[发明专利]基于卷积神经网络的少量震源虚拟炮信号增强方法

说明书

本发明涉及一种基于卷积神经网络的少量震源虚拟炮信号增强方法，利用卷积神经网络对地震数据中的相干噪声及虚假同相轴进行识别和压制。将地下被动源震源数量较少虚拟炮记录作为训练数据，并将震源数量较多的虚拟炮记录作为训练标签，从标签中学习有效信号的特征，以此来压制相干噪声和虚假同相轴，并在波形不够连续的部位进行波形恢复。对于震源分布不够均匀的虚拟炮记录，采用震源分布较广泛的虚拟炮记录作为标签，此时网络的任务不仅要压制相干噪声、虚假同相轴，恢复波形的连续性和延展性，还要将直线相交型的同相轴恢复成双曲线型的同相轴。在进行被动源采集时，可降低其对地震记录的影响，最终获得较好的效果，提高被动源地震勘探的适用性。

技术领域

本发明属于地震勘探技术领域，具体涉及一种利用深度学习方法处理被动源虚拟炮记录的方法，特别涉及一种基于卷积神经网络的少量震源虚拟炮信号增强方法。

背景技术

在地震勘探中，地下的噪声往往让处理人员们头疼。其信号微弱但分布广泛且杂乱无章，通常会采取各种手段来将其消除。然而近年来，人们发现其在地下介质中的传播规律与常规的地震波相同，且携带有大量的地下真实信息。如果可以得到合理的运用，那么就可以起到对主动源的替代作用。在一些无法进行主动源激发的场景，如城市附近，保护区等地，无需放炮，只需布置接收被动源信号的检波器即可完成采集工作，同时还节约了放炮的开支。除此之外，由于地下噪声震源的频段丰富，其中不乏许多低频段的信息。因此，被动源在大尺度的深层地震勘探上有着较之主动源地震勘探更大的优势。

针对被动源信号，一般将其分为瞬态震源和噪声震源。针对瞬态震源，通常，需要截取出包含信号的采样时间段进行地震干涉法重构，再将多段重构记录做叠加，得到信噪比更高的重构记录。针对噪声震源，人们往往在持续记录一定的时间后，直接对地震记录做地震干涉法重构，再根据需求重构出虚拟炮记录。

然而，应用地震干涉法对被动源地震数据进行重构时，不可避免的会出现相干噪声，以及强度不等的虚假同相轴。这些干扰有些来自于地下的噪声干扰，有些则是由于地下震源稀少或分布不均匀时，对其记录进行地震干涉法重构造成的。去除掉这些相干噪声和虚假同相轴的干扰的影响一直是地球物理学家们努力的方向。Yilmaz提出了F-K滤波以压制相干噪声，但相干信号与有效信号有重叠时，其处理可能会对有效波造成伤害。Douglas等、Mauricio等、Akerberg等先后都尝试在Radon域内压制相干噪声，但仍存在分辨率较低的问题。Rabiner等创造了中值滤波的去噪方法，后来又产生了许多的衍生算法，如加权中值滤波、多级中值滤波等，其可以对图像上的像素点进行操作，但其小窗口对于相干噪声和虚假同相轴没有效果，大窗口又会模糊有效信号。

以上方法虽然在去除相干噪声上有一定的效果，但均无法取得完全令人满意的效果。并且，其计算方式复杂，计算耗时长，对于计算设备具有较高的要求。对于参数的选择需要处理人员的经验较多，含有一定的主观性。并且，对于虚假同相轴以及恢复有效波形方面，是没有什么效果的。

深度学习是机器学习的一个分支，通过训练神经网络来使其学习到图像等信息上的深层特征。LeCun等最早发明了卷积神经网络，在手写数字的识别上取得了较好的效果。Hinton等发明的AlexNet在图像识别上取得了很好的效果，VggNet、ResNet、FCN、DnCNN、UNet等各种深度学习网络在分类问题上以及图像分割领域上都取得很好的效果，其在保证准确率不输人工识别和常规方法的基础上，处理效率还更高，得到了各个领域上的广泛发展。