基于去噪卷积神经网络的异常振幅压制方法

学术精汇

作者：

范承祥2 3 郭宏伟1 苑益军2

作者单位：

1. 中国石油勘探开发研究院2. 中国地质大学(北京)地球物理与信息技术学院3. 潍柴动力股份有限公司

摘要：

地震数据中的异常振幅会造成地震道空间能量不均，导致叠前偏移出现画弧现象，从而严重干扰地震资料解释，因此压制异常振幅已成为地震资料处理中的一项重要工作。由于应用条件的限制，采用传统方法难以实现在彻底压制异常振幅的同时保护有效信号。为此，提出一种基于去噪卷积神经网络（DnCNN）的异常振幅压制方法。该方法首先根据地震异常振幅分布特点，通过网络改进与优化，搭建了适于异常振幅压制的DnCNN结构；然后采用人工合成和实际数据提取相结合的方法，制作了包含异常振幅和不含异常振幅的两种训练集；最后利用训练集对搭建的网络进行训练与学习，获得能够压制异常振幅的网络训练模型。模型数据和实际地震数据应用结果表明，该方法能够有效压制地震数据中的异常振幅，同时也保护了有效信号，与常用的传统方法相比，处理效果最佳。

关键词：

深度学习卷积神经网络训练集异常振幅去噪

刊期：

2023，4（58）

所属栏目：

智能地球物理

基金资助：

国家自然科学基金项目“基于复矢量Radon变换的地震矢量波场分离方法研究”(41974157)

分类号：

P631

DOI：

10.13810/j.cnki.issn.1000-7210.2023.04.003

页数：

页码：

780-788

来源期刊

石油地球物理勘探