陳文超,劉達偉,魏新建,王曉凱,陳德武,李書平,李 冬
基于地震資料有效信息約束的深度網(wǎng)絡無監(jiān)督噪聲壓制方法
陳文超1,劉達偉1,魏新建2,王曉凱1,陳德武2,李書平2,李 冬2
(1. 西安交通大學 信息與通信工程學院,陜西 西安 710049; 2. 中國石油勘探開發(fā)研究院西北分院,甘肅 蘭州 730020)
地震資料處理是地震勘探中的關(guān)鍵環(huán)節(jié),由于地下構(gòu)造和地表條件的復雜性,地震資料的處理需要經(jīng)過一系列復雜流程,從而形成多種不同類型的地震數(shù)據(jù)。不同種類的地震數(shù)據(jù)具有不同的數(shù)據(jù)特征,充分利用和發(fā)掘其中的數(shù)據(jù)特征,不僅可以充分發(fā)揮處理方法的技術(shù)潛力,消除各類非地質(zhì)因素對地震資料處理質(zhì)量的影響,同時可以增強地震資料處理的可靠性,改善地震資料的資料信噪比及分辨率,在復雜油氣藏勘探開發(fā)中具有非常重要的基礎作用。疊前地震成像道集(CRP)中的有效信號同相軸近似水平,疊后地震成像數(shù)據(jù)因為地層沉積的規(guī)律性,有效信號相比于隨機噪聲、成像畫弧噪聲等干擾具有規(guī)律、簡單等特點。具體表現(xiàn)為CRP道集及疊后地震資料有效信號具有多尺度自相似性的特征,其高維Fourier(FK或FKK)域主要能量集中在低頻、低波數(shù)區(qū)域。針對上述地震數(shù)據(jù)的特點,提出一種基于先驗信息約束的深度網(wǎng)絡地震資料無監(jiān)督噪聲壓制方法。受到深度圖像先驗(DIP)的啟發(fā),神經(jīng)網(wǎng)絡的結(jié)構(gòu)可以視為一種特殊的隱式先驗信息,合理設計網(wǎng)絡結(jié)構(gòu)可以使得網(wǎng)絡具有多尺度自相似性特征的提取能力。由于疊前地震成像道集數(shù)據(jù)和疊后地震成像數(shù)據(jù)有效信號的多尺度自相似性,而噪聲不具備這一特性,因此,特定結(jié)構(gòu)的網(wǎng)絡可以從原始數(shù)據(jù)提取出有效信號,從而達到噪聲壓制的目的。疊前成像道集和疊后成像的實際數(shù)據(jù)隨機噪聲壓制試驗結(jié)果表明,本文方法具有良好的保真性與魯棒性。此外,由于本文方法具有強大的特征提取能力,因此,對常規(guī)方法不易壓制的弧狀成像噪聲也有良好的效果。
無監(jiān)督學習;神經(jīng)網(wǎng)絡;弧狀成像噪聲壓制;成像道集;多尺度自相似性
地震資料處理是地震勘探中的關(guān)鍵環(huán)節(jié),對于連接采集和解釋工作發(fā)揮著重要功能,其處理質(zhì)量對地震資料解釋和儲層預測精度起到了決定作用。在地震數(shù)據(jù)采集過程中,不可避免地會引入隨機噪聲,壓制隨機噪聲可以提升信噪比,有助于提高解釋精度,對后期的地震數(shù)據(jù)的解釋至關(guān)重要。因此,地震數(shù)據(jù)的隨機噪聲壓制問題在地震資料處理中占據(jù)著重要地位。傳統(tǒng)基于模型的優(yōu)化方法和近年來興起的判別學習方法是隨機噪聲壓制的兩大類方法。
基于模型的優(yōu)化方法使用明確的先驗信息建立相關(guān)模型,然后通過求解優(yōu)化問題得到干凈的去噪數(shù)據(jù)。這類方法具有明確的物理含義,并且具有較強的泛化性能,對于不同種類的地震數(shù)據(jù)都有一定的噪聲壓制效果。按照使用的不同的先驗知識,基于模型的方法可以大致分為三大類。第一類是基于濾波的方法[1-2]。假設地震有效信號的反射同相軸具有橫向連續(xù)性,以此來區(qū)分有效信號和噪聲。第二類是基于低秩的方法,包括低秩分解[3-5]和核范數(shù)最小化[6]。第三類是基于稀疏表示的噪聲壓制方法,這類方法構(gòu)建合適的字典對有效信號進行稀疏表示,而該字典無法稀疏表示隨機噪聲,從而達到壓制隨機噪聲的目的[7-9]。上述方法在實際數(shù)據(jù)的處理過程中均取得了良好的效果,但是也會面臨一些挑戰(zhàn)。一方面,這類方法要求人為指定的先驗知識盡可能準確,然而由于地震數(shù)據(jù)的復雜性,使用這些先驗知識在某些復雜結(jié)構(gòu)區(qū)域仍然無法區(qū)分有效信號和隨機噪聲。另一方面,模型優(yōu)化的時間通常比較耗時,并且需要專業(yè)的計算機知識才可以實現(xiàn)快速并行計算。
與之相反,判別學習方法,如最近幾年流行的深度學習方法,通過端對端地學習訓練樣本對獲得先驗知識,這把研究人員從復雜的先驗知識設計中解放出來,尤其對于那些無法用明確公式表達的先驗知識很有效果。此外,深度學習在隨機噪聲壓制問題中得到大規(guī)模使用的另一個原因是它很容易并行計算,雖然訓練耗時較長,但是測試時間相比模型優(yōu)化法很有優(yōu)勢。按照網(wǎng)絡維度的不同,此類可以分為二維網(wǎng)絡方法[10]和三維網(wǎng)絡方法[11-12]。盡管它們在實際使用中可以取得令人滿意的結(jié)果,但是也遇到了一些挑戰(zhàn)。首先,判別學習類方法需要大量的不含噪地震數(shù)據(jù)作為標簽數(shù)據(jù),而這在實際中是幾乎不可能獲得的。其次,網(wǎng)絡的泛化能力通常較弱,當處理較大規(guī)模的地震數(shù)據(jù)時,它的去噪能力會退化。
無監(jiān)督的深度學習方法可以兼具上述兩類方法的優(yōu)點。無監(jiān)督深度學習方法既不需要標簽數(shù)據(jù),并且有較強的泛化能力,此外還可以使用深度學習框架較為容易地實現(xiàn)并行計算。無監(jiān)督深度學習方法已經(jīng)成功地應用于地震數(shù)據(jù)集的噪聲壓制[13]。本文提出了一種基于先驗信息約束的深度網(wǎng)絡地震資料無監(jiān)督噪聲壓制方法。由于疊前地震成像道集數(shù)據(jù)和疊后地震成像數(shù)據(jù)有效信號的多尺度自相似性,而噪聲不具備這一特性,因此,可以設計一種可以提取多尺度自相似性的網(wǎng)絡,從中提取有效信號,從而達到噪聲壓制的目標。受到深度圖像先驗(Deep Image Prior,DIP)[14]的啟發(fā),本文使用一種多尺度的生成卷積神經(jīng)網(wǎng)絡,以含噪地震數(shù)據(jù)作為訓練目標,使之從含噪地震數(shù)據(jù)中提取有效信號。訓練過程中使用早停法選擇合適的迭代次數(shù),使網(wǎng)絡輸出去噪后的地震數(shù)據(jù)。
本文所使用的深度生成網(wǎng)絡結(jié)構(gòu)是一種經(jīng)典的U-Net網(wǎng)絡結(jié)構(gòu),包括3大部分:5個下采樣(Downsample)模塊(Block),2個跳躍連接層(Skip)模塊及5個上采樣(Upsample)模塊。每個模塊包含幾個基本單元,基本單元包括卷積(Conv)層、批歸一化(Batch normalization,BN)層、下采樣(Downsample)層、上采樣(Upsample)層和激活函數(shù)(LeakyReLU)層,如圖 1所示。為了節(jié)省計算開銷,隨著網(wǎng)絡深度的加深,下采樣的卷積濾波器數(shù)目從初始的8個增加到128個,上采樣層的濾波器數(shù)目與之對稱。不同網(wǎng)絡深度的下采樣模塊和上采樣模塊通過壓縮共有特征和剔除無用信息來降低目標地震數(shù)據(jù)的維數(shù)。這種網(wǎng)絡結(jié)構(gòu)使深度生成網(wǎng)絡具有多尺度自相似特征的提取能力。地震資料的有效信號在本質(zhì)上具有多尺度特征,許多地震處理方法從中受益[15-16]。因此,本文可以應用上述網(wǎng)絡的特征提取能力來提取有效信號,從而達到壓制地震資料隨機噪聲的目的。
同時,本文在原有U-Net網(wǎng)絡結(jié)構(gòu)的基礎上做了一些修改。首先,為了減少由上采樣模塊引起的棋盤效應,采用轉(zhuǎn)置卷積代替雙線性插值。其次,設置跳躍連接的策略來避免梯度消失問題。第三,用漏泄線性整流函數(shù)替換原有激活函數(shù),防止神經(jīng)元湮滅。
圖1 本文所使用的網(wǎng)絡模型結(jié)構(gòu)
圖2 深度生成網(wǎng)絡分別重構(gòu)含噪地震數(shù)據(jù)、隨機噪聲和有效信號得到的能量曲線
其中,
本文以一個東部某油田實際疊前地震成像道集為例說明深度神經(jīng)網(wǎng)絡的低頻優(yōu)先原則,圖3為使用本文網(wǎng)絡對含噪地震數(shù)據(jù)進行重構(gòu)得到的不同迭代次數(shù)的結(jié)果,可以看到迭代次數(shù)較少時,網(wǎng)絡主要重構(gòu)3數(shù)據(jù)中的低頻成分,隨著迭代次數(shù)的增加,越來越多的精細結(jié)構(gòu)被網(wǎng)絡重構(gòu)出來,同時,也重構(gòu)了更多的噪聲成分。圖4為圖3對應的FK譜,也可以觀察到,網(wǎng)絡優(yōu)先學習低頻特征,隨著訓練迭代次數(shù)的增加,越來越多的高頻成分被重構(gòu)出來。
圖5a是一個東部某油田疊前地震成像道集,包括200道數(shù)據(jù),每道數(shù)據(jù)具有3 001個時間采樣點,采樣率為2 ms??梢钥吹綀D中有效信號被大量的背景噪聲所污染,使得一些微弱的有效信號變得模糊。同時,可以觀察到同相軸是近似水平的,這與本文方法善于提取低頻的、具有多尺度自相似的特征相匹配。DDTF(Data-drive Tight Frame)[18]是一種常用的地震數(shù)據(jù)噪聲壓制方法,本文選擇DDTF方法作為對比。圖5b顯示了DDTF的去噪結(jié)果,可以看出到仍然存在一些殘余噪聲。然后利用深度生成網(wǎng)絡從原始地震數(shù)據(jù)中提取自相似特征。經(jīng)過大約1 500次迭代,得到了網(wǎng)絡的去噪結(jié)果,如圖5c所示??梢钥闯?,本文方法的沒有明顯殘余噪聲,同相軸比DDTF方法更清晰。此外,本文方法在不丟失有用信號細節(jié)的情況下也去除了一些相干噪聲。在如圖5d所示DDTF方法相應的噪聲去除部分中,可以看到一些有效信號的泄漏。然而,如圖5e所示,除了一些異常的振幅點外,本文方法幾乎找不到明顯的連續(xù)同相軸,這表明本文方法在去噪過程中沒有嚴重破壞有效信號。此外,本文方法的計算時間(79.19 s)比DDTF(51.30 s)耗時多,但去噪效果更優(yōu),參數(shù)選擇更為容易。
(a)—(l)分別為100~1 200次迭代的結(jié)果
(a)—(l)分別為100~1 200次迭代的FK譜
(a)為含噪數(shù)據(jù)集;(b)和(c)分別為DDTF和本文方法的去噪結(jié)果;(d)和(e)為DDTF和本文方法去除的噪聲
本文進一步從多通道歸一化幅度譜來比較去噪性能研究,如圖6所示。眾所周知,隨機噪聲的主要能量集中在高頻端??梢钥闯觯删W(wǎng)絡去噪后數(shù)據(jù)的高頻能量幅度譜(例如高于60 Hz部分)低于由DDTF去噪數(shù)據(jù)的高頻能量頻幅度譜,如圖6a所示。這意味著網(wǎng)絡抑制了更多的噪聲能量。從圖6b所示的去除噪聲的幅度譜也可以得到相同的結(jié)論。為了更清楚地進行比較,圖6c顯示了圖6a紅色圓圈所示的放大區(qū)域,可以更清楚地觀察到網(wǎng)絡的去噪結(jié)果在高頻段能量較低??梢缘贸鼋Y(jié)論,與DDTF相比,該方法具有更高的保真度和更強的噪聲抑制能力。
下面從疊加剖面上觀察本文方法的噪聲壓制效果。圖7a所示是200道原始疊前地震成像道集經(jīng)過疊加而成的疊加剖面。圖7b所示是200道網(wǎng)絡去噪后的疊前地震成像道集經(jīng)過疊加而成的疊加剖面,可以看到波形一致性得到了增強,圖7c為圖7a與圖7b的差剖面,從圖7c中觀察不到明顯的有效信號損傷,這證明了本文方法的保真性。
圖6 多道歸一化振幅譜
(a) 原始數(shù)據(jù);(b) 去噪后數(shù)據(jù);(c) 去除的噪聲數(shù)據(jù)
為了進一步說明本文方法的有效性,以如圖8a所示的疊后地震成像數(shù)據(jù)為例進行噪聲壓制。該數(shù)據(jù)來自東部某油田,圖示600道數(shù)據(jù)和1 200個時間采樣點,采樣時間為2 ms。可以看到,該數(shù)據(jù)受到噪聲影響嚴重,尤其受到了弧狀成像噪聲的干擾,對地震數(shù)據(jù)的解釋造成了干擾。圖8b所示是網(wǎng)絡經(jīng)過6 500次迭代得到的去噪后的地震數(shù)據(jù),可以看到本文方法去除了大量的隨機噪聲,去噪后同相軸的連續(xù)性得到了加強,尤其是圖中紅色矩形框所示的區(qū)域,弧狀成像噪聲得到了壓制。從圖8c中去除的噪聲部分來看,噪聲中除了弧狀噪聲部分,沒有明顯的地層結(jié)構(gòu)成分,說明本文方法幾乎沒有損傷有效信號,具有較高的保真性。
本文提出了一種基于深度學習的無監(jiān)督隨機噪聲壓制方法,疊前、疊后成像數(shù)據(jù)處理結(jié)果表明,該方法具有以下3個特點:所提方法不需要常見深度神經(jīng)網(wǎng)絡必須的訓練標簽;本文采用的網(wǎng)絡具有很強的多尺度自相似特征提取能力,能夠容易地從原始含噪數(shù)據(jù)中提取有效信號;此外,該方法在有效抑制隨機噪聲的同時,對有效信號的損傷較小,尤其可以有效壓制傳統(tǒng)方法不易去除的弧狀成像噪聲。
[1] TRICKETT S. F-xy Cadzow noise suppression[C]//SEGTechnical Program Expanded Abstracts 2008. Society of Exploration Geophysicists,2008:2586–2590.
[2] SOUBARAS R. Signal-preserving random noise attenuation by the f-x projection[C]//SEG Technical Program Expanded Abstracts,Jan. 1994:1576–1579.
[3] TRICKETT S R. F-xy eigenimage noise suppression[J]. Geophysics,2003,68(2):751–759.
[4] BEKARA M,BAAN VAN DER M. Local singular value decomposition for signal enhancement of seismic data[J]. Geophysics,2007,72(2):59–65.
[5] OROPEZA V,SACCHI M. Simultaneous seismic data denoising and reconstruction via multichannel singular spectrum analysis[J]. Geophysics,2011,76(3):25–32.
[6] KREIMER N,SACCHI M D. A tensor higher-order singular value decomposition for pre-stack seismic data noise reduction and interpolation[J]. Geophysics,2012,77(3):113–122.
[7] YU Z,ABMA R,ETGEN J,et al. Attenuation of noise and simultaneous source interference using wavelet denoising[J]. Geophysics,2017,82(3):179–190.
[8] WANG Xiaojing,MA Jianwei. Adaptive dictionary learning for blind seismic data denoising[J]. IEEE Geoscience and Remote Sensing Letters,2019:1–5.
[9] WANG Shen,LI Jianchao,CHIU S K,et al. Seismic data compression and regularization via wave packets[C]//SEG Technical Program Expanded Abstracts 2010. 2010:3650–3655.
[10] ZHANG Yinxue,TIAN Xuemin,DENG Xiaogang,et al. Seismic denoising based on modified BP neural network[C]//2010 Sixth International Conference on Natural Computation. 2010:1825–1829.
[11] WANG Enning,NEALON J. Applying machine learning to 3D seismic image denoising and enhancement[J]. Interpretation,2019,7(3):131–139.
[12] LIU Dawei,WANG Wei,WANG Xiaokai,et al. Poststack seismic data denoising based on 3-D convolutional neural network[J]. IEEE Trans. Geosci. Remote Sens.,2020,58(3):1598–1629.
[13] CHEN Yangkang,ZHANG Mi,BAI Min,et al. Improving the signal-to-noise ratio of seismological datasets by unsupervised machine learning[J]. Seismol. Res. Lett.,2019,90(4):1552–1564.
[14] ULYANOV D,VEDALDI A,LEMPITSKY V. Deep image prior[C]//IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2018:9446–9454[2020-03-19].
[15] HERRMANN F J,WANG DeLi,HENNENFENT G,et al. Curvelet-based seismic data processing:A multiscale and nonlinear approach[J]. Geophysics,2008,73(1):1–5.
[16] BUNKS C,SALECKF M,ZALESKI S,et al. Multiscale seismic waveform inversion[J]. Geophysics,1995,60(5):1457–1473.
[17] XU Z-Q J. Frequency principle:Fourier analysis sheds light on deep neural networks[J]. Commun. Comput. Phys.,2020,28(5):1746–1767.
[18] LIANG Jianwei,MA Jianwei,ZHANG Xiaoqun. Seismic data restoration via data-driven tight frame[J]. Geophysics,2014,79(3):65–74.
Unsupervised noise suppression method for depth network seismic data based on prior information constraint
CHEN Wenchao1, LIU Dawei1, WEI Xinjian2, WANG Xiaokai1, CHEN Dewu2, LI Shuping2, LI Dong2
(1. School of Information and Communication Engineering, Xi’an Jiaotong University, Xi’an 710049, China; 2. Research Institute of Petroleum Exploration&Development-Northwest(NWGI) PetroChina, Lanzhou 730020, China)
Seismic data processing is a critical step in seismic exploration. Due to the complexity of underground structure and surface conditions, seismic data processing needs to go through a series of complex processes, thus forming various types of seismic data. Different types of seismic data have different data characteristics. Exploring and making full use of the data characteristics can not only give full play to the technical potential of processing methods, eliminate the influence of various non-geological factors on the quality of seismic data processing, but also enhance the reliability of seismic data processing. Improving the signal-to-noise ratio and resolution of seismic data plays a significant role in the exploration and development of complex reservoirs. The useful signal in pre-stack seismic imaging gathers(common-reflection-point gathers) is approximately horizontal, and the useful signal in post-stack seismic imaging data is regular and straightforward compared with random noise and arc-like imaging noise because of the regularity of stratum deposition. Therefore, the corresponding FK domain is focused on low-frequency energy due to the specific characteristics of multiscale self-similarity. According to the characteristics of the above seismic data, this paper proposes an unsupervised noise suppression method for deep network seismic data based on prior information constraints. Inspired by the deep image prior (DIP), the structure of the neural network can be regarded as a kind of particular implicit prior information. The reasonable design of network structure can improve the ability of multiscale self-similarity feature extraction. Because of the multiscale self-similarity of the useful signals of pre-stack seismic imaging gather data and post-stack seismic imaging data but noise without this characteristic, the network with specific structure can extract the useful signals from the original data, so as to achieve the goal of noise suppression. The application results of pre-stack imaging gathers and post-stack imaging data show that the proposed method has good fidelity and robustness. In addition, due to its strong feature extraction ability, the proposed method also has a good effect on arc-like imaging noise not easy to suppress by conventional methods.
unsupervised learning; neural network; arc-like imaging noise; imaging gathers; multiscale similarity
移動閱讀
語音講解
P631
A
1001-1986(2021)01-0249-08
2021-01-11;
2021-01-25
國家自然科學基金面上項目(41774135,41974131);國家重點研發(fā)計劃課題(2017YFB0202902)
陳文超,1970年生,男,陜西咸陽人,博士,教授,從事地震、探地雷達信號處理、解釋研究工作. E-mail:wencchen@xjtu.edu.cn
陳文超,劉達偉,魏新建,等. 基于地震資料有效信息約束的深度網(wǎng)絡無監(jiān)督噪聲壓制方法[J]. 煤田地質(zhì)與勘探,2021,49(1):249–256. doi:10.3969/j.issn.1001-1986.2021.01.027
CHEN Wenchao,LIU Dawei,WEI Xinjian,et al. Unsupervised noise suppression method for depth network seismic data based on prior information constraint[J]. Coal Geology & Exploration,2021,49(1):249–256. doi: 10.3969/j.issn. 1001-1986.2021.01.027
(責任編輯 聶愛蘭)