基于多尺度卷積自編碼器的地震噪聲智能壓制方法及應用

謝 晨,徐天吉,2,錢忠平,沈 杰,劉 勝,唐建明,文雪康

(1.電子科技大學資源與環(huán)境學院,四川成都611731;2.電子科技大學長三角研究院(湖州),浙江湖州313000;3.油氣勘探計算機軟件國家工程研究中心,東方地球物理公司,北京100088;4.中石化西南油氣分公司勘探開發(fā)研究院,四川成都610041;5.中石化石油工程地球物理有限公司南方分公司,四川成都610041;6.中國石化西南油氣分公司,四川成都610041;7.中國石化西南油氣分公司工程監(jiān)督中心,四川德陽618000)

地震勘探中,受地質(zhì)、地理、人文等因素的影響,地震數(shù)據(jù)采集將面對復雜的噪聲干擾,對后續(xù)的地震數(shù)據(jù)精確成像及地震資料的沉積、構(gòu)造、斷層、儲層等地質(zhì)解釋工作必然產(chǎn)生不利影響[1]。因此,有效地壓制各種噪聲干擾、提高地震數(shù)據(jù)的信噪比具有重要的現(xiàn)實意義。

地震數(shù)據(jù)采集時會受到隨機、相干、單頻、強能量等多種類型噪聲的污染,且各類噪聲均具有其獨特的特征。例如,隨機噪聲沒有固定波形特征,無規(guī)律可循;而相干噪聲大多具有一定的運動學特點,波形隨時間變化存在一定的規(guī)律性。目前,針對地震噪聲的壓制方法可以歸納為兩類,即基于變換域特征的傳統(tǒng)去噪方法和基于深度學習的智能去噪方法[2]。其中,傳統(tǒng)去噪方法主要根據(jù)噪聲與有效波在變換域中的動力學、運動學、幾何學的差異,有針對性地設計濾波器壓制噪聲數(shù)據(jù)[3]。例如,在頻率域中針對低頻、高頻或者具有固定頻率的噪聲進行濾波去噪;在波數(shù)域中的f-k濾波,多應用于面波的壓制[4];時空域中的中值濾波對于相干線性噪聲具有較好的去噪效果。由環(huán)境導致的隨機噪聲與相干噪聲不同,不具有特定的運動學特征,同時也分布于各個頻段,其隨機性和多樣性為去噪工作增加了難度。傳統(tǒng)壓制隨機噪聲的方法包括f-x域預測濾波、相干加強技術(shù)等,前者對地震剖面上的線性同相軸進行預測,使得噪聲和有效信號得以分離[5];后者利用地震同相軸的相干性來壓制隨機噪聲[6]。傳統(tǒng)噪聲壓制方法大多根據(jù)噪聲所具有的特性進行壓制,不同的信號需要不同的流程、參數(shù)和方法類型,泛化性較弱;去噪效果也在一定程度上受到參數(shù)選擇和處理人員經(jīng)驗的影響,主觀性較強。因此,探索更簡捷、更有效的噪聲壓制方法是地震勘探領域長期的研究熱點。

隨著人工智能技術(shù)的快速發(fā)展,深度學習在地震噪聲壓制方面的優(yōu)勢正在被深度挖掘和廣泛應用。究其原因,深度神經(jīng)網(wǎng)絡模型擁有強大的特征學習能力,能夠在較短的計算時間內(nèi)擬合出目標信息的抽象特征,實現(xiàn)目標特征精確提取[7],因此,深度學習方法相較于前述傳統(tǒng)方法在噪聲壓制中不需要考慮噪聲類型,只需通過大量的樣本訓練網(wǎng)絡,使其學到相應的有效信號特征,即可實現(xiàn)對隨機、相干等多種噪聲的智能壓制。同時,由于基于深度學習的噪聲智能壓制方法具有不需要考慮噪聲的類型和復雜性且泛化能力較強等顯著優(yōu)勢,已經(jīng)在地震數(shù)據(jù)去噪領域取得了大量的研究成果。王鈺清等[8]提出一種基于數(shù)據(jù)增廣和卷積神經(jīng)網(wǎng)絡的U型網(wǎng)絡(U-Net)壓制地震資料中隨機噪聲的方法;韓衛(wèi)雪等[9]提出基于卷積神經(jīng)網(wǎng)絡的地震數(shù)據(jù)隨機噪聲去除算法,該算法利用CNN通過殘差學習實現(xiàn)了疊前/疊后地震數(shù)據(jù)去噪,更好地壓制了隨機噪聲。目前,雖然大量深度神經(jīng)網(wǎng)絡模型已經(jīng)應用于地震數(shù)據(jù)去噪領域,但是網(wǎng)絡結(jié)構(gòu)的選擇對去噪效果存在一定的影響。高好天等[10]對比了DnCNN、U-Net和曲波變換對地震隨機噪聲的壓制效果,表明DnCNN相對于曲波變換方法能夠更好地去除隨機噪聲,并保護有效信號;同時,U-Net比DnCNN更能夠在地震隨機噪聲壓制中取得良好的效果。雷景生等[11]提出一種基于Inception模塊的卷積自編碼器圖像去噪算法,該算法的去噪結(jié)果表明,InceptionV4卷積結(jié)構(gòu)能夠增強網(wǎng)絡提取特征的能力。本文將該卷積結(jié)構(gòu)引入地震噪聲壓制領域,以提高網(wǎng)絡從地震數(shù)據(jù)中提取噪聲特征的能力,并獲得信噪比更高的地震數(shù)據(jù)。

總之,基于深度學習的地震噪聲智能壓制方法能夠有效地從大數(shù)據(jù)中挖掘出豐富的抽象特征表達,從而達到高質(zhì)量的去噪效果。然而,目前大多數(shù)智能去噪方法采用了基于數(shù)據(jù)驅(qū)動的監(jiān)督學習型算法,在訓練神經(jīng)網(wǎng)絡時需要大量無噪聲的地震數(shù)據(jù)作為標簽數(shù)據(jù)進行訓練,存在難以獲取實際無噪聲數(shù)據(jù)、去噪效果嚴重依賴無噪數(shù)據(jù)的弊端。因此,探索針對小樣本地震數(shù)據(jù)噪聲壓制的深度學習算法,不僅需要克服傳統(tǒng)去噪方法的局限性和監(jiān)督學習算法依賴大量樣本數(shù)據(jù)的弊端,而且在提升地震數(shù)據(jù)質(zhì)量、減少處理環(huán)節(jié)、縮短處理周期、節(jié)約人工成本等方面具有重要意義。

為此,針對地震噪聲壓制問題和傳統(tǒng)去噪方法的不足,本文基于多尺度卷積自編碼器開展地震噪聲智能壓制方法研究,旨在高效、高質(zhì)量地壓制地震數(shù)據(jù)中隨機、相干等噪聲。同時,為了解決實際無噪聲訓練數(shù)據(jù)稀缺的問題,重點從神經(jīng)網(wǎng)絡模型和訓練策略兩方面實施針對性的設計,擬融合InceptionV4的卷積結(jié)構(gòu)以增強神經(jīng)網(wǎng)絡提取特征的能力,并引入注意力機制,使得神經(jīng)網(wǎng)絡將有限的學習能力分配到有效特征的學習上,以充分利用少量的無噪聲數(shù)據(jù)。此外,在訓練策略上擬采用遷移學習的方法,將利用正演地震數(shù)據(jù)訓練得到的神經(jīng)網(wǎng)絡模型應用到實際地震數(shù)據(jù)去噪問題上,以降低訓練成本并有效利用少量的無噪聲樣本,探索適合壓制實際地震數(shù)據(jù)噪聲的智能方法。

1 方法原理

采用深度學習智能方法壓制地震噪聲的效果受多方面因素影響,如神經(jīng)網(wǎng)絡結(jié)構(gòu)、訓練策略等。針對上述因素,首先從神經(jīng)網(wǎng)絡結(jié)構(gòu)方面著手,搭建基于InceptionV4和注意力機制的卷積自編碼器,利用其較強的特征提取和表達能力有效壓制噪聲;其次在訓練策略層面,采用遷移學習的方式,僅利用少量無噪聲實際地震數(shù)據(jù)使神經(jīng)網(wǎng)絡從正演模擬數(shù)據(jù)噪聲壓制過渡到實際地震數(shù)據(jù)噪聲壓制,并在實際地震數(shù)據(jù)應用中保持良好的壓制效果。

1.1 自編碼器

自編碼器是一種常用于地震噪聲壓制的深度學習神經(jīng)網(wǎng)絡模型,以此為基礎結(jié)構(gòu)衍生出了大量性能優(yōu)異的神經(jīng)網(wǎng)絡模型,并將其廣泛應用于地震噪聲壓制領域。該神經(jīng)網(wǎng)絡由對稱的編碼階段和解碼階段構(gòu)成,且具有重構(gòu)過程簡單、可堆疊多層等優(yōu)點。傳統(tǒng)自編碼器的原理是在輸出層得到重構(gòu)的輸入數(shù)據(jù),使得重構(gòu)數(shù)據(jù)盡可能地接近輸入數(shù)據(jù)[12],具體結(jié)構(gòu)如圖1所示。其中編碼器主要負責提取輸入數(shù)據(jù)的重要特征表達,而解碼器則需要利用該特征表達重構(gòu)數(shù)據(jù)。

圖1 傳統(tǒng)自編碼器結(jié)構(gòu)

根據(jù)圖1的自編碼器結(jié)構(gòu),其編碼、解碼的過程可描述如下[13]。

編碼過程:

h1=f1(W1x+b1)

(1)

解碼過程:

y=f2(W2h1+b2)

(2)

式中:W1,b1為編碼器的權(quán)重和偏置;W2,b2為解碼器的權(quán)重和偏置;f1和f2分別為編碼和解碼的非線性變換函數(shù);h1為編碼器輸出。自編碼器的作用是利用優(yōu)化模型的參數(shù)使得重構(gòu)輸出y盡可能地接近輸入x,如(3)式所示:

(3)

式中:L(·)表示L2范數(shù);θ1為編碼參數(shù),θ1=[W1,b1];θ2為解碼參數(shù)[14],θ2=[W2,b2]。

1.2 多尺度卷積自編碼器

卷積神經(jīng)網(wǎng)絡因其局部連接和權(quán)值共享的方式降低了神經(jīng)網(wǎng)絡的參數(shù)規(guī)模和復雜度,而傳統(tǒng)的自編碼器對稱式的模型結(jié)構(gòu)具有較強的特征提取能力和較高的可堆疊性,卷積自編碼器則結(jié)合兩者的優(yōu)點,將傳統(tǒng)自編碼器中的全連接層用卷積層和池化層代替,其對稱結(jié)構(gòu)與傳統(tǒng)自編碼器相似,卷積操作的輸入數(shù)據(jù)與卷積神經(jīng)網(wǎng)絡類似[15],利用多層的卷積處理提高了神經(jīng)網(wǎng)絡從多維數(shù)據(jù)中提取特征表達的能力,并且保留了多維數(shù)據(jù)中的空間信息,因此具有更高的運算效率。

為了適應實際地震數(shù)據(jù)較高的復雜性,本文網(wǎng)絡模型的卷積模塊采用InceptionV4多尺度卷積的部分模塊,該卷積模塊包含多種大小的卷積核,可以對同一輸入映射上的多個不同變換結(jié)果進行并行計算,并輸出融合結(jié)果,從不同尺度提取深層和淺層特征,提高了模型的泛化能力[16]。與此同時,該網(wǎng)絡模型在增加網(wǎng)絡深度和寬度的同時減少了參數(shù)體量[17],降低了計算成本,還可以有效地提取地震數(shù)據(jù)的復雜特征。

本文在編碼階段采用Inception-A,Inception-B,Inception-C的卷積結(jié)構(gòu)搭建特征提取器,并且為了減少因池化層導致的特征丟失現(xiàn)象,在上述3個模塊之間分別插入Reduction-A和Reduction-B模塊對特征圖像進行下采樣,該方式相比較簡單的池化層更好地保留了特征信息,在減小特征尺寸的前提下盡可能多地傳遞了重要特征表達。

1.3 注意力機制

注意力機制是將網(wǎng)絡有限的注意力集中于目的區(qū)域以提升獲取有效信息的效率,為了合理利用網(wǎng)絡的有限資源,需要引入注意力機制來實現(xiàn)有側(cè)重地觀測關(guān)注點[18]。本文基于地震資料的特點引入空間軟注意力機制模塊,將整個地震數(shù)據(jù)各空間位置的重要程度利用一組連續(xù)分布且可微可學習的權(quán)重進行衡量,并根據(jù)網(wǎng)絡的前、后傳播特點更新權(quán)重參數(shù),以指導網(wǎng)絡著重學習噪聲與有效信號的特征,達到準確壓制噪聲的效果。該模塊包含卷積和矩陣點乘兩個部分,通過卷積部分生成權(quán)值矩陣,并在點乘部分將特征圖與權(quán)值矩陣相點乘,實現(xiàn)對重要特征的重點關(guān)注。

1.4 遷移學習

在基于數(shù)據(jù)驅(qū)動的深度學習中,標簽數(shù)據(jù)的質(zhì)量是網(wǎng)絡效果的重要保證,而地震數(shù)據(jù)通常缺乏高質(zhì)量的標簽數(shù)據(jù),因此實際地震數(shù)據(jù)去噪時,網(wǎng)絡在訓練階段往往陷入訓練效果對標簽數(shù)據(jù)的依賴與標簽數(shù)據(jù)稀缺之間的矛盾。在實際應用中,由于合成數(shù)據(jù)和實際數(shù)據(jù)的噪聲壓制任務在數(shù)據(jù)、任務和網(wǎng)絡模型方面均具有高度的相似性,因此本文考慮引入遷移學習的訓練策略,將利用合成數(shù)據(jù)訓練得到的網(wǎng)絡參數(shù)作為實際模型的初始化參數(shù),再利用少量的實際樣本進行模型參數(shù)的微調(diào),使得該模型對于實際地震數(shù)據(jù)具有更好的適應性和泛化能力,以提高其噪聲壓制效果。

1.5 自編碼器網(wǎng)絡設計

自編碼器網(wǎng)絡整體架構(gòu)與傳統(tǒng)自編碼器類似,主要由編碼器和解碼器兩部分組成。自編碼器網(wǎng)絡架構(gòu)如圖2所示。

圖2 自編碼器網(wǎng)絡架構(gòu)

在編碼器階段,網(wǎng)絡由InceptionV4卷積模塊中的Inception-A、Reduction-A、Inception-B、Reduction-B、Inception-C順序連接組成,為了減少網(wǎng)絡深度的增加對網(wǎng)絡性能的影響,同時提高網(wǎng)絡的收斂速率,本文在每個模塊均采用殘差學習的方式對網(wǎng)絡進行訓練。

在編碼器階段,首先由連續(xù)交叉的卷積和下采樣模塊提取出含噪數(shù)據(jù)中不同空間尺度的特征,再經(jīng)過Dense全連接層進行特征映射以獲取豐富的特征表達。其中,在兩個全連接層之間設置一個DropOut層,以避免網(wǎng)絡出現(xiàn)過擬合的現(xiàn)象,該層的原理是在訓練時隨機地讓網(wǎng)絡中一些節(jié)點失效,不參與向前傳播,以此來提高模型的泛化能力和魯棒性,且不會過于依賴某些局部特征。

在解碼器階段,首先采用兩個多尺度反卷積層同時對特征數(shù)據(jù)進行上采樣和映射,在反卷積模塊中使用1×1、3×3和5×5的卷積核并行卷積。與此同時,兩個反卷積模塊分別與前述的Inception-A和Inception-B特征提取模塊跳躍連接。該連接機制能夠促使神經(jīng)網(wǎng)絡在重構(gòu)階段充分利用特征提取階段所獲得的豐富特征,具有規(guī)避特征丟失、恢復細節(jié)信息的作用。經(jīng)過兩個反卷積模塊處理后,再通過一個殘差卷積模塊完善重構(gòu)結(jié)果,該模塊中包含6個3×3的卷積層,每個卷積層均利用Tanh函數(shù)進行激活。

最后,在模型中引入空間軟注意力機制模塊,引導模型有側(cè)重地學習噪聲特征。本文實現(xiàn)的注意力機制模塊由一個卷積層和一個Softmax激活層連接組成,如圖3所示。將解碼器的輸出作為輸入,再與含噪數(shù)據(jù)利用長路徑拼接,接著利用1×1的卷積層提取注意力信息,最后通過Softmax函數(shù)進行歸一化處理,得到歸一化后的權(quán)重系數(shù)矩陣。將權(quán)重系數(shù)矩陣與解碼器的輸出點乘即可獲得整體的輸出。

圖3 注意力機制模塊

2 模型試算

利用正演數(shù)值模擬地震數(shù)據(jù),可以驗證本文方法的有效性。設計長81m、深700m的二維地質(zhì)模型,包含4層水平層狀介質(zhì),正演模型參數(shù)如表1所示。以主頻為40Hz的Rick子波為激發(fā)震源,設置81個檢波點,時間采樣間隔為1ms,利用波動方程可以正演模擬地震波在該模型中傳播的地震記錄,獲得的單炮正演地震數(shù)據(jù)如圖4a所示。圖4b至圖4f分別為在原始正演模擬地震數(shù)據(jù)中加入噪聲后形成的單炮記錄及不同方法的去噪結(jié)果。

表1 正演模型參數(shù)

圖4 正演地震數(shù)據(jù)去噪對比a 單炮正演地震數(shù)據(jù); b 加噪后的正演地震數(shù)據(jù); c 本文方法去噪后的地震數(shù)據(jù); d 本文方法得到的去噪殘差; e DnCNN方法去噪后的地震數(shù)據(jù); f DnCNN方法得到的去噪殘差

在野外實測地震記錄中,往往包含大量的隨機噪聲和相干噪聲。為了與實際地震數(shù)據(jù)對比,利用公式(4),在正演單炮地震記錄中添加單頻、多頻、強能量單頻和弱能量單頻等4種信號作為擬壓制的噪聲(圖5)。

(4)

圖5 4種噪聲

式中:xF為仿真地震信號;x1,x2分別為xF的兩個分量;A1,A2均為振幅;Q為吸收系數(shù);t為傳播時間;f1,f2均為頻率;φ1,φ2均為相位;上述4種噪聲信號的參數(shù)如表2所示。

表2 噪聲信號的參數(shù)描述

分別將上述4種噪聲信號和均值為0、方差為0.1的高斯隨機噪聲加入地震數(shù)據(jù)中,可形成與野外實際地震記錄近似、含嚴重噪聲的正演模擬地震數(shù)據(jù)。

得到了含有噪聲的地震記錄后,利用本文方法進行噪聲壓制。本文對于地震數(shù)據(jù)的處理策略是,將完整的地震數(shù)據(jù)利用大小為16×16、步長為1的窗口滑動截取,產(chǎn)生大量訓練樣本,以更好地提取地震數(shù)據(jù)細節(jié)信息。由于本文方法包含監(jiān)督學習模型,因此需要利用大量的含噪聲與無噪聲樣本對其進行訓練。模型參數(shù)的更新是通過優(yōu)化重構(gòu)數(shù)據(jù)與原始無噪聲數(shù)據(jù)間的損失函數(shù)實現(xiàn)的。

獲取訓練集后,利用Keras搭建模型、Adam優(yōu)化器,并將學習率設置為1×10-5,損失函數(shù)為重構(gòu)輸出與無噪聲樣本之間的均方根誤差。由于地震數(shù)據(jù)正負均有,若選擇sigmoid或ReLu激活函數(shù)會丟失負數(shù)部分,因此在模型搭建過程中,均采用了tanh激活函數(shù)。訓練時,batch_size設置為64,訓練100

次,保存均方差最小的模型參數(shù)。利用最優(yōu)模型對圖4b 中的含噪地震數(shù)據(jù)進行處理,獲得了如圖4c所示的噪聲壓制效果,與此同時,利用DnCNN方法針對測試數(shù)據(jù)進行處理,結(jié)果如圖4e所示。

首先從定性的角度加以驗證,一方面,依靠殘差法原理,基于噪聲壓制結(jié)果與原始數(shù)據(jù)的差值[19]觀察被壓制部分是否為噪聲,對試驗效果進行初步的直觀判斷。利用本文方法和DnCNN方法得到的去噪殘差分別如圖4d和圖4f所示,可以發(fā)現(xiàn)本文方法壓制了絕大部分的隨機噪聲和相干噪聲,同時最大程度地避免了有效信號的損失,具有較好的保幅性。在噪聲壓制和有效信號的恢復效果上,本文方法均顯著優(yōu)于DnCNN方法。將本文方法、DnCNN方法的噪聲壓制結(jié)果與原始數(shù)據(jù)的振幅屬性進行對比,對本文方法的保幅性進行評價[20],得到的結(jié)果如圖6所示。圖6a所示的平均振幅中,本文方法得到的去噪結(jié)果與原始數(shù)據(jù)大致趨勢相同,部分噪聲壓制后的平均振幅變小,符合某些道的噪聲振幅值相較于有效信號較大的特點,本文方法相較于DnCNN方法具有更好的保幅性;圖6b所示的平均絕對振幅值中,相較于DnCNN方法去噪結(jié)果,本文方法去噪結(jié)果與原始數(shù)據(jù)的大致趨勢更為一致;圖6c所示的均方根振幅最能說明問題,本文方法去噪結(jié)果與原始數(shù)據(jù)趨勢基本一致,在振幅值較大的道,本文方法的保幅效果明顯優(yōu)于DnCNN方法的保幅效果。綜上,本文方法在有效壓制噪聲的同時具有良好的保幅特性。

圖6 正演數(shù)據(jù)振幅屬性a 平均振幅對比; b 平均絕對振幅對比; c 均方根振幅對比

其次,在定量分析方面,分別利用均方根誤差(MSE)、信噪比(SNR)以及峰值信噪比(PSNR)3個評價指標對比說明去噪效果。其中,MSE的計算公式如(5)式所示,用來衡量重構(gòu)數(shù)據(jù)與原始數(shù)據(jù)間的偏差;SNR的計算公式如(6)式所示,SNR代表有效信號與噪聲的功率比,值越大則說明噪聲越少;PSNR與MSE類似,可以用于衡量重構(gòu)數(shù)據(jù)與原始數(shù)據(jù)的相似度,其計算公式如(7)式所示。

(5)

(6)

(7)

表3 DnCNN方法與本文方法去噪評價指標

由上述3種評價指標的對比可知,本文方法的噪聲壓制效果明顯優(yōu)于DnCNN方法的壓制效果。MSE和PSNR指標的對比,說明本文方法能夠更有效地恢復有效信號,而SNR指標的大幅度提升則說明本文方法壓制噪聲更徹底,可大幅度提升地震數(shù)據(jù)的信噪比。

綜上所述,本文方法可有效壓制正演模擬數(shù)據(jù)中的隨機噪聲和相干噪聲。此外,本文方法具有良好的保幅特性,在有效信號的重建方面更具優(yōu)勢。

3 復雜山前帶地震資料智能去噪

龍門山前復雜構(gòu)造帶天然氣資源豐富,已經(jīng)發(fā)現(xiàn)了中壩、孝新合(孝泉-新場-合興場)、磨溪和臥龍河等大型氣藏,勘探開發(fā)前景十分廣闊。試驗區(qū)位于龍門山前緣川西綿陽羅浮山一帶,地表以喀斯特地貌為主,高陡碳酸鹽巖地層出露,地震采集難度大;地下的深層海相儲層為油氣攻關(guān)目標,儲層埋藏深,地震信號高頻衰減快、主頻低、頻帶窄。受工廠生產(chǎn)、景區(qū)建設、大型車輛等復雜環(huán)境的影響,采集得到的地震數(shù)據(jù)包含了多種噪聲源的干擾(圖7),噪聲類型復雜,獲得高信噪比、高品質(zhì)的地震資料難度極大。

圖7 實際疊前地震數(shù)據(jù)

利用前述噪聲壓制方法,開展了針對川西龍門山前復雜構(gòu)造帶地震數(shù)據(jù)的噪聲智能壓制試驗。首先,利用1.5節(jié)中的神經(jīng)網(wǎng)絡模型壓制實際地震數(shù)據(jù)噪聲;其次,在該網(wǎng)絡訓練階段,針對實際無噪聲數(shù)據(jù)的可用數(shù)據(jù)少、獲取難度大等問題,根據(jù)遷移學習的原理,利用以正演數(shù)據(jù)集訓練得到的參數(shù)初始化網(wǎng)絡,以及現(xiàn)有的少量實際地震數(shù)據(jù)集繼續(xù)訓練。其中,試驗處理的實際地震數(shù)據(jù)共720道,每道長度6s,設置大小為16×16,步長為1的窗口滑動截取訓練集。由于實際無噪聲地震數(shù)據(jù)的稀缺,適當調(diào)整訓練超參數(shù),將訓練批次減少為32,訓練輪數(shù)增加為200輪,遷移訓練結(jié)束后,保存重構(gòu)數(shù)據(jù)與原始數(shù)據(jù)均方差最小的網(wǎng)絡參數(shù),再利用最優(yōu)網(wǎng)絡模型對實際低信噪比地震數(shù)據(jù)進行測試。

針對如圖7所示的實際地震數(shù)據(jù),對比分析本文方法與以Radon變換為主的傳統(tǒng)噪聲壓制方法的壓制效果,結(jié)果表明前者在噪聲壓制、有效信號恢復等方面更具優(yōu)勢。本文方法與傳統(tǒng)方法的壓制效果如圖8所示。分析可知,首先,本文方法能夠有效壓制工業(yè)電、高頻干擾、隨機背景噪聲等噪聲;其次,本文方法壓制直達波的效果優(yōu)于傳統(tǒng)方法的壓制效果,但壓制并不徹底,仍存在殘留噪聲;再者,在面波的壓制效果上,本文方法能夠有效壓制大部分面波干擾。此外,兩種方法的噪聲殘差分別如圖8b和圖8d所示,本文方法在壓制過程中對有效信號的損失相對較少,具有一定的保幅性,并且能夠在被面波和工業(yè)電噪聲嚴重污染的區(qū)域恢復并增強雙曲波形式的有效信號。

圖8 實際地震數(shù)據(jù)去噪效果對比a 本文方法壓制后的地震數(shù)據(jù); b 本文方法噪聲殘差; c 傳統(tǒng)方法壓制后的地震數(shù)據(jù); d 傳統(tǒng)方法噪聲殘差

此外,從平均振幅、平均絕對振幅以及均方根振幅3個方面對比分析,可得出本文方法具有更好的保幅特性的結(jié)論。在圖9a所示的平均振幅對比中,本文方法壓制后的地震數(shù)據(jù)基本與原始地震數(shù)據(jù)大致吻合,在振幅值較大的地方明顯變小,符合某些道的噪聲振幅值較有效信號相對較大的特點,且振幅值有正有負。對于圖9b中的平均絕對振幅,本文方法的去噪結(jié)果與原始地震數(shù)據(jù)基本一致,并且與傳統(tǒng)方法的去噪結(jié)果相比,在涉及最大或最小值的道時,振幅值明顯變小。從圖9c所示的均方根振幅對比可以看出,本文方法得到的去噪結(jié)果相較于傳統(tǒng)方法更貼合原始數(shù)據(jù)振幅,趨勢基本一致,符合噪聲壓制過程中的均方根變化規(guī)律。

圖9 實際數(shù)據(jù)振幅屬性a 平均振幅對比; b 平均絕對振幅對比; c 均方根振幅對比

總體看,本文方法對于實際地震數(shù)據(jù)中的多種噪聲類型都具有一定的壓制能力,并且在保持噪聲壓制能力的前提下,能夠有效恢復有效信號。此外,相較于傳統(tǒng)方法,本文方法簡潔的處理思路和較強的噪聲普適性使得其具有良好的競爭力和應用潛力。

為了進一步證明本文方法的實際地震噪聲壓制能力,利用該方法對共計114炮,每炮360道的低信噪比實際地震數(shù)據(jù)進行了噪聲壓制處理,并對壓制后的地震數(shù)據(jù)進行疊加處理,圖10展示了去噪前疊加、傳統(tǒng)方法去噪后以及本文方法去噪后再疊加的剖面。

圖10 去噪前后疊加剖面局部效果對比a 去噪前疊加; b a中黃框部分放大顯示; c 傳統(tǒng)方法去噪后疊加; d c中黃框部分放大顯示; e 本文方法去噪后疊加; f e中黃框部分放大顯示

從疊加剖面可以看出,傳統(tǒng)方法和本文方法均能有效壓制實際低信噪比地震數(shù)據(jù)中的大部分噪聲干擾,并清晰地恢復出有效波。但是從兩者的對比中可看出,本文方法對有效波的恢復更清晰,同相軸更連續(xù),細節(jié)特征更明顯,局部對比效果如圖10b,圖10d 以及圖10f所示。在針對某些復雜噪聲的壓制上,本文方法相較于傳統(tǒng)方法更具可行性,前者能夠突破后者的局限性,有效地壓制噪聲。

綜上所述,本文方法針對實際低信噪比地震數(shù)據(jù)在多種噪聲的壓制和有效信號的恢復效果上均優(yōu)于傳統(tǒng)方法,并且在節(jié)省成本、提高效率、降低學習成本等方面具有一定優(yōu)勢。當然,本文方法的去噪效果也存在一定的不足,如在噪聲壓制過程中會產(chǎn)生假頻干擾,有效信號的保幅性還有待提高。

4 結(jié)論與認識

本文建立了一種有別于傳統(tǒng)噪聲壓制模式的深度神經(jīng)網(wǎng)絡方法,將基于InceptionV4卷積自編碼器引入地震噪聲壓制領域,同時融合注意力機制和遷移學習訓練策略,使得該方法在網(wǎng)絡結(jié)構(gòu)方面具有較強的特征提取與建模能力,也在訓練策略方面達成了有效利用少量無噪聲數(shù)據(jù)的目的。本文方法在龍門山前“雙復雜”區(qū)域取得了良好的應用效果,有效壓制了絕大部分的隨機噪聲和相干噪聲,同時較好地恢復了有效信號。此外,本文方法可泛化性強、處理環(huán)節(jié)簡潔,具有良好的應用前景。