沙漠区散射面波识别方法及装置与流程

1.本发明涉及叠前地震数据去噪领域，特别涉及一种沙漠区散射面波识别方法及装置。


背景技术：

2.塔里木沙漠区由于地表沙丘起伏大、沙层松散，地震波吸收衰减严重，导致面波特征异常复杂，显著增加了面波压制的难度。目前有大量的针对面波的去噪技术在塔里木沙漠区得到了应用，尽管这些技术取得了一定的应用效果，但每种方法都受到某种假设或条件限制，都很难将散射面波有效压制，适应能力和保真能力有待进一步提高；此外，通常去噪效果好的技术通常计算复杂度较高，需要较多的参数调试；同时，去噪效果好的方法通常计算效率较低，不能满足宽频宽方位、单点高密度采集时代大数据量处理的要求。
3.目前，由于地震数据量的爆炸式增长，传统数据处理方法已经无法高效处理海量地震数据，发展基于人工智能的智能化数据去噪技术对于提高数据处理效率、精度具有重要意义深度学习最近几年发展起来的一种人工智能算法，目前已被广泛应用于地球物理领域，如地震断层识别、全波形反演、噪声压制等。尽管这些智能去噪网络显示出巨大的优势和良好发展前景，但尚未出现针对沙漠区散射面波的智能去噪网络。
4.因此，目前缺乏一种针对沙漠区散射面波的高效的识别方法。


技术实现要素：

5.本发明实施例提出一种沙漠区散射面波识别方法，用以对沙漠区散射面波进行识别，效率高，准确度高，该方法包括：
6.对沙漠区采集的含面波二维叠前地震数据进行预处理，得到预处理后的含面波二维叠前地震数据；
7.对所述预处理后的含面波二维叠前地震数据进行去噪处理，得到智能面波识别标签数据；
8.利用所述预处理后的含面波二维叠前地震数据和所述智能面波识别标签数据生成深度学习训练集；
9.利用所述深度学习训练集对预先构建的初始二维智能面波识别网络进行训练，得到训练好的二维智能面波识别网络；
10.在获得目标研究区的含面波二维叠前地震数据后，对目标研究区的含面波二维叠前地震数据进行预处理，将目标研究区的预处理后的含面波二维叠前地震数据输入训练好的二维智能面波识别网络，得到目标研究区的智能散射面波压制结果。
11.本发明实施例提出一种沙漠区散射面波识别装置，用以对沙漠区散射面波进行识别，效率高，准确度高，该装置包括：
12.数据预处理模块，用于对沙漠区采集的含面波二维叠前地震数据进行预处理，得到预处理后的含面波二维叠前地震数据；
13.标签数据获得模块，用于对所述预处理后的含面波二维叠前地震数据进行去噪处理，得到智能面波识别标签数据；
14.训练集生成模块，用于利用所述预处理后的含面波二维叠前地震数据和所述智能面波识别标签数据生成深度学习训练集；
15.训练模块，用于利用所述深度学习训练集对预先构建的初始二维智能面波识别网络进行训练，得到训练好的二维智能面波识别网络；
16.识别模块，用于在获得目标研究区的含面波二维叠前地震数据后，对目标研究区的含面波二维叠前地震数据进行预处理，将目标研究区的预处理后的含面波二维叠前地震数据输入训练好的二维智能面波识别网络，得到目标研究区的智能散射面波压制结果。
17.本发明实施例还提出了一种计算机设备，包括存储器、处理器及存储在存储器上并可在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沙漠区散射面波识别方法。
18.本发明实施例还提出了一种计算机可读存储介质，所述计算机可读存储介质存储有执行上述沙漠区散射面波识别方法的计算机程序。
19.在本发明实施例中，对沙漠区采集的含面波二维叠前地震数据进行预处理，得到预处理后的含面波二维叠前地震数据；对所述预处理后的含面波二维叠前地震数据进行去噪处理，得到智能面波识别标签数据；利用所述预处理后的含面波二维叠前地震数据和所述智能面波识别标签数据生成深度学习训练集；利用所述深度学习训练集对预先构建的初始二维智能面波识别网络进行训练，得到训练好的二维智能面波识别网络；在获得目标研究区的含面波二维叠前地震数据后，对目标研究区的含面波二维叠前地震数据进行预处理，将目标研究区的预处理后的含面波二维叠前地震数据输入训练好的二维智能面波识别网络，得到目标研究区的智能散射面波压制结果。在上述过程中，训练了一个二维智能面波识别网络，使得每次获得目标研究区的含面波二维叠前地震数据并预处理后，可以将预处理后的含面波二维叠前地震数据输入训练好的二维智能面波识别网络后，轻松地得到智能散射面波压制结果，显著减少了人工参与，效率高。
附图说明
20.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：
21.图1为本发明实施例中沙漠区散射面波识别方法的流程图；
22.图2为本发明实施例中沙漠区散射面波识别方法的详细流程图；
23.图3为本发明实施例中某一沙漠区施工区域采集的含面波二维叠前地震数据；
24.图4为本发明实施例中预处理后的含面波二维叠前地震数据；
25.图5为本发明实施例中去噪处理后得到的智能面波识别标签数据；
26.图6和图7分别为本发明实施例中深度学习训练集中的其中48个输入样本和面波样本；
27.图8为本发明实施例中另一沙漠区施工区域采集并处理后得到的预处理后的含面
波二维叠前地震数据；
28.图9为将图8所示数据输入训练好的智能面波识别网络得到的智能识别散射面波；
29.图10为将图8与图9所示数据进行相减得到的智能散射面波压制结果；
30.图11为本发明实施例中沙漠区散射面波识别装置的示意图；
31.图12为本发明实施例中计算机设备的示意图。
具体实施方式
32.为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。
33.在本说明书的描述中，所使用的“包含”、“包括”、“具有”、“含有”等，均为开放性的用语，即意指包含但不限于。参考术语“一个实施例”、“一个具体实施例”、“一些实施例”、“例如”等的描述意指结合该实施例或示例描述的具体特征、结构或者特点包含于本技术的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。各实施例中涉及的步骤顺序用于示意性说明本技术的实施，其中的步骤顺序不作限定，可根据需要作适当调整。
34.图1为本发明实施例中沙漠区散射面波识别方法的流程图，如图1所示，该方法包括：
35.步骤101，对沙漠区采集的含面波二维叠前地震数据进行预处理，得到预处理后的含面波二维叠前地震数据；
36.步骤102，对所述预处理后的含面波二维叠前地震数据进行去噪处理，得到智能面波识别标签数据；
37.步骤103，利用所述预处理后的含面波二维叠前地震数据和所述智能面波识别标签数据生成深度学习训练集；
38.步骤104，利用所述深度学习训练集对预先构建的初始二维智能面波识别网络进行训练，得到训练好的二维智能面波识别网络；
39.步骤105，在获得目标研究区的含面波二维叠前地震数据后，对目标研究区的含面波二维叠前地震数据进行预处理，将目标研究区的预处理后的含面波二维叠前地震数据输入训练好的二维智能面波识别网络，得到目标研究区的智能散射面波压制结果。
40.在本发明实施例提出的方法中，训练了一个二维智能面波识别网络，使得每次获得目标研究区的含面波二维叠前地震数据并预处理后，可以将预处理后的含面波二维叠前地震数据输入训练好的二维智能面波识别网络后，轻松地得到智能散射面波压制结果，显著减少了人工参与，效率高。
41.具体实施时，含面波二维叠前地震数据为地震勘探中所获得的沙漠区炮域含面波二维叠前地震数据。在一实施例中，对沙漠区采集的含面波二维叠前地震数据进行预处理，得到预处理后的含面波二维叠前地震数据，包括：
42.对沙漠区采集的含面波二维叠前地震数据进行几何扩散补偿；
43.对几何扩散补偿后的含面波二维叠前地震数据进行静校正处理，获得预处理后的
含面波二维叠前地震数据。
44.通过上述预处理，提高了含面波二维叠前地震数据的准确度。有利于后续散射面波识别。
45.在一实施例中，对所述预处理后的含面波二维叠前地震数据进行去噪处理，得到智能面波识别标签数据，包括：
46.对所述预处理后的含面波二维叠前地震数据进行分频面波压制处理；
47.对分频面波压制处理后的含面波二维叠前地震数据进行异常振幅压制处理；
48.对异常振幅压制处理后的含面波二维叠前地震数据进行多道倾角滤波处理，获得智能面波识别标签数据。
49.在上述实施例中，采用了多种技术组合，包括分频面波压制处理、异常振幅压制处理和多道倾角滤波处理，使得获得的智能面波识别标签数据的准确度高。
50.在一实施例中，利用所述预处理后的含面波二维叠前地震数据和所述智能面波识别标签数据生成深度学习训练集，包括：
51.对所述预处理后的含面波二维叠前地震数据和所述智能面波识别标签数据同时沿着时间方向和空间方向按照设定的步长截取多个训练样本对；
52.对所述多个训练样本对进行随机排序处理；
53.对随机排序后的多个训练样本对进行最大值归一化处理，生成深度学习训练集。
54.在上述实施例中，设定的步长根据实际情况来定，例如如2个或者5个采样点步长，截取的训练样本对大小可以为30
×
30，之后按照顺序依次进行存放。最大值归一化处理后，每个训练样本的数据范围在-1.0到1.0之间。
55.在一实施例中，所述初始二维智能面波识别网络，包括输入层、中间层和输出层，其中，输入层和输出层为卷积层，中间层包括多个构建块，每个构建块由一个卷积层、一个批标准化层和一个修正线性单元层依次连接组成。
56.在上述实施例中，输入层的卷积层的尺寸为3
×3×1×
64(64个卷积核为3
×
3的卷积滤波器，通道数为1)；搭建中间层，中间层的卷积层的尺寸均为3
×3×
64
×
64(64个卷积核为3
×
3的卷积滤波器，通道数为64)；输出层的卷积层的尺寸为3
×3×
64
×
1(1个卷积核为3
×
3的卷积滤波器，通道数为64)。
57.在一实施例中，利用所述深度学习训练集对预先构建的初始二维智能面波识别网络进行训练，包括：
58.利用所述深度学习训练集对预先构建的初始二维智能面波识别网络进行训练时，采用小批次随机梯度下降法来优化均方误差目标函数。
59.在上述实施例中，批次大小为256，训练周期为20，学习速率为0.01。
60.在一实施例中，目标研究区的预处理后的含面波二维叠前地震数据输入训练好的二维智能面波识别网络，得到目标研究区的智能散射面波压制结果，包括：
61.将目标研究区的预处理后的含面波二维叠前地震数据进行最大值归一化处理，并记录最大值归一化处理后的含面波二维叠前地震数据的最大值；
62.将最大值归一化后的含面波二维叠前地震数据输入训练好的二维智能面波识别网络，获得智能识别散射面波；
63.将所述智能识别散射面波乘以所述最大值，得到最大值恢复后的智能识别散射面
波；
64.将所述预处理后的含面波二维叠前地震数据与最大值恢复后的智能识别散射面波相减，得到目标研究区的智能散射面波压制结果。
65.在上述实施例中，进行最大值归一化后，含面波二维叠前地震数据范围在-1.0到1.0之间。
66.基于上述实施例，本发明提出如下一个实施例来说明沙漠区散射面波识别方法的详细流程，图2为本发明实施例中沙漠区散射面波识别方法的详细流程图，如图2所示，包括：
67.步骤201，对沙漠区采集的含面波二维叠前地震数据进行几何扩散补偿；
68.步骤202，对几何扩散补偿后的含面波二维叠前地震数据进行静校正处理，获得预处理后的含面波二维叠前地震数据；
69.步骤203，对所述预处理后的含面波二维叠前地震数据进行分频面波压制处理；
70.步骤204，对分频面波压制处理后的含面波二维叠前地震数据进行异常振幅压制处理；
71.步骤205，对异常振幅压制处理后的含面波二维叠前地震数据进行多道倾角滤波处理，获得智能面波识别标签数据；
72.步骤206，对所述预处理后的含面波二维叠前地震数据和所述智能面波识别标签数据同时沿着时间方向和空间方向按照设定的步长截取多个训练样本对；
73.步骤207，对所述多个训练样本对进行随机排序处理；
74.步骤208，对随机排序后的多个训练样本对进行最大值归一化处理，生成深度学习训练集；
75.步骤209，利用所述深度学习训练集对预先构建的初始二维智能面波识别网络进行训练，得到训练好的二维智能面波识别网络；
76.步骤210，在获得目标研究区的含面波二维叠前地震数据后，对目标研究区的含面波二维叠前地震数据进行预处理，将目标研究区的预处理后的含面波二维叠前地震数据进行最大值归一化处理，并记录最大值归一化处理后的含面波二维叠前地震数据的最大值；
77.步骤211，将最大值归一化后的含面波二维叠前地震数据输入训练好的二维智能面波识别网络，获得智能识别散射面波；
78.步骤212，将所述智能识别散射面波乘以所述最大值，得到最大值恢复后的智能识别散射面波；
79.步骤213，将所述预处理后的含面波二维叠前地震数据与最大值恢复后的智能识别散射面波相减，得到目标研究区的智能散射面波压制结果。
80.当然，可以理解的是，上述详细流程还可以有其他变化例，相关变化例均应落入本发明的保护范围。
81.下面给出一具体实施例，来说明本发明提出的方法的具体应用。
82.图3为本发明实施例中某一沙漠区施工区域采集的含面波二维叠前地震数据，其为单炮数据，可见有效信号和面波的特征都不清楚，需要做预处理；图4为本发明实施例中预处理后的含面波二维叠前地震数据，可见预处理后有效信号和面波的特征更为清楚；图5为本发明实施例中去噪处理后得到的智能面波识别标签数据。
83.图6和图7分别为本发明实施例中深度学习训练集中的其中48个输入样本和面波样本。深度学习训练集中海量样本对的存在，为训练智能面波识别网络提供了丰富的智能面波去噪大数据。
84.图8为本发明实施例中另一沙漠区施工区域采集并处理后得到的预处理后的含面波二维叠前地震数据，图9为将图8所示数据输入训练好的智能面波识别网络得到的智能识别散射面波，图10为将图8与图9所示数据进行相减得到的智能散射面波压制结果。从图10可见图8所示数据中的散射面波被智能地识别了出来，且无有效信息损失，与传统工业组合去噪技术相比著减少了人工参与和复杂参数测试，去噪效率提高了20倍以上。
85.综上所述，在本发明实施例提出的方法中，对沙漠区采集的含面波二维叠前地震数据进行预处理，得到预处理后的含面波二维叠前地震数据；对所述预处理后的含面波二维叠前地震数据进行去噪处理，得到智能面波识别标签数据；利用所述预处理后的含面波二维叠前地震数据和所述智能面波识别标签数据生成深度学习训练集；利用所述深度学习训练集对预先构建的初始二维智能面波识别网络进行训练，得到训练好的二维智能面波识别网络；在获得目标研究区的含面波二维叠前地震数据后，对目标研究区的含面波二维叠前地震数据进行预处理，将目标研究区的预处理后的含面波二维叠前地震数据输入训练好的二维智能面波识别网络，得到目标研究区的智能散射面波压制结果。在上述过程中，训练了一个二维智能面波识别网络，使得每次获得目标研究区的含面波二维叠前地震数据并预处理后，可以将预处理后的含面波二维叠前地震数据输入训练好的二维智能面波识别网络后，轻松地得到智能散射面波压制结果，显著减少了人工参与，效率高。
86.本发明实施例还提出一种沙漠区散射面波识别装置，其原理与沙漠区散射面波识别方法类似，这里不再赘述，图11为本发明实施例中沙漠区散射面波识别装置的示意图，包括：
87.数据预处理模块1101，用于对沙漠区采集的含面波二维叠前地震数据进行预处理，得到预处理后的含面波二维叠前地震数据；
88.标签数据获得模块1102，用于对所述预处理后的含面波二维叠前地震数据进行去噪处理，得到智能面波识别标签数据；
89.训练集生成模块1103，用于利用所述预处理后的含面波二维叠前地震数据和所述智能面波识别标签数据生成深度学习训练集；
90.训练模块1104，用于利用所述深度学习训练集对预先构建的初始二维智能面波识别网络进行训练，得到训练好的二维智能面波识别网络；
91.识别模块1105，用于在获得目标研究区的含面波二维叠前地震数据后，对目标研究区的含面波二维叠前地震数据进行预处理，将目标研究区的预处理后的含面波二维叠前地震数据输入训练好的二维智能面波识别网络，得到目标研究区的智能散射面波压制结果。
92.在一实施例中，数据预处理模块1101具体用于：
93.对沙漠区采集的含面波二维叠前地震数据进行几何扩散补偿；
94.对几何扩散补偿后的含面波二维叠前地震数据进行静校正处理，获得预处理后的含面波二维叠前地震数据。
95.在一实施例中，标签数据获得模块1102具体用于：
interface)1203和总线1204；
114.其中，所述处理器1201、存储器1202、通信接口1203通过所述总线1204完成相互间的通信；所述通信接口1203用于实现服务器端设备、检测设备以及用户端设备等相关设备之间的信息传输；
115.所述处理器1201用于调用所述存储器1202中的计算机程序，所述处理器执行所述计算机程序时实现上述实施例中的沙漠区散射面波识别方法中的全部步骤。
116.本技术的实施例还提供一种计算机可读存储介质，能够实现上述实施例中的沙漠区散射面波识别方法中全部步骤，所述计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述实施例中的沙漠区散射面波识别方法的全部步骤。
117.本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
118.本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
119.这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
120.这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
121.以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。