深度学习地震数据重建方法研究综述_易继东.pdf

2023 年第 38 卷 第1期2023，38(1):0361-0381地球物理学进展Progress in Geophysicshttp:/wwwprogeophyscnISSN 1004-2903CN 11-2982/P易继东，张敏，李振春，等2023 深度学习地震数据重建方法研究综述 地球物理学进展，38(1):0361-0381，doi:106038/pg2023GG0048YI JiDong，ZHANG Min，LI ZhenChun，et al 2023 eview of deep learning seismic data reconstruction methods Progress in Geophysics(in Chinese)，38(1):0361-0381，doi:106038/pg2023GG0048深度学习地震数据重建方法研究综述eview of deep learning seismic data reconstruction methods易继东1，张敏1，2*，李振春1，2，李可欣1YI JiDong1，ZHANG Min1，2*，LI ZhenChun1，2，LI KeXin1收稿日期2022-05-19;修回日期2022-10-21投稿网址http:/www progeophys cn基金项目中国石油重大科技合作项目“塔里木盆地深层复杂高陡构造与碳酸盐岩储层地震速度建模及成像关键技术研究”(ZD2019-183-003)和国家自然科学基金项目“面向深层岩性油气藏的黏弹性参数反演成像方法研究”(42074133)联合资助第一作者简介易继东，男，1997 年生，硕士研究生，主要从事地震数据重建及去噪方面的研究 E-mail:z20010061 s upc edu cn*通讯作者张敏，女，1983 年生，高级实验师，目前从事地震波传播与成像相关研究工作 E-mail:zhangm upc edu cn1 中国石油大学(华东)地球科学与技术学院，青岛2665802 山东省深层油气重点实验室，中国石油大学(华东)，青岛2665801 School of Earth Science and Technology，China university of Petroleum(East China)，Qingdao 266580，China2 Shandong Provincial Key Laboratory of Deep Oil and Gas，China University of Petroleum(East China)，Qingdao 266580，China摘要由于自然条件限制和人为因素的影响，实际采集得到的地震数据往往会出现地震道数据缺失的情况，会对后续的地震数据处理和解释制造困难，需要对地震数据进行重建 而传统地震数据重建方法通常存在着重建效果受先验条件约束、超参数选择需要人工干预、自动化程度低等问题 于是人们将目光投向发展迅速的深度学习领域，截至今日已经有不少深度学习方法应用于地震数据重建领域以解决上述地震数据重建过程中的问题 本文将着重分析具有代表性的深度学习地震数据重建方法，分别基于卷积神经网络、循环神经网络、卷积自编码器、生成对抗性网络 通过重建结果残差对比图，重建结果信噪比分析等方法对深度学习地震数据重建方法的优势和不足进行深入探讨并进一步阐述深度学习地震数据重建方法的研究现状、方法优势、存在的问题以及未来发展趋势，对现今的深度学习重建方法进行总结和展望关键词深度学习;地震数据重建方法;卷积神经网络;循环神经网络;卷积自编码器;生成对抗性网络中图分类号P631文献标识码Adoi:10 6038/pg2023GG0048AbstractDue to the influence of natural and humanfactors，the actually collected seismic data often have thesituation that the seismic trace data is missing，which willaffectthesubsequentseismicdataprocessingandinterpretationDataprocessingandinterpretationHowever，traditional seismic data reconstruction methodsusuallyhavetheproblemsthattheseismicdatareconstruction effect is constrained by prior conditions，theselection of hyperparameters requires manual intervention，and thedegreeofautomationislowThisisanunavoidable drawback of current geophysical methodsSince its inception，the deep learning method has theadvantages ofhighdegreeofautomation，completedtraining，fast processing of target tasks，wide applicationfields，andflexibilityTherefore，peopleturntheirattention to the rapidly developing field of deep learningAs of today，it has been There are many deep learningmethods applied to the field of seismic data reconstructionto solve the above-mentioned problems in the seismic datareconstruction processThis paper will focus on theanalysis of representative deep learning seismic datareconstruction methods，which are based on ConvolutionalNeuralNetwork(CNN)，ecurrentNeuralNetwork(NN)，convolutionalautoencoder，andgenerativeadversarial network The above three methods are selectedfrom thefollowingconsiderationsTheCNNistherepresentative of the classic visual neural network andsuper-resolution image reconstruction，and itisveryrepresentative;the NN is a significant attempt based onthe characteristics of the seismic data sequence，because itgets rid of the long-term perception of deep learningmethods The thinking inertia of processing through thevisual neural network;the generative adversarial networkuses the network game theory，and the deep learningnetwork is constantly adjusted in the continuous learningprocess In this paper，the advantages and disadvantages地球物理学进展www progeophys cn2023，38(1)of the deep learning seismic data reconstruction method arediscussed in depth through the reconstruction resultsresidual comparison chart and the reconstruction resultsignal-to-noise ratio analysisAnd further expound theresearch status，method advantages，existing problems andfuture development trends of deep learning seismic datareconstruction methods，and summarize and prospect thecurrent deep learning reconstruction methodsKeywordsDeep learning;Seismic data reconstructionmethod;Convolutional Neural Network(CNN);ecurrentneural network;Convolutional autoencoder;Generativeadversarial network0引言地震数据重建是为了将因为自然和人工原因造成的缺失数据以尽可能高的精度重构出来，得到采样率高的地震数据以满足接下来的偏移成像、多次波压制等处理流程对数据的要求(李振春等，2018;Jia and Ma，2017;孙苗苗，2019;王昊等，2020;罗仁昱等，2021)目前，传统地震数据重建方法大致分为以下三种方法:图 1U-net 网络示意图Fig 1Schematic diagram of U-net network(1)基于波动方程的地震数据重建方法，依靠地下介质的先验信息 速度，利用波动方程来推导缺失地震道处地震数据的波场信息 然而以速度作为先验信息存在着先验信息不准确、难以求取的问题，也导致了方法本身的计算量大，采样率不能过低(Liu et al，2021;孙苗苗等，2019);(2)基于稀疏变换的地震数据重建方法，具有稀疏性的信号可以通过稀疏约束等策略恢复出完整的信号，由此借助一系列稀疏变换对地震数据进行重建，相比于基于波动方程的重建方法计算更快，但对于不同的地震数据往往需要更换阈值模型或者调整阈值等参数，需要不断地人工干预地震数据重建;(3)基于低秩矩阵完备的重建方法，这类方法是利用数据出现地震数据缺失时会增加数据在频率切片 Hankel 矩阵的秩，通过降低该矩阵的秩达到重建目的(Spitz，1991;Ma，2013;Gao et al，2013)详细对比如下表 1 然而在实际应用过程中计算量与数据储存量都很巨大，尤其是对现在常处理的高维地震数据(Gao et al，2013)表 1传统方法与深度学习方法对比Table 1Comparison between traditional methodsand deep learning methods对比方法传统方法深度学习方法优缺点1 需要地下先验信息，采样率不能过低2 需要大量的人工干预3 计算时间过长1 无需地下先验信息，不受采样率限制2 无需人工干预，网络自动调节参数3 模型训练完成之后，计算速度快因此人们将目光投向的深度学习领域以期解决目前传统方法出现的问题深度学习方法共经过了三次飞跃发展，第一次是 20 世纪 50 年代的控制论(Cybernetics)，是受到神经科学的启发得到的简