摘要

逆時偏移作為重要的地震偏移技術，已經成為復雜構造成像的有力工具。地下構造的強衰減體引起地震波 振幅減弱和相位失真，直接影響地下有效油氣儲層的識別精度，而現有逆時偏移補償技術具有計算復雜、補償精度低等不足。為優化計算、提高補償精度,提岀一種基于TensorFlow框架的震波逆時偏移補償方法，將傳統循環 生成對抗網絡(CycleGAN)與注意力機制(Attention)相融合，將交叉爛損失函數與感知損失函數結合成新的損失函數,最后得到補償后的地震波特征圖。實驗表明，基于深度學習的地震波逆時偏移補償方法補償平均誤差為 3. 71 %, 低于現有基于廣義S變換反Q濾波方法的平均誤差為4?59%, 證明了該方法對地震資料的處理與解釋的可行性。

引言

逆時偏移成像技術已經廣泛應用于地震勘探中，但根據雙程波動方程和時間一致性成像等原理,逆時偏移會產生一定的低頻噪聲。低頻噪聲會造成地震波的衰減,且由于地下不均勻地層發生摩擦生熱造成振幅固有衰減,地震波振幅還會隨著傳播距離的增大而發生幾何衰減。地震波逆時偏移補償中,常用的方法有最小二 乘反演吸收衰減補償法、求解拉普拉斯算子的解耦 黏滯聲波方程法、求解補償方程的波數域格林函數 等啓幻，這些方法存在著依賴于正演且計算復雜度較 高的缺點。深度學習具有能夠自適應性學習的特點，在地震波逆時偏移補償中具有廣泛的應用前景李金麗等閃用黏滯聲波逆時偏移方法對地震波衰減進行了補償,趙巖等提出一種自適應增益限反Q濾波方法,李添才等提出一種基于相速度的旅行時計算方法,在吸收衰減介質成像方面引入多尺度Gabor變換進行有效的相位和振幅補償，LIN J等固通過字典學習方法進行地震波補償。這些方法存在計算復雜度高的特點,而且在復雜強衰減地質中補償效果不理想。為簡化反演計算復雜度、提高在強衰減地質中地震波逆時偏移補償精度，提出一種基于深度學習的地震波逆時偏移補償方法,利用循環生成對抗網絡直接從波場角度對有衰減的波形進行補償處理,通過與注意力機制相融合,成功補償了波形的振幅衰減和相位失真。實驗結果表明，該方法修正了常規方法中存在的濾披去噪不徹底，改變了成像數據的振幅和相位信息等不足，補償平均誤差為 3. 71%, 低于現有研究資料中基于廣義S變換反Q濾波補償方法平均誤差4. 59%。在保證去噪效果的前提下保證了波形數據振幅和相位信息的相對不變,具有廣泛的實際應用價值。

1 基于深度學習的地震波逆時偏移補償模型

1.1 地震液逆時偏移補償算法原理

基于深度學習的地震波逆時偏移補償,算法采用循環生成對抗網絡(CycleGAN〉與注意力機制(Attention)相融合。CycleGAN主要由生成器和判別器2部分構成。生成器負責將潛在空間采樣點生成的地震波特征圖與判別器進行比較,經過生成器不斷優化和學習，直到生成器生成特征圖的概率分布與判別器一致,成功“騙”過判別器[如o Attention模擬了人類大腦注意力資源分配方法，通過概率分配的方式,提高對特征圖重點區域的關注,以獲取更多重要的細節,減少或忽略特征圖中除了波形之外其他部分的干擾口叮。如圖1所示，訓練黏性地質地震波有無衰減這2種形態特征圖，構建模型,通過分別訓練判別器和生成器,二者相互博弈，直到達到平衡,判別器無法辨認出生成器生成的特征圖,實現通過深度學習完成對波形衰減的補償。

圖1逆時偏移補償算法原理

1.2 模型結構設計

利用深度學習實現對地震波逆時偏移衰減補償示意圖見圖2。把炮點處產生的沒有衰減的地震波數據集設為A域，把經過黏性地層后檢波器接受到的有衰減的地震波數據集記為￡域。Gab為經過反復訓練和學習對衰減信號的生成器,張為補償衰減后的波形生成器,Db為有衰減的地震波判別器,負責判別輸入波形是生成器生成的有衰減的地震波還是真實的有衰減的地震波，輸出為0或1。經過注意力機制的融入，通過訓練不斷優化生成器和判別器，提高生成器“欺騙”能力和判別器的“偵察”能力，最終實現生成器生成的沒有衰減的地震波圖像成功“騙”過判別器，從而實現補償。

1.3 損失函數的改進

損失函數是深度學習網絡的關鍵所在,常見的交叉購損失函數口幻能夠比較生成器生成的地震波波場圖與無衰減的地震波波場圖像素間的損失，卻無法宏觀上比較二者結構的相似性,不適用于地震波逆時偏移補償。該算法采用基于像素級的交叉爛損失和感知損失相融合的改進型混合損失函數。改進型的混合損失函數成功融合了這2種損失函數的優點，既可以計算預測目標地震波波形圖中像素間的損失，又可以比較相似圖像間的高級感知和語義差異,提高對低分辨率地震波形圖特征的重構能力口現由于該模型設計應用于地震波逆時偏移補償，因此，有無衰減的地震波皆為同地質區塊同炮處的檢波器接收的地震波，從而有衰減待補償的地震波與震源處發出地震波具有結構相似性。改進型的混合損失函數更容易使模型收斂,更適用于此項目°

式(1)可分別表示判別器和生成器改進型的混合損

(1) 式中，畑為batch中模型網絡第Z層的第池個像素的目標標簽值;為,為batch中模型網絡第I層的第死個像素的預測概率;G、H,、Wz為第Z層的feature_map的血e,即通道數、長、寬;D(畑)為判別器中第Z層的第九個像素的目標標簽值為判別 器中第I層的第宛個像素的預測概率;G(仇丿為生成器中第I層的第n個像素的目標標簽值;L為網絡層數;N為1個batch中像素數量。

2 實驗過程及結果分析

2.1 地震波逆時偏移補償模型訓練

網絡結構使用Tensorflow 實現，批數量為16, 優化方法采用批量隨機梯度下降法在CUDA10. 0架構平臺下計算學習率為0. 001, 訓練迭代次數為200, 用CuDNN7. 5. 0神經網絡計算庫加速運算。

網絡訓練前，先利用數值模擬方法構建1個衰減模型，震源選擇Ricker子波進行正演然后基于Kolsky衰減模型合成有衰減的地震信號，白噪反射系數序列,時間采樣間隔dr為0. 003 最大延續時間仏為1. 2 s,品質因子Q為80, 主頻為80 Hz。實驗將模擬地震信號波場快照為地震波數據集,引入注意力機制防止模型過擬合。在時頻域內進行地震波能量衰減補償。結果見圖3O圖3(a)為通過Ricker子波數值模擬的無衰減的地震波及其時頻圖，在1. 2 s內可見6個明顯波峰,地震波振幅越大的位置對應時頻圖內能量越大、顏色越深。圖3(b)為數值模擬出的通過黏性地層后有衰減的地震波，在0.18 s之后振幅和相位衰減較為嚴重，衰減朝低頻方向移動。圖3(c)為通過CycleGAN地震波逆時偏移衰減補償模型處理后的波場時頻圖及重構的地震波，對比圖3(b)在對應波峰處能量衰減得到了補償，在0. 5?0?9 s處存在明顯的過度補償，這是模型過擬合導致的。圖3(d)為融入注意力機制的CycleGAN地震波逆時偏移衰減補償模型處理后的波場時頻圖及重構的地震波,減少了圖3(c)的過度補償現象，補償效果較理想。

圖3模擬地JR波波場頻譜圖

2.2地震波逆時偏移補償模型的評價與分析

采用Q值法和感知哈希算法衡量模型對地震波的補償效果。品質因子Q是在1個波長距離內振動損耗的能量與總能量之比的倒數，它是能夠衡量地震波能量衰減和頻散的重要參數。感知哈希算法用于比較2張圖片之間像素的相似度，該算法評價的原理是將無衰減的地震波波場圖和生成的補償后的地震波圖像分別從像素域轉換到頻域，通過保留頻率系數矩陣左上角的區域元素計算圖像的哈希值，再計算2張地震波圖片哈希值的漢明距離,從而得到2張地震波圖像的相似度。

實驗選取了 4組不同Q值進行誤差分析,從2種模型預測的波場圖中提取對應的預測Q值與真實Q值進行對比。表1展示了CycleGAN補償模型與CycleGAN+Attention補償模型預測Q值與真實Q值的對比情況以及誤差分析。通過模型試算得出：CycleGAN補償模型預測Q值平均誤差為4.19%, 融入注意力機制的CycleGAN衰減補償模型預測Q值平均誤差為3. 71%, 均低于現有從廣義S變換角度計算得出的Q值平均誤差4. 59%, 而且融入了注意力機制的CycleGAN模型預測值誤差更低，擬合效果更好。

表12種模型預測的Q值誤差分析

比較了相同時間切片處采用CycleGAN補償模型與CycleGAN +Attention補償模型處理的地震波圖像的哈希值，圖4展示了訓練時期(epoch)為200時每一輪中通過感知哈希算法計算2種模型補償地震波的準確率。

分析得出：隨著訓練epoch數的增加,2種模型對于地震波逆時偏移衰減補償的準確率整體上逐漸提升。在98個epoch之后2種模型預測準確率趨于相對穩定，且融入注意力機制補償模型預測值平均準確率為81.15%, 好于普通CycleGAN模型預測值平均準確率75.01%。再次驗證了地震波逆時偏移補償模型在融入注意力機制后從波形結構相似性上效果更理想，對地震資料的衰減處理具有一定的應用價值。

圖4通過感知哈希算法評價2種模型預測準確率

3 結論

(1) 提出一種基于深度學習的地震波逆時偏移補償方法，將地震波從波數域獲取的波場圖作為數據集，將CycleGAN算法與注意力機制相融合完成圖像生成。

(2) 采用融入注意力機制的CycleGAN算法對地震波做逆時偏移衰減補償處理，模型預測值的誤差低于現有基于廣義S變換方法的平均誤差4.59%, 驗證了該方法的可行性及優越性。

(3) 將損失函數改進成交叉爛損失函數與感知損失函數混合型的損失函數，更適用于強衰減地層中對地震波的補償。未來可以將該模型推廣應用到不同的地質勘探壞境中，具有廣泛的應用潛力。