基于U-Net深度学习网络的地震数据高分辨率处理

作     者：李泽钰 

作者单位：中国石油大学(北京) 

学位级别：硕士

导师姓名：陈双全;范峥

授予年度：2023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：U-Net网络 深度学习 预训练策略 地震分辨率 数据驱动 

摘      要：随着油气勘探开发向深层及超深层油气、非常规油气等复杂储层油藏的发展,对于利用地震数据进行高精度的油藏描述,需要高分辨率、高信噪比的地震数据。对地震数据体进行提高分辨率处理仍是研究的重点及难点。常规的基于褶积模型的地震数据高分辨率处理方法和基于地层衰减模型的反Q滤波方法等,均是基于模型驱动的高分辨率处理技术,具有模型依赖性。深度学习方法是基于数据驱动的方法,有强大的数据本征特征提取能力,近年来被广泛应用于地震数据处理中。针对利用深度学习方法进行地震数据提频任务,本文建立了将Res Path引入到Res-Unet的网络架构,同时考虑到需要识别空间中的微小地质结构,使用MAE(Mean Absolute Error)函数和MS-SSIM(Multi-Scale structural similarity)函数加权组合作为损失函数。在训练方法方面,使用预训练的方法,增强了网络对于地震数据中低频成分的感知能力,解决了通常存在低频成分丢失的问题。利用合成数据及实际数据对本文方法进行了测试,结果表明本文方法训练的模型可以更好地保留原始数据低频信息,同时很好地恢复出高频成分,有效地提高了地震数据分辨率。本文采用纯数据驱动的思路解决地震数据提频的问题。所设置的网络架构及损失函数,可以明显提高处理后地震数据的纵向分辨率。此外,经过预训练后的网络,可以有效提高地震数据由低频到高频的映射能力,而且数据的低频成分得到了有效保留,模型的精度得以进一步被提高。