以下文章来源于作者夜剑听雨。
一、深度学习在地震数据去噪中的研究方向
人工智能是指让机器获得像人类一样的智能机制的技术，这一概念最早出现在 1956 年召开的达特茅斯会议上。这是一项极具挑战性的任务，人类目前尚无法对人脑的工作机制有全面科学的认知，希望能制造达到人脑水平的智能机器无疑是难于上青天。即使如此，在某个方面呈现出类似、接近甚至超越人类智能水平的机器被证明是可行的（邱锡鹏，2020）。
CNN具有自动学习高度复杂的非线性特征的能力，将其应用于叠前地震数据随机噪声的压制中，通过对叠前地震数据中随机噪声特征的自动学习，实现自动且高效的随机噪声分离（李海山等，2020）。
面波作为很强的干扰波出现在地震勘探中，大大降低了地震记录的分辨率和信噪比。深度学习作为一种数据驱动类方法, 能够从大量数据样本中学习得到有效信号与噪声的区别, 自适应建立深度神经网络来压制噪声。
大多数传统三维地震数据重建方法对噪声较为敏感，且不能应对规则缺失的数据。相比于传统的方法，基于深度学习的方法可以克服传统方法对数据先验信息的要求，使得在对地震数据的去噪和重建过程中只需要考虑数据的分布,大大降低了重建过程中的复杂度（王峰，2020）。
深度学习技术存在较多的不可解释性，更强调工程实用性需要大量实践经验，数据科学家更像是工程师，每个环节的处理经验对训练效果具有显著影响。
二、深度学习在地震信号处理中的研究流程
正演地震记录：通过正演软件得到炮集记录以及结合部分实际的地震记录。
地震数据切片：对无噪声数据和含噪声采用相同的方式，在炮集记录的高、宽方向滑动一定的步长，得到同一个位置的特征和标签。
假设无噪声数据为x ，每个像素都有一个噪声偏量v，得到的含噪数据为y。
去噪任务的目的，就是根据噪声图像y=x+v ，恢复出干净图像y的过程。
DnCNN在VGG的基础上进行修改，网络结构是（卷积、BN、ReLU）级联的结构，模型内部并不像ResNet一样存在跳远连接，而是在网络的输出使用残差学习。残差学习策略是指在网络中输入含有噪声的观测图片, 通过网络的隐藏层隐式地移除干净图片, 以噪声数据作为输出（于四伟等，2021）。
第1层卷积层(Convolution)的卷积核大小设置为 3×3，卷积的步长(Strides)设置为 1，卷积核的数量为 64，激活函数采用ReLu。第2~16层在每次卷积方式同第一层一样，增加了批归一化(Batchnormalization)，用于加快网络的收敛速度使特征图的大小和输入相等，避免因为卷积而损失特征，然后再用激活函数ReLu。最后一层卷积层的卷积核大小也设置为 3*3，卷积核的数量为 1（合并通道数），此时的结果是信号，最后用输入数据减去此时结果，就得到了噪声（残差学习）。
搭建网络：利用Pytorch或TensorFlow搭建深度学习框架。
训练网络：训练过时查看训练集合验证集损失函数的最小值，以及测试集在评估指标上的最大值。
基于模块化的设计思路，将深度学习研究变成易操作的流水作业。
三、基于DnCNN的地震数据去噪实验
1、本工程一共有data、model、utils三个文件夹。
2、data/sgy_data中test.sgy是一个30炮干净的地震记录,运行utils/sgy-nyp.py这个代码，
可以将这个sgy文件分割成单炮的地震记录，并且去除道头，只保留了地震道信息，同时对30炮地震记录加入随机噪声。无噪声数据存储在clean文件夹中，含噪声数据存储在noise文件夹中。然后运行utils/GetPatches.py代码，将含噪声和干净的炮集记录，切分为一些列64*64大小的patches，并且使用了数据增强。含噪声数据patches作为特征放在feature文件中，干净数据patches作为标签放在label文件中,这样就完成了数据集的制作。
3、model中的dncnn是网络架构文件，这里的DNCNN输出的是残差。运model/train.py文件，通过utils/dataset.py自定义加载数据集，并且按照8:1:1划分数据集，没训练一次就会，验证，并测试一次。训练和验证用的loss会保存到loss_sets.txt文件中，测试用的评估指标是信噪比，结果将保存到snr_sets.txt文件中，训练时间.txt记录的是训练用的时间。
4、 utils/SignalProcess中有信噪比，傅里叶分析，f-k分析，各种滤波方法，用于验证网络结果好坏。
5、具体内容请查看代码注释。
四、总结
代码模块化的意义在于，让后面的研究可以专注于修改神经网络模型（调结构或换网络），不用花费大量时间在其他的基础工作上，方便后期的研究和代码的维护。
附录
[1] 邱锡鹏. 神经网络与深度学习[M]. 北京: 机械工业出版, 2020.
[2]李海山, 陈德武, 吴杰,等. 叠前随机噪声深度残差网络压制方法[J]. 石油地球物理勘探, 2020(3):13.
[3]于四伟, 杨午阳, 李海山,等. 基于深度学习的地震散射面波智能压制方法[J]. 科学通报, 2021, 66(18):12.
[4]王峰. 基于深度学习的地震数据去噪和重建方法的研究[D]. 浙江大学.
[5] Kai Z , Zuo W , Chen Y , et al. Beyond a Gaussian Denoiser: Residual Learning of Deep CNN for Image Denoising[J]. IEEE Transactions on Image Processing, 2016, 26(7):3142-3155.
如需下载配套程序数据和PPT，请在联系我获取。
相关阅读：
网友评论