主炮数据叠加，得到的混叠数据作为网络学习的第一输入数据，所述邻炮干扰数据作为网络学习的第一标签数据；

通过高效混叠采集方式得到含有邻炮干扰的实际数据，对所述实际数据利用稀疏反演方法进行邻炮干扰分离，将邻炮干扰分离前的实际数据作为网络学习的第二输入数据，将邻炮干扰分离后的实际数据作为网络学习的第二标签数据；

根据道集抽取方法，将所述第一输入数据、第二输入数据、第一标签数据及第二标签数据变换到检波点道集，并按照预设比例将变换后的数据划分为测试集与训练集；

对预设的卷积神经网络的参数进行初始化，获得卷积神经网络的初始模型，将所述训练集输入至所述卷积神经网络的初始模型进行模型训练，得到邻炮干扰分离模型，并利用所述邻炮干扰分离模型进行邻炮干扰分离处理。