一种脉冲神经网络驱动的叠后地震数据智能重建方法

本发明涉及叠后地震数据智能重建，尤其涉及一种脉冲神经网络驱动的叠后地震数据智能重建方法。

背景技术：

1、叠后地震数据是油气勘探、地质构造解释的核心基础资料，野外观测过程中受复杂地表条件、采集设备成本限制、传感器偶发故障等因素影响，叠后地震数据普遍存在随机噪声干扰、地震道随机缺失等问题，易导致后续构造解释出现假频、伪影与能量泄漏，行业内始终需求可实现高保真、低计算开销的叠后地震重建技术，支撑野外边缘节点的现场实时处理。

2、传统叠后地震重建与缺失道重建方法以理论驱动类方法为主，典型代表包括f-x域奇异谱分析、压缩感知凸集投影类方法，这类方法基于地震波场的线性同相轴、稀疏性等理想化先验假设，通过域变换或迭代优化实现噪声压制与缺失道插值，在简单构造区域的低缺失率场景下可获得一定处理效果，但面对大尺度连续道缺失、复杂构造区非平稳噪声干扰时，方法性能会出现急剧退化，且处理过程需人工反复调整正则化参数，处理效率难以满足大规模勘探需求。

3、随着深度学习技术发展，基于卷积神经网络、transformer架构的数据驱动类方法逐渐得到应用，这类方法通过大量标注样本训练深层网络的特征提取能力，大幅提升了复杂构造场景下的重建与重建精度，但这类网络依赖密集浮点乘加运算，模型计算复杂度与能耗极高，难以在野外独立供电的低功耗边缘采集节点上完成实时部署。后续针对低功耗需求提出的常规脉冲神经网络方法，虽通过事件驱动计算机制大幅降低了运算能耗，但采用二值化硬脉冲编码与固定漏电积分机制，处理连续双极性地震波场时易出现振幅截断失真、弱反射信号丢失等问题，无法满足地震数据处理的高保真要求。

4、针对现有技术在保真度、功耗、复杂场景适配性方面的固有缺陷，开展相关方法的迭代优化研究，对支撑野外智能勘探节点落地、提升叠后地震数据处理精度具有重要现实意义。

技术实现思路

1、本发明提出的一种脉冲神经网络驱动的叠后地震数据智能重建方法，以解决上述现有技术中提到的现有叠后地震重建方法存在的复杂场景保真度不足、计算能耗高难以边缘部署的问题。

2、为了实现上述目的，本发明采用了如下技术方案：一种脉冲神经网络驱动的叠后地震数据智能重建方法，包括如下步骤：

3、采集待处理的叠后原始地震数据，标记数据中的缺失道位置生成空间缺失掩膜，构建包含不同噪声水平与随机道缺失的叠后地震训练样本集；

4、对训练样本集中的每帧双极性地震记录进行正负极性解耦分离，将分离得到的正极性分量、负极性分量与对应空间缺失掩膜在通道维度进行拼接，生成适配脉冲网络输入的三通道感知张量；

5、构建以分级脉冲u型网络为核心重建骨干的网络，所述分级脉冲u型网络采用非对称时空采样策略，沿空间道集维度进行特征尺度压缩时严格保持时间维度分辨率恒定，网络内部神经元采用集成动态漏电因子、分级脉冲透传与软重置机制的可学习阈值脉冲神经元；

6、将三通道感知张量输入重建网络，在预设的离散仿真时间步上完成跨时间步膜电位积分与稀疏脉冲特征传递，经对称编解码结构完成多尺度时空特征提取后，输出各离散时间步对应的瞬态噪声残差预测结果，对所有时间步的残差结果进行算术平均得到稳态残差场；基于全局残差学习范式，将稳态残差场与正负极性分量重构的基线观测波场进行逐点叠加，结合重建逻辑，输出最终高保真重建完成的叠后地震数据。

7、进一步的，所述对双极性地震记录进行正负极性解耦分离的具体过程为：逐点计算地震记录采样值与0的最大值，将计算结果与空间缺失掩膜进行逐点相乘得到正极性分量；

8、逐点计算地震记录采样值取反后与0的最大值，将计算结果与空间缺失掩膜进行逐点相乘得到负极性分量，避免负半轴波场特征在脉冲编码过程中出现不可逆丢失。

9、在三通道张量拼接过程中，三个通道的空间维度与时间维度尺寸保持完全一致，无需对各分量进行插值或下采样操作，避免重采样过程引入的振幅伪影；输入张量构建完成后，对张量内的所有值进行范围校验，确保正极性分量与负极性分量不存在非零值重叠区域，即同一采样点位置的正极性分量与负极性分量不同时为非零值，从数据结构上保证双极性解耦的物理合理性，为后续脉冲网络的稀疏计算提供规范的输入格式，减少无效计算带来的能耗开销。

10、优选的，所述可学习阈值脉冲神经元的动态膜电位更新过程为：将神经元漏电因子设置为经非线性激活函数映射的可学习参数，每个离散时间步的膜电位值由上一时间步的膜电位值与动态漏电因子相乘后，叠加当前时间步的输入特征值得到，避免固定漏电率导致的深层弱反射信号过度衰减问题。

11、可学习的漏电因子控制参数在网络训练过程中随其他卷积核参数一同通过反向传播更新，针对不同深度的网络层与不同位置的神经元，可自适应学习得到差异化的漏电因子取值，浅层网络神经元的漏电因子更接近1以保留高频细节特征，深层网络神经元的漏电因子可根据特征抽象程度适度降低，实现冗余噪声特征的自然衰减；

12、动态膜电位更新过程中，对膜电位值设置上限截断机制，避免强振幅输入导致的膜电位无限积分溢出，保证网络计算过程的数值稳定性，无需额外的归一化操作即可适配高动态范围的地震数据输入。

13、优选的，所述分级脉冲透传机制的具体执行逻辑为：当神经元当前时间步的膜电位值大于等于可学习的发放阈值时，神经元直接向下游网络传递当前的连续膜电位值作为脉冲输出；

14、当膜电位值小于发放阈值时，神经元输出为0，打破传统脉冲网络硬脉冲二值化带来的振幅传递上限，避免波场振幅截断失真。

15、可学习的发放阈值同样在网络训练过程中进行自适应优化，浅层神经元的发放阈值设置较低以保证微弱特征的有效传递，深层神经元的发放阈值可根据抽象特征的响应强度自动调整，过滤无意义的随机脉冲传递；

16、分级脉冲透传过程中，传递的连续膜电位值保持原有的振幅物理意义，不进行额外的量化或截断操作，保证波场振幅信息可以在脉冲网络中实现跨层无损流动，解决传统二值脉冲只能传递发放频率信息、无法传递绝对振幅的缺陷，从神经元动力学层面支持连续波场的高精度回归任务，而不仅局限于传统脉冲网络擅长的离散分类任务。

17、优选的，所述软重置机制的具体执行逻辑为：当神经元完成脉冲发放后，仅从当前膜电位中扣除与发放阈值相等的电位值，剩余子阈值电位全部保留至下一时间步的积分过程，避免连续强反射面场景下的膜电位清零导致的特征失忆问题。

18、软重置过程中扣除的阈值电位直接作为已发放脉冲携带的能量传递至下游神经元，实现膜电位能量的无损流转，不会因重置操作造成已积分膜电位信息的丢失；

19、针对连续分布的强反射同相轴场景，软重置机制可保证神经元在连续接收强输入时始终保持对振幅变化的敏感度，不会因膜电位反复清零而无法响应后续输入的振幅波动，有效提升了连续强波场区域的波形重建精度，避免同相轴出现断续或振幅忽强忽弱的失真现象。

20、优选的，所述非对称时空采样策略的具体实现方式为：在分级脉冲u型网络的下采样特征提取阶段，仅沿空间道集维度执行步长为2的卷积下采样实现尺度压缩，时间维度采用步长为1的空洞卷积扩大特征感受野，整个特征提取过程保持时间维度采样点数量恒定，完整保留地震波场的高频时序细节。

21、非对称时空采样策略覆盖分级脉冲u型网络的全部下采样与上采样阶段，在上采样过程中同样仅沿空间道集维度进行步长为2的反卷积上采样，时间维度始终保持步长为1的卷积操作，确保网络从输入到输出的整个计算链路中，时间维度的采样点数始终与原始输入保持一致，不会因尺度变化导致时间维度的相位偏移或采样点错位；

22、空间维度的多尺度压缩可逐步扩大空间感受野，实现跨多道的波场连续性特征提取，为缺失道的波场重建提供大尺度的上下文信息，时间维度的恒定分辨率可保证每个时间采样点的特征均不被压缩，精准捕捉地震子波的相位与振幅变化特征。

23、优选的，所述分级脉冲u型网络的所有卷积特征层后均接入单样本实例归一化算子，对每个单炮地震记录的各通道特征独立进行归一化处理，锁定单炮记录内原始振幅的动态梯度，避免跨样本振幅分布差异对波场保真度造成干扰。

24、单样本实例归一化过程中，不使用训练集的全局滑动平均均值与方差，每次推理时仅根据当前单炮输入数据的实时统计量进行归一化与反归一化操作，保证不同采集时间、不同区块、不同增益设置的地震数据均可适配同一训练完成的模型，无需针对新数据重新进行归一化统计量的校准；

25、归一化操作仅在每个样本的通道内部独立完成，不会破坏波场在时间与空间维度的相对振幅关系，可有效保留断层、岩性边界等位置的振幅异常特征，避免归一化操作导致的振幅异常被抹平，影响后续构造解释的准确性。

26、优选的，所述稳态残差场的计算过程为：对n个离散仿真时间步输出的瞬态残差图进行逐点算术平均，得到不随时序仿真波动的稳态残差期望场，有效降低脉冲网络时序离散计算带来的预测随机偏差。

27、离散仿真时间步的总数量可根据部署硬件的计算能力与处理精度需求灵活调整，在对处理精度要求高的室内处理场景下可增加时间步数量以提升残差预测稳定性，在对处理延迟要求高的边缘实时处理场景下可适度减少时间步数量以提升处理速度；

28、多时间步算术平均过程中，不对早期或晚期时间步的输出设置差异化权重，所有时间步的输出结果权重保持一致，保证不同阶段积分得到的特征对最终残差场的贡献均等，避免加权操作引入的人为偏差，提升残差预测结果的无偏性。

29、优选的，所述基线观测波场由正极性分量逐点减去负极性分量得到，通过全局残差学习降低网络的拟合难度，聚焦缺失道填充与噪声成分的精准预测。

30、基线观测波场的重构过程仅利用输入的有效道数据，缺失道位置在基线波场中取值为0，因此稳态残差场在缺失道位置的预测值即为该位置的重建波场值，在有效道位置的预测值即为该位置需要去除的噪声值，通过全局残差的物理叠加，可同时实现有效道位置的随机噪声压制与缺失道位置的波场填充，无需分别训练重建网络与补道网络，大幅简化了处理流程，避免多模型串联带来的误差累积；

31、残差叠加过程严格遵循逐点相加的物理规则，不进行额外的振幅增益或相位调整，保证输出波场的振幅相位与真实波场保持一致。

32、优选的，所述重建网络的训练过程采用均方误差损失函数，约束网络预测的残差结果与真实噪声、缺失道位置的真实波场残差保持一致，训练完成后固定网络参数，可部署于低功耗边缘采集节点实现叠后地震数据的现场快速重建处理。

33、网络训练过程中，采用梯度替代函数解决脉冲神经元发放函数不可导的问题，保证反向传播过程中梯度可以顺利跨层传递；训练完成的模型可经过量化压缩转换为脉冲神经形态芯片支持的指令集，在芯片上实现全事件驱动的稀疏计算，相比同参数量的传统卷积网络，可大幅降低推理过程的内存占用与计算延迟；

34、模型部署到边缘节点后，可在采集端完成重建处理后仅传输高信噪比的有效数据，无需传输大量含噪声的原始数据，进一步降低数据传输过程的带宽与能耗开销，适配野外复杂通信环境下的采集作业需求。

35、与现有的技术相比，本发明的有益效果是：

36、本发明通过将双极性波场极性分离的三通道输入策略融入脉冲神经网络重建框架，配合可学习阈值脉冲神经元的分级脉冲透传与软重置机制，避免了常规脉冲神经网络硬脉冲编码带来的振幅截断、负半轴特征丢失问题，同时动态可学习的漏电因子可自适应调整膜电位衰减速率，有效解决了固定漏电机制导致的深层弱反射信号过度衰减缺陷，可完整保留地震波场的振幅相位特征与高频细节，大幅提升复杂构造区低信噪比数据的重建保真度。

37、本发明通过构建非对称时空采样的分级脉冲u型网络作为脉冲神经网络的重建骨干，仅沿空间道集维度进行特征压缩而全程保持时间维度分辨率，配合单样本实例归一化的振幅锁定机制，解决了传统深度学习方法处理地震数据时易出现的波场细节模糊、跨样本振幅干扰问题，在大缺失率、强噪声干扰场景下仍可实现稳定的噪声压制与缺失道重建，处理性能优于传统卷积网络类方法，也避免了理论驱动方法需人工反复调参的弊端，可实现批量数据的自动化处理。

38、本发明充分发挥脉冲神经网络事件驱动的稀疏计算特性，相比传统浮点运算的深度学习重建方法可大幅降低计算过程的能量消耗，同时全局残差学习策略与多时间步残差平均机制有效降低了网络拟合难度与脉冲计算的随机波动，训练完成后的模型可直接部署于低功耗野外边缘采集节点，实现叠后地震数据的现场实时重建处理，无需将原始数据回传至远端计算中心，大幅拓展了智能重建方法的野外适用场景，可适配不同地表条件、不同勘探类型、不同采集年度的叠后地震数据处理需求。