多尺度特征渐进融合算法研究及其在DAS噪声压制中的应用

作     者：邢桐 

作者单位：吉林大学 

学位级别：硕士

导师姓名：吴宁

授予年度：2022年

学科分类：12[管理学] 081801[工学-矿产普查与勘探] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081802[工学-地球探测与信息技术] 081104[工学-模式识别与智能系统] 08[工学] 0818[工学-地质资源与地质工程] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主      题：深度学习 特征标定 多尺度渐进融合 分布式声传感(DAS) 噪声压制 

摘      要：能源是国家经济繁荣与国民生活安稳的重要支撑。为保证国家能源安全、促进能源储备,我国相继出台了多项能源开发政策,推动老油气田稳定产出,加大新油气区产能建设力度。近年来,地震勘探目标逐步朝向更深层或构造更复杂的油气藏转变,井中地震技术由此得到了深入的研究与应用。相比于地面地震勘探,井中地震技术的接收设备紧靠目标油气层,采集到的地震波能够更明显地反映地层剖面的纵向变化,对小尺度地质结构的精细成像十分有利。在地震勘探的新形势与新任务下,井中地震技术的未来发展前景可期。垂直地震剖面（Vertical Seismic Profiling,VSP）作为一种井中地震观测方法,在地层位置标定、速度参数提取、多次波识别等方面具有独特的优势。然而,由于受到高成本以及施工难度的影响,常规测井检波器在实际应用中受到了诸多制约。随着光纤设备与技术的不断革新,分布式声波传感（Distributed Acoustic Sensing,DAS）技术的发展日趋成熟。作为一种低成本、全井覆盖、抗电磁干扰的高精度声场检测技术,DAS已经有能力替代VSP测井中的常规检波器,在井中地震技术中发挥重要作用。尽管DAS技术具有诸多优势,但DAS数据中不可忽视的噪声干扰的强能量,以及信号波幅值的巨大差异,均为后续地震数据解释及反演工作的开展带来诸多阻碍。为推动DAS在地震勘探领域的应用与发展,需要采取有效方法来抑制DAS数据中的复杂噪声,重构包含丰富地层信息的地震信号。目前为止,已有许多经典的数据处理算法,如带通滤波、预测滤波、基于变换、分解和秩减等理论的算法等被证实在地震数据处理中表现良好。但由于上述传统方法存在局限性,它们被应用于处理DAS数据时的效果并不理想。近年来,基于卷积神经网络（Convolutional Neural Network,CNN）的方法在地震数据处理领域表现出了巨大的优势与发展潜力。因此,建立自适应的DAS特征学习模型并探寻智能化噪声压制方案具有重要的研究意义。考虑到DAS数据的高精度处理要求,本文描述了一种多尺度特征渐进融合（Multi-scale Feature Progressive Fusion,MFPF）算法来对DAS数据进行处理。借助深度学习网络架构,该算法探索DAS噪声与其多尺度版本之间互补信息的协同表示,通过对DAS噪声的全方位建模进而实现精准的噪声抑制。整体算法架构中,在每个尺度上,采取递归计算来探索复杂DAS噪声的潜在相关性,学习其全局纹理;除此之外,应用特征重标定策略来重新分配每个通道上特征图的权重,以关注噪声特征的细节结构。在每个特征融合阶段,信息流从网络底层向顶层不断收敛,融合各个尺度的特征信息以完成对DAS噪声的精确估计。最终,通过从含噪DAS数据中剔除所建模的噪声,即可实现DAS噪声抑制与信号重构。基于合成DAS数据和野外DAS数据的实验表明,所描述的算法比一些有代表性的算法表现得更出色,不仅噪声被更明显地抑制,反射信号也被更好地重建出来。