关键词:
地震勘探
分布式光纤传感
深度学习
噪声压制方法
摘要:
地震勘探作为评估油气储存情况的重要方法之一,在国内外油气田的开采中均得到了广泛应用。然而,随着近年来油气资源勘探逐渐朝向多维度大深度方向发展,实际获取的地震勘探记录往往呈现出信号能量弱、噪声干扰强等特点,导致地震勘探记录难以满足油气工业对于勘探数据高信噪比、高分辨率和高保真度的要求。因此,对地震勘探资料中的噪声进行压制、恢复有效信号来实现提高地震勘探资料的整体质量和信噪比对推动油气资源勘探至关重要。深度学习方法能够通过训练来构建映射关系从而自适应地完成各种复杂任务。目前大量资料表明其在地震勘探资料处理上具有高精度、高效率和强泛化性等多种优势。因此本课题针对基于分布式光纤传感技术的地震勘探数据复杂噪声问题开展基于深度学习的噪声压制方法研究,具体研究内容如下:
一方面,基于分布式光纤传感技术的地震勘探记录中的噪声成分复杂且能量强,导致以该技术获取的数据的信噪比较低。针对此问题,本研究提出了一种多阶段残差去噪网络用于实现对基于分布式光纤传感技术的地震勘探数据的自适应去噪。该网络首先使用跨阶段特征提取模块提取不同尺度的特征。在此基础上,引入混合空洞卷积金字塔模块提高网络在每个尺度下的特征提取能力,同时使用空间注意力模块来提高网络对有用信息的关注度。最后使用环状残差模块将网络提取的有用信息进行重构,从而实现对基于分布式光纤传感技术的地震勘探数据中噪声的精准压制以及微弱信号的保留。
另一方面,由于传感器的损坏或数据传输时产生的损失,由分布式光纤传感技术获得的地震勘探数据存在地震道缺失的情况。针对此问题,本研究提出了一种多尺度编解码网络用于实现对地震道缺失数据的同时去噪与重建。该网络将编解码器框架和多尺度框架相结合,旨在提高网络的特征提取能力。同时,引入多尺度残差模块来提高网络对特征的表示能力。从而实现同时完成对于地震道缺失数据的复杂噪声压制任务以及对于缺失地震道的重建任务。
为验证提出算法的有效性,本课题将训练好的网络模型分别对模拟分布式光纤传感地震记录和实际分布式光纤传感地震勘探数据进行处理分析,并与传统的去噪方法和经典深度学习算法的处理结果进行对比。对模拟和实际数据的处理结果表明,多阶段残差去噪网络可以有效地压制实际地震勘探数据中的复杂噪声,多尺度编解码网络能够同时完成复杂噪声的压制和缺失地震道的精确重建。以上两种方法在信噪比的提升上相较于传统方法和经典卷积神经网络架构均具有优势,能够满足对于地震勘探记录处理的要求。