Common‐offset domain reflection–diffraction separation with deep learning

doi:10.1111/1365-2478.13278

Common‐offset domain reflection–diffraction separation with deep learning

2022-12-01

0

PRE

AI

DOI：10.1111/1365-2478.13278

原文链接

原文求助

摘要

En 中文

摘要在地震数据中分离衍射事件与反射事件仍然具有挑战性，这主要是因为衍射波场的振幅相对反射波场较低，同时反射和衍射事件在运动学特征上存在重叠。基于深度学习的工作流程可以是一种简单且快速的替代方法，但使用基于物理建模的合成数据进行训练成本高昂，且在噪声、振幅、频率内容和子波等方面缺乏多样性。这导致模型在未经重新训练和迁移学习的情况下难以推广至训练数据之外的样本。本文展示了使用传统U-net架构成功实现反射-衍射分离的应用。我们方法的新颖之处在于，我们未使用基于物理建模的合成数据，而是仅使用由基本几何形状构建的合成数据。我们的应用领域是偏移前的共偏移距域，其中反射事件类似于局部地质构造，而衍射波场则由向下凸的抛物线形衍射模式组成。我们对这两种模式进行了多种随机扰动，同时保留了其固有特征。该方法借鉴了深度学习中机器视觉应用中常用的数据增强技术。由于许多标准的数据增强技术缺乏地球物理动机，我们转而采用从信号处理角度或基于对当前问题的“领域知识”更合理的扰动方式来扰动我们的合成训练数据。我们无需重新训练网络即可在实测数据集上获得良好结果。训练样本的多样性和丰富性使神经网络在训练过程中未使用的合成数据集和实测数据集上均表现出令人鼓舞的结果。

Common‐offset domain reflection–diffraction separation with deep learning

摘要

期刊

机构

引用论文