[发明专利]基于迭代多尺度注意力网络的DAS井中勘探数据噪声抑制方法

说明书

本发明涉及一种基于迭代多尺度注意力网络的DAS井中勘探数据噪声抑制方法，属于地球物理技术领域。包括迭代多尺度注意力网络的建立，训练集的构建，迭代多尺度注意力网络的训练和DAS数据消噪处理。本发明合成数据和实际资料的去噪结果均表明，相比于带通滤波器和前馈去噪卷积神经网络，可以更有效地抑制DAS数据中的复杂噪声，提高其信噪比，恢复的信号在频率和幅度上都很接近于纯净信号，有利于后续的数据处理和解释。

技术领域

本发明属于地球物理技术领域，尤其涉及一种基于迭代多尺度注意力网络的DAS井中勘探数据噪声抑制方法。

背景技术

地震勘探技术是油气资源勘探的一种基本方式，包括野外数据采集，室内数据处理和资料解释等三个环节。分布式光纤声传感(DAS)是地震信号采集的一种新的分布式传感技术。它的采集原理是通过探测激光脉冲在光纤内部散射体产生的瑞利后向散射信号的相位变化，实现光纤轴向应变的测量，进而获取光纤周围的地震波信号。相比于传统电子检波器，DAS具有低成本、耐高温、耐高压、耐腐蚀、节省人力物力成本、适用范围更广，更高效便捷，无需人工干预、采集更精确等众多优势。因此近几年来DAS已经逐步应用于垂直地震剖面地震勘探数据采集。然而，实际采集的DAS地震数据中包含大量的背景噪声，包括随机噪声、异常背景干扰、水平噪声、棋盘噪声及衰落噪声等，使得DAS地震数据相比于传统电子检波器采集数据具有更低的信噪比，不利于后续处理。如何抑制DAS地震数据中的复杂背景噪声，提高其信噪比成为DAS数据处理中一个亟待解决的重要问题。

多年以来，为了抑制地震记录中的各种噪声，国内外专家们提出了许多解决方法。如带通滤波器、小波变换、维纳滤波、时频峰值滤波、经验模态分解(EMD)、变分模态分解(VMD)、鲁棒主成分分析等，这些方法在一些具体问题上取得了很好的效果，但是仍然具有局限性。例如，带通滤波器可以保留特定频率范围内的分量，并将剩余频率范围衰减到较低水平，原理简单、成本低廉，在实际油田生产中应用广泛。但是带通滤波器难以分离共享频带的有效信号和噪声；小波变换依赖于寻找能够将有效信号和噪声分离的最佳阈值，获取最优阈值具有一定难度；EMD在处理噪声含量高、信噪比低的地震数据时，对于信号振幅的保留很差。另外还有多尺度分解类方法，如曲波变换(curvelet)、轮廓波变换(contourlet)和剪切波变换(shearlet)，压缩感知，字典学习，低秩矩阵分解等方法，但由于这些处理方法也都需要先验信息及参数优化等，限制了其对DAS地震数据的去噪效果。

近几年来，深度学习在地球物理学问题中具有巨大潜力，卷积神经网络具有能够在没有先验知识的前提下，通过提取数据的深层特征，实现自动学习的优势。一些网络方法已经被成功应用于地震数据去噪中。前馈去噪卷积神经网络(DnCNN)结合残差学习和批量归一化实现端到端的降噪任务，建立了含噪数据到纯净数据的映射关系，能够抑制DAS数据中的随机噪声和低频噪声。基于博弈论的经典深度学习算法生成对抗网络(GAN)在鉴别器和生成器的训练性对抗中，从含噪数据中生成纯净数据，已经在沙漠地震数据的去噪中得到应用。无监督注意力生成对抗网络(U-GAT-IT)结合了注意力模块，可以引导模型更好地区分噪声和有效信号，有效抑制沙漠地震噪声。然而，这些方法在处理DAS数据具有一定的局限性，难以有效消减DAS数据中多种类型的背景噪声，同时恢复的有效信号难以避免的损失，在频率和幅度上并不令人满意。

发明内容

本发明提供一种基于迭代多尺度注意力网络的DAS井中勘探数据噪声抑制方法，以解决目前针对DAS地震数据处理时存在的背景噪声复杂、种类多、信噪比低的问题。

本发明采用的技术方案是，包括下列步骤：

(一)迭代多尺度注意力网络的建立

迭代多尺度注意力网络由浅层特征提取、深层特征提取和特征域到信号域转换三部分组成，含噪数据Y和去噪结果分别为迭代多尺度注意力网络的输入和输出，迭代多尺度注意力网络基于递归残差设计；

(1)、构建浅层特征提取部分