[发明专利]一种深度卷积网络地震资料解混方法及系统

说明书

本发明公开了一种深度卷积网络地震资料解混方法及系统，读取混叠采集地震数据及混叠矩阵；利用混叠矩阵进行解混，得到伪解混数据；对于网络先验，利用采集到的混叠共炮点道集地震数据进行重新混叠，并将重新混叠的伪解混作为输入数据，混叠共炮点道集数据作为输出进行训练，待训练完成后，利用训练好的CNN网络处理伪解混数据。本发明利用混叠共炮点道集构造训练样本，能够利用CNN网络有效地挖掘混叠采集地震资料中有效信号的先验信息，并根据互易定理选择共炮点道集构造训练数据对送入网络进行训练，利用训练得到的CNN网络处理混叠采集伪解混数据，能够高质量地得到混叠采集地震资料的解混有效信号。

技术领域

本发明属于地震勘探数据处理技术领域，具体涉及一种深度卷积网络地震资料解混方法及系统。

背景技术

在地震勘探中，同步震源采集在过去十年中越来越具有吸引力。在传统的地震采集方法中，通常通过增加震源之间的时间间隔来避免不同震源之间的干扰。然而，对于需要高源密度或大偏移量覆盖的情况，如宽方位角海上采集，这些方法的使用将非常昂贵。同步震源采集，提高了地震采集效率，该方法允许多个震源以重叠的时间间隔点火，并由一组接收器进行记录。它有很大潜力通过缩短勘探时间来降低采集成本，或者通过密集采样和宽方位震源来提高地震信号的质量。然而，这种采集方式产生了包含严重干扰噪声的多源混叠信号，为了使这些数据能够为工业地震勘探所使用，有必要开发处理源干扰的算法。

深度学习算法旨在自动学习隐藏在大量数据集中的特征和关系，主要用于大数据集的回归、预测和分类，如面部识别、医疗诊断等。作为最流行的深度学习算法之一，卷积神经网络(CNN)使用了一个为图像设计的共享局部卷积滤波器组，与完全连接的多层神经网络即全卷积网络(FCNN)相比，它包含的参数要少得多。当网络变得更深，或者输入的规模变大时，FCNN会遇到大量的参数导致的计算和存储问题。FCNN完全忽略了输入的结构。地震数据具有很强的局部结构，与相邻样本高度相关。CNN使用共享的局部卷积滤波器来利用相关性，从而避免大量参数的使用。到目前为止，深度学习算法已经在地震资料信号噪声压制等方面取得一些成果，但是在混叠采集地震资料的解混方面，仍然处于起步阶段。

现有技术：

基于深度卷积网络的网络地震资料解混方法。该方法通过引入一个深度卷积网络，将伪解混共接收点道集地震资料作为网络输入，有效信号作为输出对网络进行权值最优化训练，并利用训练好的网络处理混叠采集地震资料，实现混叠采集地震资料的解混。

现有技术的缺点：

1、需要大量额外共接收点道集地震资料作为网络训练集，往往对工业应用带来较大的代价；

2、在求解过程中依赖于参数的选取，若取值不当则容易导致解混结果信噪比较低或损伤有效信号。

发明内容

本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种深度卷积网络地震资料解混方法及系统，将混叠采集地震资料伪解混数据引入CNN(ConvolutionalNeural Network，卷积神经网络)网络作为数据先验正则项，利用地震资料共炮点道集构造训练数据对送入CNN网络进行训练，从而自适应地得到混叠采集地震资料解混结果。

本发明采用以下技术方案：

一种深度卷积网络地震资料解混方法，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；

S3、利用步骤S1读取的混叠共炮点道集地震数据进行重新混叠，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。