基于2D频率损失的深度学习面波压制方法

【作者】 孙思雨； 孙郧松； 李国发； 徐雨寒； 高洋；

【机构】 中国石油大学(北京)油气资源与探测国家重点实验室； 东方地球物理勘探有限责任公司物探技术研究中心；

【摘要】 面波是野外地震资料中常见的相干噪声,具有低频、低速、高幅值等特点。这种干扰会严重破坏偏移距中的反射信息。近年来,深度学习的面波压制技术开始得到广泛应用,这些方法多使用U-net网络为框架,并辅助以均方误差(MSE)为损失函数。然而,传统的U-net结构会遇到有效信号高频丢失问题,并且利用MSE损失函数会导致网络预测结果过渡平滑。最终使得实际应用中不仅对地震有效信号有较大损害,而且会残存较多的噪声能量。因此本文提出融合注意机制和残差结构的新型U-net框架,以高效地提取训练集中的面波特征,实现精度和计算效率的平衡。同时,我们引入2D频率损失,并与MSE结合,形成新的混合损失函数。基于傅里叶变换原理,我们能够通过分析预测结果与标签在F-K域中的误差,捕捉时空域中各点之间的关系。因此,2D频率损失使得网络更加关注,整个空间和时间中有效信号不同频率信息的组合。实际资料验证了该方法相较于传统深度学习方法,在压制面波的同时更好地保留了有效波的信息和细节,为地震勘探提供了更准确和可靠的工具。更多还原