基于深度學(xué)習(xí)的地震波逆時(shí)偏移補(bǔ)償方法

基于深度學(xué)習(xí)的地震波逆時(shí)偏移補(bǔ)償方法

逆時(shí)偏移作為重要的地震偏移技術(shù)，已經(jīng)成為復(fù)雜構(gòu)造成像的有力工具。地下構(gòu)造的強(qiáng)衰減體引起地震波 振幅減弱和相位失真，直接影響地下有效油氣儲(chǔ)層的識(shí)別精度，而現(xiàn)有逆時(shí)偏移補(bǔ)償技術(shù)具有計(jì)算復(fù)雜、補(bǔ)償精度低等不足。

摘要

逆時(shí)偏移作為重要的地震偏移技術(shù)，已經(jīng)成為復(fù)雜構(gòu)造成像的有力工具。地下構(gòu)造的強(qiáng)衰減體引起地震波 振幅減弱和相位失真，直接影響地下有效油氣儲(chǔ)層的識(shí)別精度，而現(xiàn)有逆時(shí)偏移補(bǔ)償技術(shù)具有計(jì)算復(fù)雜、補(bǔ)償精度低等不足。為優(yōu)化計(jì)算、提高補(bǔ)償精度,提岀一種基于TensorFlow框架的震波逆時(shí)偏移補(bǔ)償方法，將傳統(tǒng)循環(huán) 生成對(duì)抗網(wǎng)絡(luò)(CycleGAN)與注意力機(jī)制(Attention)相融合，將交叉爛損失函數(shù)與感知損失函數(shù)結(jié)合成新的損失函數(shù),最后得到補(bǔ)償后的地震波特征圖。實(shí)驗(yàn)表明，基于深度學(xué)習(xí)的地震波逆時(shí)偏移補(bǔ)償方法補(bǔ)償平均誤差為 3. 71 %, 低于現(xiàn)有基于廣義S變換反Q濾波方法的平均誤差為4?59%, 證明了該方法對(duì)地震資料的處理與解釋的可行性。

引言

逆時(shí)偏移成像技術(shù)已經(jīng)廣泛應(yīng)用于地震勘探中，但根據(jù)雙程波動(dòng)方程和時(shí)間一致性成像等原理,逆時(shí)偏移會(huì)產(chǎn)生一定的低頻噪聲。低頻噪聲會(huì)造成地震波的衰減,且由于地下不均勻地層發(fā)生摩擦生熱造成振幅固有衰減,地震波振幅還會(huì)隨著傳播距離的增大而發(fā)生幾何衰減。地震波逆時(shí)偏移補(bǔ)償中,常用的方法有最小二 乘反演吸收衰減補(bǔ)償法、求解拉普拉斯算子的解耦 黏滯聲波方程法、求解補(bǔ)償方程的波數(shù)域格林函數(shù) 等啓幻，這些方法存在著依賴于正演且計(jì)算復(fù)雜度較 高的缺點(diǎn)。深度學(xué)習(xí)具有能夠自適應(yīng)性學(xué)習(xí)的特點(diǎn)，在地震波逆時(shí)偏移補(bǔ)償中具有廣泛的應(yīng)用前景李金麗等閃用黏滯聲波逆時(shí)偏移方法對(duì)地震波衰減進(jìn)行了補(bǔ)償,趙巖等提出一種自適應(yīng)增益限反Q濾波方法,李添才等提出一種基于相速度的旅行時(shí)計(jì)算方法,在吸收衰減介質(zhì)成像方面引入多尺度Gabor變換進(jìn)行有效的相位和振幅補(bǔ)償，LIN J等固通過字典學(xué)習(xí)方法進(jìn)行地震波補(bǔ)償。這些方法存在計(jì)算復(fù)雜度高的特點(diǎn),而且在復(fù)雜強(qiáng)衰減地質(zhì)中補(bǔ)償效果不理想。為簡化反演計(jì)算復(fù)雜度、提高在強(qiáng)衰減地質(zhì)中地震波逆時(shí)偏移補(bǔ)償精度，提出一種基于深度學(xué)習(xí)的地震波逆時(shí)偏移補(bǔ)償方法,利用循環(huán)生成對(duì)抗網(wǎng)絡(luò)直接從波場(chǎng)角度對(duì)有衰減的波形進(jìn)行補(bǔ)償處理,通過與注意力機(jī)制相融合,成功補(bǔ)償了波形的振幅衰減和相位失真。實(shí)驗(yàn)結(jié)果表明，該方法修正了常規(guī)方法中存在的濾披去噪不徹底，改變了成像數(shù)據(jù)的振幅和相位信息等不足，補(bǔ)償平均誤差為 3. 71%, 低于現(xiàn)有研究資料中基于廣義S變換反Q濾波補(bǔ)償方法平均誤差4. 59%。在保證去噪效果的前提下保證了波形數(shù)據(jù)振幅和相位信息的相對(duì)不變,具有廣泛的實(shí)際應(yīng)用價(jià)值。

1 基于深度學(xué)習(xí)的地震波逆時(shí)偏移補(bǔ)償模型

1.1 地震液逆時(shí)偏移補(bǔ)償算法原理

基于深度學(xué)習(xí)的地震波逆時(shí)偏移補(bǔ)償,算法采用循環(huán)生成對(duì)抗網(wǎng)絡(luò)（CycleGAN〉與注意力機(jī)制（Attention）相融合。CycleGAN主要由生成器和判別器2部分構(gòu)成。生成器負(fù)責(zé)將潛在空間采樣點(diǎn)生成的地震波特征圖與判別器進(jìn)行比較,經(jīng)過生成器不斷優(yōu)化和學(xué)習(xí)，直到生成器生成特征圖的概率分布與判別器一致,成功“騙”過判別器［如o Attention模擬了人類大腦注意力資源分配方法，通過概率分配的方式,提高對(duì)特征圖重點(diǎn)區(qū)域的關(guān)注,以獲取更多重要的細(xì)節(jié),減少或忽略特征圖中除了波形之外其他部分的干擾口叮。如圖1所示，訓(xùn)練黏性地質(zhì)地震波有無衰減這2種形態(tài)特征圖，構(gòu)建模型,通過分別訓(xùn)練判別器和生成器,二者相互博弈，直到達(dá)到平衡,判別器無法辨認(rèn)出生成器生成的特征圖,實(shí)現(xiàn)通過深度學(xué)習(xí)完成對(duì)波形衰減的補(bǔ)償。

圖1逆時(shí)偏移補(bǔ)償算法原理

1.2 模型結(jié)構(gòu)設(shè)計(jì)

利用深度學(xué)習(xí)實(shí)現(xiàn)對(duì)地震波逆時(shí)偏移衰減補(bǔ)償示意圖見圖2。把炮點(diǎn)處產(chǎn)生的沒有衰減的地震波數(shù)據(jù)集設(shè)為A域，把經(jīng)過黏性地層后檢波器接受到的有衰減的地震波數(shù)據(jù)集記為￡域。Gab為經(jīng)過反復(fù)訓(xùn)練和學(xué)習(xí)對(duì)衰減信號(hào)的生成器,張為補(bǔ)償衰減后的波形生成器,Db為有衰減的地震波判別器,負(fù)責(zé)判別輸入波形是生成器生成的有衰減的地震波還是真實(shí)的有衰減的地震波，輸出為0或1。經(jīng)過注意力機(jī)制的融入，通過訓(xùn)練不斷優(yōu)化生成器和判別器，提高生成器“欺騙”能力和判別器的“偵察”能力，最終實(shí)現(xiàn)生成器生成的沒有衰減的地震波圖像成功“騙”過判別器，從而實(shí)現(xiàn)補(bǔ)償。

1.3 損失函數(shù)的改進(jìn)

損失函數(shù)是深度學(xué)習(xí)網(wǎng)絡(luò)的關(guān)鍵所在,常見的交叉購損失函數(shù)口幻能夠比較生成器生成的地震波波場(chǎng)圖與無衰減的地震波波場(chǎng)圖像素間的損失，卻無法宏觀上比較二者結(jié)構(gòu)的相似性,不適用于地震波逆時(shí)偏移補(bǔ)償。該算法采用基于像素級(jí)的交叉爛損失和感知損失相融合的改進(jìn)型混合損失函數(shù)。改進(jìn)型的混合損失函數(shù)成功融合了這2種損失函數(shù)的優(yōu)點(diǎn)，既可以計(jì)算預(yù)測(cè)目標(biāo)地震波波形圖中像素間的損失，又可以比較相似圖像間的高級(jí)感知和語義差異,提高對(duì)低分辨率地震波形圖特征的重構(gòu)能力口現(xiàn)由于該模型設(shè)計(jì)應(yīng)用于地震波逆時(shí)偏移補(bǔ)償，因此，有無衰減的地震波皆為同地質(zhì)區(qū)塊同炮處的檢波器接收的地震波，從而有衰減待補(bǔ)償?shù)牡卣鸩ㄅc震源處發(fā)出地震波具有結(jié)構(gòu)相似性。改進(jìn)型的混合損失函數(shù)更容易使模型收斂,更適用于此項(xiàng)目°

式（1）可分別表示判別器和生成器改進(jìn)型的混合損

（1） 式中，畑為batch中模型網(wǎng)絡(luò)第Z層的第池個(gè)像素的目標(biāo)標(biāo)簽值;為,為batch中模型網(wǎng)絡(luò)第I層的第死個(gè)像素的預(yù)測(cè)概率;G、H,、Wz為第Z層的feature_map的血e,即通道數(shù)、長、寬;D(畑)為判別器中第Z層的第九個(gè)像素的目標(biāo)標(biāo)簽值為判別 器中第I層的第宛個(gè)像素的預(yù)測(cè)概率;G(仇丿為生成器中第I層的第n個(gè)像素的目標(biāo)標(biāo)簽值;L為網(wǎng)絡(luò)層數(shù);N為1個(gè)batch中像素?cái)?shù)量。

2 實(shí)驗(yàn)過程及結(jié)果分析

2.1 地震波逆時(shí)偏移補(bǔ)償模型訓(xùn)練

網(wǎng)絡(luò)結(jié)構(gòu)使用Tensorflow 實(shí)現(xiàn)，批數(shù)量為16, 優(yōu)化方法采用批量隨機(jī)梯度下降法在CUDA10. 0架構(gòu)平臺(tái)下計(jì)算學(xué)習(xí)率為0. 001, 訓(xùn)練迭代次數(shù)為200, 用CuDNN7. 5. 0神經(jīng)網(wǎng)絡(luò)計(jì)算庫加速運(yùn)算。

網(wǎng)絡(luò)訓(xùn)練前，先利用數(shù)值模擬方法構(gòu)建1個(gè)衰減模型，震源選擇Ricker子波進(jìn)行正演然后基于Kolsky衰減模型合成有衰減的地震信號(hào)，白噪反射系數(shù)序列,時(shí)間采樣間隔dr為0. 003 最大延續(xù)時(shí)間仏為1. 2 s,品質(zhì)因子Q為80, 主頻為80 Hz。實(shí)驗(yàn)將模擬地震信號(hào)波場(chǎng)快照為地震波數(shù)據(jù)集,引入注意力機(jī)制防止模型過擬合。在時(shí)頻域內(nèi)進(jìn)行地震波能量衰減補(bǔ)償。結(jié)果見圖3O圖3(a)為通過Ricker子波數(shù)值模擬的無衰減的地震波及其時(shí)頻圖，在1. 2 s內(nèi)可見6個(gè)明顯波峰,地震波振幅越大的位置對(duì)應(yīng)時(shí)頻圖內(nèi)能量越大、顏色越深。圖3(b)為數(shù)值模擬出的通過黏性地層后有衰減的地震波，在0.18 s之后振幅和相位衰減較為嚴(yán)重，衰減朝低頻方向移動(dòng)。圖3(c)為通過CycleGAN地震波逆時(shí)偏移衰減補(bǔ)償模型處理后的波場(chǎng)時(shí)頻圖及重構(gòu)的地震波，對(duì)比圖3(b)在對(duì)應(yīng)波峰處能量衰減得到了補(bǔ)償，在0. 5?0?9 s處存在明顯的過度補(bǔ)償，這是模型過擬合導(dǎo)致的。圖3(d)為融入注意力機(jī)制的CycleGAN地震波逆時(shí)偏移衰減補(bǔ)償模型處理后的波場(chǎng)時(shí)頻圖及重構(gòu)的地震波,減少了圖3(c)的過度補(bǔ)償現(xiàn)象，補(bǔ)償效果較理想。

圖3模擬地JR波波場(chǎng)頻譜圖

2.2地震波逆時(shí)偏移補(bǔ)償模型的評(píng)價(jià)與分析

采用Q值法和感知哈希算法衡量模型對(duì)地震波的補(bǔ)償效果。品質(zhì)因子Q是在1個(gè)波長距離內(nèi)振動(dòng)損耗的能量與總能量之比的倒數(shù)，它是能夠衡量地震波能量衰減和頻散的重要參數(shù)。買電子元器件現(xiàn)貨上唯樣商城

感知哈希算法用于比較2張圖片之間像素的相似度，該算法評(píng)價(jià)的原理是將無衰減的地震波波場(chǎng)圖和生成的補(bǔ)償后的地震波圖像分別從像素域轉(zhuǎn)換到頻域，通過保留頻率系數(shù)矩陣左上角的區(qū)域元素計(jì)算圖像的哈希值，再計(jì)算2張地震波圖片哈希值的漢明距離,從而得到2張地震波圖像的相似度。

實(shí)驗(yàn)選取了 4組不同Q值進(jìn)行誤差分析,從2種模型預(yù)測(cè)的波場(chǎng)圖中提取對(duì)應(yīng)的預(yù)測(cè)Q值與真實(shí)Q值進(jìn)行對(duì)比。表1展示了CycleGAN補(bǔ)償模型與CycleGAN+Attention補(bǔ)償模型預(yù)測(cè)Q值與真實(shí)Q值的對(duì)比情況以及誤差分析。通過模型試算得出：CycleGAN補(bǔ)償模型預(yù)測(cè)Q值平均誤差為4.19%, 融入注意力機(jī)制的CycleGAN衰減補(bǔ)償模型預(yù)測(cè)Q值平均誤差為3. 71%, 均低于現(xiàn)有從廣義S變換角度計(jì)算得出的Q值平均誤差4. 59%, 而且融入了注意力機(jī)制的CycleGAN模型預(yù)測(cè)值誤差更低，擬合效果更好。

表12種模型預(yù)測(cè)的Q值誤差分析

比較了相同時(shí)間切片處采用CycleGAN補(bǔ)償模型與CycleGAN +Attention補(bǔ)償模型處理的地震波圖像的哈希值，圖4展示了訓(xùn)練時(shí)期(epoch)為200時(shí)每一輪中通過感知哈希算法計(jì)算2種模型補(bǔ)償?shù)卣鸩ǖ臏?zhǔn)確率。

分析得出：隨著訓(xùn)練epoch數(shù)的增加,2種模型對(duì)于地震波逆時(shí)偏移衰減補(bǔ)償?shù)臏?zhǔn)確率整體上逐漸提升。在98個(gè)epoch之后2種模型預(yù)測(cè)準(zhǔn)確率趨于相對(duì)穩(wěn)定，且融入注意力機(jī)制補(bǔ)償模型預(yù)測(cè)值平均準(zhǔn)確率為81.15%, 好于普通CycleGAN模型預(yù)測(cè)值平均準(zhǔn)確率75.01%。再次驗(yàn)證了地震波逆時(shí)偏移補(bǔ)償模型在融入注意力機(jī)制后從波形結(jié)構(gòu)相似性上效果更理想，對(duì)地震資料的衰減處理具有一定的應(yīng)用價(jià)值。

圖4通過感知哈希算法評(píng)價(jià)2種模型預(yù)測(cè)準(zhǔn)確率

3 結(jié)論

(1) 提出一種基于深度學(xué)習(xí)的地震波逆時(shí)偏移補(bǔ)償方法，將地震波從波數(shù)域獲取的波場(chǎng)圖作為數(shù)據(jù)集，將CycleGAN算法與注意力機(jī)制相融合完成圖像生成。
(2) 采用融入注意力機(jī)制的CycleGAN算法對(duì)地震波做逆時(shí)偏移衰減補(bǔ)償處理，模型預(yù)測(cè)值的誤差低于現(xiàn)有基于廣義S變換方法的平均誤差4.59%, 驗(yàn)證了該方法的可行性及優(yōu)越性。
(3) 將損失函數(shù)改進(jìn)成交叉爛損失函數(shù)與感知損失函數(shù)混合型的損失函數(shù)，更適用于強(qiáng)衰減地層中對(duì)地震波的補(bǔ)償。未來可以將該模型推廣應(yīng)用到不同的地質(zhì)勘探壞境中，具有廣泛的應(yīng)用潛力。

審核編輯黃宇