点击数: 更新日期: 2022-07-07
论文题目：Unsupervised seismic data deblending based on the convolutional autoencoder regularization
录用期刊：Acta Geophysica（JCR，Q3）
原文DOI：10.1007/s11600-022-00772-0
作者列表
薛亚茹 中国石油大学（北京） 信息科学与工程学院
陈与瑶 中国石油大学（北京） 信息科学与工程学院 研20
江民慧 中国石油大学（北京） 信息科学与工程学院 研18
段含婷 中国石油大学（北京） 信息科学与工程学院 研19
牛立波 中国石油大学（北京） 信息科学与工程学院 研18
陈冲 中国石油大学（北京） 信息科学与工程学院
摘要:
多源地震数据采集技术能够以较低的采集成本获取高质量地震数据，但需要通过分离算法进行数据分离。基于有监督学习的神经网络模型因缺乏标签而应用受限，因此，本文提出一种基于采集系统的无监督训练机制。卷积自编码网络（CAE）预测的分离结果将再次转换回混叠域，通过对比重混叠数据与原始混叠数据间的差异优化网络参数。合成数据和实际数据实验均验证了本文所提出方法的可行性。
算法设计:
以双震源混叠数据为例，混叠数据可表示为：
利用卷积自编码网络预测的分离结果，然后通过混叠算子将分离结果重新混叠：
重混叠数据应与原始混叠数据保持一致，故可定义损失函数：
模型优化过程仅需原始混叠数据，无需单炮数据作为标签，实现了无监督训练。模型结构如图1所示。
图1 无监督模型架构
图2为卷积自编码网络结构。
图2 卷积自编码网络结构
卷积自编码网络可看作隐式正则化项，约束模型求解过程。
数值实验:
具有单炮标签的合成数据用于验证无监督机制的可行性。定义模型估计损失：
模型整体损失和估计损失绘于图3：
图3 损失函数曲线
两条曲线均逐步收敛至0，证明了模无监督机制的可行性。
图4展示了模型预测结果。经模型分离后，信噪比提升至32.3 dB，几乎压制了所有混叠噪声，残差中仅少部分信号损失。
图4 模型数据分离结果。
CRG实际数据实验中，将本文模型与SSA方法进行对比。两种方法分离结果如图5所示，(a)-(d)为本文模型结果，(e)-(h)为SSA算法结果。
图5 本文模型与SSA结果对比。
本文模型信噪比为14.5 dB，SSA结果为17.2 dB。本文方法信噪比虽略低于SSA，但局部相似性表明本文模型局部信号泄露更少。
图6 局部相似性。(a)(c)本文模型结果，(b)(d)SSA结果。
图7为COG浅混叠数据集实验结果，信噪比为13.3dB。
图7 COG浅混叠数据分离结果。
对于深混叠COG数据，分别进行了直接训练和迁移训练两种方式。实验证明，迁移训练能使网络具有更好的分离性能，但只有分布相同的数据才能完成迁移。
图8 COG深混叠数据分离结果。(b)(e)直接训练，(c)(f)迁移训练。
图9 迁移训练信噪比变化。
作者简介:
薛亚茹，博士生导师/硕士生导师。目前主要研究方向是数字信号处理、机器学习，尤其关注现代信号处理技术再地震资料处理中的应用，发表论文多篇。现为美国勘探地球物理家学会(SEG)和欧洲地球物理家与工程师学会(EAGE)会员。