1.本发明涉及微地震资料噪声压制方法及系统、存储介质和地震信息处理设备,属于微地震资料数据处理技术领域。
背景技术:2.近些年,我国常规油气开采潜力逐渐减小,然而国家工业快速发展带来的油气需求却不断提高,截止到2020年我国石油对外依存度已高达73.5%。我国非常规油气可探明储量大约1075亿吨,开发潜力巨大,开展非常规油气勘探开发是保证我国能源安全的必经之路。而微地震监测技术是评价水力压裂效果、获取裂缝的方位、长度、高度等参数的关键技术,是保障非常规油气高效开发的重要手段。
3.在工程实际中,地面微地震检波器在采集资料过程中不仅会收集到大量随机噪声且还含有复杂地面噪声源(例如:50hz工业交流电干扰、钻井干扰等)造成的强干扰导致微地震有效信号极易被淹没,严重影响微地震有效事件的识别与震源定位的准确性与可靠性。因此,噪声压制是微地震数据预处理的核心环节。然而,在建立噪声压制模型时,我们发现传统的去噪方法在区分有效信号和噪声时通常以主观的专家经验指导为主,即认定噪声信号仅存在于整体信号的高频部分,则利用低通滤波对高频噪声进行消除。但微地震信号中包含的噪声信号具有耦合性,主观认定噪声频率并采取相应的方法进行消除不仅无法消除全部噪声而且还会损失有效信号。此外,微地震的有效事件特征分布呈现离散化,只存在于时间序列的局部位置。而不同的检波器采集到的微地震信号由于地质的变化也呈现出不同的特征,导致微地震资料噪声压制过程中也很容易造成有效事件的损失。因此,找到新的方法对微地震资料中的噪声进行压制且不损失有效事件在非常规油气勘探开发中已经变得极为重要。
技术实现要素:4.为了解决背景技术中所提到的技术问题:传统的去噪方法在区分有效信号和噪声时通常以主观的专家经验指导为主,即认定噪声信号仅存在于整体信号的高频部分,则利用低通滤波对高频噪声进行消除。但微地震信号中包含的噪声信号具有耦合性,主观认定噪声频率并采取相应的方法进行消除不仅无法消除全部噪声而且还会损失有效信号,从而提出一种基于时间注意力机制互信息生成对抗网络的微地震资料噪声压制方法及系统、存储介质和地震信息处理设备。
5.本发明为解决上述技术问题所采用的技术方案是:一种基于时间注意力机制互信息生成对抗网络的微地震资料噪声压制方法,其特征在于所述方法包括如下步骤:
6.步骤1:利用检波器对目标区块的微地震资料进行采集,获取带有噪声的微地震资料x与无噪声的微地震资料
7.步骤2:将步骤1采集到的微地震资料按照8:1:1的比例分为训练集、验证集、测试
集;训练集表示为其中xk为第k个训练道集样本,共k道训练样本;验证集表示为其中xa为第a个验证道集样本,共a道验证样本;测试集表示为其中xb为第b个测试道集样本,共b道测试样本;所述训练集、验证集和测试集的采样频率为f;
8.步骤3:提取经由步骤1采集到的的结构语义特征集合其中,cd∈rh×1为第d个微地震结构语义向量,长度为h;
9.步骤4:对随机噪声分布(例如:高斯分布)进行采样,采样频率为f,并获取随机噪声向量集合其中zm∈rn×1为第m个随机噪声向量,由n个采样点组成;
10.步骤5:将步骤3中得到的与步骤4得到的进行维度合并获得特征向量其中vu∈r
(h+n)
×1为第u个合并特征向量;
11.步骤6:利用基于时间注意力机制互信息生成对抗网络对训练集数据进行学习并输出训练完成的微地震噪声压制预训练模型,具体路径如下:
12.本步骤采用的微地震噪声压制模型包括生成模型、判别模型和分离模型;
13.生成模型由时间注意力模块与生成模块构成,时间注意力模块具体定义为:
[0014][0015]
其中,时间注意力模块的输入为经由步骤5获得的v
u,j
;时间注意力模块的输出为权重αu;σ
t
代表tanh激活函数;代表卷积核的第j个通道,卷积核尺寸为z
′×
1;为偏置项;
[0016]
生成模块由dense层、batch normalization层、relu层、deconv层、tanh层构成;判别模型由时间注意力模块和判别模块两部分构成,时间注意力模块具体定义为:
[0017][0018]
其中,时间注意力模块的输入为经由步骤2获得的时间注意力模块的输出为权重βk;σs代表softmax激活函数;代表卷积核的第j个通道,卷积核尺寸为f
′×
1;为偏置项;
[0019]
判别模块由dense层、batch normalization层、leakyrelu层、conv层、softmax层构成;
[0020]
分离模型由时间注意力模块和分离模块两部分构成,时间注意力模块定义为:
[0021][0022]
其中,时间注意力模块的输入为经由生成模型获得的g(z,c)
h,j
;时间注意力模块的输出为权重γh;σ
sig
代表sigmoid激活函数;代表卷积核的第j个通道,卷积核尺寸为y
′×
1;为偏置项;
[0023]
分离模块由dense层、batch normalization层、leakyrelu层、conv层、sigmoid层构成;
[0024]
将步骤5获得的输入到生成模型中得到生成的无噪微地震资料集合;将生成的无噪微地震资料集合和经由步骤2得到的分别输入到判别模型中,对判别模型进行训练并将梯度反传给生成模型;将生成的无噪微地震资料集合输入到分离模型中提取结构语义特征,计算生成的无噪微地震资料与提取的结构语义特征之间的互信息并对分离模型进行训练,并将梯度反传给生成模型;最后当达到最大迭代次数时,即可得到用于微地震噪声压制的预训练模型;
[0025]
步骤7:将经由步骤2获得的验证集数据输入到经由步骤6中得到的噪声压制预训练模型中,利用信噪比对训练好的噪声压制预训练模型的性能进行验证,并获得微地震噪声压制模型最优超参数组合;
[0026]
步骤8:利用经由步骤2获得的测试集数据对经由步骤7中得到的微地震噪声压制模型最优超参数组合进行测试,并获得最终的微地震资料噪声压制模型;
[0027]
步骤9:将现场微地震资料输入到经由步骤8得到的最终的微地震噪声压制模型中获得去噪后的微地震资料,实现微地震资料噪声压制。
[0028]
进一步地,所述步骤6中的生成模型训练过程按照如下路径进行:
[0029]
2.1生成模型由时间注意力模块和生成模块两部分构成,时间注意力模块定义为:
[0030][0031]
其中时间注意力模块的输入为经由步骤5获得的v
u,j
;时间注意力模块的输出为权重αu;σ
t
代表tanh激活函数;代表卷积核的第j个通道,卷积核尺寸为z
′×
1;为偏置项。
[0032]
2.2将经由步骤5获得的v
u,j
与经由公式(1)获得的αu输入到公式(2)中,获得增强特征映射v
att
,具体定义如下:
[0033][0034]
其中,v
att
为合并特征向量的增强特征映射,vu为第u个合并特征向量,αu为第u个合并特征向量的时间注意力权重。
[0035]
2.3将经由公式(2)获得的v
att
输入到生成模块中,获得生成的无噪声微地震资料集合其中,g(z,c)h∈rs×
1为第h个生成的无噪声微地震资料;其中生成模块由dense层、batch normalization层、relu层、deconv层与tanh层构成。
[0036]
进一步地,所述步骤6中的判别模型训练过程按照如下路径进行:
[0037]
3.1判别模型由时间注意力模块和判别模块两部分构成,时间注意力模块定义为:
[0038]
[0039]
其中时间注意力模块的输入为经由步骤2获得的时间注意力模块的输出为权重βk;σs代表softmax激活函数;代表卷积核的第j个通道,卷积核尺寸为f
′×
1;为偏置项。
[0040]
3.2将经由步骤2获得的与经由公式(3)获得的βk输入到公式(4)中,获得增强特征映射x
att
,具体定义如下:
[0041][0042]
其中x
att
为的增强特征映射;为第k个训练集样本,βk为第k个训练集样本的时间注意力权重;
[0043]
3.3将经由公式(4)获得的x
att
输入到判别模块中,获得属于真实样本的概率。其中判别模块由dense层、batch normalization层、leakyrelu层、conv层、softmax层构成。
[0044]
进一步地,所述步骤6中的分离模型训练过程按照如下路径进行:
[0045]
4.1分离模型由时间注意力模块和分离模块两部分构成,时间注意力模块定义为:
[0046][0047]
其中时间注意力模块的输入为经由生成模型获得的g(z,c)
h,j
;时间注意力模块的输出为权重γh;σ
sig
代表sigmoid激活函数;代表卷积核的第j个通道,卷积核尺寸为y
′×
1;为偏置项。
[0048]
4.2将经由特征2.3获得的与经由公式(5)获得的γh输入到公式(6)中,获得增强特征映射q
att
,具体定义如下:
[0049][0050]
其中,q
att
为g(z,c)的增强特征映射;g(z,c)h为第h个生成的无噪微地震资料,γh为第h个生成的无噪微地震资料的时间注意力权重。
[0051]
4.3将经由公式(6)获得的q
att
输入到分离模块中,获得的结构语义向量其中为第w个提取的结构语义特征向量,并计算g(z,c)与cq的互信息;其中分离模块由dense层、batch normalization层、leakyrelu层、conv层、sigmoid层构成。
[0052]
进一步地,所述步骤7中的模型验证过程按照如下路径进行:
[0053]
将由步骤2获得的验证集数据输入到经由步骤6中得到的噪声压制预训练模型中,利用信噪比对训练好的噪声压制预训练模型的性能进行验证,并获得微地震噪声压制模型最优超参数组合。
[0054]
进一步地,所述步骤8中的模型测试过程按照如下路径进行:
[0055]
将由步骤2获得的测试集数据对经由步骤7中得到的微地震噪声压制模型最优超参数组合进行测试,并获得最终的微地震资料噪声压制模型。
[0056]
进一步地,所述步骤9中的噪声压制过程按照如下路径进行:将现场微地震资料输入到经由步骤8得到的最终的微地震噪声压制模型中获得去噪后的微地震资料,实现微地震资料噪声压制。
[0057]
一种基于时间注意力机制互信息生成对抗网络的微地震资料噪声压制系统,该系统具有与上述技术方案的步骤对应的程序模块,运行时执行上述的基于时间注意力机制互信息生成对抗网络的微地震资料噪声压制方法中的步骤。
[0058]
一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序配置为由处理器调用时实现上述的基于时间注意力机制互信息生成对抗网络的微地震资料噪声压制方法的步骤。
[0059]
一种地震信息处理设备,所述地震信息处理设备包括至少一个处理器,以及与所述至少一个处理器通信连接的存储器,其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述的一种基于时间注意力机制互信息生成对抗网络的微地震资料噪声压制方法。
[0060]
本发明具有以下有益技术效果:
[0061]
本发明所述的微地震噪声压制方法克服了传统滤波方法无法完全去除耦合噪声且易造成微地震有效事件损失的缺点。传统的去噪方法在区分有效信号和噪声时通常以主观的专家经验指导为主,即认定噪声信号仅存在于整体信号的高频部分,则利用低通滤波对高频噪声进行消除。但微地震信号中包含的噪声信号具有耦合性,主观认定噪声频率并采取相应的方法进行消除不仅无法消除全部噪声而且还会损失有效信号。此外,微地震的有效事件特征分布呈现离散化,只存在于时间序列的局部位置。而不同的检波器采集到的微地震信号由于地质的变化也呈现出不同的特征,导致微地震资料噪声压制过程中也很容易造成有效事件的损失。
[0062]
本发明所述方法包括如下步骤:利用检波器对目标区块的微地震资料进行采集;将获得的微地震资料按照一定的比例划分为训练集、验证集和测试集,并将训练集数据输入到时间注意力机制互信息生成对抗网络模型中学习并输出微地震噪声压制预训练模型;将验证集数据输入到训练好的模型中,利用信噪比对模型参数进行验证,并获得最优微地震噪声压制模型超参数组合;再利用测试集数据对最优超参数组合进行测试并获得最终微地震噪声压制模型;将现场微地震资料输入到最终微地震噪声压制模型中获得去噪后的微地震资料,实现微地震资料噪声压制。
[0063]
本发明考虑到微地震资料中包含的噪声具有“耦合强、能量大”的特点,即噪声特征与微地震资料特征在数据空间中以一种复杂无序的状态进行编码,导致目前的方法难以达到理想的去噪效果。因此,本发明通过引入潜在噪声向量,最大化潜在噪声向量分布与生成的微地震资料之间的互信息来学习微地震资料中的噪声分布,以达到去除噪声的目的。最后考虑到微地震监测资料中的有效事件特征分布呈现离散化,只存在于时间序列的局部位置。因此,本发明采用了一种时间注意力机制对有效事件特征进行放大,避免去噪过程中有效事件被损失的现象发生,进而获得更好的去噪效果。本发明提出了一种基于互信息的
生成对抗网络解决了微地震噪声压制中强耦合噪声难以去除的问题,并引入时间注意力机制对微地震资料中的有效事件进行放大,避免去噪过程中有效事件被损失的现象发生。提出了一套系统科学的微地震资料噪声压制方法,具有可操作性和实用价值。
[0064]
因此说本发明方法可以有效地解决上述问题,在实现微地震噪声压制的同时放大微地震有效事件。
[0065]
本发明方法的有效性在发明内容中体现在:
[0066]
1、本种方法采用深层卷积神经网络进行搭建,具有优越的非线性表征能力,在网络结构层面上提升微地震噪声压制的精度。
[0067]
2、本种方法采用时间注意力机制放大微地震资料时间序列有效事件局部特征,可以避免在实现噪声压制的过程中损失微地震资料中的有效信号,在数据自身特征层面提高微地震噪声压制的精度。
[0068]
3、本种方法采用计算互信息加强微地震资料有效特征与微地震信号之间的相关性,可以有效地压制微地震资料中包含的耦合噪声,在算法层面提高微地震噪声压制的精度。
[0069]
此外,本种方法属于基于数据驱动的无监督学习方法,摆脱了对人工标注的依赖,减少了更多的人力和物力。现场的微地震资料可以通过训练好的模型直接进行噪声压制,为现场施工人员提供更易操作的微地震资料处理技术,提升了现场工作效率,达到最佳效果。
附图说明
[0070]
图1是根据本发明实施例的微地震噪声压制模型(方法及系统)流程框图;
[0071]
图2是根据本发明实施例的时间注意力机制互信息生成对抗网络核心图;
[0072]
图3和图4是根据本发明实施例的微地震资料噪声压制可视化实例图,图3是微地震资料噪声压制可视化实例图(含噪微地震噪声资料),图4是微地震资料噪声压制可视化实例图(去噪后微地震噪声资料);图5和图6是另一组微地震资料噪声压制可视化实例图(含噪微地震噪声资料);
[0073]
在图4和图6中,去噪后的四条线代表同相轴(同相轴是地震记录上各道振动相位相同的极值的连线),代表地层的分层;两个图中的两组同相轴方向不同,直势不同,其所代表的地质结构是不一样的。从所提供的附图可看出,本发明可在多个不同地质结构数据进行压制,更能体现出本发明算法的实用性,本发明不止在一组数据上好用,而是在多个不同地质结构数据上的压制都是有很好效果的。
具体实施方式
[0074]
下面结合附图对本发明作进一步说明:
[0075]
为了使本技术领域的人员更好地理解本技术中的技术方案,下面将结合本技术实施例中的附图,对本技术实施例中的技术方案进行清楚、完整地描述。
[0076]
图1是本发明技术方案中的微地震噪声压制流程图,整个流程图完全由python语言编程实现(当然也可采用其他编程语言来实现)。根据图1可知,首先要对现场的微地震无噪声资料与含噪资料进行采集,然后按照特定的比例将其分为训练集、验证集和测试集,并
将训练集数据输入到时间注意力机制互信息生成对抗网络模型中学习并输出微地震噪声压制预训练模型;将验证集数据输入到训练好的模型中,利用信噪比对模型参数进行验证,并获得最优微地震噪声压制模型超参数组合;再利用测试集数据对最优超参数组合进行测试,并获得最终微地震噪声压制模型;将现场微地震资料输入到最终微地震噪声压制模型中获得去噪后的微地震资料,实现微地震资料噪声压制。
[0077]
实施例:以现场微地震资料为例,对本发明方法的有效性进行验证。
[0078]
步骤1:利用检波器对目标区块的微地震资料进行采集,获取带有噪声的微地震资料signal a与无噪声的微地震资料signal b。
[0079]
步骤2:将步骤1采集到的微地震资料按照8:1:1的比例分为训练集、验证集、测试集。训练集表示为其中,xk为第k个训练集样本;验证集表示为其中,xa为第a个验证集样本;测试集表示为其中,xb为第b个测试集样本。所述训练集、验证集和测试集的采样点长度均为s。
[0080]
步骤3:提取经由步骤1采集到的signal b的结构语义特征集合其中,cd∈rh×1为第d个微地震结构语义向量,长度为h。
[0081]
步骤4:对随机噪声分布(例如:高斯分布)进行采样并获取随机噪声向量集合其中,zm∈rn×1为第m个随机噪声向量,由n个采样点组成。
[0082]
步骤5:将步骤3中得到的与步骤4得到的进行维度合并获得合并特征向量其中,vu∈r
(h+n)
×1为第u个合并特征向量。
[0083]
步骤6:参照图2,利用基于时间注意力机制互信息生成对抗网络对训练集数据进行学习并输出训练完成的微地震噪声压制预训练模型,具体路径如下:
[0084]
本步骤采用的微地震噪声压制模型包括生成模型、判别模型和分离模型。
[0085]
生成模型由时间注意力模块与生成模块构成,时间注意力模块具体定义为:
[0086][0087]
其中,时间注意力模块的输入为经由步骤5获得的v
u,j
;时间注意力模块的输出为权重αu;σ
t
代表tanh激活函数;代表卷积核的第j个通道,卷积核尺寸为z
′×
1;为偏置项。
[0088]
生成模块由dense层、batch normalization层、relu层、deconv层、tanh层构成,这属于现有技术范畴。
[0089]
判别模型由时间注意力模块和判别模块两部分构成,时间注意力模块具体定义为:
[0090][0091]
其中,时间注意力模块的输入为经由步骤2获得的时间注意力模块的输出为
权重βk;σs代表softmax激活函数;代表卷积核的第j个通道,卷积核尺寸为f
′×
1;为偏置项。
[0092]
判别模块由dense层、batch normalization层、leakyrelu层、conv层、softmax层构成。
[0093]
分离模型由时间注意力模块和分离模块两部分构成,时间注意力模块定义为:
[0094][0095]
其中,时间注意力模块的输入为经由生成模型获得的g(z,c)
h,j
;时间注意力模块的输出为权重γh;σ
sig
代表sigmoid激活函数;代表卷积核的第j个通道,卷积核尺寸为y
′×
1;为偏置项。
[0096]
分离模块由dense层、batch normalization层、leakyrelu层、conv层、sigmoid层构成。
[0097]
图2对微地震噪声压制模型进行了解释:将步骤5获得的输入到生成模型中得到生成的无噪声微地震资料集合;将生成的无噪声微地震资料集合和经由步骤2得到的分别输入到判别模型中,对判别模型进行训练并将梯度反传给生成模型;将生成的无噪声微地震资料集合输入到分离模型中提取结构语义特征,计算生成的无噪声微地震资料与提取的结构语义特征的互信息并对分离模型进行训练,并将梯度反传给生成模型,可以加强微地震,通过这种方法可以加强微地震资料有效特征与微地震信号之间的相关性,有效压制微地震资料中的耦合噪声。
[0098]
步骤7:将经由步骤2获得的验证集数据输入到经由步骤6中得到的噪声压制预训练模型中,利用信噪比对训练好的噪声压制预训练模型的性能进行验证,并获得微地震噪声压制模型最优超参数组合。
[0099]
步骤8:利用经由步骤2获得的测试集数据对经由步骤7中得到的微地震噪声压制模型最优超参数组合进行测试,并获得最终的微地震资料噪声压制模型。
[0100]
表1不同去噪模型效果对比
[0101][0102]
步骤9:将现场微地震资料输入到经由步骤8得到的最终的微地震噪声压制模型中获得去噪后的微地震资料,实现微地震资料噪声压制。微地震资料噪声压制实验结果如图3和图4所示以及图5和图6所示。
[0103]
从所提供的附图可看出,本发明可在多个不同地质结构数据进行压制,更能体现出本发明算法的实用性,本发明不止在一组数据上好用,而是在多个不同地质结构数据上的压制都是有很好效果的。本发明采用时间注意力机制对有效事件特征进行放大,避免去噪过程中有效事件被损失的现象发生,进而获得更好的去噪效果,且还具有很好普适性。
[0104]
本发明所述方法经仿真实验和实际应用,均验证了本发明所声称的技术效果。
[0105]
本发明提出的算法(方法)是本发明底层的技术内核,基于所述算法能衍生出各种产品。
[0106]
基于本发明提出的算法(方法)利用程序语言开发出一种基于时间注意力机制互信息生成对抗网络的微地震资料噪声压制系统,该系统具有与上述技术方案的步骤对应的程序模块,运行时执行上述的基于时间注意力机制互信息生成对抗网络的微地震资料噪声压制方法中的步骤。
[0107]
将开发出的系统(软件)的计算机程序存储在计算机可读存储介质上,所述计算机程序配置为由处理器调用时实现上述的基于时间注意力机制互信息生成对抗网络的微地震资料噪声压制方法的步骤。即将本发明物化在载体上,成为一种计算机程序产品。
[0108]
一种地震信息处理设备,所述地震信息处理设备包括至少一个处理器,以及与所述至少一个处理器通信连接的存储器,其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述的一种基于时间注意力机制互信息生成对抗网络的微地震资料噪声压制方法。地震信息处理设备作本发明应用的终端产品。
[0109]
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用asic(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
[0110]
本发明中的计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令,并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的,术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如,磁盘、光盘、存储器、可编程逻辑装置(pld)),包括,接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
[0111]
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本技术公开的技术方案所期望的结果,都在本发明的保护范围之内。
技术特征:1.一种基于时间注意力机制互信息生成对抗网络的微地震资料噪声压制方法,其特征在于所述方法包括如下步骤:步骤1:利用检波器对目标区块的微地震资料进行采集,获取带有噪声的微地震资料x与无噪声的微地震资料步骤2:将步骤1采集到的微地震资料按照8:1:1的比例分为训练集、验证集、测试集;训练集表示为其中x
k
为第k个训练道集样本,共k道训练样本;验证集表示为其中x
a
为第a个验证道集样本,共a道验证样本;测试集表示为其中x
b
为第b个测试道集样本,共b道测试样本;所述训练集、验证集和测试集的采样频率为f;步骤3:提取经由步骤1采集到的的结构语义特征集合其中,c
d
∈r
h
×1为第d个微地震结构语义向量,长度为h;步骤4:对随机噪声分布进行采样,采样频率为f,并获取随机噪声向量集合其中z
m
∈r
n
×1为第m个随机噪声向量,由n个采样点组成;步骤5:将步骤3中得到的与步骤4得到的进行维度合并获得特征向量其中v
u
∈r
(h+n)
×1为第u个合并特征向量;步骤6:利用基于时间注意力机制互信息生成对抗网络对训练集数据进行学习并输出训练完成的微地震噪声压制预训练模型,具体路径如下:本步骤采用的微地震噪声压制模型包括生成模型、判别模型和分离模型;生成模型由时间注意力模块与生成模块构成,时间注意力模块具体定义为:其中,时间注意力模块的输入为经由步骤5获得的v
u,j
;时间注意力模块的输出为权重α
u
;σ
t
代表tanh激活函数;代表卷积核的第j个通道,卷积核尺寸为z
′×
1;为偏置项;生成模块由dense层、batch normalization层、relu层、deconv层、tanh层构成;判别模型由时间注意力模块和判别模块两部分构成,时间注意力模块具体定义为:其中,时间注意力模块的输入为经由步骤2获得的时间注意力模块的输出为权重β
k
;σ
s
代表softmax激活函数;代表卷积核的第j个通道,卷积核尺寸为f
′×
1;为偏置项;判别模块由dense层、batch normalization层、leakyrelu层、conv层、softmax层构成;分离模型由时间注意力模块和分离模块两部分构成,时间注意力模块定义为:
其中,时间注意力模块的输入为经由生成模型获得的g(z,c)
h,j
;时间注意力模块的输出为权重γ
h
;σ
sig
代表sigmoid激活函数;代表卷积核的第j个通道,卷积核尺寸为y
′×
1;为偏置项;分离模块由dense层、batch normalization层、leakyrelu层、conv层、sigmoid层构成;将步骤5获得的输入到生成模型中得到生成的无噪微地震资料集合;将生成的无噪微地震资料集合和经由步骤2得到的分别输入到判别模型中,对判别模型进行训练并将梯度反传给生成模型;将生成的无噪微地震资料集合输入到分离模型中提取结构语义特征,计算生成的无噪微地震资料与提取的结构语义特征之间的互信息并对分离模型进行训练,并将梯度反传给生成模型;最后当达到最大迭代次数时,即可得到用于微地震噪声压制的预训练模型;步骤7:将经由步骤2获得的验证集数据输入到经由步骤6中得到的噪声压制预训练模型中,利用信噪比对训练好的噪声压制预训练模型的性能进行验证,并获得微地震噪声压制模型最优超参数组合;步骤8:利用经由步骤2获得的测试集数据对经由步骤7中得到的微地震噪声压制模型最优超参数组合进行测试,并获得最终的微地震资料噪声压制模型;步骤9:将现场微地震资料输入到经由步骤8得到的最终的微地震噪声压制模型中获得去噪后的微地震资料,实现微地震资料噪声压制。2.根据权利要求1所述的一种基于时间注意力机制互信息生成对抗网络的微地震资料噪声压制方法,其特征在于:所述步骤6中的生成模型训练过程按照如下路径进行:2.1生成模型由时间注意力模块和生成模块两部分构成,时间注意力模块定义为:其中时间注意力模块的输入为经由步骤5获得的v
u,j
;时间注意力模块的输出为权重α
u
;σ
t
代表tanh激活函数;代表卷积核的第j个通道,卷积核尺寸为z
′×
1;为偏置项。2.2将经由步骤5获得的v
u,j
与经由公式(1)获得的α
u
输入到公式(2)中,获得增强特征映射v
att
,具体定义如下:其中,v
att
为合并特征向量的增强特征映射,v
u
为第u个合并特征向量,α
u
为第u个合并特征向量的时间注意力权重。2.3将经由公式(2)获得的v
att
输入到生成模块中,获得生成的无噪声微地震资料集合其中,g(z,c)
h
∈r
s
×1为第h个生成的无噪声微地震资料;其中生成模块由dense层、batch normalization层、relu层、deconv层与tanh层构成。3.根据权利要求1或2所述的一种基于时间注意力机制互信息生成对抗网络的微地震资料噪声压制方法,其特征在于:所述步骤6中的判别模型训练过程按照如下路径进行:
3.1判别模型由时间注意力模块和判别模块两部分构成,时间注意力模块定义为:其中时间注意力模块的输入为经由步骤2获得的时间注意力模块的输出为权重β
k
;σ
s
代表softmax激活函数;代表卷积核的第j个通道,卷积核尺寸为f
′×
1;为偏置项。3.2将经由步骤2获得的与经由公式(3)获得的β
k
输入到公式(4)中,获得增强特征映射x
att
,具体定义如下:其中x
att
为的增强特征映射;为第k个训练集样本,β
k
为第k个训练集样本的时间注意力权重;3.3将经由公式(4)获得的x
att
输入到判别模块中,获得属于真实样本的概率。其中判别模块由dense层、batch normalization层、leakyrelu层、conv层、softmax层构成。4.根据权利要求3所述的一种基于时间注意力机制互信息生成对抗网络的微地震资料噪声压制方法,其特征在于:所述步骤6中的分离模型训练过程按照如下路径进行:4.1分离模型由时间注意力模块和分离模块两部分构成,时间注意力模块定义为:其中时间注意力模块的输入为经由生成模型获得的g(z,c)
h,j
;时间注意力模块的输出为权重γ
h
;σ
sig
代表sigmoid激活函数;代表卷积核的第j个通道,卷积核尺寸为y
′×
1;为偏置项。4.2将经由特征2.3获得的与经由公式(5)获得的γ
h
输入到公式(6)中,获得增强特征映射q
att
,具体定义如下:其中,q
att
为g(z,c)的增强特征映射;g(z,c)
h
为第h个生成的无噪微地震资料,γ
h
为第h个生成的无噪微地震资料的时间注意力权重。4.3将经由公式(6)获得的q
att
输入到分离模块中,获得的结构语义向量其中为第w个提取的结构语义特征向量,并计算g(z,c)与c
q
的互信息;其中分离模块由dense层、batch normalization层、leakyrelu层、conv层、sigmoid层构成。5.根据权利要求4所述的一种基于时间注意力机制互信息生成对抗网络的微地震资料噪声压制方法,其特征在于:所述步骤7中的模型验证过程按照如下路径进行:将由步骤2获得的验证集数据输入到经由步骤6中得到的噪声压制预训练模
型中,利用信噪比对训练好的噪声压制预训练模型的性能进行验证,并获得微地震噪声压制模型最优超参数组合。6.根据权利要求5所述的一种基于时间注意力机制互信息生成对抗网络的微地震资料噪声压制方法,其特征在于:所述步骤8中的模型测试过程按照如下路径进行:将由步骤2获得的测试集数据对经由步骤7中得到的微地震噪声压制模型最优超参数组合进行测试,并获得最终的微地震资料噪声压制模型。7.根据权利要求6所述的一种基于时间注意力机制互信息生成对抗网络的微地震资料噪声压制方法,其特征在于:所述步骤9中的噪声压制过程按照如下路径进行:将现场微地震资料输入到经由步骤8得到的最终的微地震噪声压制模型中获得去噪后的微地震资料,实现微地震资料噪声压制。8.一种基于时间注意力机制互信息生成对抗网络的微地震资料噪声压制系统,其特征在于:该系统具有与上述权利要求1-7任一项权利要求的步骤对应的程序模块,运行时执行上述的基于时间注意力机制互信息生成对抗网络的微地震资料噪声压制方法中的步骤。9.一种计算机可读存储介质,其特征在于:所述计算机可读存储介质存储有计算机程序,所述计算机程序配置为由处理器调用时实现权利要求1-7中任一项所述的基于时间注意力机制互信息生成对抗网络的微地震资料噪声压制方法的步骤。10.一种地震信息处理设备,其特征在于:所述地震信息处理设备包括至少一个处理器,以及与所述至少一个处理器通信连接的存储器,其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-7中任一项所述的一种基于时间注意力机制互信息生成对抗网络的微地震资料噪声压制方法。
技术总结一种微地震资料噪声压制方法及系统、存储介质和地震信息处理设备,属于微地震资料数据处理技术,为解决现有方法无法消除全部噪声而且还会损失有效信号的问题。技术要点:利用检波器对目标区块的微地震资料进行采集;将获得的微地震资料按比例划分训练集、验证集和测试集,将训练集数据输入到时间注意力机制互信息生成对抗网络模型中学习并输出微地震噪声压制预训练模型;将验证集数据输入到训练好的模型中,利用信噪比对模型参数进行验证,获得最优微地震噪声压制模型超参数组合;再利用测试集数据对最优超参数组合进行测试并获得最终微地震噪声压制模型;将现场微地震资料输入到最终微地震噪声压制模型中获得去噪后的微地震资料,实现微地震资料噪声压制。实现微地震资料噪声压制。实现微地震资料噪声压制。
技术研发人员:董宏丽 商柔 王闯 管闯 宋金波 申雨轩
受保护的技术使用者:东北石油大学
技术研发日:2022.03.21
技术公布日:2022/7/5