一种地震数据信噪比提升方法

技术领域

本发明属于地震数据去噪技术领域，具体涉及一种地震数据信噪比提升方法。

背景技术

由于分布式声波传感技术本身的特点，以及光纤本身非常灵敏，容易受到干扰的特点，通过该技术采集到的地震数据往往伴随着较多的噪声，因此，地震数据的去噪环节是该技术面临的一个问题，是该技术进一步发展的一个重要瓶颈。

对于地震数据的传统的降噪方式多少都存在着一些问题：地震数据庞大，算法迭代次数多，复杂度较高；或是局部化分析差，去噪后使得有效信号畸变，从而破坏了地震信号原本的振幅特征，降低了信号保真度。而常规的基于机器学习的数据去噪方法，也都需要使用干净的数据作为目标数据进行网络训练，但是，由于DAS技术的特性问题，干净数据的获取本身就是非常困难的，因此，在实现及使用上也有一定的局限性。

发明内容

本发明的目的是为了解决现有去噪方法泛用性差，过程复杂的问题，提出了一种地震数据信噪比提升方法。

本发明的技术方案是：一种地震数据信噪比提升方法包括以下步骤：

S1：利用分布式光纤传感地震仪，对同一次地震信号，采集带有噪声的地震数据的多张数据记录；

S2：利用noise2noise去噪法或noise2void去噪法对神经网络进行训练；

S3：利用训练好的神经网络对多张数据记录进行去噪，完成地震数据信噪比提升。

本发明的有益效果是：

(1)本发明利用了多通道、多波长、多频或多码的光纤传感系统可以对同一个地震信号进行多次记录的优势，结合了noise2noise与noise2void去噪方法不需要干净信号，同时所需样本数据量少的优点，减少了对信号去噪时数据样本的要求，并且可以与传统的累加平均去噪方法相结合，实现了对地震数据的高效降噪。该方法不仅适用于地震数据的去噪，同时也适用于其他相同类型数据的去噪，且可以推广到分布式光纤测温和应变传感系统中提高传感数据信噪比。

(2)本发明在传统的基于神经网络的数据去噪方法基础上，改变了地震数据的采集方式，网络训练集的数据获取以及损失函数的选取，改进了原有的基于神经网络的去噪方法必须要提前获取干净数据作为训练目标的缺点，简化的去噪的步骤，使其泛用性进一步增强，使地震数据的去噪过程变得更加准确高效并且智能。使用noise2noise进行去噪的方法，实现的是确定的目标在不同噪声环境下的采集到的有噪声信号的去噪工作。使用noise2void进行的地震数据去噪，实现的是时刻变化的信号在不同噪声环境下的去噪工作。

进一步地，步骤S1中，采集带有噪声的地震数据的方法为：沿着光纤测井布设光缆，利用光缆接收地震信号；采用分布式光纤传感地震仪对地震信号进行地震数据采集，对于同一个地震信号，采集获得一组带有噪声的地震数据对。

进一步地，步骤S1中，对于每个地震信号进行地震数据采集的方法为：使用一台双通道光纤传感地震仪，对一根光缆中的两芯光纤同时进行采集；或使用双波长、双频或双码分布式光纤传感地震仪，向同一根光纤中注入两个波长、频率和编码的光，对每个波长进行采集，获取一对带有噪声的地震数据；或使用双编码分布式光纤传感地震仪，向同一根光纤中注入两个编码的光，对每个波长进行采集，获取一对带有噪声的地震数据。

进一步地，步骤S2中，若地震信号对应的地震数据对均有噪声，则对神经网络进行训练的方法为：利用其中一个地震数据(x

进一步地，步骤S3中，将对同一地震信号采集到的一对地震数据，其中一个作为输入数据，一个作为目标数据，使用noise2noise去噪法进行去噪处理，或分别对两个地震数据分别使用noise2void去噪法进行去噪处理，并对处理后的两个数据进行平均。

进一步地，步骤S3中，对于每个地震信号进行地震数据采集的方法为：使用多通道、多波长、多频或多码的分布式光纤传感地震仪，对同一个地震信号，同时采集n个地震数据，则将采集到的n个地震数据分为n/2个地震数据对，对每个地震数据对使用noise2noise去噪法进行去噪处理，将去噪后的数据进行平均；

对于通道较多的情况，将使用noise2noise去噪法处理后的n/2个数据对划分为n/4个数据对，进行n2n去噪处理后平均。

对于采集到的n个地震数据，分别使用noise2void去噪法进行去噪处理，再进行平均；

对于在同一个位置用相同方式进行激发的地震信号，其信号与噪声特征基本相同，则在一个位置n次激发地震信号，对每次激发的地震信号进行数据采集，并进行去噪，并将处理后得到的n个去噪的地震数据进行平均，得到最终去噪后的地震信号。

进一步地，步骤S2中，利用noise2void去噪法实现图像去噪，则对神经网络进行训练的方法为：从地震数据对中选取N维*N维的数据块作为训练神经网络的输入，利用中心数据领域内的随机数据替代中心数据，得到目标数据，利用目标数据对目标函数进行训练优化，完成地震数据去噪。

附图说明

图1为地震数据去噪方法的流程图。

具体实施方式

下面结合附图对本发明的实施例作进一步的说明。

在描述本发明的具体实施例之前，为使本发明的方案更加清楚完整，首先对本发明中出现的缩略语和关键术语定义进行说明：

noise2noise：该缩略语意为noise to noise，指在输入与输出都是有噪声的信号的情况下，对神经网络进行训练，简称noise2noise。来源于ICML2018的一篇论文，其由来自英伟达、阿尔托大学和MIT的研究者联合发表。

noise2void：该缩略语意为noise to void，指在只有一个有噪声的信号的情况下，对神经网络进行训练，简称noise2void。

如图1所示，本发明提供了一种地震数据信噪比提升方法，包括以下步骤：

S1：利用分布式光纤传感地震仪，对同一次地震信号，采集带有噪声的地震数据的多张数据记录；

S2：利用noise2noise去噪法或noise2void去噪法对神经网络进行训练；

S3：利用训练好的神经网络对多张数据记录进行去噪，完成地震数据信噪比提升。

在本发明实施例中，如图1所示，步骤S1中，采集带有噪声的地震数据的方法为：沿着光纤测井布设光缆，利用光缆接收地震信号；采用分布式光纤传感地震仪对地震信号进行地震数据采集，对于同一个地震信号，采集获得一组带有噪声的地震数据对。

在本发明实施例中，如图1所示，步骤S1中，对于每个地震信号进行地震数据采集的方法为：使用一台双通道光纤传感地震仪，对一根光缆中的两芯光纤同时进行采集；或使用双波长、双频或双码分布式光纤传感地震仪，向同一根光纤中注入两个波长、频率和编码的光，对每个波长进行采集，获取一对带有噪声的地震数据；或使用双编码分布式光纤传感地震仪，向同一根光纤中注入两个编码的光，对每个波长进行采集，获取一对带有噪声的地震数据。

在本发明实施例中，如图1所示，步骤S2中，若地震信号对应的地震数据对均有噪声，则对神经网络进行训练的方法为：利用其中一个地震数据(x

在本发明实施例中，如图1所示，步骤S3中，将对同一地震信号采集到的一对地震数据，其中一个作为输入数据，一个作为目标数据，使用noise2noise去噪法进行去噪处理，或分别对两个地震数据分别使用noise2void去噪法进行去噪处理，并对处理后的两个数据进行平均。

在本发明实施例中，如图1所示，步骤S3中，对于每个地震信号进行地震数据采集的方法为：使用多通道、多波长、多频或多码的分布式光纤传感地震仪，对同一个地震信号，同时采集n个地震数据，则将采集到的n个地震数据分为n/2个地震数据对，对每个地震数据对使用noise2noise去噪法进行去噪处理，将去噪后的数据进行平均；

对于通道较多的情况，将使用noise2noise去噪法处理后的n/2个数据对划分为n/4个数据对，进行n2n去噪处理后平均。

对于采集到的n个地震数据，分别使用noise2void去噪法进行去噪处理，再进行平均；

对于在同一个位置用相同方式进行激发的地震信号，其信号与噪声特征基本相同，则在一个位置n次激发地震信号，对每次激发的地震信号进行数据采集，并进行去噪，并将处理后得到的n个去噪的地震数据进行平均，得到最终去噪后的地震信号。

在本发明实施例中，如图1所示，步骤S3中，若地震数据对均有噪声，且损失函数的最优解在算术平均值处，则对神经网络的训练输出结果进行平均优化。

在本发明实施例中，如图1所示，步骤S2中，利用noise2void去噪法实现图像去噪，则对神经网络进行训练的方法为：从地震数据对中选取N维*N维的数据块作为训练神经网络的输入，利用中心数据领域内的随机数据替代中心数据，得到目标数据，利用目标数据对目标函数进行训练优化，完成地震数据去噪。

在本发明中，沿着光纤测井布设光缆，震源采用重锤敲击的方式产生地震波，激发源进行激发，光缆感受到地震信号，产生光信号，通过分布式光纤传感地震仪进行数据采集。对于每个地震信号，分布式光纤传感地震仪可以一次采集得到N道数据，直接获得一个二维的DAS地震数据，直接使用，不需要进行由一维到二维的处理。并且，通过分布式光纤传感地震仪多通道以及多波长的特性，可以直接获取成对的有噪声的地震数据。根据这个特点，可以不对噪声数据进行处理来获得干净的地震数据来作为深度学习的目标数据，而是将无干净数据的图像去噪方法noise2noise应用于地震数据的去噪中。

在本发明中，不需要通过复杂的数据处理过程来获得干净数据集来作为目标数据集，就可以实现对去噪网络的训练。在地震数据的获取步骤中采集到的数据集分为两部分，就是输出信号训练集与目标信号训练集。

对于在同一个位置进行多次激发的地震信号，其特征基本相同，因此，可以进行一次激发后进行去噪，然后在该位置进行多次激发，进行分别去噪后再做平均处理，得到去噪后的地震信号。

在本发明实施例中，如图1所示，步骤S3中，若地震信号对应的地震数据对均有噪声，利用noise2noise去噪法实现图像去噪，则对神经网络进行训练的方法为：利用其中一个地震数据(x

其中，argmin{·}表示目标函数达到最小值时对应变量的取值运算，

在本发明实施例中，如图1所示，步骤S3中，若地震数据对均有噪声，且损失函数的最优解在算术平均值处，则对神经网络的训练输出结果进行平均优化，其计算公式为：

其中，z表示无噪声数据，y表示输出数据，

在本发明中，对于一个有噪声的信号，其对应的无噪声的信号不只有一种可能性，由于用来训练损失函数的不同，神经网络的输出也是不同的，如果损失函数的最优解在算术平均值处，那么，神经网络输出的结果就是所有可能输出结果的算数平均值。此时，用只要y的均值是不变的，z的值也是不变的，所以，可以用一个噪声期望为0的y

当给定的训练集中数据无限多的情况下，该网络训练的结果，输出数据是理想的干净数据，在训练数据有限多的情况下，输出数据的期望值也是干净数据。随着训练数据量的增加，输出的结果也会更接近无噪声的数据。

以上是损失函数最优解在均值处取得时的情况，其他损失函数同理，损失函数的具体选取取决于想要消除的噪声本身的性质。一般的高斯白噪声时零均值的，这是损失函数最优质如果在平均值处取得，就会有更好的去噪效果。

在本发明实施例中，如图1所示，步骤S3中，在地震信号对应单一地震数据时，目标函数的表达式为：

其中，argmin{·}表示目标函数达到最小值时对应变量的取值运算，L(·)表示损失函数，f(·)表示网络函数，θ表示网络参数，x表示输入数据，y表示输出数据，i表示第一求和取值，j表示第二求和取值，i和j表示1，2，3……，

在本发明中，如果从二维数据中取N*N大小的数据作为输入，用该数据块的中心数据作为目标，对网络进行训练，网络将学习到直接将输入数据块的中心值输出。因此，在该方法的使用中，将每个输入数据块的中心数据，用邻域内的随机一个数据替代，有效的避免了网络学习到上面所说的恒等映射。而噪声信号为随机信号，没有相关性，地震信号有相关性的情况下，网络无法由邻域内的噪声恢复出中心位置的噪声信号，却可以由邻域内地震信号的相关性一定程度上恢复出中心位置的地震数据信号。由单独的有噪声的地震数据就可以得到输入和目标数据。从二维的地震数据提取N*N的数据块，并将数据块中心的数据用周围随机一个数据替代，作为输入数据。

在本发明实施例中，现场探测地震信号时，获取的地震数据都是有噪声的地震数据，为了对有噪声的数据进行噪声消减，有效压制噪声，针对不同类型的噪声，应当选取合适的损失函数，对损失函数进行优化。

高斯噪声属于比较常见的噪声，针对高斯噪声，由于常见的加性高斯白噪声的均值为0，所以选取损失函数：L(z,y)＝(z-y)

使用该函数作为损失函数对神经网络进行训练时，该函数的最优解在y的算术平均值处取得，对于该损失函数训练的神经网络，网络会学习到输出所有可能结果的算数平均值，由于高斯白噪声的均值为0，所以该神经网络输出结果的噪声理论上为0，因此得到干净的地震数据。当给定的训练集中数据无限多的情况下，该网络训练的结果，输出数据是理想的干净数据，在训练数据有限多的情况下，输出数据的期望也是干净的。随着训练数据量的增加，输出结果的误差也会更小。

本发明的工作原理及过程为：首先，利用分布式光纤传感地震仪采集一组带有噪声的地震数据对；重复采集，获取多组带有噪声的地震数据对，并作为训练神经网络的数据集；再利用多组带有噪声的地震数据对，对神经网络进行训练，完成地震数据去噪。同时，本发明的地震数据信噪比提升方法不止限于二维形式。

本发明的有益效果为：

(1)本发明利用了多通道、多波长、多频或多码的光纤传感系统可以对同一个地震信号进行多次记录的优势，结合了noise2noise与noise2void去噪方法不需要干净信号，同时所需样本数据量少的优点，减少了对信号去噪时数据样本的要求，并且可以与传统的累加平均去噪方法相结合，实现了对地震数据的高效降噪。该方法不仅适用于地震数据的去噪，同时也适用于其他相同类型数据的去噪，且可以推广到分布式光纤测温和应变传感系统中提高传感数据信噪比。

(2)本发明在传统的基于神经网络的数据去噪方法基础上，改变了地震数据的采集方式，网络训练集的数据获取以及损失函数的选取，改进了原有的基于神经网络的去噪方法必须要提前获取干净数据作为训练目标的缺点，简化的去噪的步骤，使其泛用性进一步增强，使地震数据的去噪过程变得更加准确高效并且智能。使用noise2noise进行去噪的方法，实现的是确定的目标在不同噪声环境下的采集到的有噪声信号的去噪工作。使用noise2void进行的地震数据去噪，实现的是时刻变化的信号在不同噪声环境下的去噪工作。

本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。