基于卷积降噪自编码器的地震数据去噪

发布时间：2021-12-12 05:16

　　噪声压制是地震勘探中一个长期存在的问题,虽然一些传统方法能够压制数据中的噪声,但存在有效信号丢失、噪声残留等问题。为此,提出了一种基于卷积降噪自编码器的无监督地震数据去噪算法。该算法首先对地震数据进行一定程度的随机损坏,然后将损坏后的地震数据输送到编、解码框架。编码框架负责捕捉地震数据波形特征,据此消除噪声;解码框架能够对特征图进行扩大并恢复地震数据细节信息,从而得到重构的地震数据。最后,将重构地震数据与原始地震数据之间的误差作为收敛代价进行模型训练。考虑到地震数据的复杂性与特殊性,在编码和解码阶段使用了多尺度卷积模块提取地震数据特征。合成数据与实际数据的验算结果表明,该方法在保护地震信号的同时能够有效压制随机噪声、提高地震信号的信噪比。 

【文章来源】：石油地球物理勘探. 2020,55(06)北大核心EICSCD

【文章页数】：12 页

【部分图文】：

自编码器模型示意图

降噪自编码器是自编码器的一个变体。与自编码器不同的是,降噪自编码器通过训练损坏的输入数据进行特征学习,其核心思想是提取数据的鲁棒性特征。典型的降噪自编码器如图2所示,可以看出,降噪自编码器与自编码器对输入层的处理不同,降噪自编码器按照一定的概率将输入节点置0,如果这种损坏的概率为0,降噪自编码器就退化为自编码器。为了定性地比较这两种自编码器的学习效果,分别设计了对应的两种自编码器网络,网络层数设置为3,其中隐藏层单元数为64,并将这两种自编码器输入层与隐层之间的权重矩阵进行可视化,结果如图3所示。从图3可以看出,自编码器训练后得到的权重是杂乱的,含有大量噪声,而降噪自编码器训练后得到的权重含有明显的结构特征,噪声较弱(这两种自编码器的输入数据均来源于本文实验部分的合成数据,权重尺寸为48×48,降噪自编码器的损坏程度为60%)。可以看出,降噪自编码器能够提取、编码出具有鲁棒性的特征,具有很强的网络表达能力。

为了定性地比较这两种自编码器的学习效果,分别设计了对应的两种自编码器网络,网络层数设置为3,其中隐藏层单元数为64,并将这两种自编码器输入层与隐层之间的权重矩阵进行可视化,结果如图3所示。从图3可以看出,自编码器训练后得到的权重是杂乱的,含有大量噪声,而降噪自编码器训练后得到的权重含有明显的结构特征,噪声较弱(这两种自编码器的输入数据均来源于本文实验部分的合成数据,权重尺寸为48×48,降噪自编码器的损坏程度为60%)。可以看出,降噪自编码器能够提取、编码出具有鲁棒性的特征,具有很强的网络表达能力。1.3 卷积降噪自编码器

【参考文献】：
期刊论文
[1]尺度自适应三维Shearlet变换地震随机噪声压制[J]. 程浩,王德利,王恩德,付建飞,侯振隆.  石油地球物理勘探. 2019(05)
[2]基于卷积门控循环单元网络的储层参数预测方法[J]. 宋辉,陈伟,李谋杰,王浩懿.  油气地质与采收率. 2019(05)
[3]CEEMD与KSVD字典训练相结合的去噪方法[J]. 乐友喜,杨涛,曾贤德.  石油地球物理勘探. 2019(04)
[4]基于Shearlet变换的自适应地震资料随机噪声压制[J]. 童思友,高航,刘锐,陈学国.  石油地球物理勘探. 2019(04)
[5]利用卷积神经网络对储层孔隙度的预测研究与应用[J]. 杨柳青,陈伟,查蓓.  地球物理学进展. 2019(04)
[6]基于深度学习卷积神经网络的地震数据随机噪声去除[J]. 韩卫雪,周亚同,池越.  石油物探. 2018(06)
[7]无监督与监督学习下的含油气储层预测[J]. 林年添,付超,张栋,金兴,张凯,文博,魏乾乾,张冲.  石油物探. 2018(04)
[8]从勘探领域变化看地震储层预测技术现状和发展趋势[J]. 甘利灯,张昕,王峣钧,孔丽云,杨廷强.  石油地球物理勘探. 2018(01)
[9]曲波变换三维地震数据去噪技术[J]. 张华,陈小宏,李红星,黄光南,陈晓.  石油地球物理勘探. 2017(02)
[10]聚合经验模态分解和小波变换相结合的地震信号衰减分析[J]. 薛雅娟,曹俊兴.  石油地球物理勘探. 2016(06)



本文编号：3536072