[发明专利]基于3D卷积神经网络自监督3D地震数据随机噪声压制方法

说明书

本发明属于地震数据处理技术领域，具体涉及一种基于3D卷积神经网络自监督3D地震数据随机噪声压制方法，1、设计3D卷积神经网络架构；2、准备含有随机噪声的3D地震数据；3、设计自监督辅助任务；4、设计避免过拟合的策略；5、运行3D卷积神经网络；6、确定最优压制噪声结果。相比于现有基于深度学习的方法，本方法通过自监督策略辅助的新型3D卷积神经网络解决数据集中样本多样性或者标签质量限制神经网络去噪能力以及泛化能力的问题；考虑3D地震数据中有效信号的空间相关性，通过3D卷积克服2D卷积在提取3D空间结构特征上的局限性，改善神经网络对有效信号的保护能力，提高3D地震资料的信噪比。

技术领域

本发明属于地震数据处理技术领域，具体涉及一种基于3D卷积神经网络自监督3D地震数据随机噪声压制方法。

背景技术

在实际地震资料采集过程中，受自然条件、采集设备等诸多因素制约，检波器接收到的有效信号通常与噪声信号混叠在一起。随机噪声作为主要噪声之一，在时间、空间上表现出随机性，具有较宽的频带范围，无固定传播方向和速度。随机噪声的存在提高了地震资料的复杂性，降低了信噪比，不利于后续地震资料处理和解释工作，不满足高精度地震勘探的需求。

地震随机噪声压制方法主要可分为：预测滤波类方法、模态分解方法、变换域类方法、基于反演的方法、基于深度学习的方法。预测滤波类方法根据同相轴在空间方向具有可预测性分离随机噪声和有效信号，常规的f-x域预测滤波基于线性同相轴假设，当构造比较复杂时，会伤害有效信号。模态分解方法通过剔除由地震资料分解的多个分量中的噪声分量来压制噪声，这类方法在低信噪比时，很难实现有效信号分量与噪声分量的有效分离，主要包括经验模态分解和变分模态分解等。变换域类方法首先将地震数据变换至相应域，根据有效信号和随机噪声在变换域中所表现的性质差异，设计合适的阈值将二者分离，最后通过反变换获得干净的数据，这类方法对阈值的选取敏感，主要包括曲波变换、小波变换等稀疏变换算法。传统稀疏变换的基函数一般是固定不变的，从而无法处理结构复杂的地震数据。通过字典学习方法能够获得自适应的稀疏变换基函数，如基于数据驱动紧框架(Data-driven Tight Frame，DDTF)方法，尽管这种方法可以处理结构复杂的数据，但计算效率较低。基于反演的随机噪声压制方法直接从噪声数据中反演有效信号，如贝叶斯反演方法，但其无法适用于低信噪比或者构造较为复杂的地震数据。

基于深度学习的地震随机噪声压制方法主要是构建神经网络模型挖掘有效信号或随机噪声的特征，从而实现二者的有效分离，大体可分为监督学习、半监督学习、自监督学习、无监督学习4类。基于监督学习的方法需要训练大量的标注数据，标注数据的多样性以及标签的质量限制了神经网络的去噪能力。基于半监督学习的方法从一定程度上缓解了基于监督学习类方法对高质量标注数据的依赖，但标签样本与无标签样本的比例影响神经网络性能。基于自监督学习和无监督学习的方法直接从噪声数据中挖掘隐含特征，不需要有效信号作为标签，前者需要设计有效的辅助任务从噪声数据中自动挖掘监督信息，后者一般需要借助网络架构作为先验模型(如Deep Image Prior方法)或依赖数据预处理技术改善性能。