一种基于神经低秩因子参数化的地震数据同时重建与去噪方法

摘要: 本发明涉及地震数据处理,具体涉及一种基于神经低秩因子参数化的地震数据同时重建与去噪方法。背景技术:1、地震数据是获取地下介质构造和油气储层信息的重要基础。在实际...
一种基于神经低秩因子参数化的地震数据同时重建与去噪方法

本发明涉及地震数据处理,具体涉及一种基于神经低秩因子参数化的地震数据同时重建与去噪方法。

背景技术:

1、地震数据是获取地下介质构造和油气储层信息的重要基础。在实际采集过程中,受采集成本、地表障碍、检波器故障、观测系统限制及环境干扰等因素影响,原始地震数据通常同时存在地震道缺失与随机噪声污染现象。地震道缺失会破坏反射同相轴的连续性,噪声会降低弱反射信号的可辨识度,进而影响后续偏移成像、反演和地质解释。因此,需要对不完整且含噪的地震数据进行同时重建和去噪。

2、现有地震数据重建方法主要包括预测滤波方法、稀疏变换方法和低秩方法等。其中,低秩方法利用地震数据在时间和空间方向上的相关性和冗余性,将数据表示为低秩矩阵或低秩张量,再利用降秩方法或优化算法进行降秩处理,以恢复原始地震数据的低秩结构。以张量分解方法为代表的因子化低秩方法由于能够直接保留多维采集方向之间的关联关系,适合高维地震数据处理。然而,现有因子化低秩方法通常在预设秩和预设低秩分解结构下将低秩因子作为自由变量直接优化。该方式主要依靠低秩结构限制参数规模,对因子内部的空间组织和同相轴连续性缺少进一步约束。在缺失比例较高或噪声较强时,所估计因子能同时包含有效信号、随机噪声和采样伪影,导致噪声残留、信号泄露或弱反射衰减。

3、随着人工智能的发展,未训练神经网络能够在不使用外部训练集和干净标签的情况下,针对单个观测数据进行自监督优化。其网络结构可对输出形成隐式约束,并通常优先拟合具有空间相干性的信号结构。然而,现有这类深度先验方法通常使用一个神经网络表示完整的高维地震数据体,网络需要同时拟合全局结构以及局部弱反射,计算与存储负担较大。

4、因此,需要一种无需外部训练数据、保留显式低秩结构并对低秩因子施加神经网络隐式约束的地震数据同时重建与去噪方法。

技术实现思路

1、为解决现有传统地震数据同时重建和去噪技术中低秩因子缺少结构约束、监督学习依赖训练标签以及直接深度先验表示表示完整地震数据体计算负担大的问题的技术问题,本发明提供一种基于神经低秩因子参数化的地震数据同时重建与去噪方法,包括:

2、s1.获取含缺失道和噪声的地震观测数据,根据已采样地震道的位置构建采样算子,并将地震观测数据组织为与目标完整采样网格对应的多阶地震数据张量;

3、s2.选定低秩分解类型,根据多阶地震数据张量的各模态维度确定对应秩参数,生成与各模态维度匹配的固定随机输入;为各模态分别构建参数相互独立的未训练因子生成神经网络,并初始化不参与网络前向输出的可学习低秩参数;

4、s3.将各模态对应的固定随机输入分别输入对应模态的因子生成神经网络,获得各模态对应的网络参数化低秩因子;其中,固定随机输入在迭代优化过程中保持数值不变,各因子生成神经网络的网络参数彼此独立;

5、s4.按照低秩分解类型对应的组合算子,将网络参数化低秩因子与可学习低秩参数进行组合,生成完整采样网格上的候选重建地震数据;

6、s5.通过采样算子从候选重建地震数据中提取已观测位置的数据,计算其与地震观测数据之间的数据一致性损失;

7、s6.根据数据一致性损失,利用基于梯度的优化算法联合优化更新各因子生成神经网络的网络参数与可学习低秩参数,重复步骤s3至s6,直至达到预设停止条件;

8、s7.将停止迭代时由低秩组合算子生成的候选重建地震数据作为输出,得到缺失地震道已恢复且噪声受到抑制的完整地震数据。

9、进一步,s1中,含缺失道和噪声的地震观测数据计算公式为:

10、

11、其中,为含缺失道和噪声的地震观测数据,为由采样位置确定的采样算子,为完整且干净的待恢复地震数据,n为噪声。

12、进一步,s2中,预先设定低秩分解类型,对应的低秩分解组合算子为,确定秩参数,对应的低秩因子为,。选定使用的神经网络,以及对应低秩因子的初始输入。

13、进一步,s3中,每一个网络参数化低秩因子可由对应的独立因子神经网络产生:

14、

15、其中,,为网络参数化低秩因子,代表第个低秩因子生成神经网络,表示与第个低秩因子尺寸匹配的固定随机输入,各固定随机输入不是待优化随机变量;各因子生成神经网络参数相互独立,其网络结构包括三种方式:采用相同网络结构;根据对应模态的数据尺度设置深度或通道数;采用结构完全不同的神经网络,分别拟合不同类型的低秩因子。

16、进一步,s4中,生成完整采样网格上的候选重建地震数据表示为:

17、

18、其中,为预先选择低秩分解的类型,为对应的组合算子,为候选重建地震数据,表示由生成低秩因子的神经网络的参数集合,表示由所选低秩分解确定的因子数量。

19、进一步,s2中,低秩分解类型为tucker分解,根据数据维度和预设tucker秩,构建尺寸分别为,,的三个低秩因子,,对应的固定输入,,,对应的tucker核心张量为,大小为。

20、进一步,三个低秩因子大小和固定输入大小一致并且分别由三个独立的u-net根据固定输入得到:

21、

22、其中,为网络参数,为包含编码器、解码器与跳跃连接的u-net,u-net包括编码器、解码器以及连接编码器与解码器的跳跃连接,编码器用于对固定随机输入进行多尺度特征提取,解码器用于逐级恢复与对应低秩因子矩阵一致的空间尺寸,跳跃连接用于融合不同尺度的特征,u-net的输出层输出对应模态的低秩因子矩阵。

23、进一步,tucker核心张量不通过因子生成神经网络生成,而是将核心张量设定为一个可学习参数张量,使用adam算法进行优化,从而减少网络数量、显存应用和计算负担。

24、进一步,使用tucker为所选低秩分解的完整采样网格上的候选重建地震数据表示为:

25、

26、其中,为完整采样网格上的候选重建地震数据,为所选的tuckre分解,,,表示分别沿三个模态的张量-矩阵乘积。

27、进一步,s6中,根据数据一致性损失,利用基于梯度的优化算法联合优化更新各因子生成神经网络的网络参数与可学习低秩参数计算式为

28、

29、其中,为优化后的tucker核心张量,为优化后的网络参数集合,为frobenius范数;联合优化更新仅基于地震观测数据和采样算子进行,不使用完整且干净的地震数据作为监督标签,因子生成神经网络不经外部地震数据预训练;采用adam优化器同时更新tucker核心张量和各因子生成神经网络的网络参数。

30、本发明的有益效果:本发明利用神经低秩因子参数化方案同步完成地震数据重建与去噪,整体方案架构简洁、计算开销低,无需完备干净样本监督即可实现无监督优化,能够有效恢复缺失地震道并抑制数据噪声,对含缺失、噪声的地震数据具备良好适配性与泛化效果,处理精度与运行效率均较传统方案更优。

1.一种基于神经低秩因子参数化的地震数据同时重建与去噪方法,其特征在于,包括:

2.根据权利要求1所述的一种基于神经低秩因子参数化的地震数据同时重建与去噪方法,其特征在于,s1中,含缺失道和噪声的地震观测数据计算公式为:

3.根据权利要求1所述的一种基于神经低秩因子参数化的地震数据同时重建与去噪方法,其特征在于,s2中,预先设定低秩分解类型,对应的低秩分解组合算子为,确定秩参数,对应的低秩因子为,。选定使用的神经网络,以及对应低秩因子的初始输入。

4.根据权利要求1所述的一种基于神经低秩因子参数化的地震数据同时重建与去噪方法,其特征在于,s3中,每一个网络参数化低秩因子可由对应的独立因子神经网络产生:

5.根据权利要求1所述的一种基于神经低秩因子参数化的地震数据同时重建与去噪方法,其特征在于,s4中,生成完整采样网格上的候选重建地震数据表示为:

6.根据权利要求1所述的一种基于神经低秩因子参数化的地震数据同时重建与去噪方法,其特征在于,s2中,低秩分解类型为tucker分解,根据数据维度和预设tucker秩,构建尺寸分别为,,的三个低秩因子,,对应的固定输入,,,对应的tucker核心张量为,大小为。

7.根据权利要求6所述的一种基于神经低秩因子参数化的地震数据同时重建与去噪方法,其特征在于,三个低秩因子大小和固定输入大小一致并且分别由三个独立的u-net根据固定输入得到:

8.根据权利要求6所述的一种基于神经低秩因子参数化的地震数据同时重建与去噪方法,其特征在于,tucker核心张量不通过因子生成神经网络生成,而是将核心张量设定为一个可学习参数张量,使用adam算法进行优化,从而减少网络数量、显存应用和计算负担。

9.根据权利要求6所述的一种基于神经低秩因子参数化的地震数据同时重建与去噪方法,其特征在于,使用tucker为所选低秩分解的完整采样网格上的候选重建地震数据表示为:

10.根据权利要求6所述的一种基于神经低秩因子参数化的地震数据同时重建与去噪方法,其特征在于,s6中,根据数据一致性损失,利用基于梯度的优化算法联合优化更新各因子生成神经网络的网络参数与可学习低秩参数计算式为: