Применение машинного обучения для шумоподавления и повышения качества трехмерных сейсмических изображений

Applying machine learning to 3D seismic image denoising and enhancement
Enning Wang, Jeff Nealon
2019-04-02

денойзинг 3D-сейсмических изображенийсейсмические данные Мексиканского заливаглубокая 3D-сверточная нейронная сетьподавление миграционных артефактовулучшение постстековых сейсмических изображений
Мы обучили глубокую трехмерную сверточную нейронную сеть (CNN) с учителем на морских сейсмических изображениях для структурного улучшения постстэковых сейсмических изображений и подавления шумов. Вместо добавления искусственного шума к обучающим входным данным различие в уровнях шума между обучающими входными данными и эталонными метками создавалось за счет различий в плотности расстановки источников. Такая конструкция позволяет обученной CNN имитировать результаты и возможности суммирования, целенаправленно подавляя случайные и когерентные артефакты миграции и одновременно усиливая отражения низкой амплитуды. Для обучения CNN мы использовали полевые сейсмические данные нескольких съемок в Мексиканском заливе, а для оценки обученной сети — синтетические данные первой фазы проекта SEG Advanced Modeling (SEAM). Для предотвращения переобучения обучающие данные должны содержать разнообразные геологические особенности. Обработанные выходные данные обученной нейронной сети значительно чище входных и позволяют лучше выделять геологические структуры для интерпретации. Глубокая нейронная сеть хорошо сохраняет геологические структуры различного масштаба — от разломов и дифракторов высокого разрешения до глубокозалегающих подсолевых осадочных толщ. Обученную сеть можно применять как к предстэковым сейсмограммам, так и к постстэковым изображениям. Этот подход прост в реализации и параметризации и доказал свою эффективность и гибкость в качестве производственного инструмента для кондиционирования данных после миграции.
1
Для улучшения постстековых сейсмических изображений, подавления шума и сохранения геологических структур обучена глубокая трёхмерная сверточная нейронная сеть.
2
Проверка на синтетических данных SEAM phase I показала значительно более чистые результаты, подчёркивающие геологические структуры и облегчающие интерпретацию.
3
Метод сохраняет структуры разных масштабов — от высокоразрешённых разломов и дифракторов до глубоких подсолевых отложений — и применим к предстековым трассам или постстековым изображениям.
4
Сеть подавляет случайный шум и когерентные артефакты миграции, одновременно усиливая отражения с низкой амплитудой.
5
При обучении использовались различия в плотности источников между входными данными и эталонными метками вместо искусственного добавления шума, что позволило сети имитировать эффект суммирования.

морские 3D-сейсмические изображения, включая полевые данные съемок Мексиканского залива и синтетические данные SEAM Phase I

структурное улучшение постстэковых изображений и подавление случайных и когерентных миграционных артефактов при сохранении отражений низкой амплитуды и геологических структур разных масштабов

Publication Details
Publication Date
2019-04-02
Journal
Publisher
ISSN
Cited by
64
Access Type
Author Information
Authors
Enning Wang
Jeff Nealon
Explore further
Open the scid.ai AI chat with a ready-made request: it will find papers on a similar topic and help build a literature review.
Find similar papers in the chat →
Make a presentation
100%