基于深度学习的OBN数据横波泄露压制方法
会议名称：《第二届中国石油物探学术年会》
会议日期：2024年
学科分类：081801[工学-矿产普查与勘探] 081802[工学-地球探测与信息技术] 08[工学] 0818[工学-地质资源与地质工程]
摘 要：海底节点(Ocean Bottom Node,简称OBN)是一种铺设于海底,可以独立采集、记录地震信号的多分量地震仪,OBN具有作业方式灵活、采集的原始资料品质高等特点,成为海洋地震勘探的新方法。然而,由于海底环境等影响,检波器存在着各分量记录出现能量泄露的问题,尤其是泄露到Z分量记录中的横波影响着地震资料后续的处理与解释。本文探索一种基于自适应减和U型卷积神经网络的深度学习方法实现OBN数据横波泄露的压制,将检波器水平X和Y分量数据分别作为噪声模型,依次利用神经网络从含噪Z分量数据中预测出实际噪声并减去,最终得到去噪后的Z分量数据。该方法可以在保护信号的前提下有效压制泄露到垂直Z分量记录中的横波噪声,在实际数据中的应用效果验证了本文方法的有效性。