一种基于波场先验提示与可逆网络的分布式光纤垂直地震波场分离方法

本发明属于地震勘探数据处理与深度学习领域，尤其涉及一种基于自适应波场先验提示和保幅可逆编码器的分布式光纤垂直地震波场分离方法。本发明适用于分布式光纤声波传感垂直地震剖面das-vsp数据处理中强噪声干扰下的上行波场、下行波场高保真分离。

背景技术：

1、垂直地震剖面vsp技术在地下高精度地球物理勘探中扮演着重要角色，它能够在深度域提供地面井口地震反射资料与井中高分辨率岩石物理层序之间的精确对应纽带。近年来，分布式光纤声波传感das技术凭借低成本、抗恶劣井下环境、高密度空间连续采样等显著优势，在井下vsp数据采集领域得到了大面积推广和应用。在标准的 das-vsp地震资料处理流程中，波场分离是一项基础且关键的核心环节。由于井中接收到的全波场地震记录是由向下传播的强能量下行波场以及向上传播的弱能量上行波场在时空域强烈交织叠合而成的，通常需要将这两个成分进行分离，以获得上行波场和下行波场。

2、然而，野外实际采集的das-vsp观测记录往往伴随着较强烈的环境背景随机噪声、井筒管波干扰以及工程机械耦合相干噪声，这使得光纤观测记录的整体信噪比普遍较低。在这种高噪声环境下，传统的波场分离手段（如时空域二维f-k滤波、中值滤波或者经典的radon 变换）存在一定局限。由于传统物理算子高度依赖于人工预设的速度模型假设，在高噪声引发的空间混叠情况下，硬性的频域切除容易产生较强的非物理波场虚假伪影并引发振幅畸变，造成弱反射信息的损耗。

3、近年来，虽然基于常规卷积神经网络（如 u-net 模型）的深度学习方法被引入到地震去噪与波场分离任务中，但处理复杂 das-vsp 数据时仍存在两大瓶颈：第一，常规神经网络内部频繁引入的特征下采样、最大池化和压缩操作受限于信息瓶颈理论，是不可逆的，这会导致一些高频反射波场细节在深层传输中丢失；第二，常规网络采用静态的分步级联架构，较易引发误差累积现象，导致上行波与下行波之间产生剧烈的相互干扰，物理一致性较差。现有分布式光纤声波传感垂直地震波场存在分离困难、常规编码器下采样导致高频振幅畸变损耗以及传统去噪—分离级联流程引发误差累积等技术问题。因此，如何在强噪声干扰下实现信息保持、振幅保真的垂直地震波场协同分离，是目前急需攻克的技术难题。

技术实现思路

1、本发明提供一种基于波场先验提示与可逆网络的分布式光纤垂直地震波场分离方法，以解决现有分布式光纤声波传感垂直地震波场分离困难、常规编码器下采样导致高频振幅畸变损耗以及传统去噪、分离级联流程引发误差累积等技术问题，能够高效实现强干扰下的联合协同去噪与高保真波场分离。

2、本发明采取的技术方案是，包括下列步骤：

3、（1）、通过语义信息提取层siel对输入的分布式光纤垂直地震数据进行多尺度层次特征映射，构建四级多尺度层次特征集；

4、（2）、通过自适应波场先验提示模块隐含推断分布式光纤垂直地震波场中的全局噪声水平，并生成对应的条件提示向量与自适应波场平衡系数，以此对四级多尺度层次特征集进行条件感知调制；

5、（3）、将调制后的多尺度层次特征集输入保幅可逆编码器apre，利用空间域多列子编码器结构和通道维度的可逆更新机制，在避免高频特征细节损失的同时实现跨尺度的信息保持特征传输，通过层次解码器融合可逆编码器输出的各尺度特征，进行波场重构与分离，输出解耦后的上行波场与下行波场；

6、（4）、设计总联合损失函数：，为总联合损失、lup为上行波场损失、ldown为下行波场损失、lrecons为重建波场损失、lz为噪声损失，构建含噪合成训练集，通过端到端60 epoch联合训练，当损失函数不再下降或者有小幅波动时即完成网络训练。

7、本发明所述步骤（1）中多尺度层次特征映射的构建包括以下步骤：

8、1）、分布式光纤垂直地震波场的输入波场张量为，其中b为批大小，c为通道数，h和w分别对应的时间采样点数与空间道数；

9、2）、将分布式光纤垂直地震波场的输入波场张量i送入语义信息提取层siel中进行局部线性滤波与下采样嵌入，得到高维初始特征图x(0)：

10、                         (1)

11、其中 * 表示二维卷积操作，σ表示非线性激活函数，wstem和bstem分别表示嵌入卷积核的权重张量与偏置项，表示特征提取操作，同时x(0)经过通道对齐映射后得到浅层波场特征s，所述浅层波场特征保留输入地震记录中的局部振幅变化、波形边缘、同相轴位置及高频反射细节；

12、3）、利用具有四个阶段的主干网络对 进行渐进式多尺度层次特征提取，第 l层的特征更新规则表示为：

13、                              （2）

14、将各个阶段输出的特征图进行维度对齐映射，构建多尺度层次特征集：

15、                                    (3)

16、                                           (4)

17、其中  表示第 l 个阶段的特征提取操作， 表示用于通道维度对齐的映射函数。

18、本发明所述步骤（2）中条件感知调制的生成包括以下步骤：

19、1）、分布式光纤垂直地震波场的输入波场张量 i进入自适应波场先验提示模块awppm，依次经过两个串联的 二维卷积层和非线性激活函数，获得波场特征图 f,随后对f进行全局平均池化：g=gap(f)，得到全局波场特征g；将输入数据的全局特征 g输入多层感知机mlp中，之后提示参数分支输出一个5维的中间向量；将该5维中间向量的前2维通过 softmax 函数进行归一化操作，生成用于调制上行特征和下行特征相对贡献度的自适应波场平衡系数a和b，其满足如下物理约束：a,b∈[0, 1]且a+b=1；将该5维中间向量的后3维通过tanh 激活函数映射至区间 [-1, 1]，生成3维的可学习动态提示向量r=[r1,r2,r3]，用于动态捕捉观测记录的潜在去噪先验；

20、2）、在自适应波场先验提示模块awppm中的噪声感知分支，通过 sigmoid 激活函数预测一个标量噪声强度预测值 z∈[0, 1]； 利用预测值z对可学习动态提示向量r进行动态增益调制，获取调制后的条件提示向量 ：

21、                              （5）

22、其中，i=1,2,3，λ为预设增益系数，用于控制噪声强度预测值对可学习动态提示向量的调制幅度；0.5为归一化噪声强度的中性调制参考点；

23、 3）、将所述自适应波场平衡系数a、b，调制后的动态提示向量r=[, , ]以及噪声强度预测值z沿特征维度进行拼接，形成六维条件提示向量p：

24、                                     （6）

25、所述六维条件提示向量同时包含上、下行波相对贡献信息、波场结构先验信息以及噪声强度信息；

26、4）、将六维条件提示向量p输入提示映射网络，所述提示映射网络包括两个串联的全连接层及非线性激活函数，先将六维条件提示向量映射至高维特征空间，再映射至与语义信息提取层siel输出的浅层波场特征s通道数相同的通道调制向量；随后通过tanh激活函数将通道调制向量约束至区间[-1,1]，得到：

27、                                 （7）

28、其中，表示提示映射网络，γ表示通道调制权重，其维数与待调制浅层波场特征的通道数一致，利用所述通道调制权重γ对浅层波场特征进行残差式通道调制，得到条件感知浅层波场特征：

29、                                        (8)

30、其中，表示广播后的逐通道乘法，ε为提示注入强度系数，对于第 j个特征通道，上述调制过程表示为：

31、                                         (9)

32、通过所述残差式通道调制，增强与当前波场传播模式和噪声状态相关的特征通道，并抑制与随机噪声及非目标传播模式相关的特征通道，同时利用残差连接保留原始波场的振幅和波形信息。

33、本发明所述步骤2）中当z>0.5时，动态增益因子大于1，增强条件提示向量，以提高网络对强噪声干扰的抑制能力。

34、本发明所述步骤2）中当z<0.5时，动态增益因子小于1，减弱条件提示向量，以避免过度抑制有效波场信号。

35、本发明所述步骤2）中取λ=0.5，此时动态增益因子的取值范围为[0.5, 1.5]。

36、本发明所述步骤（3）中跨尺度特征融合包括以下步骤：

37、1）、将保幅可逆编码器apre构建为由 列具有相同拓扑结构的子编码器级联组成的迭代式特征状态更新系统，每列子编码器均包括依次连接的四个特征处理层级level-1、level-2、level-3和level-4，分别用于处理不同空间尺度下的波场特征；将语义信息提取层siel输出的四级多尺度特征c0、c1、c2、c3、分别作为第一列level-1、level-2、level-3和level-4的初始特征状态，即：

38、                                    (10)

39、其中，表示第 个层级的初始特征；将经自适应波场先验提示模块awppm调制后的浅层波场特征 作为各列level-1的共享引导输入，用于在多列迭代过程中持续补充原始地震记录中的振幅、波形边缘及局部同相轴信息；在同一列子编码器中，各层级按照level-1至level-4的顺序逐级更新；当前列各层级更新后的特征作为下一列对应层级的输入状态继续处理，从而形成多尺度特征的列内逐级传递和列间迭代更新；

40、2）、对于第i子编码器列中的第j层层次特征 进行更新，其特征状态融合了当前列下层特征的下采样特征、前一列上层特征的上采样特征 以及前一列同层特征通过可逆计算分支输出的特征，具体级联状态更新公式表示为：

41、                    (11)

42、其中 ω表示当前网络层的卷积与线性加权运算，表示基于可学习通道尺度缩放的数学可逆函数，表示下采样，表示上采样，在后向传播时通过执行数学逆运算，根据当前状态 恢复出前一列的状态，逆运算公式表示为：

43、                  (12)

44、其中  表示函数  的逆函数；

45、3）、将所述条件感知浅层波场特征作为振幅保持可逆编码器各列第一级特征处理单元的共享引导输入；将多尺度层次特征c0,c1,c2,c3，分别作为第一列可逆编码器中四个对应层级的初始特征，以进行逐级特征更新、跨尺度融合和跨列传递；

46、4）、将保幅可逆编码器输出的更新后的多尺度特征图送入层次分离解码器hd中进行波场重建，通过级联上采样操作生成多尺度层级残差，并与原始输入地震数据进行跳跃连接拼接，最终解耦输出预测的上行波场  和下行波场 。

47、本发明所述步骤（4）中网络训练包括以下步骤：

48、1）、根据输入的模拟的含噪分布式光纤垂直地震波场标签i以及纯净无噪全波场标签，计算真实的噪声残差波场，并通过局部均方根算子计算地震记录的相对噪声比：

49、                                   (13)

50、其中  表示均方根能量计算函数，δ为防止分母为零的极小正数常数；

51、2）、将相对噪声比ρ进行归一化映射，作为网络噪声强度的真实监督目标zgt：

52、；

53、3）、采用smooth l1损失函数计算噪声强度预测值与真实监督目标之间的噪声估计损失项lz：

54、                               (14)

55、采用smooth l1损失函数分别计算预测上行波场、下行波场与对应纯净波场标签之间的波场分离损失项lup和ldown：

56、                               (15)

57、                             (16)

58、其中上行波场 、下行波场  与对应纯净波场标签分别记为u和d；

59、4）、计算预测全波场 与模拟的含噪分布式光纤垂直地震波场标签iclean之间的重构损失项lrecons：

60、                            (17)

61、将上述四个损失项进行协同加权求和，构建总的联合约束损失函数：

62、                        (18)

63、利用总联合约束损失函数l对全网络参数实施优化调整。

64、本发明的有益效果是：

65、（1）本发明提出了一个端到端的联合波场分离框架，改善了传统级联式流程带来的误差累积模式，提高了波场分离结果的物理一致性与能量守恒约束。传统处理流程通常将“去噪”与“波场分离”划分为独立的上下游级联任务，导致前级未能有效压制的相干干扰或残留随机噪声直接向后级流转，在长距离的任务链中容易引发误差累积与非线性放大。本发明优化了这种传统的分割式处理范式，将复杂环境下的噪声压制与上、下行波场分离视为一个多任务协同优化的统一物理体系。通过引入全局重构损失与双向物理加性约束，有助于网络在单阶段训练中实现多目标联合优化。这不仅减弱了分步级联处理带来的反射能量失真，更在数学与物理层面上加强了上、下行波场的物理加性约束与能量守恒定律，抑制了残余噪声引发的上、下行波场串扰，提升了波场分离结果的物理可靠性与一致性。

66、（2）设计了自适应波场先验提示模块（awppm），能够追踪并捕获非平稳、强干扰的工程噪声特征，形成对地震弱信号区域的条件感知指导，较大提高了低信噪比下同相轴的连续性。井下分布式光纤声波传感（das）数据中往往充斥着高强度的多模态工程机械噪声、井筒管波以及非平稳背景干扰，导致微弱的反射上行同相轴常被强能量的下行波和噪声掩盖，常规静态网络在缺乏抗噪声干扰能力时易发生波场空间混叠或有效上行波场误切除。本发明设计的自适应波场先验提示模块（awppm），能够直接从输入的含噪分布式光纤声波传感垂直地震剖面（das-vsp）数据中隐含推断出当前的噪声水平和波场特征，并在特征空间自适应地生成条件提示向量。在强噪声干扰下，该模块可通过自适应增益调制机制强化去噪提示，从而赋予了主干网络较强的数据导向适应能力与自适应校正灵活性。该先验条件的引入，形成了一种数据驱动的条件感知指导模式，在较低信噪比环境下能够较好地提取微弱的反射波，提高了深层微弱上行同相轴与强能量下行同相轴的横向连续性与时空方向一致性，促进了波场分离的干净程度。

67、（3）引入了基于可逆更新机制的保幅可逆编码器（apre），可缓解常规编码器频繁下采样和最大池化带来的空间分辨率与振幅畸变问题，减少深层高频细节和动力学能量在传输过程中的损失。常规深度学习网络为了扩增感受野、提取高阶语义特征，通常高度依赖于重复的不可逆下采样、跨步长池化和特征图压缩。根据信息瓶颈理论，这种不可逆的空间收缩操作会造成较多高频地震同相轴细节、弱小波场纹理以及微弱的动力学振幅特征在深层网络传输中发生损耗，导致最终重建的分离波场发生振幅畸变与同相轴断裂。本发明引入的振幅保持可逆编码器（apre），构建了具有可逆更新特征的迭代状态更新系统。在前向特征传播与跨尺度一致性融合过程中，不仅能够提取并维持多尺度表达，更在反向传播时可减少对中间层激活缓存的依赖，直接通过前向逆运算公式重构前一状态的中间层激活值。这种数学机制缓解了信息瓶颈的物理局限，改善了空间分辨率钝化的问题，实现了深层高频弱小反射波场同相轴与强下行波动力学能量的保持传输，提升了垂直地震波场精准分离的精度。