[发明专利]一种地震数据去噪方法

说明书

本发明提供了一种地震数据去噪方法，获取包括随机噪音、面波和线性噪音的含噪地震数据；将含噪地震数据输入随机噪音去噪模型，得到第一去噪地震数据；将第一去噪地震数据输入面波去噪模型，得到第二去噪地震数据；将第二去噪地震数据输入线性噪音去噪模型，得到第三去噪地震数据。本发明通过随机噪音去噪模型、面波去噪模型和线性噪音去噪模型对含噪地震数据进行去噪处理，能够提高地震数据去噪的精度和效率。

技术领域

本发明涉及地震数据采集与处理技术领域，特别是涉及一种地震数据去噪方法。

背景技术

在地震数据采集的过程中，受环境影响通常会产生许多噪音。因为各种噪音的存在，使得地震的偏移和反演过程出现许多的假象，严重影响到后续的处理与解释工作。因此，在进行后续的地震数据处理过程前，需要对噪音进行衰减。传统方法基于滤波的技术对地震数据中被假设为高斯分布的随机噪音进行去除。传统方法中通常使用滤波或预测技术对相干噪音进行衰减。地滚波沿着地表移动，会覆盖浅层反射信号，针对地滚波频率和速度的特性，虽然，传统方法针对地震数据噪音衰减问题提出了许多解决方案，但是仍存在假设不精确以及参数选择不合适等问题，降低地震数据去噪的效率和准确率，从而提升成本。

发明内容

本发明的目的是提供一种地震数据去噪方法，能够提高地震数据去噪的精度和效率。

为实现上述目的，本发明提供了如下方案：

一种地震数据去噪方法，包括：

获取包括随机噪音、面波和线性噪音的含噪地震数据；

将含噪地震数据输入随机噪音去噪模型，得到第一去噪地震数据；

将第一去噪地震数据输入面波去噪模型，得到第二去噪地震数据；

将第二去噪地震数据输入线性噪音去噪模型，得到第三去噪地震数据；随机噪音去噪模型、面波去噪模型和线性噪音去噪模型均是利用历史含噪地震数据训练深度学习网络得到的；深度学习网络是通过Transformer模型对卷积神经网络进行改进后得到的。

根据本发明提供的具体实施例，本发明公开了以下技术效果：

本发明提供了一种地震数据去噪方法，通过Transformer模型对卷积神经网络进行改进后并训练得到随机噪音去噪模型、面波去噪模型和线性噪音去噪模型对含噪地震数据进行去噪处理，能够提高地震数据去噪的精度和效率。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例中地震数据去噪方法流程图；

图2为本发明实施例中Transformer编码器的内部结构示意图；

图3为本发明实施例中MLP模块内部结构示意图；

图4为本发明实施例中TransCNN网络模型结构图；

图5为本发明实施例中合成地震数据的训练集；

图6为本发明实施例中TransCNN对于合成地震数据的去噪结果；

图7为本发明实施例中用于测试TransCNN的实际地震数据；

图8为本发明实施例中TransCNN对于实际地震数据的去噪结果；

图9为本发明实施例中TransCNN对于实际地震数据去除的噪音。

具体实施方式