geophystechГеофизические технологииRussian Journal of Geophysical Technologies2619-1563IPGG SB RAS10.18303/2619-1563-2023-1-54geophystech-283Research ArticleСтатьиПрименение машинного обучения для адаптивного вычитания кратных отраженных волнApplication of machine learning for adaptive subtraction of multiple reflected wavesКамашевА. М.KamashevA. M.

Сотрудник лаборатории динамических проблем Института нефтегазовой геологии и геофизики СО РАН. Основные научные интересы: разложение сейсмических изображений по волновым пакетам, методы подавления кратных отраженных волн, методы решения прямой задачи сейсморазведки.

a.kamashev@g.nsu.ruhttps://orcid.org/0000-0002-7876-6685ДучковА. А.DuchkovA. A.

Кандидат физико-математических наук, заведующий лабораторией динамических проблем сейсмики, заместитель директора по научной работе Института нефтегазовой геологии и геофизики СО РАН. Основные научные интересы: cейсмическая миграция; регуляризация сейсмических данных с помощью Гауссовских волновых пакетов, микросейсмический мониторинг гидроразрыва.

DuchkovAA@ipgg.sbras.ruИнститут нефтегазовой геологии и геофизики им. А.А. Трофимука СО РАН<br> 630090, Новосибирск, просп. Акад. Коптюга, 3 <br><br> Новосибирский государственный университет<br> 630090, Новосибирск, ул. Пирогова, 1РоссияTrofimuk Institute of Petroleum Geology and Geophysics SB RAS<br> Koptyug Ave., 3, Novosibirsk, 630090 <br><br> Novosibirsk State University<br> Pirogova Str., 1, Novosibirsk, 630090Russian Federation202326052023015465Copyright &#x00A9; Камашев А.М., Дучков А.А., 20232023Камашев А.М., Дучков А.А.Kamashev A.M., Duchkov A.A.This work is licensed under a Creative Commons Attribution 4.0 License.https://www.rjgt.ru/jour/article/view/283

Данная работа посвящена разработке и тестированию алгоритма адаптивного вычитания кратных отраженных волн с помощью сверточной нейронной сети. Алгоритм является одним из основных этапов в методе подавления кратных отраженных волн, основанном на разделении волновых форм в области Радона. В работе рассматривается постановка задачи для нейронной сети, подготовка обучающего и тестового наборов данных и тестирование алгоритма. Использование сверточной нейронной сети позволяет автоматизировать и ускорить процедуру адаптивного вычитания. Тестирование алгоритма проводилось на синтетических данных и показало эффективную адаптацию кратных волн, а также важность корректного построения модели кратных отраженных волн.

This work is devoted to the development and testing of an algorithm for adaptive subtraction of multiple reflected waves using a convolutional neural network. The algorithm is one of the main steps in the method of suppression of multiple reflected waves based on the separation of wave forms in the Radon region. The paper considers the formulation of a problem for a neural network, the preparation of training and test data sets and the testing of the algorithm. Using a convolutional neural network allows to automate and speed up the adaptive subtraction procedure. The algorithm was tested on synthetic data. Testing shows the effective adaptation of multiple waves, as well as the importance of correctly constructing a model of multiples.

Сверточная нейронная сетьвысокоразрешающее преобразование Радонакратные волныСonvolution neural networkhigh-resolution Radon transformmultiple wavesРазработка алгоритма адаптивного вычитания кратных отраженных волн осуществлялась при поддержке исследовательского проекта FSUS-2022-0019. Тестирование работы алгоритма осуществлялось при поддержке исследовательского проекта FWZZ-2022-0017.ReferencesБоганик Г.Н., Гурвич И.И. Сейсморазведка. – Тверь: АИС, 2006. – 743 сBoganik G.N., Gurvich I.I. Seismic prospecting [in Russian]. – AIS, Tver, 2006. – 743 p.Никитин В.В., Дучков А.А., Романенко А.А., Андерссон Ф. Параллельный алгоритм разложения функций по волновым пакетам для GPU и его применение в геофизике // Вестник НГУ. Серия: Информационные технологии. – 2013. – № 11 (1). – С. 93–104.Nikitin V.V., Duchkov A.A., Romanenko A.A., Andersson F. Parallel algorithm for the expansion of functions in wave packets for GPU and its application in geophysics // NSU Bulletin. Series: Information Technology. – 2013. – Vol. 11 (1) – P. 93–104.Chen W., Yang L., Wang H., Chen Y. Fast high-resolution hyperbolic radon transform // IEEE Transactions on Geoscience and Remote Sensing. – 2021. – Vol. 60. – P. 1–10, doi: 10.1109/TGRS.2021.3084612.Chen W., Yang L., Wang H., Chen Y. Fast high-resolution hyperbolic radon transform // IEEE Transactions on Geoscience and Remote Sensing. – 2021. – Vol. 60. – P. 1–10, doi: 10.1109/TGRS.2021.3084612.Hampson D. Inverse velocity stacking for multiple elimination // Journal of the Canadian Society of Exploration Geophysicists. – 1986. – P. 44–55.Hampson D. Inverse velocity stacking for multiple elimination // Journal of the Canadian Society of Exploration Geophysicists. – 1986. – P. 44–55.Loginov G., Duchkov A., Litvichenko D., Alyamkin S. The first-break detection for real seismic data with use of convolutional neural network // 81st EAGE Conference and Exhibition 2019. – 2019. – Vol. 2019 (1). – P. 1–5, doi: 10.3997/2214-4609.201901614.Loginov G., Duchkov A., Litvichenko D., Alyamkin S. The first-break detection for real seismic data with use of convolutional neural network // 81st EAGE Conference and Exhibition 2019. – 2019. – Vol. 2019 (1). – P. 1–5, doi: 10.3997/2214-4609.201901614.Neelamani R., Baumstein A., Ross W.S. Adaptive subtraction using complex-valued curvelet transforms // Geophysics. – 2010. – Vol. 75 (4) – P. V51–V60, doi: 10.1190/1.3453425.Neelamani R., Baumstein A., Ross W.S. Adaptive subtraction using complex-valued curvelet transforms // Geophysics. – 2010. – Vol. 75 (4) – P. V51–V60, doi: 10.1190/1.3453425.Nikitin V.V., Anderson F., Carlsson M., Duchkov A.A. Fast hyperbolic Radon transform represented as convolutions in log-polar coordinates // Computers & Geosciences. – 2017. – Vol. 105. – P. 21–33, doi: 10.1016/j.cageo.2017.04.013.Nikitin V.V., Anderson F., Carlsson M., Duchkov A.A. Fast hyperbolic Radon transform represented as convolutions in log-polar coordinates // Computers & Geosciences. – 2017. – Vol. 105. – P. 21–33, doi: 10.1016/j.cageo.2017.04.013.Ronneberger O., Fischer P., Brox T. U-net: Convolutional networks for biomedical image segmentation // International Conference on Medical image computing and computer-assisted intervention. – Springer, Cham, 2015. – P. 234–241.Ronneberger O., Fischer P., Brox T. U-net: Convolutional networks for biomedical image segmentation // International Conference on Medical image computing and computer-assisted intervention. – Springer, Cham, 2015. – P. 234–241.Verschuur D.J. Seismic multiple removal techniques: past, present and future. – EAGE Publications, Houten, 2013. – 300 p.Verschuur D.J. Seismic multiple removal techniques: past, present and future. – EAGE Publications, Houten, 2013. – 300 p.Yilmaz Ö. Seismic data analysis: Processing, inversion, and interpretation of seismic data. – SEG, 2001. – 2065 p., doi: 10.1190/1.9781560801580.Yilmaz Ö. Seismic data analysis: Processing, inversion, and interpretation of seismic data. – SEG, 2001. – 2065 p., doi: 10.1190/1.9781560801580.Zheng Y., He D.K., Hou J., Feng X. Surface wave suppressing and decomposition using deep neural networks // 83rd EAGE Annual Conference & Exhibition. – 2022. – Vol. 2022 (1). – P. 1–5.Zheng Y., He D.K., Hou J., Feng X. Surface wave suppressing and decomposition using deep neural networks // 83rd EAGE Annual Conference & Exhibition. – 2022. – Vol. 2022 (1). – P. 1–5.Zhu W., Mousavi S.M., Beroza G.C. Seismic signal denoising and decomposition using deep neural networks // IEEE Transactions on Geoscience and Remote Sensing. – 2019. – Vol. 57 (11). – P. 9476–9488, doi: 10.1109/TGRS.2019.2926772.Zhu W., Mousavi S.M., Beroza G.C. Seismic signal denoising and decomposition using deep neural networks // IEEE Transactions on Geoscience and Remote Sensing. – 2019. – Vol. 57 (11). – P. 9476–9488, doi: 10.1109/TGRS.2019.2926772.

The authors declare that there are no conflicts of interest present.