[发明专利]基于多震源卷积神经网络的低频地震数据重构方法

说明书

本发明涉及一种基于多震源卷积神经网络的低频地震数据重构方法，包括地震数据预处理得到高质量的主动源地震数据及被动源地震数据；创建训练数据集：将处理后的被动源及主动源数据分别进行低通滤波并分块处理，分别作为样本合集输入数据及标签；建立神经网络模型：搭建基于多震源的卷积神经网络模型，用于主动源低频地震数据的重构；训练：将样本合集和标签合集输入到卷积神经网络模型中。本方法可在缺失主动源低频数据的条件下，利用被动源数据实现重构，其获取的主动源低频信息准确性较高降低了低频信息的采集成本，且在进行简单地去噪后，为接下来的地震反演过程提供高质量的地震数据，改善由于缺失低频信息导致的各种问题，有利于恢复出更多的细节信息。

技术领域

本发明属于地震数据重构技术领域，具体涉及一种基于主动源与被动源联合的卷积神经网络的低频地震数据重构方法。

背景技术

随着油气资源勘探的重心逐渐向地下复杂构造区和深部转移，对地下构造成像质量的要求也越来越高，精准的速度建模是高精度成像的关键。全波形反演是目前地震勘探领域公认的速度建模精度最高的方法，然而，由于地震数据低频信息不足、初始模型依赖性、跳周问题和计算效率问题等缺陷，其应用仍然面临许多挑战。其中，如何得到含有丰富低频信息的宽频地震数据是解决许多问题(初始模型依赖问题和跳周问题等)的突破口，但又是一直以来没有完全解决的问题。

被动源地震信号是指非人工源激发的地震波场，经过在地下介质中传播而被记录到的地震信号，其优点在于：真实来自于地下，携有丰富的地下介质信息，相比于主动源地震勘探，被动源地震勘探不仅成本低廉，且可以在很多不适合进行常规主动源勘探的地区进行。主动源和被动源联合地震勘探要求接收到的被动源地震数据具有较高的质量。但是，被动源地震数据的特点是信噪比低，信号能量弱，震源子波和震源位置未知等。这导致在很长一段时间里，在勘探领域中，人们往往忽略对被动源地震信号的应用。近年来，随着被动源地震干涉法的发展，对被动源地震数据的处理和应用越来越多。如果合理提取并利用这些被动源地震信号，将在成像方面发挥其照明和低频优势，对主动源地震数据进行辅助和补充。

发明内容

本发明的目的就是针对上述现有技术的不足，提供一种基于多震源卷积神经网络的低频地震数据重构方法，利用被动源低频地震数据重构主动源地震数据的低频信息。其获取的低频信息准确性高，对仪器和信号处理水平要求相对降低，降低了低频信息的采集成本。

本发明的目的是通过以下技术方案实现的：

本发明针对地震反演在实际应用中，因为缺少可靠的地震数据低频分量而陷入局部极小值，从而导致失败的现象，本发明的神经网络能够利用被动源地震数据中的有效信息完成主动源地震数据的宽频操作，使得主动源地震数据的有效信号向低频方向延拓，即从不含低频分量的主动源地震数据中学习出相应的低频分量。

一种基于多震源卷积神经网络的低频地震数据重构方法，包括以下步骤：

a、地震数据预处理：对原始主动源地震数据进行静校正、去噪预处理，得到高质量的观测地震数据；

b、形成训练数据集：对处理后的被动源数据进行低通滤波，得到只有10Hz以下的被动源低频数据，并进行分块处理，作为样本合集；对处理后的主动源数据进行低通滤波，得到只有10Hz以下的主动源低频数据，并进行分块处理，作为标签合集；

c、建立神经网络模型：搭建多震源卷积神经网络模型，用于获取主动源低频信息；所述多震源卷积神经网络模型的结构包括：输入层，所述输入层用于输入样本合集和标签合集；隐藏层框架，所述隐藏层框架由3层卷积层、3层池化层及5层全连接层组成，在每一层卷积层组合使用不同尺寸的卷积核；输出层，所述输出层用于输出主动源低频数据，输出采用线性激活函数，卷积神经网络为对称网络，输出数据尺寸和输入大小一致；

d、训练：将步骤b中的被动源样本合集和主动源标签合集，输送到步骤c中的多震源卷积神经网络模型中，模型的输出数据为重构的主动源低频结果。