一种基于深度学习的低信噪比初至波数据预处理方法、应用、设备及介质与流程

本发明属于地震资料处理，具体地涉及一种基于深度学习的低信噪比初至波数据预处理方法、应用、设备及介质。

背景技术：

1、在当前油气地震勘探领域，城镇化和工业化的迅速发展给勘探工作带来了前所未有的挑战。随着勘探区域逐渐扩展到城镇周边和工业区，噪声的干扰显著增加，这些干扰源严重影响了地震数据的质量，导致单炮数据的信噪比普遍偏低。特别是在“双复杂”区域（即地表和地下地质结构都极为复杂的区域），问题更加突出。复杂的地表岩性及其空间变化使得地震波的传播路径变得异常复杂，初至波场往往混乱无序，难以清晰识别。同时，地下地质结构的复杂性进一步加剧了地震波的散射和反射，导致初至波信号被噪声淹没，波幅波动剧烈，初至波的可识别度极低。这种低信噪比、波幅波动剧烈和低可识别度的初至数据，使得高效而精确地拾取初至变得极为困难。

2、行业内传统的初至波拾取方法，如瞬时特征法、神经网络法和边缘检测法，虽然在常规勘探区域中表现尚可，但在“双复杂”区域的适用性较差，精度较低。瞬时特征法通过分析地震波的瞬时属性来识别初至波，但在低信噪比条件下，瞬时特征往往难以准确提取；神经网络法利用机器学习算法自动识别初至波，但其训练需要大量高质量的数据，且在复杂区域的表现往往不尽如人意；边缘检测法通过检测地震波形的边缘来识别初至波，但这种方法对噪声敏感，容易产生误检和漏检。因此，这些传统方法在复杂区域的应用效果较差，通常需要大量人工干预和修正，耗时耗力，难以满足现代高效勘探的需求。

3、由于初至波拾取的精度直接影响到后续近地表速度建模、静校正等后期地震数据处理任务的精度和准确性。因此需要一种新的提升初至波拾取质量的方法来应对复杂场景下初至拾取中的噪声问题。‌‌

技术实现思路

1、本发明的目的，是要提供一种基于深度学习的低信噪比初至波数据预处理方法，通过结合深度学习技术与曲波变换，来提升低信噪比初至波数据的质量；

2、本发明的第二个目的是要提供一种基于上述方法得到的去噪声后的单炮数据在初至质量控制、地表速度建模、静校正、地震层析成像及地震反演中的应用；

3、本发明的第三个目的是要提供一种终端设备，该设备执行自身程序时能够实现一种基于深度学习的低信噪比初至波数据预处理方法；

4、本发明的第四个目的，是要提供一种计算机可读存储介质，用于存储一种基于深度学习的低信噪比初至波数据预处理方法的相应计算机程序。

5、本发明为实现上述目的，所采用的技术方案如下：

6、一种基于深度学习的低信噪比初至波数据预处理方法，包括：

7、获取已有资料的正演单炮数据；

8、在正演单炮数据上添加噪声得到噪声单炮数据；

9、对正演单炮数据和噪声单炮数据进行曲波变换，分别生成曲波系数子图，并以此来训练深度网络模型；

10、将曲波变换后的待预处理单炮数据输入深度网络模型中进行检测，转换成曲波系数后，再进行曲波逆变换。

11、作为限定，所述方法包括依次进行的以下步骤：

12、s1、搜集已有资料构建地质模型，通过正演模拟得到正演单炮数据；

13、s2、采集噪声数据，并将采集到的噪声数据加载到正演单炮数据上，得到噪声单炮数据；

14、s3、对正演单炮数据、噪声单炮数据以及待预处理的单炮数据分别进行曲波变换，计算得到三种数据每个尺度每个角度的曲波系数，并将曲波系数转换成图像，裁剪成n×m的子图，得到正演单炮数据曲波系数子图、噪声单炮数据曲波系数子图以及待预处理的单炮数据曲波系数子图；n和m为正整数；

15、s4、建立端到端的卷积深度网络模型，以噪声单炮数据曲波系数子图为输入数据，以正演单炮数据曲波系数子图为目标结果数据，对深度网络模型进行训练，使得输入数据和目标结果数据大小一致，得到训练好的深度网络模型；

16、s5、基于训练好的深度网络模型，对待预处理的单炮数据曲波系数子图进行精确检测，获取噪声检测结果图像；

17、s6、将噪声检测结果图像进行转换处理，获取去除噪声后的曲波系数，通过曲波逆变换得到去噪声后的单炮数据。

18、作为进一步限定，步骤s4中对深度网络模型进行训练，内容包括：

19、对深度网络模型设置学习率、一次训练的样本数和训练轮数；

20、将输入数据按批次随机输入到深度网络模型进行训练；

21、训练过程中每隔一次训练轮数保存一次模型；

22、训练过程中计算损失函数和去噪声的准确度。

23、作为进一步限定，其特征在于，步骤s2中将采集到的噪声数据加载到正演单炮数据上的操作为：将正演单炮数据和噪声数据均幅值归一化，再将噪声值乘以一系列系数。

24、作为进一步限定，步骤s2中所述噪声数据为野外不同区域采集的噪声或截取的待预处理单炮数据初至前的噪声。

25、作为第二种限定，所述深度网络模型包括多个串联的噪声特征提取层，每个噪声特征提取层都包括卷积层、池化层和数据规范化层。

26、作为进一步限定，所述深度网络模型上增设有提取噪声特征分量的通道注意力机制。

27、作为第三种限定，所述正演单炮数据为二维数据或三维数据。

28、作为进一步限定，所述曲波变化分为二维曲波变换和三维曲波变换；

29、正演单炮数据为二维数据时，曲波变换为二维曲波变换；

30、正演单炮数据为三维数据时，曲波变换为二维曲波变换或三维曲波变换。

31、一种基于上述方法得到的去噪声后的单炮数据在初至质量控制、地表速度建模、静校正、地震层析成像及地震反演中的应用。

32、一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述的一种基于深度学习的低信噪比初至波数据预处理方法。

33、一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，所述计算机程序被处理器执行时用于实现上述的一种基于深度学习的低信噪比初至波数据预处理方法。

34、本发明由于采用了上述的技术方案，其与现有技术相比，所取得的技术进步在于：

35、（1）本发明的方法通过深度学习和曲波变换的结合，能够有效去除初至波数据中的噪声，提高了初至波数据的质量，为油气藏的精确定位和评价提供了强有力的数据支持；

36、（2）本发明的方法中对深度网络模型设计了训练内容，合理的设置了学习率、批次大小和训练轮数，能够有效的提高训练的效率和稳定性，增加了模型的泛化能力，通过准确度监控和损失优化，提升了模型的去噪性能‌；

37、（3）本发明的方法中将噪声加载到单炮数据上，使用了幅值归一化，并且调整了噪声的系数，幅值归一化确保了两个数据在同一量级上，避免了因幅值差异导致的问题，其次，通过调整噪声系数，可以灵活控制噪声的强度，模拟了不同信噪比条件，从而更真实地反映实际勘探环境，同时为深度网络模型的训练提供了多样化的测试数据‌；

38、（4）本发明的方法中在深度网络模型中设有多个噪声特征提取层，采用逐层提取的方式，从浅层到深层逐步捕获噪声的多尺度特征，浅层提取局部细节和简单模式，深层提取全局结构和复杂模式，从而更全面、准确地分离噪声，提升模型的去噪能力和泛化性能；

39、（5）本发明的方法中在深度网络模型中增设了通道注意力机制，使得深度网络模型能够更关注与噪声相关的特征分量，抑制无关或冗余信息，从而更精准地提取和去除噪声，同时保留有效信号的关键特征，显著提升去噪性能和模型的鲁棒性；

40、（6）本发明的方法中根据正演单炮数据的维度选择对应的曲波变换，能够充分利用数据的空间结构信息，从而更精确地描述数据的几何特性，提升噪声分离和信号重建的效果，同时增强算法的适应性和计算效率‌。

41、本发明属于地震资料处理技术领域，通过深度学习和曲波变换的结合，能够有效去除初至波数据中的噪声，提高了初至波数据的质量。