[发明专利]一种深度卷积网络地震资料解混方法及系统

权利要求书

1.一种深度卷积网络地震资料解混方法，其特征在于，包括以下步骤：

S1、读取混叠共炮点道集地震数据及混叠矩阵；

S2、对步骤S1读取的混叠矩阵进行解混，得到伪解混数据，对混叠矩阵Γ进行块状表示，进行解混得到伪解混数据如下：

其中，d为地震资料的有效信号，是具有n道和m个采样点的常规共接收点道集的向量表示，0_m为大小为m×m的零矩阵，H_n为块状矩阵[0_n1 I_m 0_n2]^T，H_n^T为H_n的转置，I_m为大小为m×m的单位阵，0_n1和0_n2分别为大小为n1×m和n2×m的零矩阵，其中有0≤n1+n2+m≤k，n1和n2的大小随不同的地震混叠策略 而变化，k为混叠共接收点道集地震数据b的长度；

S3、对步骤S1读取的混叠共炮点道集地震数据利用混叠矩阵进行相乘重新混叠，并将重新混叠的伪解混作为卷积神经网络的输入数据，混叠共炮点道集数据作为卷积神经网络的输出，对卷积神经网络进行训练，利用训练好的卷积神经网络处理步骤S2得到的伪解混数据，完成深度卷积网络地震资料解混。

2.根据权利要求1所述的深度卷积网络地震资料解混方法，其特征在于，步骤S1中，混叠采集地震数据b为一个长为k的向量，由常规共接收点道集数据混叠叠加得到。

3.根据权利要求2所述的深度卷积网络地震资料解混方法，其特征在于，混叠采集地震数据b为：

b＝Γd

其中，Γ为由多个大小为m×m的单位矩阵以重叠块对角线结构排列构成的混叠矩阵。

4.根据权利要求1所述的深度卷积网络地震资料解混方法，其特征在于，步骤S3中，卷积神经网络的结构如下：

卷积神经网络的输入数据为伪解混地震资料且/noise表示加性噪声；卷积神经网络的输出为残差/利用卷积神经网络对残差进行学习训练，得到伪解混地震资料中的噪声成分，解混后得到地震资料的有效信号/

5.根据权利要求4所述的深度卷积网络地震资料解混方法，其特征在于，地震资料的有效信号为：

其中，R表示残差学习，Θ＝{W,bias}表示网络参数，W表示权重矩阵，bias表示偏置。

6.根据权利要求4所述的深度卷积网络地震资料解混方法，其特征在于，卷积神经网络的损失函数l(Θ)为：

/

其中，为N个训练数据对，d_i为第i个标签数据，R为残差学习，Θ＝{W,bias}为网络参数，W为权重矩阵，bias表示偏置，F为范数。

7.根据权利要求4所述的深度卷积网络地震资料解混方法，其特征在于，根据格林函数在初始和边界条件下的空间互易性，构建训练集样本对卷积神经网络进行训练如下：

G₁(L_r,t；L_s)＝G₂(L_s,t；L_r)

其中，G₁为从震源位置L_s到检波器位置L_r波传播的格林函数，G₂为从检波器位置L_r到震源位置L_s波传播的格林函数，t为波传播的时间。

8.根据权利要求1所述的深度卷积网络地震资料解混方法，其特征在于，步骤S3中，使用混叠共炮点道集作为卷积神经网络网络预训练的训练集；利用采集到的混叠采集地震数据共炮点道集作为干净数据，通过加入时间抖动构造新的混叠矩阵，并对采集到的共炮点道集进行混叠；将构造的混叠共炮点数据及对应的伪解混送入卷积神经网络进行学习；待训练完成后，使用卷积神经网络对混叠采集地震数据的伪解混初始解进行处理，完成混叠采集地震数据的解混。

9.一种深度卷积网络地震资料解混系统，其特征在于，包括：

读取模块，读取混叠共炮点道集地震数据及混叠矩阵；

伪解混模块，对读取模块读取的混叠矩阵进行解混，得到伪解混数据，对混叠矩阵Γ进行块状表示，进行解混得到伪解混数据如下：

其中，d为地震资料的有效信号，是具有n道和m个采样点的常规共接收点道集的向量表示，0_m为大小为m×m的零矩阵，H_n为块状矩阵[0_n1 I_m 0_n2]^T，H_n^T为H_n的转置，I_m为大小为m×m的单位阵，0_n1和0_n2分别为大小为n1×m和n2×m的零矩阵，其中有0≤n1+n2+m≤k，n1和n2的大小随不同的地震混叠策略 而变化，k为混叠共接收点道集地震数据b的长度；

解混模块，对读取模块读取的混叠共炮点道集地震数据利用混叠矩阵进行相乘重新混叠，并将重新混叠的伪解混作为卷积神经网络的输入数据，混叠共炮点道集数据作为卷积神经网络的输出，对卷积神经网络进行训练，利用训练好的卷积神经网络处理伪解混数据，完成深度卷积网络地震资料解混。