韓連福,柴子威,宋利偉,劉興斌,付長(zhǎng)鳳

(1.東北石油大學(xué)物理與電子工程學(xué)院,黑龍江大慶163318;2.中國(guó)石油大慶油田有限責(zé)任公司人才開(kāi)發(fā)院,黑龍江大慶163318)

0 引 言

逆時(shí)偏移成像技術(shù)已經(jīng)廣泛應(yīng)用于地震勘探中,但根據(jù)雙程波動(dòng)方程和時(shí)間一致性成像等原理[1],逆時(shí)偏移會(huì)產(chǎn)生一定的低頻噪聲。低頻噪聲會(huì)造成地震波的衰減,且由于地下不均勻地層發(fā)生摩擦生熱造成振幅固有衰減,地震波振幅還會(huì)隨著傳播距離的增大而發(fā)生幾何衰減。

地震波逆時(shí)偏移補(bǔ)償中,常用的方法有最小二乘反演吸收衰減補(bǔ)償法、求解拉普拉斯算子的解耦黏滯聲波方程法、求解補(bǔ)償方程的波數(shù)域格林函數(shù)等[2-4],這些方法存在著依賴(lài)于正演且計(jì)算復(fù)雜度較高的缺點(diǎn)。深度學(xué)習(xí)具有能夠自適應(yīng)性學(xué)習(xí)的特點(diǎn),在地震波逆時(shí)偏移補(bǔ)償中具有廣泛的應(yīng)用前景。李金麗等[5]用黏滯聲波逆時(shí)偏移方法對(duì)地震波衰減進(jìn)行了補(bǔ)償,趙巖等[6]提出一種自適應(yīng)增益限反Q濾波方法,李添才等[7]提出一種基于相速度的旅行時(shí)計(jì)算方法,在吸收衰減介質(zhì)成像方面引入多尺度Gabor變換進(jìn)行有效的相位和振幅補(bǔ)償,LIN J等[8]通過(guò)字典學(xué)習(xí)方法進(jìn)行地震波補(bǔ)償。這些方法存在計(jì)算復(fù)雜度高的特點(diǎn),而且在復(fù)雜強(qiáng)衰減地質(zhì)中補(bǔ)償效果不理想。

為簡(jiǎn)化反演計(jì)算復(fù)雜度、提高在強(qiáng)衰減地質(zhì)中地震波逆時(shí)偏移補(bǔ)償精度,提出一種基于深度學(xué)習(xí)的地震波逆時(shí)偏移補(bǔ)償方法,利用循環(huán)生成對(duì)抗網(wǎng)絡(luò)直接從波場(chǎng)角度對(duì)有衰減的波形進(jìn)行補(bǔ)償處理,通過(guò)與注意力機(jī)制相融合,成功補(bǔ)償了波形的振幅衰減和相位失真。實(shí)驗(yàn)結(jié)果表明,該方法修正了常規(guī)方法中存在的濾波去噪不徹底,改變了成像數(shù)據(jù)的振幅和相位信息等不足,補(bǔ)償平均誤差為3.71%,低于現(xiàn)有研究資料中基于廣義S變換反Q濾波補(bǔ)償方法平均誤差4.59%[9]。在保證去噪效果的前提下保證了波形數(shù)據(jù)振幅和相位信息的相對(duì)不變,具有廣泛的實(shí)際應(yīng)用價(jià)值。

1 基于深度學(xué)習(xí)的地震波逆時(shí)偏移補(bǔ)償模型

1.1 地震波逆時(shí)偏移補(bǔ)償算法原理

基于深度學(xué)習(xí)的地震波逆時(shí)偏移補(bǔ)償,算法采用循環(huán)生成對(duì)抗網(wǎng)絡(luò)(CycleGAN)與注意力機(jī)制(Attention)相融合。CycleGAN主要由生成器和判別器2部分構(gòu)成。生成器負(fù)責(zé)將潛在空間采樣點(diǎn)生成的地震波特征圖與判別器進(jìn)行比較,經(jīng)過(guò)生成器不斷優(yōu)化和學(xué)習(xí),直到生成器生成特征圖的概率分布與判別器一致,成功“騙”過(guò)判別器[10]。Attention模擬了人類(lèi)大腦注意力資源分配方法,通過(guò)概率分配的方式,提高對(duì)特征圖重點(diǎn)區(qū)域的關(guān)注,以獲取更多重要的細(xì)節(jié),減少或忽略特征圖中除了波形之外其他部分的干擾[11]。如圖1所示,訓(xùn)練黏性地質(zhì)地震波有無(wú)衰減這2種形態(tài)特征圖,構(gòu)建模型,通過(guò)分別訓(xùn)練判別器和生成器,二者相互博弈,直到達(dá)到平衡,判別器無(wú)法辨認(rèn)出生成器生成的特征圖,實(shí)現(xiàn)通過(guò)深度學(xué)習(xí)完成對(duì)波形衰減的補(bǔ)償。

圖1 逆時(shí)偏移補(bǔ)償算法原理

1.2 模型結(jié)構(gòu)設(shè)計(jì)

利用深度學(xué)習(xí)實(shí)現(xiàn)對(duì)地震波逆時(shí)偏移衰減補(bǔ)償示意圖見(jiàn)圖2。把炮點(diǎn)處產(chǎn)生的沒(méi)有衰減的地震波數(shù)據(jù)集設(shè)為A域,把經(jīng)過(guò)黏性地層后檢波器接受到的有衰減的地震波數(shù)據(jù)集記為B域。GAB為經(jīng)過(guò)反復(fù)訓(xùn)練和學(xué)習(xí)對(duì)衰減信號(hào)的生成器,GBA為補(bǔ)償衰減后的波形生成器,DB為有衰減的地震波判別器,負(fù)責(zé)判別輸入波形是生成器生成的有衰減的地震波還是真實(shí)的有衰減的地震波,輸出為0或1。經(jīng)過(guò)注意力機(jī)制的融入,通過(guò)訓(xùn)練不斷優(yōu)化生成器和判別器,提高生成器“欺騙”能力和判別器的“偵察”能力,最終實(shí)現(xiàn)生成器生成的沒(méi)有衰減的地震波圖像成功“騙”過(guò)判別器,從而實(shí)現(xiàn)補(bǔ)償。

圖2 利用深度學(xué)習(xí)實(shí)現(xiàn)衰減補(bǔ)償示意圖

1.3 損失函數(shù)的改進(jìn)

(1)

式中,yn,l為batch中模型網(wǎng)絡(luò)第l層的第n個(gè)像素的目標(biāo)標(biāo)簽值;pn,l為batch中模型網(wǎng)絡(luò)第l層的第n個(gè)像素的預(yù)測(cè)概率;Cl、Hl、Wl為第l層的feature_map的size,即通道數(shù)、長(zhǎng)、寬;D(yn,l)為判別器中第l層的第n個(gè)像素的目標(biāo)標(biāo)簽值;D(pn,l)為判別器中第l層的第n個(gè)像素的預(yù)測(cè)概率;G(pn,l)為生成器中第l層的第n個(gè)像素的目標(biāo)標(biāo)簽值;L為網(wǎng)絡(luò)層數(shù);N為1個(gè)batch中像素?cái)?shù)量。

2 實(shí)驗(yàn)過(guò)程及結(jié)果分析

2.1 地震波逆時(shí)偏移補(bǔ)償模型訓(xùn)練

網(wǎng)絡(luò)結(jié)構(gòu)使用Tensorflow框架實(shí)現(xiàn),批數(shù)量為16,優(yōu)化方法采用批量隨機(jī)梯度下降法在CUDA10.0架構(gòu)平臺(tái)下計(jì)算學(xué)習(xí)率為0.001,訓(xùn)練迭代次數(shù)為200,用CuDNN7.5.0神經(jīng)網(wǎng)絡(luò)計(jì)算庫(kù)加速運(yùn)算。

網(wǎng)絡(luò)訓(xùn)練前,先利用數(shù)值模擬方法構(gòu)建1個(gè)衰減模型,震源選擇Ricker子波進(jìn)行正演然后基于Kolsky衰減模型合成有衰減的地震信號(hào),白噪反射系數(shù)序列,時(shí)間采樣間隔dt為0.003 s,最大延續(xù)時(shí)間tmax為1.2 s,品質(zhì)因子Q為80,主頻為80 Hz。實(shí)驗(yàn)將模擬地震信號(hào)波場(chǎng)快照為地震波數(shù)據(jù)集,引入注意力機(jī)制防止模型過(guò)擬合。在時(shí)頻域內(nèi)進(jìn)行地震波能量衰減補(bǔ)償。結(jié)果見(jiàn)圖3。

圖3 模擬地震波波場(chǎng)頻譜圖

圖3(a)為通過(guò)Ricker子波數(shù)值模擬的無(wú)衰減的地震波及其時(shí)頻圖,在1.2 s內(nèi)可見(jiàn)6個(gè)明顯波峰,地震波振幅越大的位置對(duì)應(yīng)時(shí)頻圖內(nèi)能量越大、顏色越深。圖3(b)為數(shù)值模擬出的通過(guò)黏性地層后有衰減的地震波,在0.18 s之后振幅和相位衰減較為嚴(yán)重,衰減朝低頻方向移動(dòng)。圖3(c)為通過(guò)CycleGAN地震波逆時(shí)偏移衰減補(bǔ)償模型處理后的波場(chǎng)時(shí)頻圖及重構(gòu)的地震波,對(duì)比圖3(b)在對(duì)應(yīng)波峰處能量衰減得到了補(bǔ)償,在0.5～0.9 s處存在明顯的過(guò)度補(bǔ)償,這是模型過(guò)擬合導(dǎo)致的。圖3(d)為融入注意力機(jī)制的CycleGAN地震波逆時(shí)偏移衰減補(bǔ)償模型處理后的波場(chǎng)時(shí)頻圖及重構(gòu)的地震波,減少了圖3(c)的過(guò)度補(bǔ)償現(xiàn)象,補(bǔ)償效果較理想。

2.2 地震波逆時(shí)偏移補(bǔ)償模型的評(píng)價(jià)與分析

采用Q值法和感知哈希算法衡量模型對(duì)地震波的補(bǔ)償效果。品質(zhì)因子Q是在1個(gè)波長(zhǎng)距離內(nèi)振動(dòng)損耗的能量與總能量之比的倒數(shù),它是能夠衡量地震波能量衰減和頻散的重要參數(shù)[14]。感知哈希算法用于比較2張圖片之間像素的相似度,該算法評(píng)價(jià)的原理是將無(wú)衰減的地震波波場(chǎng)圖和生成的補(bǔ)償后的地震波圖像分別從像素域轉(zhuǎn)換到頻域,通過(guò)保留頻率系數(shù)矩陣左上角的區(qū)域元素計(jì)算圖像的哈希值,再計(jì)算2張地震波圖片哈希值的漢明距離,從而得到2張地震波圖像的相似度[15]。

實(shí)驗(yàn)選取了4組不同Q值進(jìn)行誤差分析,從2種模型預(yù)測(cè)的波場(chǎng)圖中提取對(duì)應(yīng)的預(yù)測(cè)Q值與真實(shí)Q值進(jìn)行對(duì)比。表1展示了CycleGAN補(bǔ)償模型與CycleGAN+Attention補(bǔ)償模型預(yù)測(cè)Q值與真實(shí)Q值的對(duì)比情況以及誤差分析。

表1 2種模型預(yù)測(cè)的Q值誤差分析

通過(guò)模型試算得出:CycleGAN補(bǔ)償模型預(yù)測(cè)Q值平均誤差為4.19%,融入注意力機(jī)制的CycleGAN衰減補(bǔ)償模型預(yù)測(cè)Q值平均誤差為3.71%,均低于現(xiàn)有從廣義S變換角度計(jì)算得出的Q值平均誤差4.59%,而且融入了注意力機(jī)制的CycleGAN模型預(yù)測(cè)值誤差更低,擬合效果更好。

比較了相同時(shí)間切片處采用CycleGAN補(bǔ)償模型與CycleGAN+Attention補(bǔ)償模型處理的地震波圖像的哈希值,圖4展示了訓(xùn)練時(shí)期(epoch)為200時(shí)每一輪中通過(guò)感知哈希算法計(jì)算2種模型補(bǔ)償?shù)卣鸩ǖ臏?zhǔn)確率。

圖4 通過(guò)感知哈希算法評(píng)價(jià)2種模型預(yù)測(cè)準(zhǔn)確率

分析得出:隨著訓(xùn)練epoch數(shù)的增加,2種模型對(duì)于地震波逆時(shí)偏移衰減補(bǔ)償?shù)臏?zhǔn)確率整體上逐漸提升。在98個(gè)epoch之后2種模型預(yù)測(cè)準(zhǔn)確率趨于相對(duì)穩(wěn)定,且融入注意力機(jī)制補(bǔ)償模型預(yù)測(cè)值平均準(zhǔn)確率為81.15%,好于普通CycleGAN模型預(yù)測(cè)值平均準(zhǔn)確率75.01%。再次驗(yàn)證了地震波逆時(shí)偏移補(bǔ)償模型在融入注意力機(jī)制后從波形結(jié)構(gòu)相似性上效果更理想,對(duì)地震資料的衰減處理具有一定的應(yīng)用價(jià)值。

3 結(jié) 論

(1)提出一種基于深度學(xué)習(xí)的地震波逆時(shí)偏移補(bǔ)償方法,將地震波從波數(shù)域獲取的波場(chǎng)圖作為數(shù)據(jù)集,將CycleGAN算法與注意力機(jī)制相融合完成圖像生成。

(2)采用融入注意力機(jī)制的CycleGAN算法對(duì)地震波做逆時(shí)偏移衰減補(bǔ)償處理,模型預(yù)測(cè)值的誤差低于現(xiàn)有基于廣義S變換方法的平均誤差4.59%,驗(yàn)證了該方法的可行性及優(yōu)越性。

(3)將損失函數(shù)改進(jìn)成交叉熵?fù)p失函數(shù)與感知損失函數(shù)混合型的損失函數(shù),更適用于強(qiáng)衰減地層中對(duì)地震波的補(bǔ)償。未來(lái)可以將該模型推廣應(yīng)用到不同的地質(zhì)勘探壞境中,具有廣泛的應(yīng)用潛力。