基于注意力机制的无监督学习地震数据随机和不规则噪声衰减方法

来源：石油科学通报杂志2024年第1期北京时间：

作者：杨柳青；王守东；杜宝强

单位：中国石油大学(北京)油气资源与探测国家重点实验室,北京 102249;中国石油大学(北京)海洋石油勘探国家工程实验室,北京 102249

摘要：地震勘探在野外采集到的地震数据受随机噪声和相干噪声的干扰而导致信噪比被降低,从而影响地震资料的后续处理,例如地震偏移和成像.因此,开发一种高效且自适应的方法来衰减地震数据中的随机与相干噪声是必要的.常规的监督学习算法需要人工生成大量标签来训练网络,这对于数据体量较小的地震勘探领域是十分困难的.此外,基于监督学习的噪声衰减方法在计算和人力成本上十分昂贵.为了解决该问题,本文构建了一种基于无监督学习策略的自适应深度学习框架来衰减多维地震数据中的随机和不规则(异常值)噪声.该方法采用编码和解码相对应的结构来压缩和重构数据特征.为了提高网络对重要波形特征的关注,本文采用软注意力机制以加权的方式给重要的波形特征分配更大的权重.本文采用小尺度地震数据分割技术将多维含噪数据分割为大量一维信号输入到网络进行迭代,从而自适应的衰减地震数据中的随机和异常值噪声.这种小尺度信号去噪方法可以有效地提升网络的噪声衰减表现,并有助于避免产生伪影.本文采用更具鲁棒性的Huber损失函数来衰减随机和异常值噪声,该损失函数结合了带有l2 范数的均方根误差和l1 范数的平均绝对误差损失.此外,在构建的网络中加入总变分(Total Variation,TV)正则化项来捕捉地震资料的局部光滑结构.通过实验调整Huber损失函数与TV正则化项的权重,使得网络获取最佳的去噪表现.本文构建的方法可直接用于多维地震数据的随机和异常值噪声衰减,并保证重构后地震信号的横向连续性.我们将提出的框架与经典的地震数据去噪方法和基于无监督学习的噪声衰减方法进行去噪对比来分析各方法的优劣.二维和三维合成数据与实际地震数据的测试结果表明本文提出的方法具有更好的噪声衰减和有效信号保护能力.

关键词：深度学习,无监督学习,注意力机制,随机噪声,相干噪声