基于MCA-FK的DAS数据中耦合噪声压制

中文题目：基于MCA-FK的DAS数据中耦合噪声压制

论文题目：DAS coupling noise suppression based on MCA-FK

录用期刊：Acta Geophysica（JCR Q3）

原文链接：https://link.springer.com/article/10.1007/s11600-023-01225-y

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/人工智能学院 电子系教师

2）朱虹多 中国石油大学（北京）信息科学与工程学院/人工智能学院 信息与通信工程 硕21

3）曹思远 中国石油大学(北京)地球物理学院 物探系教师

4）陈思远 中国石油大学(北京)地球物理学院 物探系博士

5）李嘉伟 中国石油大学（北京）信息科学与工程学院/人工智能学院 新一代电子信息技术 硕22

6）刘鸿玮 中国石油大学（北京）信息科学与工程学院/人工智能学院 新一代电子信息技术 硕22

摘要:

本文通过分析耦合噪声的形态特征来构建耦合噪声。利用耦合噪声和干净VSP数据的不同特征，分别构建对应字典，并提出了形态成分分析 (MCA) 算法来分离它们。MCA算法采用交替方向乘法（ADMM）求解目标函数。然而，该算法的性能在很大程度上依赖于阈值的系数选择，由于阈值选择不当，会导致去噪VSP数据中的噪声残留和有效信号衰减。因此，进一步使用频率-波数（FK）变换从分离的耦合噪声中提取VSP数据。所提出的MCA和FK变换（MCA-FK）算法被应用于现场数据，并取得了良好效果。

背景与动机:

近年来，分布式光纤声学传感器（DAS）技术被应用于高精度采集垂直地震剖面（VSP）数据，该技术具有高密度采集、低成本、安全和协调等优点。然而，井内分布式光纤采集的VSP数据中会产生并混入与弹簧特性类似的耦合噪声。耦合噪声的能量往往很强，导致有效的VSP数据被覆盖。所以从DAS数据中分离耦合噪声提取VSP数据具有重要意义。

设计与实现:

首先通过观察数据特点，根据耦合噪声以及有效信号的不同特点，提出MCA理论。通过生成适用于耦合噪声的字典A1和干净地震数据的字典A0，再引入增广拉格朗日(ALM)函数，进交替方向乘子法（ADMM）求解。该方案可以分离耦合噪声以及耦合噪声，同时去除随机噪声。但是，该算法对参数的要求较高，导致算法的不稳定性，提取耦合噪声的时候带走一部分有效信号。进而引入FK理论，将耦合噪声的有效信号夺取并返回于有效信号里面。该MCA-FK算法的流程图如下：

实验结果及分析:

对混合随机噪声和耦合噪声的VSP模型（图2a）分别使用 MCA 算法和 MCA-FK 算法处理。用 MCA 算法可以从噪声数据中分离出大部分耦合噪声（图2c）和随机噪声，但分离出的噪声中仍有一些残余信号，且分离出的信号中有缺失并存在一些噪声（图2b）。使用 MCA-FK 算法分离的信号和噪声如图2d和2e 所示。图 2f-h分别为图2a、2b和2d 中第31道的时频谱,对比图2f 可以看出，MCA 处理可以抑制耦合噪声，也可以抑制随机噪声，但损失了部分数据信息。图2h和2f的红色框中时频谱更接近，表明MCA-FK 算法能更有效地恢复信号。

原始DAS地震资料如图3a所示。通过 MCA 分离出的有效信号和耦合噪声分别如图 3b 和 3c 所示。可以看到，耦合噪声覆盖的原始信号有部分缺失，缺失部分出现在分离的耦合噪声中。由于耦合噪声呈现规则信号，而 FK 变换对这类信号有很强的抑制作用，因此可以通过 MCA-FK 算法提取耦合噪声中残留的 VSP 信号并重建有效信号（图 3d）。同时，耦合噪声和随机噪声（图 3e）也得到了更成功的抑制。图 3f-h分别为图3a、3b、3d 中第77道的时频谱, 比较可以看到，MCA抑制了耦合噪声，但同时损失了部分数据信息，而MCA-FK 能使耦合噪声得到较好抑制同时有效恢复了有效信号。

结论:

本文提出了基于MCA融合FK变换的DAS耦合噪声抑制算法。首先，通过有效信号和耦合噪声的不同特征，分别构建有效信号和耦合噪声的高维空间字典。其次，通过MCA算法将VSP数据分离为有效信号、耦合噪声和随机噪声，并通过ADMM求解目标函数（包括L1和 L2规范正则化）。最后使用FK变换提取分离出的耦合噪声中的残余有效信号。合成数据和现场数据表明该算法可以有效抑制耦合噪声和随机噪声。

作者简介:

徐彦凯，副教授

硕士生导师，从事信号处理以及地震资料处理工作。

联系方式： xuyk@cup.edu.cn