基于卷积神经网络的地震深度域成像Q值估计方法研究

The absorption and attenuation of the earth medium is a main factor affecting the resolution of seismic imaging. The de-absorption pre-stack depth migration (Q-PSDM) takes into account the complex structural imaging and absorption attenuation compensation in one go. However, obtaining a heterogeneous Q field in depth domain becomes the bottleneck for the successful deployment of Q-PSDM. The current waveform based inversion method has many disadvantages, such as the low tolerance to data noise and large amount of calculation effort. Through the study, we find that Q inversion method based on convolutional neural network in imaging domain is less affected by the noise in data domain, with better robustness and natural parallelism than the traditional analytical inversion method, and the speed of problem solving is no longer limited by the scale of the inversion problem. This research project is aiming to give a solution of Q model estimation in depth domain for the 3D Q-PSDM method. The project mainly includes the research on the extraction and expansion of the defined feature parameters in imaging domain after depth migration, the automatic Q value updating method in the imaging domain based on convolutional neural network, the study of GPU acceleration algorithm for 3D Q-PSDM. The key part of the research is how to build a neural network model suitable for Q estimation, and use the extracted feature parameters to conduct supervised training of neural network, so that the network can update the Q value automatically. This project provides a new efficient and robust method for Q inversion in depth domain, which has important theoretical significance and application value.

地球介质黏弹性吸收衰减是影响深部地震成像分辨率的主要因素。黏弹性叠前深度偏移方法兼顾了复杂构造成像和吸收衰减补偿。然而实际应用中，如何获得精细的深度域Ｑ值是该方法主要难点所在。现行的基于波形的Q值反演方法，存在反演结果受数据噪音影响大，计算量大等不足。基于卷积神经网络的概率反演方法，具有受噪音影响小，鲁棒性好，天然并行，问题求解速度与反问题规模无关等诸多优良特性。本项目针对深度域Q值估计问题开展研究，提出一种基于卷积神经网络的深度域Q值更新方法。研究工作主要包括，深度偏移成像域Q值变化特征参数提取与扩充方法研究，基于卷积神经网络的成像域自动Q值更新方法研究，三维黏性叠前深度偏移GPU加速算法研究。研究的重点是如何构建适合Q值估计的神经网络模型，使用特征参数对神经网络进行有监督的训练，进而使网络能完成Q值的更新。本项目为深度域Q值反演提供一种高效、鲁棒的新方法，具有重要的理论意义和应用价值。

本研究项目探索了一种深度域Q值建模新方法，利用编码-解码卷积神经网络结构U-Net，从地震反射数据中建立与气云相关的异常Q模型。证明了使用真实数据训练网络预测Q异常以建立Q模型是可行性。此外，所提出的方法可以预测任何大小的地震剖面，并且在选择了几个参数后，整个过程是自动化的。利用训练好的神经网络对具有强衰减概率的异常Q模型进行估计，该模型与气云的位置和形状很好地对应。最后，我们将该异常Q模型与背景Q模型相结合，并使用项目发展的快速补偿吸收衰减的叠前深度偏移Q-PSDM使用Q值模型进行了补偿衰减成像，对该模型进行验证和评估。得到了具有适当补偿的高分辨率深度成像结果，表明利用深度学习方法辅助建立的Q模型是合理的和可行的。目前，CNN本身并没有直接提高Q异常识别的分辨率，而提高的分辨率和识别精度在很大程度上依赖于人类对标签的解释和数据的多样性。在项目研究过程中，利用深度卷积神经网络还探索了偏移成像参数自动拾取，断层拾取等工作。作为未来的工作，我们计划使用有衰减和无衰减的合成训练数据集来训练网络，将该方法扩展到处理更多噪声和倍数的浅水数据，并进一步研究计算成本更低的新网络结构。