陳文超，劉達(dá)偉，魏新建，王曉凱，陳德武，李書平，李 冬

基于地震資料有效信息約束的深度網(wǎng)絡(luò)無監(jiān)督噪聲壓制方法

陳文超1，劉達(dá)偉1，魏新建2，王曉凱1，陳德武2，李書平2，李 冬2

(1. 西安交通大學(xué) 信息與通信工程學(xué)院，陜西 西安 710049； 2. 中國(guó)石油勘探開發(fā)研究院西北分院，甘肅 蘭州 730020)

地震資料處理是地震勘探中的關(guān)鍵環(huán)節(jié)，由于地下構(gòu)造和地表?xiàng)l件的復(fù)雜性，地震資料的處理需要經(jīng)過一系列復(fù)雜流程，從而形成多種不同類型的地震數(shù)據(jù)。不同種類的地震數(shù)據(jù)具有不同的數(shù)據(jù)特征，充分利用和發(fā)掘其中的數(shù)據(jù)特征，不僅可以充分發(fā)揮處理方法的技術(shù)潛力，消除各類非地質(zhì)因素對(duì)地震資料處理質(zhì)量的影響，同時(shí)可以增強(qiáng)地震資料處理的可靠性，改善地震資料的資料信噪比及分辨率，在復(fù)雜油氣藏勘探開發(fā)中具有非常重要的基礎(chǔ)作用。疊前地震成像道集(CRP)中的有效信號(hào)同相軸近似水平，疊后地震成像數(shù)據(jù)因?yàn)榈貙映练e的規(guī)律性，有效信號(hào)相比于隨機(jī)噪聲、成像畫弧噪聲等干擾具有規(guī)律、簡(jiǎn)單等特點(diǎn)。具體表現(xiàn)為CRP道集及疊后地震資料有效信號(hào)具有多尺度自相似性的特征，其高維Fourier(FK或FKK)域主要能量集中在低頻、低波數(shù)區(qū)域。針對(duì)上述地震數(shù)據(jù)的特點(diǎn)，提出一種基于先驗(yàn)信息約束的深度網(wǎng)絡(luò)地震資料無監(jiān)督噪聲壓制方法。受到深度圖像先驗(yàn)(DIP)的啟發(fā)，神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)可以視為一種特殊的隱式先驗(yàn)信息，合理設(shè)計(jì)網(wǎng)絡(luò)結(jié)構(gòu)可以使得網(wǎng)絡(luò)具有多尺度自相似性特征的提取能力。由于疊前地震成像道集數(shù)據(jù)和疊后地震成像數(shù)據(jù)有效信號(hào)的多尺度自相似性，而噪聲不具備這一特性，因此，特定結(jié)構(gòu)的網(wǎng)絡(luò)可以從原始數(shù)據(jù)提取出有效信號(hào)，從而達(dá)到噪聲壓制的目的。疊前成像道集和疊后成像的實(shí)際數(shù)據(jù)隨機(jī)噪聲壓制試驗(yàn)結(jié)果表明，本文方法具有良好的保真性與魯棒性。此外，由于本文方法具有強(qiáng)大的特征提取能力，因此，對(duì)常規(guī)方法不易壓制的弧狀成像噪聲也有良好的效果。

無監(jiān)督學(xué)習(xí)；神經(jīng)網(wǎng)絡(luò)；弧狀成像噪聲壓制；成像道集；多尺度自相似性

地震資料處理是地震勘探中的關(guān)鍵環(huán)節(jié)，對(duì)于連接采集和解釋工作發(fā)揮著重要功能，其處理質(zhì)量對(duì)地震資料解釋和儲(chǔ)層預(yù)測(cè)精度起到了決定作用。在地震數(shù)據(jù)采集過程中，不可避免地會(huì)引入隨機(jī)噪聲，壓制隨機(jī)噪聲可以提升信噪比，有助于提高解釋精度，對(duì)后期的地震數(shù)據(jù)的解釋至關(guān)重要。因此，地震數(shù)據(jù)的隨機(jī)噪聲壓制問題在地震資料處理中占據(jù)著重要地位。傳統(tǒng)基于模型的優(yōu)化方法和近年來興起的判別學(xué)習(xí)方法是隨機(jī)噪聲壓制的兩大類方法。

基于模型的優(yōu)化方法使用明確的先驗(yàn)信息建立相關(guān)模型，然后通過求解優(yōu)化問題得到干凈的去噪數(shù)據(jù)。這類方法具有明確的物理含義，并且具有較強(qiáng)的泛化性能，對(duì)于不同種類的地震數(shù)據(jù)都有一定的噪聲壓制效果。按照使用的不同的先驗(yàn)知識(shí)，基于模型的方法可以大致分為三大類。第一類是基于濾波的方法[1-2]。假設(shè)地震有效信號(hào)的反射同相軸具有橫向連續(xù)性，以此來區(qū)分有效信號(hào)和噪聲。第二類是基于低秩的方法，包括低秩分解[3-5]和核范數(shù)最小化[6]。第三類是基于稀疏表示的噪聲壓制方法，這類方法構(gòu)建合適的字典對(duì)有效信號(hào)進(jìn)行稀疏表示，而該字典無法稀疏表示隨機(jī)噪聲，從而達(dá)到壓制隨機(jī)噪聲的目的[7-9]。上述方法在實(shí)際數(shù)據(jù)的處理過程中均取得了良好的效果，但是也會(huì)面臨一些挑戰(zhàn)。一方面，這類方法要求人為指定的先驗(yàn)知識(shí)盡可能準(zhǔn)確，然而由于地震數(shù)據(jù)的復(fù)雜性，使用這些先驗(yàn)知識(shí)在某些復(fù)雜結(jié)構(gòu)區(qū)域仍然無法區(qū)分有效信號(hào)和隨機(jī)噪聲。另一方面，模型優(yōu)化的時(shí)間通常比較耗時(shí)，并且需要專業(yè)的計(jì)算機(jī)知識(shí)才可以實(shí)現(xiàn)快速并行計(jì)算。

與之相反，判別學(xué)習(xí)方法，如最近幾年流行的深度學(xué)習(xí)方法，通過端對(duì)端地學(xué)習(xí)訓(xùn)練樣本對(duì)獲得先驗(yàn)知識(shí)，這把研究人員從復(fù)雜的先驗(yàn)知識(shí)設(shè)計(jì)中解放出來，尤其對(duì)于那些無法用明確公式表達(dá)的先驗(yàn)知識(shí)很有效果。此外，深度學(xué)習(xí)在隨機(jī)噪聲壓制問題中得到大規(guī)模使用的另一個(gè)原因是它很容易并行計(jì)算，雖然訓(xùn)練耗時(shí)較長(zhǎng)，但是測(cè)試時(shí)間相比模型優(yōu)化法很有優(yōu)勢(shì)。按照網(wǎng)絡(luò)維度的不同，此類可以分為二維網(wǎng)絡(luò)方法[10]和三維網(wǎng)絡(luò)方法[11-12]。盡管它們?cè)趯?shí)際使用中可以取得令人滿意的結(jié)果，但是也遇到了一些挑戰(zhàn)。首先，判別學(xué)習(xí)類方法需要大量的不含噪地震數(shù)據(jù)作為標(biāo)簽數(shù)據(jù)，而這在實(shí)際中是幾乎不可能獲得的。其次，網(wǎng)絡(luò)的泛化能力通常較弱，當(dāng)處理較大規(guī)模的地震數(shù)據(jù)時(shí)，它的去噪能力會(huì)退化。

無監(jiān)督的深度學(xué)習(xí)方法可以兼具上述兩類方法的優(yōu)點(diǎn)。無監(jiān)督深度學(xué)習(xí)方法既不需要標(biāo)簽數(shù)據(jù)，并且有較強(qiáng)的泛化能力，此外還可以使用深度學(xué)習(xí)框架較為容易地實(shí)現(xiàn)并行計(jì)算。無監(jiān)督深度學(xué)習(xí)方法已經(jīng)成功地應(yīng)用于地震數(shù)據(jù)集的噪聲壓制[13]。本文提出了一種基于先驗(yàn)信息約束的深度網(wǎng)絡(luò)地震資料無監(jiān)督噪聲壓制方法。由于疊前地震成像道集數(shù)據(jù)和疊后地震成像數(shù)據(jù)有效信號(hào)的多尺度自相似性，而噪聲不具備這一特性，因此，可以設(shè)計(jì)一種可以提取多尺度自相似性的網(wǎng)絡(luò)，從中提取有效信號(hào)，從而達(dá)到噪聲壓制的目標(biāo)。受到深度圖像先驗(yàn)(Deep Image Prior，DIP)[14]的啟發(fā)，本文使用一種多尺度的生成卷積神經(jīng)網(wǎng)絡(luò)，以含噪地震數(shù)據(jù)作為訓(xùn)練目標(biāo)，使之從含噪地震數(shù)據(jù)中提取有效信號(hào)。訓(xùn)練過程中使用早停法選擇合適的迭代次數(shù)，使網(wǎng)絡(luò)輸出去噪后的地震數(shù)據(jù)。

1 方法原理

1.1 建立模型

1.2 網(wǎng)絡(luò)結(jié)構(gòu)

本文所使用的深度生成網(wǎng)絡(luò)結(jié)構(gòu)是一種經(jīng)典的U-Net網(wǎng)絡(luò)結(jié)構(gòu)，包括3大部分：5個(gè)下采樣(Downsample)模塊(Block)，2個(gè)跳躍連接層(Skip)模塊及5個(gè)上采樣(Upsample)模塊。每個(gè)模塊包含幾個(gè)基本單元，基本單元包括卷積(Conv)層、批歸一化(Batch normalization，BN)層、下采樣(Downsample)層、上采樣(Upsample)層和激活函數(shù)(LeakyReLU)層，如圖 1所示。為了節(jié)省計(jì)算開銷，隨著網(wǎng)絡(luò)深度的加深，下采樣的卷積濾波器數(shù)目從初始的8個(gè)增加到128個(gè)，上采樣層的濾波器數(shù)目與之對(duì)稱。不同網(wǎng)絡(luò)深度的下采樣模塊和上采樣模塊通過壓縮共有特征和剔除無用信息來降低目標(biāo)地震數(shù)據(jù)的維數(shù)。這種網(wǎng)絡(luò)結(jié)構(gòu)使深度生成網(wǎng)絡(luò)具有多尺度自相似特征的提取能力。地震資料的有效信號(hào)在本質(zhì)上具有多尺度特征，許多地震處理方法從中受益[15-16]。因此，本文可以應(yīng)用上述網(wǎng)絡(luò)的特征提取能力來提取有效信號(hào)，從而達(dá)到壓制地震資料隨機(jī)噪聲的目的。

同時(shí)，本文在原有U-Net網(wǎng)絡(luò)結(jié)構(gòu)的基礎(chǔ)上做了一些修改。首先，為了減少由上采樣模塊引起的棋盤效應(yīng)，采用轉(zhuǎn)置卷積代替雙線性插值。其次，設(shè)置跳躍連接的策略來避免梯度消失問題。第三，用漏泄線性整流函數(shù)替換原有激活函數(shù)，防止神經(jīng)元湮滅。

1.3 模型訓(xùn)練

圖1 本文所使用的網(wǎng)絡(luò)模型結(jié)構(gòu)

圖2 深度生成網(wǎng)絡(luò)分別重構(gòu)含噪地震數(shù)據(jù)、隨機(jī)噪聲和有效信號(hào)得到的能量曲線

1.4 深度神經(jīng)網(wǎng)絡(luò)的低頻優(yōu)先原則

其中，

本文以一個(gè)東部某油田實(shí)際疊前地震成像道集為例說明深度神經(jīng)網(wǎng)絡(luò)的低頻優(yōu)先原則，圖3為使用本文網(wǎng)絡(luò)對(duì)含噪地震數(shù)據(jù)進(jìn)行重構(gòu)得到的不同迭代次數(shù)的結(jié)果，可以看到迭代次數(shù)較少時(shí)，網(wǎng)絡(luò)主要重構(gòu)3數(shù)據(jù)中的低頻成分，隨著迭代次數(shù)的增加，越來越多的精細(xì)結(jié)構(gòu)被網(wǎng)絡(luò)重構(gòu)出來，同時(shí)，也重構(gòu)了更多的噪聲成分。圖4為圖3對(duì)應(yīng)的FK譜，也可以觀察到，網(wǎng)絡(luò)優(yōu)先學(xué)習(xí)低頻特征，隨著訓(xùn)練迭代次數(shù)的增加，越來越多的高頻成分被重構(gòu)出來。

2 算例分析

2.1 疊前地震成像道集

圖5a是一個(gè)東部某油田疊前地震成像道集，包括200道數(shù)據(jù)，每道數(shù)據(jù)具有3 001個(gè)時(shí)間采樣點(diǎn)，采樣率為2 ms?？梢钥吹綀D中有效信號(hào)被大量的背景噪聲所污染，使得一些微弱的有效信號(hào)變得模糊。同時(shí)，可以觀察到同相軸是近似水平的，這與本文方法善于提取低頻的、具有多尺度自相似的特征相匹配。DDTF(Data-drive Tight Frame)[18]是一種常用的地震數(shù)據(jù)噪聲壓制方法，本文選擇DDTF方法作為對(duì)比。圖5b顯示了DDTF的去噪結(jié)果，可以看出到仍然存在一些殘余噪聲。然后利用深度生成網(wǎng)絡(luò)從原始地震數(shù)據(jù)中提取自相似特征。經(jīng)過大約1 500次迭代，得到了網(wǎng)絡(luò)的去噪結(jié)果，如圖5c所示?？梢钥闯?，本文方法的沒有明顯殘余噪聲，同相軸比DDTF方法更清晰。此外，本文方法在不丟失有用信號(hào)細(xì)節(jié)的情況下也去除了一些相干噪聲。在如圖5d所示DDTF方法相應(yīng)的噪聲去除部分中，可以看到一些有效信號(hào)的泄漏。然而，如圖5e所示，除了一些異常的振幅點(diǎn)外，本文方法幾乎找不到明顯的連續(xù)同相軸，這表明本文方法在去噪過程中沒有嚴(yán)重破壞有效信號(hào)。此外，本文方法的計(jì)算時(shí)間(79.19 s)比DDTF(51.30 s)耗時(shí)多，但去噪效果更優(yōu)，參數(shù)選擇更為容易。

(a)—(l)分別為100~1 200次迭代的結(jié)果

(a)—(l)分別為100~1 200次迭代的FK譜

(a)為含噪數(shù)據(jù)集；(b)和(c)分別為DDTF和本文方法的去噪結(jié)果；(d)和(e)為DDTF和本文方法去除的噪聲

本文進(jìn)一步從多通道歸一化幅度譜來比較去噪性能研究，如圖6所示。眾所周知，隨機(jī)噪聲的主要能量集中在高頻端?？梢钥闯觯删W(wǎng)絡(luò)去噪后數(shù)據(jù)的高頻能量幅度譜(例如高于60 Hz部分)低于由DDTF去噪數(shù)據(jù)的高頻能量頻幅度譜，如圖6a所示。這意味著網(wǎng)絡(luò)抑制了更多的噪聲能量。從圖6b所示的去除噪聲的幅度譜也可以得到相同的結(jié)論。為了更清楚地進(jìn)行比較，圖6c顯示了圖6a紅色圓圈所示的放大區(qū)域，可以更清楚地觀察到網(wǎng)絡(luò)的去噪結(jié)果在高頻段能量較低?？梢缘贸鼋Y(jié)論，與DDTF相比，該方法具有更高的保真度和更強(qiáng)的噪聲抑制能力。

下面從疊加剖面上觀察本文方法的噪聲壓制效果。圖7a所示是200道原始疊前地震成像道集經(jīng)過疊加而成的疊加剖面。圖7b所示是200道網(wǎng)絡(luò)去噪后的疊前地震成像道集經(jīng)過疊加而成的疊加剖面，可以看到波形一致性得到了增強(qiáng)，圖7c為圖7a與圖7b的差剖面，從圖7c中觀察不到明顯的有效信號(hào)損傷，這證明了本文方法的保真性。

圖6 多道歸一化振幅譜

(a) 原始數(shù)據(jù)；(b) 去噪后數(shù)據(jù)；(c) 去除的噪聲數(shù)據(jù)

2.2 疊后地震成像數(shù)據(jù)

為了進(jìn)一步說明本文方法的有效性，以如圖8a所示的疊后地震成像數(shù)據(jù)為例進(jìn)行噪聲壓制。該數(shù)據(jù)來自東部某油田，圖示600道數(shù)據(jù)和1 200個(gè)時(shí)間采樣點(diǎn)，采樣時(shí)間為2 ms?？梢钥吹剑摂?shù)據(jù)受到噪聲影響嚴(yán)重，尤其受到了弧狀成像噪聲的干擾，對(duì)地震數(shù)據(jù)的解釋造成了干擾。圖8b所示是網(wǎng)絡(luò)經(jīng)過6 500次迭代得到的去噪后的地震數(shù)據(jù)，可以看到本文方法去除了大量的隨機(jī)噪聲，去噪后同相軸的連續(xù)性得到了加強(qiáng)，尤其是圖中紅色矩形框所示的區(qū)域，弧狀成像噪聲得到了壓制。從圖8c中去除的噪聲部分來看，噪聲中除了弧狀噪聲部分，沒有明顯的地層結(jié)構(gòu)成分，說明本文方法幾乎沒有損傷有效信號(hào)，具有較高的保真性。

3 結(jié)論

本文提出了一種基于深度學(xué)習(xí)的無監(jiān)督隨機(jī)噪聲壓制方法，疊前、疊后成像數(shù)據(jù)處理結(jié)果表明，該方法具有以下3個(gè)特點(diǎn)：所提方法不需要常見深度神經(jīng)網(wǎng)絡(luò)必須的訓(xùn)練標(biāo)簽；本文采用的網(wǎng)絡(luò)具有很強(qiáng)的多尺度自相似特征提取能力，能夠容易地從原始含噪數(shù)據(jù)中提取有效信號(hào)；此外，該方法在有效抑制隨機(jī)噪聲的同時(shí)，對(duì)有效信號(hào)的損傷較小，尤其可以有效壓制傳統(tǒng)方法不易去除的弧狀成像噪聲。

[1] TRICKETT S. F-xy Cadzow noise suppression[C]//SEGTechnical Program Expanded Abstracts 2008. Society of Exploration Geophysicists，2008：2586–2590.

[2] SOUBARAS R. Signal-preserving random noise attenuation by the f-x projection[C]//SEG Technical Program Expanded Abstracts，Jan. 1994：1576–1579.

[3] TRICKETT S R. F-xy eigenimage noise suppression[J]. Geophysics，2003，68(2)：751–759.

[4] BEKARA M，BAAN VAN DER M. Local singular value decomposition for signal enhancement of seismic data[J]. Geophysics，2007，72(2)：59–65.

[5] OROPEZA V，SACCHI M. Simultaneous seismic data denoising and reconstruction via multichannel singular spectrum analysis[J]. Geophysics，2011，76(3)：25–32.

[6] KREIMER N，SACCHI M D. A tensor higher-order singular value decomposition for pre-stack seismic data noise reduction and interpolation[J]. Geophysics，2012，77(3)：113–122.

[7] YU Z，ABMA R，ETGEN J，et al. Attenuation of noise and simultaneous source interference using wavelet denoising[J]. Geophysics，2017，82(3)：179–190.

[8] WANG Xiaojing，MA Jianwei. Adaptive dictionary learning for blind seismic data denoising[J]. IEEE Geoscience and Remote Sensing Letters，2019：1–5.

[9] WANG Shen，LI Jianchao，CHIU S K，et al. Seismic data compression and regularization via wave packets[C]//SEG Technical Program Expanded Abstracts 2010. 2010：3650–3655.

[10] ZHANG Yinxue，TIAN Xuemin，DENG Xiaogang，et al. Seismic denoising based on modified BP neural network[C]//2010 Sixth International Conference on Natural Computation. 2010：1825–1829.

[11] WANG Enning，NEALON J. Applying machine learning to 3D seismic image denoising and enhancement[J]. Interpretation，2019，7(3)：131–139.

[12] LIU Dawei，WANG Wei，WANG Xiaokai，et al. Poststack seismic data denoising based on 3-D convolutional neural network[J]. IEEE Trans. Geosci. Remote Sens.，2020，58(3)：1598–1629.

[13] CHEN Yangkang，ZHANG Mi，BAI Min，et al. Improving the signal-to-noise ratio of seismological datasets by unsupervised machine learning[J]. Seismol. Res. Lett.，2019，90(4)：1552–1564.

[14] ULYANOV D，VEDALDI A，LEMPITSKY V. Deep image prior[C]//IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2018：9446–9454[2020-03-19].

[15] HERRMANN F J，WANG DeLi，HENNENFENT G，et al. Curvelet-based seismic data processing：A multiscale and nonlinear approach[J]. Geophysics，2008，73(1)：1–5.

[16] BUNKS C，SALECKF M，ZALESKI S，et al. Multiscale seismic waveform inversion[J]. Geophysics，1995，60(5)：1457–1473.

[17] XU Z-Q J. Frequency principle：Fourier analysis sheds light on deep neural networks[J]. Commun. Comput. Phys.，2020，28(5)：1746–1767.

[18] LIANG Jianwei，MA Jianwei，ZHANG Xiaoqun. Seismic data restoration via data-driven tight frame[J]. Geophysics，2014，79(3)：65–74.

Unsupervised noise suppression method for depth network seismic data based on prior information constraint

CHEN Wenchao1, LIU Dawei1, WEI Xinjian2, WANG Xiaokai1, CHEN Dewu2, LI Shuping2, LI Dong2

(1. School of Information and Communication Engineering, Xi’an Jiaotong University, Xi’an 710049, China; 2. Research Institute of Petroleum Exploration&Development-Northwest(NWGI) PetroChina, Lanzhou 730020, China)

Seismic data processing is a critical step in seismic exploration. Due to the complexity of underground structure and surface conditions, seismic data processing needs to go through a series of complex processes, thus forming various types of seismic data. Different types of seismic data have different data characteristics. Exploring and making full use of the data characteristics can not only give full play to the technical potential of processing methods, eliminate the influence of various non-geological factors on the quality of seismic data processing, but also enhance the reliability of seismic data processing. Improving the signal-to-noise ratio and resolution of seismic data plays a significant role in the exploration and development of complex reservoirs. The useful signal in pre-stack seismic imaging gathers(common-reflection-point gathers) is approximately horizontal, and the useful signal in post-stack seismic imaging data is regular and straightforward compared with random noise and arc-like imaging noise because of the regularity of stratum deposition. Therefore, the corresponding FK domain is focused on low-frequency energy due to the specific characteristics of multiscale self-similarity. According to the characteristics of the above seismic data, this paper proposes an unsupervised noise suppression method for deep network seismic data based on prior information constraints. Inspired by the deep image prior (DIP), the structure of the neural network can be regarded as a kind of particular implicit prior information. The reasonable design of network structure can improve the ability of multiscale self-similarity feature extraction. Because of the multiscale self-similarity of the useful signals of pre-stack seismic imaging gather data and post-stack seismic imaging data but noise without this characteristic, the network with specific structure can extract the useful signals from the original data, so as to achieve the goal of noise suppression. The application results of pre-stack imaging gathers and post-stack imaging data show that the proposed method has good fidelity and robustness. In addition, due to its strong feature extraction ability, the proposed method also has a good effect on arc-like imaging noise not easy to suppress by conventional methods.

unsupervised learning; neural network; arc-like imaging noise; imaging gathers; multiscale similarity

移動(dòng)閱讀

語音講解

P631

A

1001-1986(2021)01-0249-08

2021-01-11；

2021-01-25

國(guó)家自然科學(xué)基金面上項(xiàng)目(41774135，41974131)；國(guó)家重點(diǎn)研發(fā)計(jì)劃課題(2017YFB0202902)

陳文超，1970年生，男，陜西咸陽人，博士，教授，從事地震、探地雷達(dá)信號(hào)處理、解釋研究工作. E-mail：wencchen@xjtu.edu.cn

陳文超，劉達(dá)偉，魏新建，等. 基于地震資料有效信息約束的深度網(wǎng)絡(luò)無監(jiān)督噪聲壓制方法[J]. 煤田地質(zhì)與勘探，2021，49(1)：249–256. doi：10.3969/j.issn.1001-1986.2021.01.027

CHEN Wenchao，LIU Dawei，WEI Xinjian，et al. Unsupervised noise suppression method for depth network seismic data based on prior information constraint[J]. Coal Geology & Exploration，2021，49(1)：249–256. doi: 10.3969/j.issn. 1001-1986.2021.01.027

(責(zé)任編輯 聶愛蘭)