基于卷积神经网络的地震数据去噪研究

基于卷积神经网络的地震数据去噪研究

论文摘要

高质量地震资料是地层成像和解释的基础,但随机噪声的存在严重影响后续地震资料的处理和解释,难以判断油气准确位置。特别是偏远地区的随机噪声具有非平稳、高能、频域内有效信号与随机噪声严重混叠的特点,给常规去噪方法恢复地震数据带来很大的难度,使传统的地震数据噪声压制算法很难达到理想的效果。对于此现象,需要研究出一种高效的去噪算法,去除随机噪声的同时,尽量保留信号复杂的边缘信息和丰富的纹理信息,以便恢复地震数据,提高地震资料的利用率。本文将卷积神经网络运用至地震数据处理中,提出相关算法实现地震数据去噪,增强视觉质量。主要研究内容如下:1.基于卷积神经网络的地震数据去噪研究。针对传统的去噪方法,需对信号和噪声进行精确建模和人工输入参数进行优化调整,造成难以去除地震数据噪声的问题。研究发现,DnCNN网络的残差学习,能对的不同信噪比数据进行自适应的去噪工作。而卷积神经网络具有端到端可深度学习数据的特征,能使局部地震同相轴提供最优稀疏表达。根据DnCNN网络自动特征提取和盲去噪的特点,采用结合批标准化、残差学习和自适应矩估计方法的DnCNN网络,通过对网络深度、训练集、网络参数进行优化。实现了一种基于深度卷积神经网络的自适应地震数据去噪算法。经过对比实验分析可知,该算法应用在地震数据中具有较好的去噪效果,消除大量随机噪声的同时,保留数据中的纹理特征。2.基于空洞卷积网络的地震数据去噪研究。针对DnCNN对地震数据去噪时,边缘部分纹理细节丢失的问题。研究发现,空洞卷积具有不增加参数即可扩大感受野的特点,能使网络获取更多地震数据的波动特征,从而保留更多信号的边缘和纹理信息。根据空洞卷积的特点改进DnCNN结构。结合残差学习、批标准化、自适应矩估计等方法来搭建网络框架,通过对网络扩展率、训练集、网络参数进行优化。实现一种基于空洞卷积网络的地震数据去噪算法。经过对比实验分析可知,本文提出的空洞卷积网络的地震数据去噪算法,能够有效的去除地震记录中与信号频带相似的噪声,保留更多数据中的纹理特征,突出有效波,提高信噪比,提升地震数据质量。

论文目录

  • 摘要
  • ABSTRACT
  • 第一章 绪论
  •   1.1 研究背景和意义
  •   1.2 地震数据去噪发展研究现状
  •   1.3 深度学习技术的发展现状
  •   1.4 卷积神经网络的研究现状
  •   1.5 论文主要内容及章节安排
  • 第二章 相关理论基础
  •   2.1 地震噪声的特征
  •   2.2 地震资料常用的去噪方法
  •     2.2.1 地震数据去噪效果的衡量标准
  •     2.2.2 地震数据常用去噪方法存在的弊端
  •   2.3 卷积神经网络
  •     2.3.1 神经网络
  •     2.3.2 卷积神经网络的结构
  •     2.3.3 卷积神经网络的特性
  •   2.4 卷积神经网络的传播算法
  •   2.5 本章小结
  • 第三章 地震数据集的建立
  •   3.1 地震数据的结构
  •   3.2 地震数据的获取
  •   3.3 数据集增强的方法
  •     3.3.1 扩充数据
  •     3.3.2 加入高斯噪声扰动
  •   3.4 训练数据的归一化
  •   3.5 地震数据集的建立
  •   3.6 实验平台
  •   3.7 本章小结
  • 第四章 基于卷积神经网络的地震数据去噪研究
  •   4.1 深度卷积神经网络的地震数据去噪方法
  •     4.1.1 残差学习
  •     4.1.2 梯度下降方法
  •     4.1.3 批标准化
  •   4.2 深度卷积神经网络的结构
  •   4.3 网络参数
  •   4.4 实验结果及分析
  •   4.5 本章小结
  • 第五章 基于空洞卷积网络的地震数据去噪研究
  •   5.1 空洞卷积网络的去噪方法
  •   5.2 空洞卷积神经网络的结构
  •   5.3 网络参数
  •   5.4 实验结果及分析
  •   5.5 本章小结
  • 结论
  • 参考文献
  • 作者简介、发表文章及研究成果目录
  • 致谢
  • 文章来源

    类型: 硕士论文

    作者: 顾航

    导师: 唐国维,刘德

    关键词: 地震数据,深度学习,卷积神经网络去噪,残差学习,空洞卷积

    来源: 东北石油大学

    年度: 2019

    分类: 基础科学,工程科技Ⅰ辑

    专业: 地质学,地球物理学,矿业工程

    单位: 东北石油大学

    分类号: P631.44

    DOI: 10.26995/d.cnki.gdqsc.2019.000575

    总页数: 65

    文件大小: 3242K

    下载量: 401

    相关论文文献

    • [1].基于深度卷积神经网络的地震数据局部信噪比估计[J]. 地球物理学报 2020(01)
    • [2].地震数据研究分析[J]. 电子世界 2020(08)
    • [3].地震数据上云端[J]. 国企管理 2020(12)
    • [4].混采地震数据高效高精度分离处理方法研究进展[J]. 石油物探 2020(05)
    • [5].地震数据低频补偿方法研究及应用[J]. 中国石油和化工标准与质量 2019(19)
    • [6].海量低频地震数据快速质量控制技术[J]. 物探装备 2017(01)
    • [7].石油行业勘探地震数据资料管理模式研究[J]. 电子技术与软件工程 2017(15)
    • [8].基于波场延拓和反演的变深度缆地震数据鬼波压制方法[J]. 石油地球物理勘探 2017(05)
    • [9].曲波域不规则地震数据提高分辨率技术研究[J]. CT理论与应用研究 2017(06)
    • [10].地震数据时域滤波方法研究[J]. 重庆科技学院学报(自然科学版) 2020(02)
    • [11].中国历史地震数据的点格局分析[J]. 甘肃科技 2020(01)
    • [12].地震数据分频谱蓝化算子计算方法及应用[J]. 北京信息科技大学学报(自然科学版) 2020(01)
    • [13].地震数据灾备中心组网设计与安全维护探讨[J]. 网络安全技术与应用 2020(07)
    • [14].基于压缩感知理论的地震数据降噪方法[J]. 地球物理学进展 2019(03)
    • [15].地震数据的质控管理研究[J]. 中国管理信息化 2018(02)
    • [16].井地联合地震数据反褶积[J]. 石油地球物理勘探 2017(01)
    • [17].地震数据的稀疏高斯束分解方法[J]. 地球物理学报 2013(11)
    • [18].基于扩散滤波方法的地震数据修复技术[J]. 计算物理 2014(04)
    • [19].主成分分析和字典学习联合地震数据去噪方法[J]. 世界地质 2020(03)
    • [20].随采地震数据质量定量评价[J]. 煤田地质与勘探 2019(03)
    • [21].论地震数据的特性及其质量控制[J]. 中国管理信息化 2018(11)
    • [22].基于组结构字典稀疏表示的地震数据随机噪声压制[J]. 合肥工业大学学报(自然科学版) 2017(02)
    • [23].利用波阻抗反演重构地震数据提高煤层厚度预测精度[J]. 矿业安全与环保 2016(05)
    • [24].基于稀疏约束的地震数据高效采集方法理论研究[J]. 地球物理学报 2016(11)
    • [25].跨平台地震数据质量控制软件系统[J]. 中国管理信息化 2014(11)
    • [26].时移地震数据重复性度量及一致性分析方法[J]. 物探化探计算技术 2012(02)
    • [27].基于稀疏约束和多源激发的地震数据高效采集方法[J]. 地球物理学报 2017(09)
    • [28].基于字典学习的地震数据随机噪声压制算法[J]. 数学的实践与认识 2017(09)
    • [29].基于稀疏变换的地震数据重构方法[J]. 物探与化探 2013(01)
    • [30].海量地震数据移动存储设备的现状分析[J]. 物探装备 2013(05)

    标签:;  ;  ;  ;  ;  

    基于卷积神经网络的地震数据去噪研究
    下载Doc文档

    猜你喜欢