应用自编码——解码架构的ConvGRU网络空变子波提取方法.pdf
《应用自编码——解码架构的ConvGRU网络空变子波提取方法.pdf》由会员分享,可在线阅读,更多相关《应用自编码——解码架构的ConvGRU网络空变子波提取方法.pdf(13页珍藏版)》请在咨信网上搜索。
1、2023 年 8 月第 58 卷 第 4 期应用自编码解码架构的 ConvGRU网络空变子波提取方法戴永寿1,李泓浩*1,孙伟峰1,宋建国2,孙家钊1(1.中国石油大学(华东)海洋与空间信息学院,山东青岛 266580;2.中国石油大学(华东)地球科学与技术学院,山东青岛 266580)摘要:地震勘探的成像和反演质量取决于地震子波的提取精度。地震子波在传播过程中主频和相位会改变,即子波形态会出现变化。现有的子波估计方法未能充分考虑子波的空变特性,同时传统空变子波提取方法对测井资料等先验信息依赖性较强,且受各类假设限制。为此,提出了一种使用自编码解码架构与卷积门控循环单元(ConvGRU)网络的
2、空变子波提取方法。该方法使用卷积运算与门控运算同步提取不同地震道子波的主频和相位变化特征;将提取的子波变化特征经编码得到特征变量,特征变量经解码器可更高效地提取横向道间和纵向时间上的变化特征。使用有限差分正演和非平稳褶积模型建立符合实际数据分布特点的训练数据;搭建自编码解码网络并迭代训练网络,得到空变子波提取模型;使用该模型提取地震多道空变子波。数值仿真实验验证了该方法比传统子波提取方法具有更高的精度;中国西部实际地震资料处理结果表明,该空变子波提取方法具有一定的实际应用价值。关键词:空变子波提取,门控循环单元,自编码解码器,卷积神经网络,反褶积中图分类号:P631 文献标志码:A doi:1
3、0.13810/ki.issn.1000-7210.2023.04.001Spacevarying wavelet extraction method by ConvGRU networkwith autoencoderdecoder architectureDAI Yongshou1,LI Honghao1,SUN Weifeng1,SONG Jianguo2,SUN Jiazhao1(1.College of Oceanography and Space Informatics,China University of Petroleum(East China),Qingdao,Shando
4、ng 266580,China;2.School of Geosciences,China University of Petroleum(East China),Qingdao,Shandong 266580,China)Abstract:The imaging and inversion quality of seismic exploration is inseparable from the accurate extraction of seismic wavelets.Meanwhile,the dominant frequency and phase of wavelets wil
5、l change during propagation,causing changes in wavelet morphology.However,existing wavelet estimation methods still lack studies on wavelet spatial variability and rely on prior information such as well logging data.Therefore,this paper proposes a spacevarying wavelet extraction method that combines
6、 the autoencoderdecoder architecture and ConvGRU network.The method combines convolution operation and gated calculation to extract the main frequency and phase features of wavelets in different traces.Then the features are encoded to obtain the feature variables which can more efficiently extract t
7、he features of different traces and different time by the decoder.Finite difference forward modeling and nonstationary convolution model are employed to build training data consistent with actual data distribution.The autoencoderdecoder network model is built and the training data is adopted to trai
8、n the network and obtain a model for extracting spacevarying seismic wavelets.Finally,this model is leveraged to extract multitrace seismic wavelets.The numerical simulation results show that the proposed method is more accurate than traditional wavelet extraction methods.The processing of actual se
9、ismic data in western China proves that the method put forward in this paper is of certain 智能地球物理 文章编号:1000-7210(2023)04-0753-13*山东省青岛市黄岛区长江西路 66号中国石油大学(华东)海洋与空间信息学院,266580。Email: 本文于 2022年 7月 11日收到,最终修改稿于 2023年 6月 1日收到。本项研究受国家自然科学基金项目“复杂衰减和噪声干扰下的时变子波提取与反褶积方法研究”(41974144)、“基于深度学习的深地叠前时 空域地震子波提取方法研究”
10、(42274519)、中国石油天然气股份有限公司重大科技项目“基于大数据的陆地时空域地震子波智能提取技术”(ZD2019183003)和中央高校基本科研业务费专项“基于大数据的陆地时空域地震子波智能提取技术”(20CX05003A)联合资助。石 油 地 球 物 理 勘 探2023 年practical application significance.Keywords:spacevarying wavelet extraction,gated recurrent unit network,autoencoderdecoder,convolutional neural network,decon
11、volution戴永寿,李泓浩,孙伟峰,等.应用自编码解码架构的 ConvGRU 网络空变子波提取方法 J.石油地球物理勘探,2023,58(4):753765.DAI Yongshou,LI Honghao,SUN Weifeng,et al.Spacevarying wavelet extraction method by ConvGRU network with autoencoderdecoder architecture J.Oil Geophysical Prospecting,2023,58(4):753765.0引言地震子波的精确提取是反演和成像的重要前提。然而地震子波的主频和
12、相位不仅随时间而且随空间变化,难以精确提取。近年来,对单道地震子波的时变特性的研究已较为成熟,并提出了一系列提取方法,如使用自适应分段技术的时变子波提取方法。戴永寿等1 根据自适应分段法对非平稳地震记录进行时窗划分,有效提高了时窗寻优精度,从而实现了时变子波估计;王蓉蓉等2 采用改进的广义S变换将地震记录变换至时频域,采用两次傅里叶变换得到子波的振幅谱,并使用自适应分段法逐段提取子波相位,实现了对非平稳单地震道的时变子波提取。张鹏等3 基于经验模态分解(Empirical Mode Decomposition,EMD)法,利用子波振幅谱与相位谱关系分别提取子波的振幅谱和相位谱,实现了时变子波的
13、估计;并结合 CEEMD(Complementary Ensemble Empirical Mode Decomposition)与递推最小二乘法改进了该方法4。另 外,Jiang 等56 提 出 了 一 种 基 于 FWE(Frequency Weighted Exponential)函数的时变子波提取方法,实现了不考虑 Q 值和震源子波的非平稳反褶积。该方法从非平稳地震资料中得到时变子波的解析式,从而实现时变子波的提取。然而该方法提取的子波往往需满足地震记录分段平稳等假设,且将子波的提取范围局限于单一地震道,忽略了地震子波形态的横向变化,在实际应用中受限。针对空变子波提取方法的研究仍处于发
14、展阶段,现有方法大多依赖于测井信息与传统的信号处理技术。内插法7 通过展开井旁道子波,在不同井之间对子波做线性内插,经内插估算其余道子波,实现了多道空变子波的提取,然而实际的地震道并不完全符合该内插关系,因此应用范围受限。同时,使用测井数据可直接计算反射系数序列,基于褶积模型利用井旁地震道反演8 得到实际子波,同时使用近似时段子波的相位谱估算不同道的子波,得到空变子波剖面。深度学习类算法在地震勘探领域得到了广泛应用,如地震反演9、地震数据低频补偿10 和震源子波提取11 等。卷积神经网络(CNN)作为一类具有代表性的深度学习图像处理模型,已应用于全波形反演12、储层预测13、断层识别14、微地
15、震事件检测15 和地震数据去噪16 等,证明 CNN 可有效提取地震信号的分布特征。生成对抗网络(GAN)为一类结合双CNN架构的人工神经网络模型,其改进型循环一致性生成对抗网络(CycleGAN)在压制地震随机噪声方面取得了较好的效果17。韩浩宇等18 使用GAN实现了叠前地震数据的深层震源子波提取,验证了其子波提取的可行性与准确性,但忽略了地震子波的空变特征。近年来,以长短时记忆(LSTM)网络为代表的循环神经网络(RNN)适用于时间序列的相关分析与处理,已用于地震前兆数据的异常诊断19,取得了一定的应用效果。然而,单层LSTM网络内部加入的多个门控结构后计算较为复杂,对于长时间信号易出现
16、过拟合现象,Cho等20 提出了一种内部结构更为精简的门控循环单元(Gated Recurrent Unit,GRU)神经网络模型,该方法简化了网络计算,提升了网络的训练效率。为进一步深入拓展数据处理范围,深度学习领域众多新网络被陆续提出。深层神经网络(DNN)在语音识别和视觉物体识别等方面均展现了较优异的性能,具备将数据进行任意维度的尺寸变换和特征提取能力21,为自编码解码架构中编码和解码计算奠定了基础。自编码解码架构由 Vincent等22 提出,探索了一种新的构建 DNN方案,在图像去噪领域取得了一定的效果。然而DNN的深层网络结构加大了训练难度,对于完备训练数据的依赖程度较高。自编码解
17、码架构与 CNN的结合,即卷积自编码器可实现对图像数据的特征提取与计算,能有效压制地震随机噪声23。Sutskever等24 提出了一种输入和输出端均为序列数据的自编码解码网络架构,成功将自编码754第 58 卷 第 4 期戴永寿,等:应用自编码解码架构的 ConvGRU网络空变子波提取方法解码架构的优势与 LSTM 网络相结合。该方法用一个多层 LSTM 网络将输入序列映射为固定维度的向量,再用另一个深层LSTM网络将向量解码为目标序列,相比于传统排列形式的 LSTM 网络,该方法在语言翻译方面的精准度更高。Shi 等25 将 CNN 与LSTM网络相结合,提出了一种针对时空域序列预测类问题
18、的卷积长短时记忆单元(ConvLSTM)网络架构,该方法将不同时刻的二维雷达气象图划分为不重叠的数据块,通过将数据块内部像素值作为输入,将LSTM 网络处理的数据由时间序列拓展为高维时空域序列,实现了短期气象图的时空预测。而 Ballas等26 针对 ConvLSTM 网络存在的计算复杂度过高问题,提出了将 CNN与 GRU网络结合的卷积门控循环单元(ConvGRU)网络,该方法在保证网络性能的同时更加易于训练。以上研究证明,将 RNN与先进的深度学习架构结合,相较于使用CNN的传统自编码解码器,虽然固定了处理数据的维度与尺寸,但进一步发掘了RNN在处理时序数据的潜力,为解决多地震道的子波提取
19、问题提供了新思路。为此,本文提出了一种应用自编码解码架构的ConvGRU的神经网络用于提取空变地震子波。本文方法结合卷积运算与门控运算,实现了地震信号时序特征和空间分布特征的同时提取。对中国西部实际地震数据提取了二维空变子波,通过反褶积提高了地震资料分辨率。1原理本文构建的空变子波提取网络模型结合了GRU网络与 CNN中的卷积运算,并采用自编码解码器架构的排列方式搭建网络模型。本文方法可分为训练数据集的构建、搭建与训练网络模型、子波提取三个阶段(图 1)。首先,对待处理工区地震数据开展特征分析,构建了符合实际工区的大规模复杂训练数据集;其次,搭建自编码解码网络模型,输入数据经编码网络模块计算得
20、到空变子波特征变量,特征变量经解码网络模块拓展为空变子波的数据尺寸,使用训练数据集对搭建的网络模型进行迭代训练,得到具备空变子波提取能力的网络模型;最后,使用仿真数据和实际地震数据验证该模型的子波提取效果。1.1ConvGRU网络GRU为ConvGRU网络的基本计算模块,是RNN的变体20。与LSTM网络相比,GRU将门控计算结构精简为更新门和重置门,有效缓解了梯度消失和梯度爆炸问题。而由于GRU各个门控单元与输入数据之间仅使用全连接计算进行链接,无法处理二维地震剖面,仅具有处理一维时间序列数据的能力,因此只能提取单道地震子波。为实现对地震数据的空变子波剖面提取,本文将GRU内部门控的全连接计
21、算替换为二维卷积运算26,将对单道地震信号的计算拓展为地震剖面的处理。ConvGRU的内部结构如图2所示。图 2 中 Xt为输入数据,即经分割后的多个地震道,t 为输入数据的序号;表示激活函数sigmoid;tanh为激活函数 tanh,为输入数据添加非线性特征;zt和 rt 图 1结合自编码解码架构与 ConvGRU 网络的 空变子波提取流程图 2ConvGRU 内部结构755石 油 地 球 物 理 勘 探2023 年分别为更新门和重置门权重;ht则为输入至下个GRU的隐藏矩阵,为与输入剖面对应的特征数据矩阵;ht为当前GRU的备选隐藏矩阵;“1-”表示用元素全为1的矩阵做减法运算;“”表示
22、矩阵加法,“”为矩阵点乘计算。数据经卷积运算提取特征后,应用批归一化(Group Normalize)将矩阵元素映射至(0,1)范围内。ConvGRU处理地震数据的流程如图3 所示。ConvGRU内部门控权重参数与隐藏矩阵的计算过程如下zt=(WXzXt+Whzht-1)(1)rt=(WXrXt+Whrht-1)(2)ht=tanhWXhXt+rt(Whhht-1)(3)ht=(1-zt)ht+ztht-1(4)式中:WXz、WXr、WXh分别为网络输入数据经更新门、重置门、隐藏矩阵计算后的权重参数;Whz、Whr、Whh分别为网络隐藏矩阵经更新门、重置门与上层ConvGRU隐藏矩阵计算后的权
23、重参数;“”表示矩阵拼接运算。1.2自编码解码架构自编码解码架构将网络区分为编码器模块和解码器模块。输入端经编码器映射至固定维数的特征向量,特征向量经解码器解码后拓展为对应的空变子波剖面。1.2.1编码器ConvGRU网络输入端为地震道集或剖面。将输入数据裁剪成尺寸为 64500的数据块,并进行归一化处理。不同的输入块隐含了信号沿时间方向的变化特征。为充分提取每个数据块包含的时间和空间特 征,本 文 将 网 络 的 编 码 器 设 定 为 二 维 卷 积(Conv2D)层 与 ConvGRU 层 交 错 堆 叠 的 形 式。Conv2D模块使用卷积核在输入的二维地震剖面上滑动进行卷积计算,将地
24、震剖面映射为固定维度的特征图;ConvGRU模块用于提取不同块之间的时序隐藏特征。经编码器编码后,将地震剖面映射成尺寸为16125的特征变量,该特征变量包含输入剖面所对应空变子波的时间与空间分布特征。1.2.2解码器为了将提取的特征变量准确拓展为空变地震子波 的 数 据 尺 寸,本 文 将 上 采 样 计 算(Transpose Conv2D)模块加入解码器的解码过程。上采样计算模块可视作 Conv2D模块的逆计算,将输入解码器的特征变量拓展尺寸并进一步提取特征。上采样模块融合卷积和 ConvGRU层后,将解码得到的特征变量拓展映射为空变地震子波。本文提出的应用自编码解码架构的ConvGRU网
25、络模型如图 4所示。编码器中的 Conv1Conv3模块用于提取输入地震剖面的特征。为将输入剖面编码为16125的特征变量,依据卷积计算的基本原理,每个 Conv模块的卷积核大小、通道数等参数均可进行适用性调整,以高效提取地震剖面中的有效信号特征。解码器中的 Deconv1与 Deconv2模块将空变子波特征变量进行特征拓展,特征变量经Deconv1模块后数据尺寸被拓展为32250,经Deconv2模块后数据尺寸被拓展为 64500。Conv4、Conv5被用于进一步提取 Deconv输出数据中的有效特征信息,经两模块计算后数据将趋近于目标子波剖面,最终输出空变地震子波。图4中LeakyReL
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 应用 编码 解码 架构 ConvGRU 网络 子波 提取 方法
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。