鐘鐵，王瑋鈺，王偉，董士琦*，盧紹平，董新桐

（1.現(xiàn)代電力系統(tǒng)仿真控制與綠色電能新技術(shù)教育部重點(diǎn)實(shí)驗(yàn)室，吉林吉林 132012；2.東北電力大學(xué)電氣工程學(xué)院，吉林吉林 132012；3.國(guó)網(wǎng)四川省電力公司資陽(yáng)供電公司，四川資陽(yáng) 641300；4.中國(guó)石油勘探開(kāi)發(fā)研究院西北分院，甘肅蘭州 730020；5.中山大學(xué)地球科學(xué)與工程學(xué)院，廣東廣州 510275；6.吉林大學(xué)儀器科學(xué)與電氣工程學(xué)院，吉林長(zhǎng)春 130026）

0 引言

分布式光纖聲學(xué)傳感(Distributed Optical Fiber Acoustic Sensing，DAS)是一種新型的地震資料采集技術(shù)，在VSP測(cè)量和微地震監(jiān)測(cè)領(lǐng)域具有潛在應(yīng)用前景[1]。區(qū)別于傳統(tǒng)采集技術(shù)，DAS 利用光纖中光散射信號(hào)的相位變化記錄地震波場(chǎng)引起的應(yīng)變信息，從而獲得地震數(shù)據(jù)[2]。相較于電子檢波器，DAS 具有采集密度高、成本低和抗電磁干擾能力強(qiáng)等優(yōu)勢(shì)[3]。但是，DAS 系統(tǒng)中微弱的光散射信號(hào)極易受到背景噪聲的污染，導(dǎo)致接收信號(hào)畸變，嚴(yán)重影響地震記錄質(zhì)量[4]。DAS記錄中的噪聲主要以儀器噪聲和采集噪聲為主，包括衰落噪聲、低頻噪聲、水平噪聲和隨機(jī)噪聲等，且表現(xiàn)出較為復(fù)雜的特性。如何有效壓制DAS 資料噪聲、提升記錄質(zhì)量，已成為地震資料處理領(lǐng)域研究熱點(diǎn)之一[5]。

針對(duì)隨機(jī)噪聲消減問(wèn)題，維納濾波[6]、帶通濾波、f-x反褶積[7]和中值濾波[8]等經(jīng)典方法主要利用有效信號(hào)和背景噪聲在物理特性或頻帶方面的差異實(shí)現(xiàn)信噪分離。但是上述方法通常是建立在一定先驗(yàn)假設(shè)基礎(chǔ)上的，當(dāng)實(shí)際噪聲與先驗(yàn)假設(shè)存在差異時(shí)，去噪效果差[9]。以S 變換[10]和時(shí)頻峰值濾波[11]為代表的時(shí)頻分析去噪方法利用信號(hào)和噪聲在時(shí)頻空間分布區(qū)域差異，結(jié)合合適的閾值函數(shù)，達(dá)到噪聲成分的抑制和有效信號(hào)的恢復(fù)。類似地，小波變換[12]、曲波變換[13]、Seislet變換[14]和Shearlet變換[15]等基于稀疏變換的方法同樣通過(guò)對(duì)含噪信號(hào)進(jìn)行稀疏分解，結(jié)合有效信號(hào)和噪聲的稀疏特征，選擇合適的閾值函數(shù)，重構(gòu)有效反射信息。但是，閾值函數(shù)的選取對(duì)于去噪效果影響極大，尤其是面對(duì)混疊噪聲時(shí)，很難確定最優(yōu)門(mén)限，無(wú)法有效重構(gòu)反射信息[16]。此外，經(jīng)驗(yàn)?zāi)B(tài)分解[17]和變分模態(tài)分解[18]等去噪方法可以將含噪信號(hào)分解為不同模態(tài)成分，結(jié)合信噪特征選擇信號(hào)主導(dǎo)模態(tài)，完成地震信號(hào)恢復(fù)。但是，面對(duì)模態(tài)混疊問(wèn)題[19]，如何有效平衡信號(hào)恢復(fù)和噪聲壓制能力是需要進(jìn)一步解決的關(guān)鍵問(wèn)題之一。此外，以低秩矩陣分解[20]、奇異譜分析[21]、穩(wěn)健主成分分析[5]和擴(kuò)散濾波[22]等為代表的去噪方法也逐漸應(yīng)用到實(shí)際地震數(shù)據(jù)去噪任務(wù)，但在處理性能方面仍有提升空間。上述方法雖然在傳統(tǒng)地震噪聲消減領(lǐng)域取得了效果，但是在面對(duì)低信噪比(Signal-to-Noise Ratio，SNR)、復(fù)雜地震資料時(shí)，去噪能力會(huì)明顯下降。同時(shí)，由于缺乏對(duì)DAS噪聲性質(zhì)的可靠認(rèn)知，目前僅有少量傳統(tǒng)方法可用于DAS資料處理，代表性方法包括加權(quán)平均疊加[23]、線性濾波[24]和二維帶通濾波[25]等，很難滿足地震勘探的工業(yè)需求。因此，有必要開(kāi)發(fā)智能消噪方法，持續(xù)提升DAS資料處理水平。

目前，基于深度學(xué)習(xí)的數(shù)據(jù)處理方法逐漸應(yīng)用于地震資料處理領(lǐng)域[26-29]。相較于傳統(tǒng)方法通過(guò)人工方式調(diào)節(jié)濾波參數(shù)，深度學(xué)習(xí)方法主要通過(guò)學(xué)習(xí)訓(xùn)練數(shù)據(jù)高維隱藏特征，自適應(yīng)獲得含噪數(shù)據(jù)和純凈記錄之間的非線性映射關(guān)系，實(shí)現(xiàn)智能去噪[30]。針對(duì)地震勘探資料去噪問(wèn)題，國(guó)內(nèi)外研究人員進(jìn)行了前期研究工作，前饋去噪卷積神經(jīng)網(wǎng)絡(luò)(Feed-forward Denoising Convolutional Neural Network,DnCNN)[31]和殘差網(wǎng)絡(luò)[32]等經(jīng)典網(wǎng)絡(luò)框架已經(jīng)取得了成功應(yīng)用。但是經(jīng)典網(wǎng)絡(luò)框架普遍結(jié)構(gòu)比較簡(jiǎn)單，缺乏必要的信息交互和多尺度特征提取能力，在面對(duì)復(fù)雜的DAS 噪聲時(shí)，無(wú)法有效恢復(fù)被強(qiáng)光學(xué)噪聲污染的弱上行反射信息[33]。后續(xù)提出的改進(jìn)方法大致可以分為以下三類：一是與經(jīng)典網(wǎng)絡(luò)結(jié)合、改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network，CNN)去噪框架[34]；二是自監(jiān)督學(xué)習(xí)方法[35]；三是基于生成對(duì)抗網(wǎng)絡(luò)(Generative Adversarial Network，GAN)的去噪策略[33]。除此之外，陸續(xù)也有新的CNN 去噪網(wǎng)絡(luò)框架被提出及應(yīng)用[36]，取得了較傳統(tǒng)網(wǎng)絡(luò)方法更優(yōu)的去噪結(jié)果。

上述人工智能方法無(wú)法充分利用DAS 數(shù)據(jù)跨尺度的內(nèi)在相關(guān)性，限制了對(duì)于精細(xì)特征的提取能力。本文提出了一種多尺度增強(qiáng)級(jí)聯(lián)殘差網(wǎng)絡(luò)(Multiscale Enhanced Cascade Residual Network，MECRN)，并將其應(yīng)用到實(shí)際DAS 資料處理。該網(wǎng)絡(luò)引入一種基于空洞卷積的多尺度特征融合方案，對(duì)地震數(shù)據(jù)的不同尺度特征進(jìn)行提取和組合，使得特征映射包含了原始數(shù)據(jù)更詳細(xì)的信息，增強(qiáng)了網(wǎng)絡(luò)對(duì)細(xì)節(jié)的恢復(fù)能力。另外結(jié)合淺層和深層特征的多尺度增強(qiáng)級(jí)聯(lián)網(wǎng)絡(luò)結(jié)構(gòu)，能夠促進(jìn)特征和梯度的傳播，避免了網(wǎng)絡(luò)加深導(dǎo)致的淺層特征丟失問(wèn)題。同時(shí)，MECRN 采用雙路徑的增強(qiáng)殘差結(jié)構(gòu)，從給定的含噪資料中提取淺層信息，并通過(guò)多尺度殘差塊組實(shí)現(xiàn)多尺度特征提取，結(jié)合跳躍連接方式避免淺層信息丟失。在此基礎(chǔ)上，通過(guò)殘差學(xué)習(xí)方式整合全局和局部特征，提高重構(gòu)特征的精度。合成數(shù)據(jù)和實(shí)際資料的去噪結(jié)果均表明，MECRN 在壓制DAS 復(fù)雜背景噪聲和恢復(fù)弱反射信號(hào)方面均取得了很好的效果。

1 MECRN 的網(wǎng)絡(luò)結(jié)構(gòu)和去噪原理

1.1 MECRN 的網(wǎng)絡(luò)結(jié)構(gòu)

本文提出的MECRN 基本結(jié)構(gòu)如圖1所示。MECRN 采用雙路徑的增強(qiáng)殘差結(jié)構(gòu)，分別通過(guò)級(jí)聯(lián)結(jié)構(gòu)和全局殘差路徑充分利用來(lái)自淺層的特征信息。其中級(jí)聯(lián)機(jī)制不僅促進(jìn)了特征和梯度的傳播，還簡(jiǎn)化了模型訓(xùn)練。全局殘差路徑直接從原始含噪數(shù)據(jù)中捕獲長(zhǎng)距離空間特征，利用淺層特征提高去噪性能。

圖1 MECRN 的網(wǎng)絡(luò)結(jié)構(gòu)

在MECRN 中，上層支路利用多尺度殘差塊組實(shí)現(xiàn)地震記錄特征的初步提取。多尺度殘差塊組由具有跳躍連接的多尺度特征提取塊級(jí)聯(lián)組成。堆疊多尺度特征提取塊并在塊間添加密集連接，保留了淺層特征的短期和長(zhǎng)期記憶。每個(gè)多尺度特征提取塊還包含四個(gè)空洞多尺度單元，結(jié)構(gòu)如圖2a所示?？斩炊喑叨葐卧欣昧丝斩淳矸e方式，結(jié)合具有不同擴(kuò)張率(d)的并行卷積提取多尺度特征信息，在不改變特征圖大小的同時(shí)擴(kuò)大感受野，有效控制參數(shù)數(shù)量和計(jì)算成本。空洞多尺度單元將前段輸入特征饋送到三個(gè)并行的空洞卷積中，以獲取不同尺度的輸出特征，進(jìn)而將得到的輸出特征一起發(fā)送到1×1卷積(Conv1×1)層，對(duì)不同尺度的特征進(jìn)行整體壓縮和融合，降低計(jì)算成本。在此基礎(chǔ)上，再經(jīng)過(guò)激活函數(shù)ReLU 作用和普通3×3卷積(Conv3×3)壓縮輸出維度后，通過(guò)殘差學(xué)習(xí)與并行卷積的輸入特征融合，以此避免隨網(wǎng)絡(luò)加深造成淺層信息的丟失。

圖2 空洞多尺度單元（a）和多尺度特征融合模塊（b）的網(wǎng)絡(luò)結(jié)構(gòu)

為了優(yōu)化具有不同尺度的卷積模塊中的稀疏局部特征，本文將多尺度特征融合模塊用于直接提取初級(jí)特征，其輸出通過(guò)長(zhǎng)跳躍連接與多尺度殘差塊組的輸出在重構(gòu)塊進(jìn)行全特征融合。重構(gòu)塊通過(guò)殘差學(xué)習(xí)和普通Conv3×3 將全局特征和局部特征結(jié)合起來(lái)，將低頻特征轉(zhuǎn)化為高頻特征，防止長(zhǎng)期依賴問(wèn)題。信息細(xì)化塊通過(guò)四個(gè)級(jí)聯(lián)的特征細(xì)化單元加一個(gè)卷積濾波器來(lái)細(xì)化特征，利用重構(gòu)塊提取的粗高頻特征，學(xué)習(xí)更精確的高頻特征，起到減小預(yù)測(cè)噪聲與真實(shí)噪聲之間差異的作用，并得到最終的去噪結(jié)果。

1.2 去噪原理

本文使用MECRN 壓制DAS 地震數(shù)據(jù)的背景噪聲。地震數(shù)據(jù)y可表示為有效信號(hào)x與噪聲n在時(shí)、空域的疊加，即

MECRN 的估計(jì)噪聲與輸入數(shù)據(jù)間的非線性映射關(guān)系可以表示為

式中：Θ={w，b}為網(wǎng)絡(luò)參數(shù)，其中w表示權(quán)重，b表示偏置；為噪聲估計(jì)，即網(wǎng)絡(luò)預(yù)測(cè)的噪聲。通過(guò)從含噪記錄中減去估計(jì)的噪聲即可獲得去噪后數(shù)據(jù)，即

利用損失函數(shù)對(duì)網(wǎng)絡(luò)參數(shù)進(jìn)行優(yōu)化訓(xùn)練。估計(jì)噪聲與真實(shí)噪聲之間的損失函數(shù)為

式中：K為訓(xùn)練數(shù)據(jù)塊數(shù)；‖·‖F(xiàn)表示Frobenius 范數(shù)。損失函數(shù)越小，估計(jì)的噪聲與真實(shí)噪聲越相似。網(wǎng)絡(luò)經(jīng)過(guò)訓(xùn)練后，其輸出噪聲無(wú)限接近于隨機(jī)噪聲n，故無(wú)限接近于有效信號(hào)x。

2 網(wǎng)絡(luò)訓(xùn)練及參數(shù)選取

2.1 訓(xùn)練集的構(gòu)建

豐富且高質(zhì)量的訓(xùn)練集可以增強(qiáng)有監(jiān)督網(wǎng)絡(luò)的學(xué)習(xí)能力，也可以提高數(shù)據(jù)處理的質(zhì)量[37]，訓(xùn)練集的真實(shí)性和完備性對(duì)網(wǎng)絡(luò)的學(xué)習(xí)能力和去噪性能都有很大的影響。本文利用正演數(shù)據(jù)和實(shí)際勘探數(shù)據(jù)構(gòu)建包含正演信號(hào)和實(shí)際噪聲的高保真訓(xùn)練集。

近年來(lái)腦卒中的發(fā)病率逐漸提升，對(duì)人們生活質(zhì)量乃至于生命健康都會(huì)造成影響。雖然當(dāng)前在診療技術(shù)方面已經(jīng)得到了良好的發(fā)展，但是，很多患者在治療之后還會(huì)存在肢體功能方面的問(wèn)題，不能保證診療與護(hù)理效果。因此，需要探索最佳的護(hù)理措施[5]。

為保證正演數(shù)據(jù)的合理性，對(duì)實(shí)際DAS-VSP 地震記錄進(jìn)行分析，構(gòu)建二維地層模型(圖3a)。使用主頻(15～120 Hz)變化的Ricker子波作為震源，利用彈性波方程模擬波場(chǎng)信息，獲得用于構(gòu)建信號(hào)訓(xùn)練集的模擬正演記錄(圖3b)。為保證訓(xùn)練數(shù)據(jù)的泛化性，共模擬了200 張不同地層結(jié)構(gòu)下由不同主頻激發(fā)得到的VSP 記錄，利用64×64 的滑動(dòng)窗截取模擬記錄，共獲得20000個(gè)信號(hào)片，構(gòu)建了有效信號(hào)訓(xùn)練集。

圖3 地層模型（a）及其合成記錄（b）

為了準(zhǔn)確地估計(jì)DAS 噪聲、實(shí)現(xiàn)有效的噪聲信號(hào)分離，有必要構(gòu)造盡可能豐富的DAS 噪聲集訓(xùn)練MECRN。DAS 噪聲集主要是從無(wú)震源條件下獲得的實(shí)際DAS-VSP 噪聲數(shù)據(jù)中提取。圖4為DAS噪聲記錄，包含的五種典型DAS噪聲，包括隨機(jī)噪聲、水平噪聲、衰落噪聲、低頻噪聲和相干噪聲。隨機(jī)噪聲是DAS數(shù)據(jù)中最常見(jiàn)的噪聲，屬于常規(guī)井下環(huán)境噪聲干擾，可由機(jī)器運(yùn)轉(zhuǎn)、地下隨機(jī)振動(dòng)、電流干擾等原因產(chǎn)生。該類型噪聲往往頻帶較寬、能量較強(qiáng)，在數(shù)據(jù)中分布較為均勻。水平噪聲是由光學(xué)測(cè)量中耦合振動(dòng)引起，大多由電子元件的潛在泄漏所產(chǎn)生，呈水平狀分布，且頻率較低。衰落噪聲主要是由采集系統(tǒng)中后向散射光的破壞性干擾引起，包括干擾衰落和偏振衰落，通常表現(xiàn)為具有較高振幅的長(zhǎng)周期噪聲序列。低頻噪聲是由采集系統(tǒng)本身的硬件原因所致，該噪聲主頻相對(duì)較低、能量極強(qiáng)，在數(shù)據(jù)中表現(xiàn)為較大面積的黑色或白色區(qū)域，對(duì)DAS-VSP 數(shù)據(jù)影響較大，尤其影響信號(hào)細(xì)節(jié)特征的恢復(fù)。相干噪聲主要是因光纖與井壁耦合不好，在記錄過(guò)程中由規(guī)則機(jī)械振動(dòng)產(chǎn)生。與DAS 信號(hào)集構(gòu)建類似，利用64×64 的滑動(dòng)窗函數(shù)截取獲得38625 個(gè)64×64 的DAS 噪聲片，經(jīng)幅值歸一化后得到DAS 噪聲訓(xùn)練集。圖5 為典型信號(hào)片和噪聲片。在此基礎(chǔ)上，為保證MECRN 的泛化能力，本文隨機(jī)選擇信號(hào)片和噪聲片進(jìn)行組合。將噪聲片能量進(jìn)行縮放后與信號(hào)片進(jìn)行疊加，得到SNR 隨機(jī)分布在[-10 dB，0]范圍內(nèi)的含噪數(shù)據(jù)片，并與有效信號(hào)訓(xùn)練數(shù)據(jù)一起作為MECRN 網(wǎng)絡(luò)的輸入，共同完成網(wǎng)絡(luò)的訓(xùn)練。

圖4 DAS-VSP 資料噪聲記錄

圖5 典型訓(xùn)練數(shù)據(jù)

2.2 實(shí)驗(yàn)環(huán)境及訓(xùn)練策略

本文使用軟件平臺(tái)為Matlab2017b，為滿足網(wǎng)絡(luò)訓(xùn)練需求，利用NVidia GeForce GTX 2026、CPU(Intel(R)Core(TM)i5-9400f 和16-GB RAM 組成硬件實(shí)驗(yàn)環(huán)境。在訓(xùn)練過(guò)程中，基于實(shí)驗(yàn)環(huán)境硬件條件，使用Adam 優(yōu)化器實(shí)現(xiàn)網(wǎng)絡(luò)參數(shù)優(yōu)化。另外，網(wǎng)絡(luò)的初始學(xué)習(xí)率設(shè)置為1×10－3，隨著迭代次數(shù)的增加逐漸降到1×10－5；批標(biāo)準(zhǔn)化大小設(shè)置為64。為了方便訓(xùn)練，對(duì)訓(xùn)練數(shù)據(jù)進(jìn)行了歸一化處理，訓(xùn)練周期設(shè)置為60。經(jīng)過(guò)60 個(gè)訓(xùn)練周期，損失函數(shù)也趨于穩(wěn)定，選取性能最優(yōu)模型用于處理模擬數(shù)據(jù)和實(shí)際DAS 記錄。

3 模擬數(shù)據(jù)處理結(jié)果分析

為了驗(yàn)證MECRN 網(wǎng)絡(luò)的去噪性能，首先對(duì)模擬含噪DAS 記錄進(jìn)行處理。對(duì)圖3b的模擬地震記錄添加實(shí)際DAS 噪聲(圖6a)，其中包括衰落噪聲、水平噪聲和時(shí)變光學(xué)噪聲，獲得SNR 為-4 dB 的含噪記錄(圖6b)。由于強(qiáng)噪聲的存在，反射信號(hào)被嚴(yán)重污染，特別是深層弱反射信息極難辨識(shí)(紅色箭頭所示)。

圖6 實(shí)際DAS 噪聲（a）及合成的含噪記錄（b）

3.1 對(duì)比方法及參數(shù)設(shè)置

為了準(zhǔn)確反映MECRN 網(wǎng)絡(luò)的去噪性能，本文選用小波變換、帶通濾波和DnCNN 作為對(duì)比方法，對(duì)圖6b所示模擬含噪DAS 數(shù)據(jù)進(jìn)行處理，并對(duì)處理結(jié)果進(jìn)行定性和定量分析。選擇db4小波作為小波變換基函數(shù)，分解層數(shù)為15 層，通過(guò)軟閾值法實(shí)現(xiàn)噪聲衰減。帶通濾波頻率范圍設(shè)置為20～70 Hz，以實(shí)現(xiàn)信號(hào)的有效保留。DnCNN 為20 層網(wǎng)絡(luò)結(jié)構(gòu)，網(wǎng)絡(luò)參數(shù)與參考文獻(xiàn)[38]中一致。為保證去噪結(jié)果的客觀性，DnCNN 與MECRN 使用相同的訓(xùn)練集和實(shí)驗(yàn)環(huán)境。

3.2 去噪結(jié)果比較

利用MECRN 和對(duì)比方法對(duì)模擬含噪DAS 記錄進(jìn)行處理，去噪結(jié)果和濾除的噪聲如圖7所示。小波變換法不能準(zhǔn)確恢復(fù)出有效信號(hào)，對(duì)噪聲壓制效果不明顯，只有部分高頻噪聲被濾掉(圖7a)。雖然帶通濾波在一定程度上恢復(fù)了有效信號(hào)，但無(wú)法有效抑制同頻噪聲且有效信號(hào)失真(圖7b)。此外，這兩種傳統(tǒng)方法的濾除噪聲中，具有明顯信號(hào)成分殘留。DnCNN和MECRN 法對(duì)DAS噪聲壓制效果明顯，恢復(fù)的有效反射同相軸清晰、連續(xù)，濾除的噪聲同實(shí)際DAS 噪聲表現(xiàn)出相近的特征(圖7c、圖7d)。但是，DnCNN 在壓制DAS 噪聲的同時(shí)，對(duì)有效信號(hào)有損傷，去噪結(jié)果中仍有少量噪聲殘留(圖7c)；MECRN 表現(xiàn)出更強(qiáng)的去噪能力，恢復(fù)的同相軸更連續(xù)，去噪結(jié)果中無(wú)明顯噪聲殘留(圖7d)。

圖7 四種方法的去噪結(jié)果（上）及濾除的噪聲（下）對(duì)比

合成含噪數(shù)據(jù)與四種方法去噪結(jié)果的局部放大對(duì)比如圖8所示。時(shí)變光學(xué)噪聲導(dǎo)致反射同相軸受到嚴(yán)重污染(圖8a)；小波變換法不能抑制強(qiáng)噪聲干擾(圖8b)；帶通濾波雖然可以恢復(fù)同相軸信息，但噪聲殘留明顯(圖8c)；相較而言，DnCNN 雖然可以有效抑制噪聲，但是恢復(fù)的同相軸信息有明顯缺失(圖8d)；MECRN 恢復(fù)的弱信號(hào)在連續(xù)性和清晰度方面都明顯優(yōu)于其他三種方法，并且噪聲衰減更徹底(圖8e)。

圖8 四種方法的去噪結(jié)果局部放大對(duì)比

合成純凈記錄及疊加噪聲與四種方法去噪結(jié)果及去除的噪聲的F-K譜的對(duì)比如圖9所示。首先，純凈信號(hào)和實(shí)際DAS背景噪聲在頻域存在明顯混疊，消減難度較大(圖9a)。其次，如圖9b和圖9c所示，小波變換和帶通濾波法不能有效去除混疊的DAS實(shí)際噪聲，前者僅能濾除部分高頻干擾，后者不能抑制通帶內(nèi)的噪聲成分。相比來(lái)說(shuō)，DnCNN和MECRN法可以有效實(shí)現(xiàn)混疊噪聲的濾除，但是DnCNN 結(jié)果中有明顯噪聲殘留，MECRN恢復(fù)的信號(hào)同純凈信號(hào)最為接近(圖9d、圖9e)，這也充分驗(yàn)證了MECRN法的有效性。

圖9 四種方法去噪結(jié)果（上）及濾除噪聲（下）的F-K 譜對(duì)比

3.3 去噪結(jié)果定量比較

本文主要利用SNR和均方根誤差(RMSE)對(duì)不同方法去噪結(jié)果進(jìn)行量化分析。SNR 用于表征噪聲衰減能力，而RMSE 側(cè)重于反映信號(hào)保持能力。SNR 和RMSE定義為

式中：x為純凈信號(hào)；表示處理結(jié)果；M和N分別為道數(shù)和每道樣點(diǎn)數(shù)。

應(yīng)用四種方法對(duì)不同SNR的含噪記錄進(jìn)行處理，去噪結(jié)果的SNR 和RMSE 統(tǒng)計(jì)如表1所示。以去噪前SNR 為-2 dB 的數(shù)據(jù)為例，MECRN 法處理結(jié)果的SNR 為20.97 dB，提升了約22 dB；DnCNN 法處理結(jié)果的SNR為15.04 dB，提升約17 dB，表明MECRN 法可以在提升弱反射信號(hào)的同時(shí)有效壓制復(fù)雜DAS 背景噪聲，且去噪能力更強(qiáng)。

表1 不同SNR 數(shù)據(jù)四種方法去噪結(jié)果的SNR 和RMSE 統(tǒng)計(jì)

4 實(shí)際DAS 資料處理結(jié)果分析

A 井實(shí)際DAS-VSP 記錄(圖10)采集于中國(guó)東北地區(qū)，共由1372 道記錄組成，采樣頻率為2500 Hz。記錄中噪聲類型多樣且性質(zhì)復(fù)雜，如衰落噪聲(黃色箭頭所示)、水平噪聲(紅色箭頭所示)、時(shí)變光學(xué)噪聲(綠色箭頭所示)和耦合噪聲(藍(lán)色箭頭所示)，嚴(yán)重影響了有效信息的提取。分別應(yīng)用小波變換、帶通濾波、DnCNN 和MECRN 法對(duì)實(shí)際DAS 記錄進(jìn)行處理，結(jié)果如圖11所示。小波變換、帶通濾波選取與合成記錄處理時(shí)相同的濾波參數(shù)。由于無(wú)法利用實(shí)際記錄構(gòu)建信號(hào)訓(xùn)練集，DnCNN 和MECRN 則使用最優(yōu)合成記錄處理模型。

圖10 A 井實(shí)際DAS-VSP 記錄

圖11 A 井實(shí)際DAS-VSP 數(shù)據(jù)四種方法去噪結(jié)果（上）及去除的噪聲（下）對(duì)比

小波變換法無(wú)法有效抑制DAS-VSP記錄中的復(fù)雜噪聲，去噪記錄的反射信息并未得到有效恢復(fù)(圖11a)。帶通濾波法雖然表現(xiàn)出一定的噪聲消減能力，但去噪結(jié)果中仍然殘留部分噪聲，信號(hào)表現(xiàn)出過(guò)度平滑的特征，頻率成分出現(xiàn)變化(圖11b)。由圖11c 和圖11d 可以發(fā)現(xiàn)：深度學(xué)習(xí)方法可以取得較傳統(tǒng)方法更好的處理結(jié)果，與合成記錄處理結(jié)果可相互驗(yàn)證；DnCNN 對(duì)于衰落噪聲抑制能力較弱，去噪結(jié)果中存在大量衰落噪聲殘留(紅色箭頭所示)；MECRN 可以更有效地抑制時(shí)變光學(xué)噪聲，準(zhǔn)確地恢復(fù)受噪聲污染的弱反射信息(綠色方框所示)。

A 井原始DAS-VSP 記錄及四種方法去噪結(jié)果的局部放大對(duì)比如圖12所示，可以看到：小波變換法處理之后，有效信號(hào)依然被強(qiáng)時(shí)變光學(xué)噪聲掩蓋(圖12b)；帶通濾波無(wú)法有效抑制同頻噪聲且恢復(fù)的有效信號(hào)存在頻帶展寬現(xiàn)象(圖12c)；DnCNN 法整體上對(duì)噪聲壓制效果良好，但針對(duì)光學(xué)噪聲污染的弱同相軸信息恢復(fù)不佳，且在處理結(jié)果中還殘留有部分光學(xué)噪聲(圖12d)；MECRN 法處理結(jié)果中噪聲得到了更徹底的壓制，恢復(fù)的有效信號(hào)更加光滑、連續(xù)，同時(shí)還可重構(gòu)出其他傳統(tǒng)方法無(wú)法恢復(fù)的弱反射信息(圖12e)。

圖12 A 井實(shí)際DAS-VSP 數(shù)據(jù)與四種方法去噪結(jié)果的局部放大對(duì)比

為驗(yàn)證模型的泛化能力，對(duì)不同工區(qū)B井的DASVSP 數(shù)據(jù)(圖13)進(jìn)行處理，結(jié)果如圖14所示。小波變換未能恢復(fù)隱藏在時(shí)變光學(xué)噪聲中的反射同相軸信息(圖14a)；同樣，帶通濾波的去噪能力表現(xiàn)出一定的局限性，無(wú)法重構(gòu)弱反射信號(hào)(圖14b)。盡管DnCNN可以提供更好的去噪性能，但仍然可以直觀地觀察到殘余噪聲(圖14c)。相較而言，MECRN 表現(xiàn)出了較好的去噪效果，在微弱信號(hào)恢復(fù)方面明顯優(yōu)于其他方法，恢復(fù)的同相軸更清晰、更連續(xù)(圖14d)。

圖13 B 井實(shí)際DAS-VSP 記錄

圖14 B 井實(shí)際DAS-VSP 數(shù)據(jù)四種方法去噪結(jié)果（上）及去除的噪聲（下）對(duì)比

實(shí)驗(yàn)結(jié)果表明，在MECRN 處理低SNR 實(shí)際DAS 記錄時(shí)，仍然能夠獲得高精度的處理結(jié)果，擁有較強(qiáng)的去噪能力，驗(yàn)證了本文網(wǎng)絡(luò)在去噪性能和信號(hào)恢復(fù)能力方面的優(yōu)勢(shì)，能滿足DAS-VSP 數(shù)據(jù)處理的要求。

5 結(jié)論

針對(duì)實(shí)際DAS-VSP 記錄SNR 低、噪聲種類復(fù)雜且污染嚴(yán)重的問(wèn)題，本文提出了一種基于多尺度的增強(qiáng)級(jí)聯(lián)殘差網(wǎng)絡(luò)(MECRN)壓制DAS地震數(shù)據(jù)中的背景噪聲。MECRN 采用雙路徑的增強(qiáng)殘差結(jié)構(gòu)，通過(guò)兩種路徑同時(shí)從給定的噪聲圖像中提取淺層信息，融合不同路徑預(yù)測(cè)結(jié)果。此外，引入空洞卷積和多尺度模塊提取不同尺度和級(jí)別的特征，并通過(guò)跳躍連接將淺層特征融入后續(xù)相鄰塊組，整合前期模塊獲取的特征，避免了淺層信息丟失。最后通過(guò)殘差學(xué)習(xí)整合全局和局部特征，并對(duì)重建的特征細(xì)化，重構(gòu)出高質(zhì)量VSP數(shù)據(jù)。

為了證明網(wǎng)絡(luò)的有效性，利用MECRN 對(duì)合成含噪數(shù)據(jù)和實(shí)際DAS記錄進(jìn)行處理，并與傳統(tǒng)方法和其他深度學(xué)習(xí)方法進(jìn)行對(duì)比，結(jié)果表明MECRN 可以有效抑制復(fù)雜DAS數(shù)據(jù)的背景噪聲，恢復(fù)受噪聲污染的弱反射信息，SNR 提升超過(guò)了22 dB。因此，MECRN在DAS資料處理領(lǐng)域具有一定的應(yīng)用前景，也可為后續(xù)高效消噪網(wǎng)絡(luò)設(shè)計(jì)提供必要參考。