鄭 晶， 吳志祥， 李德偉， 邢立文

（中國礦業(yè)大學（北京）a.煤炭資源與安全開采國家重點實驗室；b.地球科學與測繪工程學院，北京 100083）

0 引 言

微地震監(jiān)測技術(shù)通常用于非常規(guī)油氣勘探和CO2捕集與封存（Carbon Capture and Storage，CCS）工程的安全監(jiān)測［1-2］。對于微地震監(jiān)測技術(shù)而言，去噪是其數(shù)據(jù)處理技術(shù)的重要組成部分［3］。因為微地震（小震級）信號的振幅總是比傳統(tǒng)地震信號弱得多，實測數(shù)據(jù)始終受到噪聲的污染，所以與主動源地震事件相比，其信噪比（Signal-Noise Ratio，SNR）要低得多，故而原始的觀測數(shù)據(jù)難以直接進行事件到時拾取及定位等工作。大多數(shù)傳統(tǒng)的降噪方法都是基于域變換算法以及一些閾值化手段而提出的，例如時頻分析和時間（頻譜）-空間（波數(shù)）域分析［4-6］。域變換后的結(jié)果在反變換前通常先經(jīng)過閾值處理，以達到噪聲濾除的目的。域變換的主要目的是為了獲得記錄數(shù)據(jù)的稀疏表示，因而如何選擇更好的變換方法和閾值策略將對降噪性能產(chǎn)生很大影響。

近年來，基于機器學習的地球物理數(shù)據(jù)處理方法得到了廣泛的研究和發(fā)展。一些研究側(cè)重于將字典學習應(yīng)用于觀測數(shù)據(jù)更好的稀疏表示，以實現(xiàn)更好的降噪性能［7-8］。近年來，深度神經(jīng)網(wǎng)絡(luò)以其極其復雜的表示能力在地球物理數(shù)據(jù)去噪中獲得了越來越多的應(yīng)用?；谏疃染矸e神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）開發(fā)的去噪模型是噪聲衰減最常用的網(wǎng)絡(luò)模型［9-10］。

除了CNN之外，生成對抗網(wǎng)絡(luò)（Generative Adversarial Network，GAN）也具有圖像和語音處理的能力，在各個領(lǐng)域展現(xiàn)出巨大的應(yīng)用和發(fā)展前景［11-12］。與基于CNN的方法相比，因為GAN網(wǎng)絡(luò)的損失函數(shù)不是最常用的簡單均方誤差或交叉熵損失［13］，所以GAN可以克服CNN對輸出數(shù)據(jù)分布假設(shè)的缺點。Alwon［14］應(yīng)用基于條件樣式轉(zhuǎn)換類型的GAN網(wǎng)絡(luò)從含噪聲的地震記錄剖面中預測干凈數(shù)據(jù)，但這種方法中必須將地震剖面作為二維圖像來考慮。

本文基于GAN網(wǎng)絡(luò)提出一種用于單通道微地震記錄降噪的方法。網(wǎng)絡(luò)的輸入是來自微地震儀器記錄的原始時間序列，在此之前不需要進行任何轉(zhuǎn)換，可以進行端到端的訓練。網(wǎng)絡(luò)包括生成器G和判別器D，構(gòu)建G來生成處理后的數(shù)據(jù)。訓練后，G將恢復干凈數(shù)據(jù)，D負責區(qū)分真實數(shù)據(jù)和虛假數(shù)據(jù)。

1 原理及方法

1.1 基于GAN的去噪工作流程

Goodfellow等［15］2014年首先提出了Generative Adversarial Nets（GANs）。GAN包括兩個模型：一個是表示為G的生成器；另一個是表示為D的對抗判別器模型。G執(zhí)行映射過程以學習實際數(shù)據(jù)分布；D像二進制分類器一樣工作以確定G的輸出是真實的還是虛假的。該網(wǎng)絡(luò)的工作流程如圖1所示。該網(wǎng)絡(luò)用于去噪，因此，它不同于傳統(tǒng)的GAN，后者的輸入只是噪聲。

圖1 基于GAN的去噪網(wǎng)絡(luò)的工作流程示意圖

圖2所示的生成器G網(wǎng)絡(luò)采用了全卷積編碼器／解碼器結(jié)構(gòu)。與傳統(tǒng)的全卷積編碼器／解碼器結(jié)構(gòu)相比，沒有用于下采樣的最大池化過程。采用＞1的整數(shù)設(shè)置卷積步長來實現(xiàn)G網(wǎng)絡(luò)中的降采樣，該降采樣方法在GAN網(wǎng)絡(luò)中比其他池化方法更穩(wěn)定。同時，G網(wǎng)絡(luò)還采用類U-net網(wǎng)絡(luò)在編碼器和解碼器的相應(yīng)層之間添加“跳過并復制”步驟［16］。生成器是一個生成模型，該模型構(gòu)建映射結(jié)構(gòu)以使?jié)撛诒硎緕從簡單的先驗分布p（z）中學習訓練數(shù)據(jù)P（data）的分布。通過訓練過程，生成器能夠最小化p（x｜θ，z）和P（data）之間的差異。因此，G不僅記憶輸入輸出對應(yīng)關(guān)系，而且能學習數(shù)據(jù)分布特征。

圖2 生成器G網(wǎng)絡(luò)結(jié)構(gòu)

判別器D是由卷積編碼器部分和全連接層部分組成，網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示。D是一個參數(shù)模型，其旨在判斷輸入x是從G網(wǎng)絡(luò)生成的數(shù)據(jù)還是干凈數(shù)據(jù)，可以將其視為判斷輸出是“真”還是“假”的一個二分類器。D的訓練目標為同時最大化D（x）（實際數(shù)據(jù)分類結(jié)果的損失）和最小化D（G（x））（生成的數(shù)據(jù)分類結(jié)果的損失）。D幫助G將其輸出波形朝干凈的數(shù)據(jù)分布進行校正，以避免生成的數(shù)據(jù)被判斷為是偽造的。

圖3 判別器D網(wǎng)絡(luò)結(jié)構(gòu)

1.2 訓練過程

生成器G和判別器D通過反向傳播進行訓練，與傳統(tǒng)深度卷積神經(jīng)網(wǎng)絡(luò)不同的是，GAN網(wǎng)絡(luò)的訓練分成3個步驟進行：

（1）使用帶噪音的和干凈的數(shù)據(jù)作為輸入，對D進行訓練，并標記輸出為“真”；

（2）利用G生成的數(shù)據(jù)和干凈的數(shù)據(jù)作為輸入，并標記輸出為“偽”，再次訓練D；

（3）固定D，使用生成的數(shù)據(jù)和干凈的數(shù)據(jù)作為輸入，并標記輸出為“真”來訓練G。

隨著訓練，G和D網(wǎng)絡(luò)將變得越來越強大。訓練后，G將能夠恢復實際信號分布并使去噪后的數(shù)據(jù)與干凈的數(shù)據(jù)相似；D將無法區(qū)分實際的不含噪音的數(shù)據(jù)和生成后的去噪數(shù)據(jù)。

2 實驗與分析

應(yīng)用合成數(shù)據(jù)訓練網(wǎng)絡(luò)，并使用實測數(shù)據(jù)集進行實驗以評估網(wǎng)絡(luò)的性能。對于訓練數(shù)據(jù)集使用不同的速度模型生成信號以考慮信號的多樣性。訓練數(shù)據(jù)集由30 000個波形組成，這些波形具有不同的SNR條件。

實測數(shù)據(jù)由共振頻率為4.5Hz±7.5%并包含12個通道的地面?zhèn)鞲衅魇占ǖ涝诒砻嫔喜怀梢粭l直線對齊。系統(tǒng)將以2 ms的間隔連續(xù)幾個小時收集、存儲和傳輸數(shù)據(jù)。為了對比文中提出的濾波算法與其他方法在實際數(shù)據(jù)中噪聲壓制上的性能，選用了3個不同事件的多道微地震數(shù)據(jù)記錄進行實驗，并將3種方法分別應(yīng)用于3個實測數(shù)據(jù)集。3個實測數(shù)據(jù)集如圖4（a）、5（a）和6（a）所示，它們的事件到時時間、對應(yīng)道上信噪比都有一定的差異。信噪比的差異由不同震源強度和儀器噪聲水平等導致。實測數(shù)據(jù)和其經(jīng)過3種方法處理后的結(jié)果見圖4～6。在圖4所示的第1個示例中，殘余噪聲在EEMD方法中最大，而在DWT方法中一些脈沖干擾未消除，因此這兩種方法均不被認為是成功的，而經(jīng)本文方法去噪的數(shù)據(jù)獲得了更好的結(jié)果，之前的噪聲幾乎已消除。在圖5所示的第2個示例中，EEMD和DWT方法都留下了顯著的殘留噪聲，而從本文方法中獲得的去噪數(shù)據(jù)有更好的效果，事件的初至清晰。在圖6所示的第3個示例中，EEMD方法留下了更多的殘留噪聲，DWT方法在初至之前導致了一些不穩(wěn)定的波形，但本文方法仍然可以獲得更好的結(jié)果。如果可以提供更多的訓練數(shù)據(jù)集，則該方法可以表現(xiàn)出更好的性能。

圖4 不同方法對實測數(shù)據(jù)集1的去噪效果對比

圖5 不同方法對實測數(shù)據(jù)集2的去噪效果對比

圖6 不同方法對實測數(shù)據(jù)集3的去噪效果對比

3 結(jié) 語

實現(xiàn)了基于生成對抗網(wǎng)絡(luò)的端到端微地震數(shù)據(jù)降噪方法。該模型分為兩個部分：一個是生成器G，使用編碼器-解碼器全卷積結(jié)構(gòu)生成去噪數(shù)據(jù)集；另一個是判別器D，負責學習某種損失，以使G的輸出看起來真實。G部分的結(jié)構(gòu)類似于U-net。在編碼階段，將輸入信號投影并壓縮用以學習數(shù)據(jù)的稀疏表示。在解碼階段，將去噪后的數(shù)據(jù)恢復為輸入數(shù)據(jù)的原始分辨率。G的損失函數(shù)也因D中的學習而具有自適應(yīng)性。該方法不僅可以在含噪聲的記錄中清楚地檢測出能量較高的波形，而且去噪后能清楚地檢測出能量較低的波形。對含噪聲的合成數(shù)據(jù)和實測數(shù)據(jù)集的測試表明，該算法在強噪聲水平下獲得了令人滿意的結(jié)果。從重建的信號中可以清楚地識別出信號的初至，這意味著本文方法可以幫助事件拾取人員在低SNR的情況下拾取初至。測試結(jié)果表明，該方法是可靠的并且是當前方法的有效替代。

科學研究既要追求知識和真理，也要服務(wù)于經(jīng)濟社會發(fā)展和廣大人民群眾。廣大科技工作者要把論文寫在祖國的大地上，把科技成果應(yīng)用在實現(xiàn)現(xiàn)代化的偉大事業(yè)中。

——2016年5月30日，習近平在全國科技創(chuàng)新大會上講話