基于多尺度卷積自編碼器的地震噪聲智能壓制方法及應用

謝 晨,徐天吉,2,錢忠平,沈 杰,劉 勝,唐建明,文雪康

(1.電子科技大學資源與環境學院,四川成都611731;2.電子科技大學長三角研究院(湖州),浙江湖州313000;3.油氣勘探計算機軟件國家工程研究中心,東方地球物理公司,北京100088;4.中石化西南油氣分公司勘探開發研究院,四川成都610041;5.中石化石油工程地球物理有限公司南方分公司,四川成都610041;6.中國石化西南油氣分公司,四川成都610041;7.中國石化西南油氣分公司工程監督中心,四川德陽618000)

地震勘探中,受地質、地理、人文等因素的影響,地震數據采集將面對復雜的噪聲干擾,對后續的地震數據精確成像及地震資料的沉積、構造、斷層、儲層等地質解釋工作必然產生不利影響[1]。因此,有效地壓制各種噪聲干擾、提高地震數據的信噪比具有重要的現實意義。

地震數據采集時會受到隨機、相干、單頻、強能量等多種類型噪聲的污染,且各類噪聲均具有其獨特的特征。例如,隨機噪聲沒有固定波形特征,無規律可循;而相干噪聲大多具有一定的運動學特點,波形隨時間變化存在一定的規律性。目前,針對地震噪聲的壓制方法可以歸納為兩類,即基于變換域特征的傳統去噪方法和基于深度學習的智能去噪方法[2]。其中,傳統去噪方法主要根據噪聲與有效波在變換域中的動力學、運動學、幾何學的差異,有針對性地設計濾波器壓制噪聲數據[3]。例如,在頻率域中針對低頻、高頻或者具有固定頻率的噪聲進行濾波去噪;在波數域中的f-k濾波,多應用于面波的壓制[4];時空域中的中值濾波對于相干線性噪聲具有較好的去噪效果。由環境導致的隨機噪聲與相干噪聲不同,不具有特定的運動學特征,同時也分布于各個頻段,其隨機性和多樣性為去噪工作增加了難度。傳統壓制隨機噪聲的方法包括f-x域預測濾波、相干加強技術等,前者對地震剖面上的線性同相軸進行預測,使得噪聲和有效信號得以分離[5];后者利用地震同相軸的相干性來壓制隨機噪聲[6]。傳統噪聲壓制方法大多根據噪聲所具有的特性進行壓制,不同的信號需要不同的流程、參數和方法類型,泛化性較弱;去噪效果也在一定程度上受到參數選擇和處理人員經驗的影響,主觀性較強。因此,探索更簡捷、更有效的噪聲壓制方法是地震勘探領域長期的研究熱點。

隨著人工智能技術的快速發展,深度學習在地震噪聲壓制方面的優勢正在被深度挖掘和廣泛應用。究其原因,深度神經網絡模型擁有強大的特征學習能力,能夠在較短的計算時間內擬合出目標信息的抽象特征,實現目標特征精確提取[7],因此,深度學習方法相較于前述傳統方法在噪聲壓制中不需要考慮噪聲類型,只需通過大量的樣本訓練網絡,使其學到相應的有效信號特征,即可實現對隨機、相干等多種噪聲的智能壓制。同時,由于基于深度學習的噪聲智能壓制方法具有不需要考慮噪聲的類型和復雜性且泛化能力較強等顯著優勢,已經在地震數據去噪領域取得了大量的研究成果。王鈺清等[8]提出一種基于數據增廣和卷積神經網絡的U型網絡(U-Net)壓制地震資料中隨機噪聲的方法;韓衛雪等[9]提出基于卷積神經網絡的地震數據隨機噪聲去除算法,該算法利用CNN通過殘差學習實現了疊前/疊后地震數據去噪,更好地壓制了隨機噪聲。目前,雖然大量深度神經網絡模型已經應用于地震數據去噪領域,但是網絡結構的選擇對去噪效果存在一定的影響。高好天等[10]對比了DnCNN、U-Net和曲波變換對地震隨機噪聲的壓制效果,表明DnCNN相對于曲波變換方法能夠更好地去除隨機噪聲,并保護有效信號;同時,U-Net比DnCNN更能夠在地震隨機噪聲壓制中取得良好的效果。雷景生等[11]提出一種基于Inception模塊的卷積自編碼器圖像去噪算法,該算法的去噪結果表明,InceptionV4卷積結構能夠增強網絡提取特征的能力。本文將該卷積結構引入地震噪聲壓制領域,以提高網絡從地震數據中提取噪聲特征的能力,并獲得信噪比更高的地震數據。

總之,基于深度學習的地震噪聲智能壓制方法能夠有效地從大數據中挖掘出豐富的抽象特征表達,從而達到高質量的去噪效果。然而,目前大多數智能去噪方法采用了基于數據驅動的監督學習型算法,在訓練神經網絡時需要大量無噪聲的地震數據作為標簽數據進行訓練,存在難以獲取實際無噪聲數據、去噪效果嚴重依賴無噪數據的弊端。因此,探索針對小樣本地震數據噪聲壓制的深度學習算法,不僅需要克服傳統去噪方法的局限性和監督學習算法依賴大量樣本數據的弊端,而且在提升地震數據質量、減少處理環節、縮短處理周期、節約人工成本等方面具有重要意義。

為此,針對地震噪聲壓制問題和傳統去噪方法的不足,本文基于多尺度卷積自編碼器開展地震噪聲智能壓制方法研究,旨在高效、高質量地壓制地震數據中隨機、相干等噪聲。同時,為了解決實際無噪聲訓練數據稀缺的問題,重點從神經網絡模型和訓練策略兩方面實施針對性的設計,擬融合InceptionV4的卷積結構以增強神經網絡提取特征的能力,并引入注意力機制,使得神經網絡將有限的學習能力分配到有效特征的學習上,以充分利用少量的無噪聲數據。此外,在訓練策略上擬采用遷移學習的方法,將利用正演地震數據訓練得到的神經網絡模型應用到實際地震數據去噪問題上,以降低訓練成本并有效利用少量的無噪聲樣本,探索適合壓制實際地震數據噪聲的智能方法。

1 方法原理

采用深度學習智能方法壓制地震噪聲的效果受多方面因素影響,如神經網絡結構、訓練策略等。針對上述因素,首先從神經網絡結構方面著手,搭建基于InceptionV4和注意力機制的卷積自編碼器,利用其較強的特征提取和表達能力有效壓制噪聲;其次在訓練策略層面,采用遷移學習的方式,僅利用少量無噪聲實際地震數據使神經網絡從正演模擬數據噪聲壓制過渡到實際地震數據噪聲壓制,并在實際地震數據應用中保持良好的壓制效果。

1.1 自編碼器

自編碼器是一種常用于地震噪聲壓制的深度學習神經網絡模型,以此為基礎結構衍生出了大量性能優異的神經網絡模型,并將其廣泛應用于地震噪聲壓制領域。該神經網絡由對稱的編碼階段和解碼階段構成,且具有重構過程簡單、可堆疊多層等優點。傳統自編碼器的原理是在輸出層得到重構的輸入數據,使得重構數據盡可能地接近輸入數據[12],具體結構如圖1所示。其中編碼器主要負責提取輸入數據的重要特征表達,而解碼器則需要利用該特征表達重構數據。

圖1 傳統自編碼器結構

根據圖1的自編碼器結構,其編碼、解碼的過程可描述如下[13]。

編碼過程:

h1=f1(W1x+b1)

(1)

解碼過程:

y=f2(W2h1+b2)

(2)

式中:W1,b1為編碼器的權重和偏置;W2,b2為解碼器的權重和偏置;f1和f2分別為編碼和解碼的非線性變換函數;h1為編碼器輸出。自編碼器的作用是利用優化模型的參數使得重構輸出y盡可能地接近輸入x,如(3)式所示:

(3)

式中:L(·)表示L2范數;θ1為編碼參數,θ1=[W1,b1];θ2為解碼參數[14],θ2=[W2,b2]。

1.2 多尺度卷積自編碼器

卷積神經網絡因其局部連接和權值共享的方式降低了神經網絡的參數規模和復雜度,而傳統的自編碼器對稱式的模型結構具有較強的特征提取能力和較高的可堆疊性,卷積自編碼器則結合兩者的優點,將傳統自編碼器中的全連接層用卷積層和池化層代替,其對稱結構與傳統自編碼器相似,卷積操作的輸入數據與卷積神經網絡類似[15],利用多層的卷積處理提高了神經網絡從多維數據中提取特征表達的能力,并且保留了多維數據中的空間信息,因此具有更高的運算效率。

為了適應實際地震數據較高的復雜性,本文網絡模型的卷積模塊采用InceptionV4多尺度卷積的部分模塊,該卷積模塊包含多種大小的卷積核,可以對同一輸入映射上的多個不同變換結果進行并行計算,并輸出融合結果,從不同尺度提取深層和淺層特征,提高了模型的泛化能力[16]。與此同時,該網絡模型在增加網絡深度和寬度的同時減少了參數體量[17],降低了計算成本,還可以有效地提取地震數據的復雜特征。

本文在編碼階段采用Inception-A,Inception-B,Inception-C的卷積結構搭建特征提取器,并且為了減少因池化層導致的特征丟失現象,在上述3個模塊之間分別插入Reduction-A和Reduction-B模塊對特征圖像進行下采樣,該方式相比較簡單的池化層更好地保留了特征信息,在減小特征尺寸的前提下盡可能多地傳遞了重要特征表達。

1.3 注意力機制

注意力機制是將網絡有限的注意力集中于目的區域以提升獲取有效信息的效率,為了合理利用網絡的有限資源,需要引入注意力機制來實現有側重地觀測關注點[18]。本文基于地震資料的特點引入空間軟注意力機制模塊,將整個地震數據各空間位置的重要程度利用一組連續分布且可微可學習的權重進行衡量,并根據網絡的前、后傳播特點更新權重參數,以指導網絡著重學習噪聲與有效信號的特征,達到準確壓制噪聲的效果。該模塊包含卷積和矩陣點乘兩個部分,通過卷積部分生成權值矩陣,并在點乘部分將特征圖與權值矩陣相點乘,實現對重要特征的重點關注。

1.4 遷移學習

在基于數據驅動的深度學習中,標簽數據的質量是網絡效果的重要保證,而地震數據通常缺乏高質量的標簽數據,因此實際地震數據去噪時,網絡在訓練階段往往陷入訓練效果對標簽數據的依賴與標簽數據稀缺之間的矛盾。在實際應用中,由于合成數據和實際數據的噪聲壓制任務在數據、任務和網絡模型方面均具有高度的相似性,因此本文考慮引入遷移學習的訓練策略,將利用合成數據訓練得到的網絡參數作為實際模型的初始化參數,再利用少量的實際樣本進行模型參數的微調,使得該模型對于實際地震數據具有更好的適應性和泛化能力,以提高其噪聲壓制效果。

1.5 自編碼器網絡設計

自編碼器網絡整體架構與傳統自編碼器類似,主要由編碼器和解碼器兩部分組成。自編碼器網絡架構如圖2所示。

圖2 自編碼器網絡架構

在編碼器階段,網絡由InceptionV4卷積模塊中的Inception-A、Reduction-A、Inception-B、Reduction-B、Inception-C順序連接組成,為了減少網絡深度的增加對網絡性能的影響,同時提高網絡的收斂速率,本文在每個模塊均采用殘差學習的方式對網絡進行訓練。

在編碼器階段,首先由連續交叉的卷積和下采樣模塊提取出含噪數據中不同空間尺度的特征,再經過Dense全連接層進行特征映射以獲取豐富的特征表達。其中,在兩個全連接層之間設置一個DropOut層,以避免網絡出現過擬合的現象,該層的原理是在訓練時隨機地讓網絡中一些節點失效,不參與向前傳播,以此來提高模型的泛化能力和魯棒性,且不會過于依賴某些局部特征。

在解碼器階段,首先采用兩個多尺度反卷積層同時對特征數據進行上采樣和映射,在反卷積模塊中使用1×1、3×3和5×5的卷積核并行卷積。與此同時,兩個反卷積模塊分別與前述的Inception-A和Inception-B特征提取模塊跳躍連接。該連接機制能夠促使神經網絡在重構階段充分利用特征提取階段所獲得的豐富特征,具有規避特征丟失、恢復細節信息的作用。經過兩個反卷積模塊處理后,再通過一個殘差卷積模塊完善重構結果,該模塊中包含6個3×3的卷積層,每個卷積層均利用Tanh函數進行激活。

最后,在模型中引入空間軟注意力機制模塊,引導模型有側重地學習噪聲特征。本文實現的注意力機制模塊由一個卷積層和一個Softmax激活層連接組成,如圖3所示。將解碼器的輸出作為輸入,再與含噪數據利用長路徑拼接,接著利用1×1的卷積層提取注意力信息,最后通過Softmax函數進行歸一化處理,得到歸一化后的權重系數矩陣。將權重系數矩陣與解碼器的輸出點乘即可獲得整體的輸出。

圖3 注意力機制模塊

2 模型試算

利用正演數值模擬地震數據,可以驗證本文方法的有效性。設計長81m、深700m的二維地質模型,包含4層水平層狀介質,正演模型參數如表1所示。以主頻為40Hz的Rick子波為激發震源,設置81個檢波點,時間采樣間隔為1ms,利用波動方程可以正演模擬地震波在該模型中傳播的地震記錄,獲得的單炮正演地震數據如圖4a所示。圖4b至圖4f分別為在原始正演模擬地震數據中加入噪聲后形成的單炮記錄及不同方法的去噪結果。

表1 正演模型參數

圖4 正演地震數據去噪對比a 單炮正演地震數據; b 加噪后的正演地震數據; c 本文方法去噪后的地震數據; d 本文方法得到的去噪殘差; e DnCNN方法去噪后的地震數據; f DnCNN方法得到的去噪殘差

在野外實測地震記錄中,往往包含大量的隨機噪聲和相干噪聲。為了與實際地震數據對比,利用公式(4),在正演單炮地震記錄中添加單頻、多頻、強能量單頻和弱能量單頻等4種信號作為擬壓制的噪聲(圖5)。

(4)

圖5 4種噪聲

式中:xF為仿真地震信號;x1,x2分別為xF的兩個分量;A1,A2均為振幅;Q為吸收系數;t為傳播時間;f1,f2均為頻率;φ1,φ2均為相位;上述4種噪聲信號的參數如表2所示。

表2 噪聲信號的參數描述

分別將上述4種噪聲信號和均值為0、方差為0.1的高斯隨機噪聲加入地震數據中,可形成與野外實際地震記錄近似、含嚴重噪聲的正演模擬地震數據。

得到了含有噪聲的地震記錄后,利用本文方法進行噪聲壓制。本文對于地震數據的處理策略是,將完整的地震數據利用大小為16×16、步長為1的窗口滑動截取,產生大量訓練樣本,以更好地提取地震數據細節信息。由于本文方法包含監督學習模型,因此需要利用大量的含噪聲與無噪聲樣本對其進行訓練。模型參數的更新是通過優化重構數據與原始無噪聲數據間的損失函數實現的。

獲取訓練集后,利用Keras搭建模型、Adam優化器,并將學習率設置為1×10-5,損失函數為重構輸出與無噪聲樣本之間的均方根誤差。由于地震數據正負均有,若選擇sigmoid或ReLu激活函數會丟失負數部分,因此在模型搭建過程中,均采用了tanh激活函數。訓練時,batch_size設置為64,訓練100

次,保存均方差最小的模型參數。利用最優模型對圖4b 中的含噪地震數據進行處理,獲得了如圖4c所示的噪聲壓制效果,與此同時,利用DnCNN方法針對測試數據進行處理,結果如圖4e所示。

首先從定性的角度加以驗證,一方面,依靠殘差法原理,基于噪聲壓制結果與原始數據的差值[19]觀察被壓制部分是否為噪聲,對試驗效果進行初步的直觀判斷。利用本文方法和DnCNN方法得到的去噪殘差分別如圖4d和圖4f所示,可以發現本文方法壓制了絕大部分的隨機噪聲和相干噪聲,同時最大程度地避免了有效信號的損失,具有較好的保幅性。在噪聲壓制和有效信號的恢復效果上,本文方法均顯著優于DnCNN方法。將本文方法、DnCNN方法的噪聲壓制結果與原始數據的振幅屬性進行對比,對本文方法的保幅性進行評價[20],得到的結果如圖6所示。圖6a所示的平均振幅中,本文方法得到的去噪結果與原始數據大致趨勢相同,部分噪聲壓制后的平均振幅變小,符合某些道的噪聲振幅值相較于有效信號較大的特點,本文方法相較于DnCNN方法具有更好的保幅性;圖6b所示的平均絕對振幅值中,相較于DnCNN方法去噪結果,本文方法去噪結果與原始數據的大致趨勢更為一致;圖6c所示的均方根振幅最能說明問題,本文方法去噪結果與原始數據趨勢基本一致,在振幅值較大的道,本文方法的保幅效果明顯優于DnCNN方法的保幅效果。綜上,本文方法在有效壓制噪聲的同時具有良好的保幅特性。

圖6 正演數據振幅屬性a 平均振幅對比; b 平均絕對振幅對比; c 均方根振幅對比

其次,在定量分析方面,分別利用均方根誤差(MSE)、信噪比(SNR)以及峰值信噪比(PSNR)3個評價指標對比說明去噪效果。其中,MSE的計算公式如(5)式所示,用來衡量重構數據與原始數據間的偏差;SNR的計算公式如(6)式所示,SNR代表有效信號與噪聲的功率比,值越大則說明噪聲越少;PSNR與MSE類似,可以用于衡量重構數據與原始數據的相似度,其計算公式如(7)式所示。

(5)

(6)

(7)

表3 DnCNN方法與本文方法去噪評價指標

由上述3種評價指標的對比可知,本文方法的噪聲壓制效果明顯優于DnCNN方法的壓制效果。MSE和PSNR指標的對比,說明本文方法能夠更有效地恢復有效信號,而SNR指標的大幅度提升則說明本文方法壓制噪聲更徹底,可大幅度提升地震數據的信噪比。

綜上所述,本文方法可有效壓制正演模擬數據中的隨機噪聲和相干噪聲。此外,本文方法具有良好的保幅特性,在有效信號的重建方面更具優勢。

3 復雜山前帶地震資料智能去噪

龍門山前復雜構造帶天然氣資源豐富,已經發現了中壩、孝新合(孝泉-新場-合興場)、磨溪和臥龍河等大型氣藏,勘探開發前景十分廣闊。試驗區位于龍門山前緣川西綿陽羅浮山一帶,地表以喀斯特地貌為主,高陡碳酸鹽巖地層出露,地震采集難度大;地下的深層海相儲層為油氣攻關目標,儲層埋藏深,地震信號高頻衰減快、主頻低、頻帶窄。受工廠生產、景區建設、大型車輛等復雜環境的影響,采集得到的地震數據包含了多種噪聲源的干擾(圖7),噪聲類型復雜,獲得高信噪比、高品質的地震資料難度極大。

圖7 實際疊前地震數據

利用前述噪聲壓制方法,開展了針對川西龍門山前復雜構造帶地震數據的噪聲智能壓制試驗。首先,利用1.5節中的神經網絡模型壓制實際地震數據噪聲;其次,在該網絡訓練階段,針對實際無噪聲數據的可用數據少、獲取難度大等問題,根據遷移學習的原理,利用以正演數據集訓練得到的參數初始化網絡,以及現有的少量實際地震數據集繼續訓練。其中,試驗處理的實際地震數據共720道,每道長度6s,設置大小為16×16,步長為1的窗口滑動截取訓練集。由于實際無噪聲地震數據的稀缺,適當調整訓練超參數,將訓練批次減少為32,訓練輪數增加為200輪,遷移訓練結束后,保存重構數據與原始數據均方差最小的網絡參數,再利用最優網絡模型對實際低信噪比地震數據進行測試。

針對如圖7所示的實際地震數據,對比分析本文方法與以Radon變換為主的傳統噪聲壓制方法的壓制效果,結果表明前者在噪聲壓制、有效信號恢復等方面更具優勢。本文方法與傳統方法的壓制效果如圖8所示。分析可知,首先,本文方法能夠有效壓制工業電、高頻干擾、隨機背景噪聲等噪聲;其次,本文方法壓制直達波的效果優于傳統方法的壓制效果,但壓制并不徹底,仍存在殘留噪聲;再者,在面波的壓制效果上,本文方法能夠有效壓制大部分面波干擾。此外,兩種方法的噪聲殘差分別如圖8b和圖8d所示,本文方法在壓制過程中對有效信號的損失相對較少,具有一定的保幅性,并且能夠在被面波和工業電噪聲嚴重污染的區域恢復并增強雙曲波形式的有效信號。

圖8 實際地震數據去噪效果對比a 本文方法壓制后的地震數據; b 本文方法噪聲殘差; c 傳統方法壓制后的地震數據; d 傳統方法噪聲殘差

此外,從平均振幅、平均絕對振幅以及均方根振幅3個方面對比分析,可得出本文方法具有更好的保幅特性的結論。在圖9a所示的平均振幅對比中,本文方法壓制后的地震數據基本與原始地震數據大致吻合,在振幅值較大的地方明顯變小,符合某些道的噪聲振幅值較有效信號相對較大的特點,且振幅值有正有負。對于圖9b中的平均絕對振幅,本文方法的去噪結果與原始地震數據基本一致,并且與傳統方法的去噪結果相比,在涉及最大或最小值的道時,振幅值明顯變小。從圖9c所示的均方根振幅對比可以看出,本文方法得到的去噪結果相較于傳統方法更貼合原始數據振幅,趨勢基本一致,符合噪聲壓制過程中的均方根變化規律。

圖9 實際數據振幅屬性a 平均振幅對比; b 平均絕對振幅對比; c 均方根振幅對比

總體看,本文方法對于實際地震數據中的多種噪聲類型都具有一定的壓制能力,并且在保持噪聲壓制能力的前提下,能夠有效恢復有效信號。此外,相較于傳統方法,本文方法簡潔的處理思路和較強的噪聲普適性使得其具有良好的競爭力和應用潛力。

為了進一步證明本文方法的實際地震噪聲壓制能力,利用該方法對共計114炮,每炮360道的低信噪比實際地震數據進行了噪聲壓制處理,并對壓制后的地震數據進行疊加處理,圖10展示了去噪前疊加、傳統方法去噪后以及本文方法去噪后再疊加的剖面。

圖10 去噪前后疊加剖面局部效果對比a 去噪前疊加; b a中黃框部分放大顯示; c 傳統方法去噪后疊加; d c中黃框部分放大顯示; e 本文方法去噪后疊加; f e中黃框部分放大顯示

從疊加剖面可以看出,傳統方法和本文方法均能有效壓制實際低信噪比地震數據中的大部分噪聲干擾,并清晰地恢復出有效波。但是從兩者的對比中可看出,本文方法對有效波的恢復更清晰,同相軸更連續,細節特征更明顯,局部對比效果如圖10b,圖10d 以及圖10f所示。在針對某些復雜噪聲的壓制上,本文方法相較于傳統方法更具可行性,前者能夠突破后者的局限性,有效地壓制噪聲。

綜上所述,本文方法針對實際低信噪比地震數據在多種噪聲的壓制和有效信號的恢復效果上均優于傳統方法,并且在節省成本、提高效率、降低學習成本等方面具有一定優勢。當然,本文方法的去噪效果也存在一定的不足,如在噪聲壓制過程中會產生假頻干擾,有效信號的保幅性還有待提高。

4 結論與認識

本文建立了一種有別于傳統噪聲壓制模式的深度神經網絡方法,將基于InceptionV4卷積自編碼器引入地震噪聲壓制領域,同時融合注意力機制和遷移學習訓練策略,使得該方法在網絡結構方面具有較強的特征提取與建模能力,也在訓練策略方面達成了有效利用少量無噪聲數據的目的。本文方法在龍門山前“雙復雜”區域取得了良好的應用效果,有效壓制了絕大部分的隨機噪聲和相干噪聲,同時較好地恢復了有效信號。此外,本文方法可泛化性強、處理環節簡潔,具有良好的應用前景。