【導讀】逆時(shí)偏移作為重要的地震偏移技術(shù)，已經(jīng)成為復雜構造成像的有力工具。地下構造的強衰減體引起地震波 振幅減弱和相位失真，直接影響地下有效油氣儲層的識別精度，而現有逆時(shí)偏移補償技術(shù)具有計算復雜、補償精度低等不足。
摘要
逆時(shí)偏移作為重要的地震偏移技術(shù)，已經(jīng)成為復雜構造成像的有力工具。地下構造的強衰減體引起地震波 振幅減弱和相位失真，直接影響地下有效油氣儲層的識別精度，而現有逆時(shí)偏移補償技術(shù)具有計算復雜、補償精度低等不足。為優(yōu)化計算、提高補償精度,提岀一種基于TensorFlow框架的震波逆時(shí)偏移補償方法，將傳統循環(huán) 生成對抗網(wǎng)絡(luò )(CycleGAN)與注意力機制(Attention)相融合，將交叉爛損失函數與感知損失函數結合成新的損失函數,最后得到補償后的地震波特征圖。實(shí)驗表明，基于深度學(xué)習的地震波逆時(shí)偏移補償方法補償平均誤差為 3. 71 %, 低于現有基于廣義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)廣泛應用于地震勘探中，但根據雙程波動(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(zhù)傳播距離的增大而發(fā)生幾何衰減。地震波逆時(shí)偏移補償中,常用的方法有最小二 乘反演吸收衰減補償法、求解拉普拉斯算子的解耦 黏滯聲波方程法、求解補償方程的波數域格林函數 等啓幻，這些方法存在著(zhù)依賴(lài)于正演且計算復雜度較 高的缺點(diǎn)。深度學(xué)習具有能夠自適應性學(xué)習的特點(diǎn)，在地震波逆時(shí)偏移補償中具有廣泛的應用前景李金麗等閃用黏滯聲波逆時(shí)偏移方法對地震波衰減進(jìn)行了補償,趙巖等提出一種自適應增益限反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償，LIN J等固通過(guò)字典學(xué)習方法進(jìn)行地震波補償。這些方法存在計算復雜度高的特點(diǎn),而且在復雜強衰減地質(zhì)中補償效果不理想。為簡(jiǎn)化反演計算復雜度、提高在強衰減地質(zhì)中地震波逆時(shí)偏移補償精度，提出一種基于深度學(xué)習的地震波逆時(shí)偏移補償方法,利用循環(huán)生成對抗網(wǎng)絡(luò )直接從波場(chǎng)角度對有衰減的波形進(jìn)行補償處理,通過(guò)與注意力機制相融合,成功補償了波形的振幅衰減和相位失真。實(shí)驗結果表明，該方法修正了常規方法中存在的濾披去噪不徹底，改變了成像數據的振幅和相位信息等不足，補償平均誤差為 3. 71%, 低于現有研究資料中基于廣義S變換反Q濾波補償方法平均誤差4. 59%。在保證去噪效果的前提下保證了波形數據振幅和相位信息的相對不變,具有廣泛的實(shí)際應用價(jià)值。
1 基于深度學(xué)習的地震波逆時(shí)偏移補償模型
1.1 地震液逆時(shí)偏移補償算法原理
基于深度學(xué)習的地震波逆時(shí)偏移補償,算法采用循環(huán)生成對抗網(wǎng)絡(luò )（CycleGAN〉與注意力機制（Attention）相融合。CycleGAN主要由生成器和判別器2部分構成。生成器負責將潛在空間采樣點(diǎn)生成的地震波特征圖與判別器進(jìn)行比較,經(jīng)過(guò)生成器不斷優(yōu)化和學(xué)習，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(guò)判別器［如o Attention模擬了人類(lèi)大腦注意力資源分配方法，通過(guò)概率分配的方式,提高對特征圖重點(diǎn)區域的關(guān)注,以獲取更多重要的細節,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，訓練黏性地質(zhì)地震波有無(wú)衰減這2種形態(tài)特征圖，構建模型,通過(guò)分別訓練判別器和生成器,二者相互博弈，直到達到平衡,判別器無(wú)法辨認出生成器生成的特征圖,實(shí)現通過(guò)深度學(xué)習完成對波形衰減的補償。
圖1逆時(shí)偏移補償算法原理
1.2 模型結構設計
利用深度學(xué)習實(shí)現對地震波逆時(shí)偏移衰減補償示意圖見(jiàn)圖2。把炮點(diǎn)處產(chǎn)生的沒(méi)有衰減的地震波數據集設為A域，把經(jīng)過(guò)黏性地層后檢波器接受到的有衰減的地震波數據集記為￡域。Gab為經(jīng)過(guò)反復訓練和學(xué)習對衰減信號的生成器,張為補償衰減后的波形生成器,Db為有衰減的地震波判別器,負責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(guò)注意力機制的融入，通過(guò)訓練不斷優(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)現生成器生成的沒(méi)有衰減的地震波圖像成功“騙”過(guò)判別器，從而實(shí)現補償。
1.3 損失函數的改進(jìn)
損失函數是深度學(xué)習網(wǎng)絡(luò )的關(guān)鍵所在,常見(jiàn)的交叉購損失函數口幻能夠比較生成器生成的地震波波場(chǎng)圖與無(wú)衰減的地震波波場(chǎng)圖像素間的損失，卻無(wú)法宏觀(guān)上比較二者結構的相似性,不適用于地震波逆時(shí)偏移補償。該算法采用基于像素級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。改進(jìn)型的混合損失函數成功融合了這2種損失函數的優(yōu)點(diǎn)，既可以計算預測目標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感知和語(yǔ)義差異,提高對低分辨率地震波形圖特征的重構能力口現由于該模型設計應用于地震波逆時(shí)偏移補償，因此，有無(wú)衰減的地震波皆為同地質(zhì)區塊同炮處的檢波器接收的地震波，從而有衰減待補償的地震波與震源處發(fā)出地震波具有結構相似性。改進(jìn)型的混合損失函數更容易使模型收斂,更適用于此項目°
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)像素的目標標簽值;為,為batch中模型網(wǎng)絡(luò )第I層的第死個(gè)像素的預測概率;G、H,、Wz為第Z層的feature_map的血e,即通道數、長(cháng)、寬;D(畑)為判別器中第Z層的第九個(gè)像素的目標標簽值為判別 器中第I層的第宛個(gè)像素的預測概率;G(仇丿為生成器中第I層的第n個(gè)像素的目標標簽值;L為網(wǎng)絡(luò )層數;N為1個(gè)batch中像素數量。
2 實(shí)驗過(guò)程及結果分析
2.1 地震波逆時(shí)偏移補償模型訓練
網(wǎng)絡(luò )結構使用Tensorflow 實(shí)現，批數量為16, 優(yōu)化方法采用批量隨機梯度下降法在CUDA10. 0架構平臺下計算學(xué)習率為0. 001, 訓練迭代次數為200, 用CuDNN7. 5. 0神經(jīng)網(wǎng)絡(luò )計算庫加速運算。
網(wǎng)絡(luò )訓練前，先利用數值模擬方法構建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，白噪反射系數序列,時(shí)間采樣間隔dr為0. 003 最大延續時(shí)間仏為1. 2 s,品質(zhì)因子Q為80, 主頻為80 Hz。實(shí)驗將模擬地震信號波場(chǎng)快照為地震波數據集,引入注意力機制防止模型過(guò)擬合。在時(shí)頻域內進(jìn)行地震波能量衰減補償。結果見(jiàn)圖3O圖3(a)為通過(guò)Ricker子波數值模擬的無(wú)衰減的地震波及其時(shí)頻圖，在1. 2 s內可見(jiàn)6個(gè)明顯波峰,地震波振幅越大的位置對應時(shí)頻圖內能量越大、顏色越深。圖3(b)為數值模擬出的通過(guò)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重，衰減朝低頻方向移動(dòng)。圖3(c)為通過(guò)CycleGAN地震波逆時(shí)偏移衰減補償模型處理后的波場(chǎng)時(shí)頻圖及重構的地震波，對比圖3(b)在對應波峰處能量衰減得到了補償，在0. 5?0?9 s處存在明顯的過(guò)度補償，這是模型過(guò)擬合導致的。圖3(d)為融入注意力機制的CycleGAN地震波逆時(shí)偏移衰減補償模型處理后的波場(chǎng)時(shí)頻圖及重構的地震波,減少了圖3(c)的過(guò)度補償現象，補償效果較理想。
圖3模擬地JR波波場(chǎng)頻譜圖
2.2地震波逆時(shí)偏移補償模型的評價(jià)與分析
采用Q值法和感知哈希算法衡量模型對地震波的補償效果。品質(zhì)因子Q是在1個(gè)波長(cháng)距離內振動(dòng)損耗的能量與總能量之比的倒數，它是能夠衡量地震波能量衰減和頻散的重要參數。感知哈希算法用于比較2張圖片之間像素的相似度，該算法評價(jià)的原理是將無(wú)衰減的地震波波場(chǎng)圖和生成的補償后的地震波圖像分別從像素域轉換到頻域，通過(guò)保留頻率系數矩陣左上角的區域元素計算圖像的哈希值，再計算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)驗選取了 4組不同Q值進(jìn)行誤差分析,從2種模型預測的波場(chǎng)圖中提取對應的預測Q值與真實(shí)Q值進(jìn)行對比。表1展示了CycleGAN補償模型與CycleGAN+Attention補償模型預測Q值與真實(shí)Q值的對比情況以及誤差分析。通過(guò)模型試算得出：CycleGAN補償模型預測Q值平均誤差為4.19%, 融入注意力機制的CycleGAN衰減補償模型預測Q值平均誤差為3. 71%, 均低于現有從廣義S變換角度計算得出的Q值平均誤差4. 59%, 而且融入了注意力機制的CycleGAN模型預測值誤差更低，擬合效果更好。
表1 2種模型預測的Q值誤差分析
比較了相同時(shí)間切片處采用CycleGAN補償模型與CycleGAN +Attention補償模型處理的地震波圖像的哈希值，圖4展示了訓練時(shí)期(epoch)為200時(shí)每一輪中通過(guò)感知哈希算法計算2種模型補償地震波的準確率。
分析得出：隨著(zhù)訓練epoch數的增加,2種模型對于地震波逆時(shí)偏移衰減補償的準確率整體上逐漸提升。在98個(gè)epoch之后2種模型預測準確率趨于相對穩定，且融入注意力機制補償模型預測值平均準確率為81.15%, 好于普通CycleGAN模型預測值平均準確率75.01%。再次驗證了地震波逆時(shí)偏移補償模型在融入注意力機制后從波形結構相似性上效果更理想，對地震資料的衰減處理具有一定的應用價(jià)值。
圖4通過(guò)感知哈希算法評價(jià)2種模型預測準確率
3 結論
(1) 提出一種基于深度學(xué)習的地震波逆時(shí)偏移補償方法，將地震波從波數域獲取的波場(chǎng)圖作為數據集，將CycleGAN算法與注意力機制相融合完成圖像生成。
(2) 采用融入注意力機制的CycleGAN算法對地震波做逆時(shí)偏移衰減補償處理，模型預測值的誤差低于現有基于廣義S變換方法的平均誤差4.59%, 驗證了該方法的可行性及優(yōu)越性。
(3) 將損失函數改進(jìn)成交叉爛損失函數與感知損失函數混合型的損失函數，更適用于強衰減地層中對地震波的補償。未來(lái)可以將該模型推廣應用到不同的地質(zhì)勘探壞境中，具有廣泛的應用潛力。
免責聲明：本文為轉載文章，轉載此文目的在于傳遞更多信息，版權歸原作者所有。本文所用視頻、圖片、文字如涉及作品版權問(wèn)題，請聯(lián)系小編進(jìn)行處理。
推薦閱讀：
【坐享“騎”成】系列之四：泰克方案化解智能座艙HDMI顯示接口測試難點(diǎn)
