深度学习驱动的地震多次波模拟和自适应相减方法.pdfVIP

摘要

在石油勘探中，多次波压制是地震数据处理的重点和难点，先进行多次波模拟，

后将其自适应减去的预测相减法是工业中压制多次波的主要方法。传统的多次波模拟

方法虽能较为精确地将多次波模拟出来，但计算量较大、耗时较长。传统的多次波自

适应相减方法大多是基于线性回归的方法，该方法虽然计算效率较高，但容易造成残

余多次波或损伤一次波。已有的基于深度神经网络的多次波自适应相减方法相较于传

统方法虽能较好地压制多次波，但易产生过匹配现象，也会导致一次波损伤问题，且

在实际应用中，无法对大量只包含原始数据的非配对样本进行多次波压制。本文的主

要研究内容概括如下：

(1)为解决传统多次波模拟方法耗时较长、计算量较大的问题，提出了一种基于

U-Net的多次波模拟方法。所提方法凭借深度学习强大的学习映射能力以及基于硬件并

行计算的强大计算能力，仅需少量标签数据传统方法所得模拟多次波便能较为快速地()

实现多次波模拟，且所得模拟多次波在精度和准确性上与传统方法相近。在合成数据

上的处理结果表明，基于U-Net的多次波模拟方法在保证精度和准确性的同时，可明

显加快多次波模拟过程，大幅度提高了计算效率。

(2)为解决基于深度神经网络的多次波自适应相减方法易造成一次波损伤的问题，

提出了一种基于闭环网络的多次波自适应相减方法。将(1)中所提基于U-Net的多次波

模拟方法作为正向网络，基于U-Net的自适应相减网络作为反向网络，正向和反向网

络形成闭环。借助迁移学习的思想，先单独对两个单向网络进行训练，再将训练后的

两个网络权重加载到闭环网络中，进行闭环网络训练。合成数据的处理结果表明，在

正向网络的约束下，基于闭环网络的多次波自适应相减方法相比于单向网络，能够在

去除多次波的同时，更好地保护一次波。

(3)为了验证所提方法的实际应用效果，进行了实际数据的应用验证。利用少量原

始实际地震数据与对应的模拟多次波构成的配对样本以及大量只包含原始数据的非配

对样本，对(2)中所提闭环网络进行自监督训练，训练完成的闭环网络可将直接将一次

波从原始地震数据中分离出来。实际数据处理结果表明，所提方法可对大量只包含原

始地震数据的非配对样本以及配对样本进行多次波压制，泛化能力较高。

关键词：多次波模拟；多次波自适应相减；U-Net；闭环网络；非配对样本

Abstract

Inpetroleumexploration,multiplesuppressionisakeyanddifficultpointinseismic

dataprocessing.Thepredictionsubtractionmethod,whichfirstsimulatesmultiplesandthen

adaptivelysubtractsthem,isthemainmethodforsuppressingmultiplesinindustry.

Althoughtraditionalmultiplesimulationmethodscanaccuratelysimulatemultiples,they

requirealargeamountofcomputationandtakealongtime.Traditionaladaptivemultiple

subtractionmethodsaremostlybasedonlinearregression.Althoughthismethodhashigh

computationalefficiency,itispronetocausingresidualmultiplesordamagingprimaries.

Theexistingadaptivemultiplesubtractionmethodsbasedondeepneuralnetworkscan

effectivelysuppressmultiplescomparedtotraditionalmethods,buttheyarepronetoover

matchingandcanalsoleadtodamageprimaries.Moreove