结合迁移学习和标签优选的半监督CNN-GRU地震数据衰减补偿

• 全文链接
• 请求原文

作   者：

徐升博;  汪玲玲;  谢琳; 

作者机构：

中国地质大学（武汉）地球物理与空间信息学院; 

关键词：

衰减补偿;  卷积神经网络;  深度学习;  门控循环单元;  迁移学习;  半监督; 

期刊名称：

地球物理学报

i s s n：

0001-5733

年卷期：

2025 年 68 卷 002 期

页   码：

713-729

摘   要：

本文提出了一种基于卷积神经网络(Convolutional Neural Network, CNN)和门控循环单元(Gated Recurrent Units, GRU)组成的半监督网络，结合迁移学习和标签优选策略对地震数据进行吸收衰减补偿的方法.半监督CNNGRU网络包含一个反演网络和一个正演网络.首先用具有较复杂地层结构的典型模型数据对反演和正演网络进行预训练，然后基于迁移学习策略将衰减地震数据送入预训练好的反演网络，其输出再输入预训练好的正演网络，用反演结果相对于标签数据的损失结合正演结果相对于衰减地震数据的损失指导更新半监督CNN-GRU的网络参数.该训练方法可充分利用模型数据、标签数据和无标签地震数据对网络进行训练，较好地缓解标签训练样本不足的问题.对于测井数量极少的情况，本文给出了一种两步训练策略：第一步，使用K-Means++方法聚类优选标签位置，并在这些位置处用一种基于分子分解的传统Q校正方法制作标签数据，然后用上述迁移学习结合半监督方法训练半监督CNN-GRU网络；第二步，用测井数据生成的标签继续半监督训练网络，最后用训练好的半监督CNNGRU网络中的反演网络从衰减地震数据预测未衰减地震数据.模型和实际数据算例结果表明，结合迁移学习和标签优选两步训练策略，在仅有一口测井数据的情况下，本文方法也能够从衰减地震数据直接反演得到较高精度的衰减补偿数据.其中，在模型算例中，衰减补偿地震数据相对于未衰减地震数据的皮尔逊相关系数(Pearson Correlation Coefficient, PCC)可达到0.9892；在实际算例中，测井处的PCC可达到0.9989，相应的正演结果的PCC可达到0.9956.此外，本文方法计算效率较高、对噪声具有良好的鲁棒性.