[1]陈伟,陈名德,郭锐,等.基于残差收缩网络的地震数据增强方法[J].长江大学学报(自然科学版),2025,(2):1-11.
点击复制

基于残差收缩网络的地震数据增强方法
分享到：

长江大学学报（自然科学版）[ISSN:1673-1409/CN:42-1741/N]

卷:
期数:
2025年第2期
页码:
1-11
栏目:
地质资源与地质工程
出版日期:
2025-03-25

文章信息/Info

文章编号:
1673-1409 (2025) 02-0001-11
作者:
陈伟; 陈名德; 郭锐; 杨浪
非常规油气省部共建协同创新中心 (长江大学),湖北 武汉 430100 中国地球物理学会工程物探检测重点实验室 ,湖北 武汉 430014 中国石油东方地球物理勘探研究院,河北 涿州 072751 中国石油塔里木油田分公司勘探开发研究院,新疆 库尔勒 841000
关键词:
深度学习; 残差收缩网络; 地震数据增强; 可复现性
分类号:
P631.44TE312.14
文献标志码:
A
摘要:
高品质地震数据对地震反演和解释任务至关重要。深度学习技术已被广泛用于提升地震数据质量,但现有方法常以结果为导向而可解释性低,且可复现性低限制了研究结果的验证性。以地震数据特性及特定处理任务为出发点设计独特网络以用于地震数据增强,为神经网络在地震勘探中的 “黑箱”特性提供见解。该网络采用全卷积、非下采样框架来适应地震数据的高局部相关性和低全局相关性。网络结合改进的残差收缩模块来提高信噪比,并使用绝对最大归一化进行分布域变换使数据符合地震子波均值为零的正态分布的特性。以基于公开合成地震数据进行训练并用公开真实地震数据测试的策略,通过使用信噪比、局部相似性和频谱分析证实了网络在衰减随机噪声、保真度和相对保幅方面的有效性。易复现且严格控制变量的多项对比实验证实了所提出的网络在不同噪声水平下的鲁棒性和对真实地震数据的泛化能力。

参考文献/References:


[1]徐德奎,张志军,丁洪波,等.渤海油田新近系地震资料保幅处理研究与实践 [J].地球物理学进展,2024,39 (1):379-390.XU DK,ZHANGZJ,DING HB,etal.ResearchandpracticeonamplitudepreservationprocessingofNeogeneseismicdatainBohaiOilfield [J].ProgressinGeophysics,2024,39 (1):379-390.
[2]YANGLQ,FOMELS,WANGSD,etal.Interpretableunsupervisedlearningframeworkformultidimensionalerraticandrandomnoiseattenuation [J].IEEETransactionsonGeoscienceandRemoteSensing,2024,62:1-20.
[3]DEIGHAN AJ,WATTSDR.Ground-rollsuppressionusingthewavelettransform [J].Geophysics,1997,62 (6):1896-1903.
[4]CHENSY,XUEYJ,HUANGL.Applicationofsecondordermulti-synchrosqueezingtransformforseismicdataanalysis [J].DigitalSignalProcessing,2024,148:104436.
[5]DONOHODL.Compressedsensing [J].IEEETransactionsonInformationTheory,2006,52 (4):1289-1306.
[6]CHEN W,ZHANGD,CHENYK.Randomnoisereductionusingahybridmethodbasedonensembleempiricalmodedecomposition [J].JournalofSeismicExploration,2017,26 (3):227-249.
[7]LECUN Y,BENGIO Y,HINTONG.Deeplearning [J].Nature,2015,521 (7553):436-444.
[8]易继东,张敏,李振春,等.深度学习地震数据重建方法研究综述 [J].地球物理学进展,2023,38 (1):361-381.YIJD,ZHANG M,LIZC,etal.Reviewofdeeplearningseismicdatareconstructionmethods [J].ProgressinGeophysics,2023,38 (1):361-381.
[9]SUN H M,YANG FS,MAJ W.Seismicrandom noiseattenuationviaself-supervisedtransferlearning [J].IEEE GeoscienceandRemoteSensingLetters,2022,19:1-5.
[10]YANGLQ,FOMELS,WANG SD,etal.Denoisingofdistributedacousticsensingdatausingsuperviseddeeplearning [J].Geophysics,2023,88 (1):91-104.
[11]崔扬,王燕楠,陈万利,等.基于深度学习的地震随机噪声衰减方法研究进展 [J].石油地球物理勘探,2023,58 (5):1269-1283.CUIY,WANG YN,CHEN WL,etal.Researchprogressofrandomnoiseattenuationmethodsforseismicdatabasedondeeplearning [J].OilGeophysicalProspecting,2023,58 (5):1269-1283.
[12]周文辉,石敏,朱登明,等.基于残差注意力网络的地震数据超分辨率方法 [J].计算机科学,2021,48 (8):24-31.ZHOU W H,SHIM,ZHU D M,etal.Seismicdatasuper-resolution methodbasedonresidualattentionnetwork [J].ComputerScience,2021,48 (8):24-31.
[13]RUMELHARTDE,HINTONGE,WILLIAMSRJ.Learningrepresentationsbyback-propagatingerrors [J].Nature,1986,323·10· 长江大学学报 (自然科学版) 2025年3月(6088):533-536.
[14]LIPTONZC,BERKOWITZJ,ELKAN C,etal.Acriticalreviewofrecurrentneuralnetworksforsequencelearning [EB/OL].2015:1506.00019.https://arxiv.org/abs/1506.00019v4.
[15]KRIZHEVSKYA,SUTSKEVERI,HINTONGE.ImageNetclassificationwithdeepconvolutionalneuralnetworks [J].CommunicationsoftheACM,2017,60 (6):84-90.
[16]HEK M,ZHANGXY,RENSQ,etal.Deepresiduallearningforimagerecognition [C].2016IEEEConferenceonComputerVisionandPatternRecognition(CVPR).IEEE,2016:770-778.
[17]ZHAO M H,ZHONGSS,FUXY,etal.Deepresidualshrinkagenetworksforfaultdiagnosis [J].IEEETransactionsonIndustrialInformatics,2020,16 (7):4681-4690.
[18]IOFFES,SZEGEDY C.Batchnormalization:Acceleratingdeepnetworktrainingbyreducinginternalcovariateshift [C].InternationalConferenceonMachineLearning,2015:448-456.
[19]SIMONYANK,ZISSERMANA.Verydeepconvolutionalnetworksforlarge-scaleimagerecognition [EB/OL].2014:1409.1556.https://arxiv.org/abs/1409.1556v6.
[20]BIZF,WUX M,GENGZC,etal.Deeprelativegeologictime:Adeeplearningmethodforsimultaneouslyinterpreting3-Dseismichorizonsandfaults [J].JournalofGeophysicalResearch:SolidEarth,2021,126 (9):e2021JB021882.
[21]QIAOZX,CHUAIXY,XUZ W,etal.SeismicdataenhancementbasedonBayesianconvolutionalneuralnetwork [J].JournalofSeismicExploration,2023,32 (5):407-425.
[22]CHEN YK,FOMELS.Randomnoiseattenuationusinglocalsignal-and-noiseorthogonalization [J].Geophysics,2015,80 (6):1-9.
[23]SHENG H L,WU X M,SIX,etal.Seismicfoundation model(SFM):A nextgenerationdeeplearning modelin geophysics [J].Geophysics,2024:1-64.
[24]ZHANGK,ZUO W M,CHENYJ,etal.BeyondaGaussiandenoiser:residuallearningofdeepCNNforimagedenoising [J].IEEETransactionsonImageProcessing,2017,26 (7):3142-3155.
[25]LIUD W,WANG W,CHEN W C,etal.Randomnoisesuppressioninseismicdata:Whatcandeeplearningdo? [C]//SEGInternationalExpositionandAnnualMeeting.SEG,2018:SEG-2018-2998114.
[26]李明轩,韩宏伟,刘浩杰,等.基于数据分布域变换与贝叶斯神经网络的渗透率预测及不确定性估计 [J].地球物理学报,2023,66 (4):1664-1680.LIM X,HAN H W,LIU HJ,etal.PermeabilitypredictionanduncertaintyquantificationbaseonBayesianneuralnetworkanddatadistributiondomaintransformation [J].ChineseJournalofGeophysics,2023,66 (4):1664-1680.
[27]LIJT,WU X M,HUZX.Deeplearningforsimultaneousseismicimagesuper-resolutionanddenoising [J].IEEETransactionsonGeoscienceandRemoteSensing,2022,60:1-11.
[28]代倩倩,张卫,李建浪,等.基于 CEEMD的自适应阈值随机噪声衰减 [J].中国科技论文,2022,17 (5):562-570.DAIQ Q,ZHANG W,LIJL,etal.Random noiseattenuationusingadaptivethresholddenoisingbasedonCEEMD [J].ChinaSciencepaper,2022,17 (5):562-570.
[29]MAX,YAOG,YUANSY,etal.Seismiccoherentnoiseremovalwithresidualnetworkandsyntheticseismicsamples [J].IEEEGeoscienceandRemoteSensingLetters,2024,21:1-5.
[30]曹静杰,高康富,许银坡,等.基于一种注意力机制 U-Net的地震数据去噪方法 [J].石油地球物理勘探,2024,59 (4):724-735.CAOJJ,GAO KF,XU YP,etal.Seismicdatade-noisingmethodbasedonanattentionmechanism U-Net [J].OilGeophysicalProspecting,2024,59 (4):724-735.
[31]薛雅娟,杨强,高瑜翔.基于 CCU-Net的地震信号高分辨率处理方法 [J].长江大学学报 (自然科学版),2024,21 (6):34-44.XUEYJ,YANG Q,GAOYX.Thehigh-resolutionprocessingmethodofseismicsignalsbasedonCCU-Net [J].JournalofYangtzeUniversity(NaturalScienceEdition),2024,21 (6):34-44.

相似文献/References:

[1]詹炜,Inomjon Ramatov,崔万新,等.基于候选区域的深度学习目标检测算法综述[J].长江大学学报(自然科学版),2019,16(5):108.[doi:10.16772/j.cnki.1673-1409.2019.05.021]
[2]茹敏敏,谢凯,文方青.针式打印医疗发票的CNN-RNN识别方法[J].长江大学学报(自然科学版),2019,16(10):106.
[3]邵广辉,高衍武,张苏利,等.变窗重建算法和自适应SegNet网络在地层层序划分中的应用[J].长江大学学报(自然科学版),2024,(4):019.
[4]薛雅娟,杨强,高瑜翔.基于CCU-Net的地震信号高分辨率处理方法[J].长江大学学报(自然科学版),2024,(6):034.
[5]夏阳,方朝强,肖占山,等.基于深度学习的页岩聚焦离子束扫描电镜图像多物相分割方法研究[J].长江大学学报(自然科学版),2025,(2):037.

更新日期/Last Update: 2025-03-25