Применение машинного обучения для адаптивного вычитания кратных отраженных волн
https://doi.org/10.18303/2619-1563-2023-1-54
Аннотация
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.
При поддержке: Разработка 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.
Об авторах
А. М. Камашев
http://www.ipgg.sbras.ru/ru/institute/staff/kamashevam
Институт нефтегазовой геологии и геофизики им. А.А. Трофимука СО РАН
630090, Новосибирск, просп. Акад. Коптюга, 3
Новосибирский государственный университет
630090, Новосибирск, ул. Пирогова, 1
Россия
Институт нефтегазовой геологии и геофизики им. А.А. Трофимука СО РАН
630090, Новосибирск, просп. Акад. Коптюга, 3
Новосибирский государственный университет
630090, Новосибирск, ул. Пирогова, 1
Россия
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.
А. А. Дучков
http://www.ipgg.sbras.ru/ru/institute/staff/duchkovaa
Институт нефтегазовой геологии и геофизики им. А.А. Трофимука СО РАН
630090, Новосибирск, просп. Акад. Коптюга, 3
Новосибирский государственный университет
630090, Новосибирск, ул. Пирогова, 1
Россия
Институт нефтегазовой геологии и геофизики им. А.А. Трофимука СО РАН
630090, Новосибирск, просп. Акад. Коптюга, 3
Новосибирский государственный университет
630090, Новосибирск, ул. Пирогова, 1
Россия
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.
Список литературы
1. Боганик Г.Н., Гурвич И.И. Сейсморазведка. – Тверь: АИС, 2006. – 743 с
2. 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.
3. 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.
4. Hampson D. Inverse velocity stacking for multiple elimination // Journal of the Canadian Society of Exploration Geophysicists. – 1986. – P. 44–55.
5. 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.
6. 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.
7. 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.
8. 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.
9. Verschuur D.J. Seismic multiple removal techniques: past, present and future. – EAGE Publications, Houten, 2013. – 300 p.
10. Yilmaz Ö. Seismic data analysis: Processing, inversion, and interpretation of seismic data. – SEG, 2001. – 2065 p., doi: 10.1190/1.9781560801580.
11. 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.
12. 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.
Рецензия
Для цитирования:
Камашев А.М., Дучков А.А. Применение машинного обучения для адаптивного вычитания кратных отраженных волн. Геофизические технологии. 2023;(1):54-65. https://doi.org/10.18303/2619-1563-2023-1-54
For citation:
Kamashev A.M., Duchkov A.A. Application of machine learning for adaptive subtraction of multiple reflected waves. Russian Journal of Geophysical Technologies. 2023;(1):54-65. (In Russ.) https://doi.org/10.18303/2619-1563-2023-1-54
Просмотров:
311
Послать статью по эл. почте 