自监督学习的地震数据降噪方法研究

作     者：熊传超 

作者单位：重庆理工大学 

学位级别：硕士

导师姓名：宋承云

授予年度：2023年

学科分类：12[管理学] 081801[工学-矿产普查与勘探] 081802[工学-地球探测与信息技术] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 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：地震勘探 地震噪声压制 自监督学习 卷积神经网络 

摘      要：地震勘探技术是获取地下地层结构信息的重要方法之一,是寻找石油、天然气等地下矿产资源的有效手段。随着时间的推移,浅层易开采的油气藏被开发殆尽,石油勘探重点逐步转向开发深层的复杂油气藏。但是,复杂油气藏的地震资料往往含极低的信噪比;对后续的地震资料解释、分析造成了巨大的困难。但传统方法在处理复杂油气藏的地震资料时,无法达到很好降噪结果。随着人工智能的迅猛发展,基于深度学习的方法在计算机视觉,自然语言等领域取得了巨大的成功。因此,许多地球物理学家将深度学习方法用于地震数据降噪。由于地震勘探领域缺乏干净的地震数据,本文研究了基于自监督学习的地震数据降噪方法。具体工作如下:(1)在自监督学习的地震数据降噪方法中,将单剖面地震数据的奇数道作为输入,偶数道作为伪标签来构造用于训练的数据,是一种经典有效的训练地震数据降噪模型的方法。但是,该方法没有考虑到奇数道和偶数道之间的差异,使得模型在训练时会忽略奇数道的一些结构信息,只专注于构建偶数道的地层特征。这导致该方法在压制地震噪声的同时,会抑制反映地下结构的部分峰值信息,即导致了过平滑问题。针对这个问题,本文提出了一个正则项,该正则项引入了奇数道和偶数道的差异信息,在理想的降噪情况下能够抵消奇偶数道的差异对模型训练的影响,解决了存在的过平滑问题。提出的正则项在压制合成噪声实验上提高了信噪比;在真实数据上,提出的方法在压制真实噪声的同时,保留了更高的信号幅值。(2)相比于单剖面构造成对的训练数据来训练深度学习模型,多剖面能够包含更多的地层结构信息。因此,我们提出了利用且相邻的多个地震剖面来压制噪声方法。针对当前地震数据降噪模型无法处理多剖面的问题,本文引入了Fast DVDnet网络模型,该模型能够输入多张相邻的地震剖面来重构中间的地震剖面。但是Fast DVDnet是有监督训练,地震数据缺乏大量的干净地数据训练Fast DVDnet。如果以多张相邻剖面为输入,中间剖面为伪标签训练模型,会出现恒等映射问题。因此本文将中间剖面随机遮挡,通过相邻剖面来重构随机遮挡的中间剖面,避免了恒等映射问题。与传统方法相比,该方法在消除合成噪声实验中得到了更高信噪比;在压制真实噪声时,得到了更干净的降噪结果和更低的平均局部相似值。