基于双通道卷积神经网络的地震随机噪声压制

论文题目：基于双通道卷积神经网络的地震随机噪声压制

录用期刊：石油地球物理勘探（EI中文期刊）

原文链接：html.rhhz.net/SYDQWLKT/2022-4-747.htm

作者列表：

1) 徐彦凯 中国石油大学(北京)信息科学与工程学院 电子系

2) 刘曾梅 中国石油大学(北京)信息科学与工程学院 电子系

3) 薛亚茹 中国石油大学(北京)信息科学与工程学院 电子系

4) 曹思远 中国石油大学(北京)地球物理学院 物探系

摘要:

地震资料中随机噪声的压制一直是人们关注的热点。传统方法难以平衡噪声的去除和有效信号的保护，且执行效率低。为此，提出了基于双通道卷积神经网络的随机噪声压制方法。首先，该网络是一个双通道网络，即由两个结构不同的子网络组成，目的是在压制噪声过程中提取到互补有效信息；其次，在下层网络中引入空洞卷积增大感受野，充分捕捉到地震资料中的邻域信息，从而更好的保留细节信息；最后，借鉴了残差学习的思想，提高了网络的降噪性能。模型以及实际资料的实验结果表明，本文方法在有效地在压制随机噪声的同时能够保留更多的纹理细节信息。

设计与实现:

地震资料中包含地质结构和反演岩层变换信息，而DNCNN等网络均采用单一的卷积核尺寸，不能充分有效地利用地震信号邻域信息，仅能够提取数据中有限的局部特征信息，容易造成边缘部分纹理细节的损失。针对这一问题，本文提出一种双通道卷积神经网络(SDC-CNN)压制地震资料中的随机噪声。该网络通过两个不同结构的子网络提取更丰富的特征，同时通过引入空洞卷积的方式，增大感受野，从而捕捉到更丰富的地震信号邻域信息，在去噪的同时不损伤的有效信息。该网络如图1所示。

图1 SDC-CNN网络结构

实验结果及分析:

合成数据处理

对于图2a所示的合成CMP道集，加入噪声强度为15dB的高斯随机噪声后如图2b所示。图3为F-X反褶积、Curvelet变换、U-Net方法、DnCNN方法、本文的下通道子网络和本文方法对图2b数据的噪声压制结果，图4为对应的残差剖面，可见深度学习方法的压制效果明显优于传统方法。