田雅男,孫浩然,宋明紳,劉 濤,劉瀚林,趙曉龍

(吉林大學(xué) 通信工程學(xué)院,長春 130012)

0 引 言

近年來,油氣資源的需求量日益增長,而勘探對象卻愈加復(fù)雜且資源逐漸短缺[1]。因此對資源的開采和其質(zhì)量提出了更高的要求。地震勘探方法是資源勘探的主要手段之一,而地震勘探信號會攜帶多種復(fù)雜噪聲,既有自然噪聲也有人文噪聲[2]。分布式聲傳感(DAS:Distributed fiber Acoustic Sensing)[3]技術(shù)是一種新的井下地震探測技術(shù),具有覆蓋面廣、采樣密度大、成本低等優(yōu)點[4],彌補了傳統(tǒng)檢波器的不足。然而,雖然DAS具有許多優(yōu)勢,但在實際應(yīng)用中仍然面臨一些挑戰(zhàn)。一方面,采集到的DAS數(shù)據(jù)中的有效信號,特別是上行反射事件的有效信號通常能量微弱,表現(xiàn)出強噪聲、弱信號的特點[5]；另一方面,由于分布式聲傳感技術(shù)采用相干光源的相位探測信號方式,探測信號必然受相干衰落效應(yīng)的影響而產(chǎn)生衰落噪聲,而且又由于在水平方向上受材料不均勻的影響而產(chǎn)生水平噪聲,以及受探測周圍環(huán)境影響而產(chǎn)生其他類型的噪聲。這些問題嚴重影響DAS地震資料的解釋。

數(shù)據(jù)采集環(huán)境的復(fù)雜化使獲取的地震勘探數(shù)據(jù)中摻雜大量噪聲,直接影響數(shù)據(jù)的處理工作。目前國內(nèi)外已有很多不同的消噪方法,其中比較有代表性的有小波去噪[6]、維納濾波器[7]、時頻峰值濾波器[8]和變分模式分解[9]等。這些方法雖然能在一定程度上抑制噪聲,但在消除DAS數(shù)據(jù)噪聲方面仍然具有局限性：一方面,選擇正確的參數(shù)需要大量的時間,缺乏智能性和靈活性；另一方面,傳統(tǒng)的噪聲水平估計方法大多基于噪聲的正態(tài)分布,不適用于復(fù)雜的噪聲。因此,在不損害有效信號的前提下抑制復(fù)雜噪聲是DAS地震數(shù)據(jù)處理中一個困難而緊迫的問題。

近年來,深度學(xué)習(xí)網(wǎng)絡(luò)被廣泛應(yīng)用于去噪領(lǐng)域[10]?，F(xiàn)有神經(jīng)網(wǎng)絡(luò),如K-SVD(K-means Singular Value Decomposition)[11]，ResDNN(Residual neural network Deep Neural Networks)[12]，SDCNN(Shallow Deep Convolutional Neural Network)[13]等網(wǎng)絡(luò),結(jié)構(gòu)復(fù)雜,計算代價較高,若完成深度神經(jīng)網(wǎng)絡(luò)的完整訓(xùn)練,可能需要幾周時間。與此同時,網(wǎng)絡(luò)隨著深度的提升,淺層的特征影響被弱化,也影響著恢復(fù)數(shù)據(jù)的準確性。而注意力引導(dǎo)去噪卷積神經(jīng)網(wǎng)絡(luò)(ADNet:Attention-guided Denoisingconvolutional neural Network)是基于擴展卷積稀疏機制的網(wǎng)絡(luò)[14]。為此,筆者在卷積神經(jīng)網(wǎng)絡(luò)中采用了此注意力引導(dǎo)機制,解決DAS勘探信號消噪問題,以期提高處理效率。

1 ADNet網(wǎng)絡(luò)框架及消噪原理

1.1 網(wǎng)絡(luò)結(jié)構(gòu)

該項目采用了基于注意力引導(dǎo)的深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)ADNet,用于解決DAS記錄復(fù)雜噪聲消減問題。網(wǎng)絡(luò)的整體結(jié)構(gòu)如圖1所示。

圖1 注意力引導(dǎo)的深度網(wǎng)絡(luò)整體結(jié)構(gòu)框架Fig.1 An overall structural framework for attention-guided deep Networks

該網(wǎng)絡(luò)是17層的神經(jīng)網(wǎng)絡(luò),包含12層稀疏模塊(SB:Sparse Block),4層特征增強模塊(FEB:Feature Enhancement Block),1層注意力模塊(AB:Attention Block)和重建塊(RB:Reconstruction Block)。SB,FEB和AB提取含噪記錄中的噪聲,RB將含噪記錄與提取的噪聲結(jié)合得到純凈記錄。

1.2 算法原理

稀疏旨在兼顧效率和性能。稀疏模塊(SB)由卷積和空洞卷積交替構(gòu)成,每層網(wǎng)絡(luò)都是由卷積核為3×3的卷積或空洞卷積、Batchnorm歸一化函數(shù)和Relu激活函數(shù)組成。采用部分卷積而不是均為空洞卷積減小了運算量,降低了成本。設(shè)IN為輸入的含噪記錄,其為單通道的灰度圖像,將上述提到的稀疏過程表征為fSB,OSB表示稀疏過程的輸出,則稀疏模塊為

OSB=fSB(IN)

(1)

特征增強模塊(FEB)包括3個卷積核為3×3、步長為1、邊距為1的卷積(其中加入歸一化函數(shù)和Relu激活函數(shù)的網(wǎng)絡(luò)層),以及一個卷積(其中加入Tanh激活函數(shù)的網(wǎng)絡(luò)層)。特征增強模塊充分利用圖像的整體和局部特點,與稀疏模塊相補充,增強了模型的表現(xiàn)力。隨著網(wǎng)絡(luò)深度的增加,網(wǎng)絡(luò)淺層對網(wǎng)絡(luò)深層的影響越來越弱,FEB可以挖掘更多的特征,增強特征的表現(xiàn)力。將OSB作為特征增強模塊的輸入,并與輸入的含噪記錄IN共同作用,得到增強后的特征OFEB,將上述提到的特征增強過程表征為fFEB,則其過程為

OFEB=fFEB(IN,OSB)

(2)

在噪聲來源復(fù)雜且難以預(yù)測的情況下,一些特征很容易被隱藏,現(xiàn)實中遇到的噪聲通常是多種來源并且充滿隨機性。由此該網(wǎng)絡(luò)加入了注意力模塊,僅含一個卷積核為1×1的卷積運算,將OFEB作為注意力模塊(AB)的輸入,輸出為單通道的含噪記錄中的噪聲部分IR。將注意力引導(dǎo)過程表征為fAB,其過程為

IR=fAB(OFEB)

(3)

重建模塊(RB)使用給定的含噪記錄IN與預(yù)測的噪聲IR計算出不含噪的純凈記錄,即

ILC=IN-IR

(4)

1.3 去噪過程

DAS信號的含噪模型為

Y=X+n

(5)

其中Y表示有效信號,X表示包含噪聲的樣本信號,n表示隨機噪聲。將上述提到的注意力去噪網(wǎng)絡(luò)記為ADNet(·),則網(wǎng)絡(luò)的去噪過程為

n=ADNet(Y;W;b)

(6)

(7)

其中ni表示第i個測量值。通過Adam算法對參數(shù),即權(quán)重和偏置,進行更新,不斷訓(xùn)練模型優(yōu)化網(wǎng)絡(luò)參數(shù),提高其特征學(xué)習(xí)能力。

2 實驗結(jié)果

2.1 實驗平臺與數(shù)據(jù)集

模型的訓(xùn)練過程在電腦上進行,配置包括英特爾酷睿i5-9400CPU,8 GByte的內(nèi)存和GeForce RTX 2060顯卡,用pytorch1.9.0,python3.6訓(xùn)練和測試ADNet網(wǎng)絡(luò),采用Nvidia CUDA(Compute Unified Device Architecture)和cuDNN進行GPU(Graphics Processing Unit)加速。

采用的訓(xùn)練數(shù)據(jù)集基于某種地層模型仿真生成的合成記錄,選用多種不同子波、不同波形、地層結(jié)構(gòu)條件下生成的合成DAS記錄,并加入實際的DAS噪聲獲得含噪數(shù)據(jù),將純凈記錄與相應(yīng)的含噪數(shù)據(jù)匹配成對,構(gòu)成一組訓(xùn)練數(shù)據(jù)對。通過分塊方式,整理構(gòu)建純凈信號數(shù)據(jù)樣本5 173份,含噪數(shù)據(jù)樣本5 173份。

2.2 網(wǎng)絡(luò)訓(xùn)練

首先將構(gòu)建的5 173份訓(xùn)練集樣本由mat格式轉(zhuǎn)換成適合pytorch運算的tensor變量,將其輸入ADNet網(wǎng)絡(luò)模型中,設(shè)置batchsize為16,學(xué)習(xí)速率為0.001,進行epoch為100的迭代訓(xùn)練。同時采用信噪比(SNR：Signal-Noise Ratio)作為衡量去噪效果的標準,其算式為

(8)

其中Ps表示信號的有效功率,Pn表示噪聲的有效功率。在訓(xùn)練將要結(jié)束時,損失函數(shù)和信噪比已經(jīng)趨于穩(wěn)定。隨著訓(xùn)練的進行,可觀察到損失函數(shù)值隨著輪數(shù)的增加明顯降低,最后趨于穩(wěn)定。訓(xùn)練過程耗時約2.6 h。

2.3 評價指標

在測試網(wǎng)絡(luò)模型處理含噪樣本能力時,可將訓(xùn)練得到的權(quán)重和偏置都較為合理的網(wǎng)絡(luò)模型用于測試未被訓(xùn)練的含噪記錄。將該含噪記錄樣本由mat格式轉(zhuǎn)為tensor變量,輸入已訓(xùn)練好的網(wǎng)絡(luò)。作為對比實驗,筆者還對采用經(jīng)典的小波閾值降噪方法進行測試,所得對比實驗結(jié)果如圖2所示。由圖2可見,經(jīng)測試輸出的去噪記錄和原始含噪記錄相比,該網(wǎng)絡(luò)消去噪聲的效果非常顯著,且與純凈信號數(shù)據(jù)差異很小。

圖2 DAS數(shù)據(jù)處理效果對比圖Fig.2 DAS data processing comparison

從圖2中采樣時間和地震道數(shù)的關(guān)系可以看出,小波處理的結(jié)果雖然能明顯淡化信號樣本附著的噪聲信息,但并不能完全去除樣本中蘊含的噪聲分量,仍有部分噪聲分量殘留在記錄中,而ADNet能處理這些噪聲,得到的輸出與純凈記錄差異很小。為更直觀地比對實驗結(jié)果,將圖2最上方的區(qū)域放大得到圖3,由圖3可以看出,ADNet網(wǎng)絡(luò)對此類噪聲的處理有效且更為徹底。

筆者同時對結(jié)果采用頻譜-波數(shù)圖(F-K：Frequency Wave-number)分析法,進行頻域分析(見圖4)。圖4給出了水平波數(shù)與頻率的關(guān)系,頻率的高低顯示了功率的含量。從該頻域分析結(jié)果可看出,噪聲信息多數(shù)承載特定閾值之上的高頻部分,傳統(tǒng)小波算法能對該部分高頻噪聲起到一定濾波作用。傳統(tǒng)的小波算法是基于對樣本的頻域變換,設(shè)置濾波邊界,去除高頻噪聲分量,保留低頻有用分量的算法[15]。其閾值的設(shè)置會影響去噪效果的表達,甚至可能導(dǎo)致信號分量失真,而且噪聲來源復(fù)雜多樣,小波算法有其局限性。而神經(jīng)網(wǎng)絡(luò)能不斷學(xué)習(xí)完善,基于注意力的神經(jīng)網(wǎng)絡(luò)能提取普遍的噪聲特征,本實驗中可見其應(yīng)對噪聲的表現(xiàn)力比較優(yōu)異。

DAS數(shù)據(jù)處理效果的指標對比如表1所示。小波閾值降噪方式在處理樣本噪聲方面效果并不完善。在信噪比方面,ADNet處理方式比含噪信號提高了9.325 dB,較小波變換處理方式高了6.235 9 dB；相應(yīng)地,其均方誤差也降低了一個數(shù)量級。此數(shù)據(jù)說明,ADNet去噪方式可以降低復(fù)雜度并提高信號去噪效率。

圖3 DAS數(shù)據(jù)處理效果放大圖Fig.3 Enlarged view of DAS dataprocessing effect

圖4 DAS數(shù)據(jù)處理效果頻譜圖Fig.4 Spectrum analysis of DAS data processing

表1 DAS數(shù)據(jù)處理效果對比數(shù)據(jù)Tab.1 DAS data processing effects on data

3 結(jié) 語

筆者采用基于注意力引導(dǎo)的深度卷積神經(jīng)網(wǎng)絡(luò),處理分布式聲傳感技術(shù)在井下勘探數(shù)據(jù)時含有噪聲干擾的問題。通過在網(wǎng)絡(luò)中引用注意力模塊,不僅改善了處理含噪樣本的效果,也減少了設(shè)備的計算量。若對該網(wǎng)絡(luò)模型結(jié)構(gòu)加以改善,使其更適用于處理高噪聲、弱信號的勘探樣本,則會減少訓(xùn)練時間,得到更好的消噪效果。