一种基于多尺度残差网络的地震数据重建方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115826041A(43)申请公布日2023.03.21(21)申请号202211458066.6(22)申请日2022.11.18(71)申请人河北工业大学地址300130天津市红桥区丁字沽光荣道8号河北工业大学东院330#(72)发明人贾永娜沈晓宁顾军华邵威刘洋(74)专利代理机构天津翰林知识产权代理事务所(普通合伙)12210专利代理师王瑞(51)Int.Cl.G01V1/28(2006.01)权利要求书2页说明书6页附图4页(54)发明名称一种基于多尺度残差网络的地震数据重建方法(57)摘要本发明公开了一种基于多尺度残差网络的地震数据重建方法。本发明将多尺度卷积思想应用于残差结构中，在多尺度残差块的基础上引入不同大小的卷积核，通过多尺度残差块级联自适应地提取地震数据的信息；然后利用各多尺度残差块输出作为局部特征进行全局特征融合。最后，将融合后的全局特征发送到重建模块进行地震数据重建。本发明在多尺度残差块的基础上采用不同尺度卷积核进行特征提取，能够更好的提取出地震数据的局部特征，从而重建出更高信噪比的地震数据。CN115826041ACN115826041A权利要求书1/2页1.一种基于多尺度残差网络的地震数据重建方法，其特征在于，该方法包括以下步骤：步骤1、对原始地震数据集进行处理，生成统一尺寸的地震数据图像，并进行可视化处理；将地震数据图像分为训练集、验证集和测试集；地震数据图像包括完整地震图像以及与之对应的缺道地震图像；缺道地震图像作为多尺度残差网络的输入，其对应的完整地震图像作为标签，在计算损失函数时使用；步骤2、对缺道地震图像进行下采样，生成低分辨率地震图像LR；步骤3、将低分辨率地震图像LR输入到多尺度残差网络中进行特征提取，多尺度残差网络由n个连续的多尺度残差块和一个特征融合层构成，特征融合层位于多尺度残差网络的末端；经过多尺度残差网络后的输出为全局特征F：式(1)中，w表示卷积层权重，Mf表示n个多尺度残差块的特征图，b表示卷积层的偏差，[M0,M1,M2,M3]表示特征融合操作；步骤4、将步骤3得到的全局特征F进行上采样，得到此次迭代的高分辨率重建地震图像Fout；步骤5、得到高分辨率重建地震图像Fout后，再通过损失函数对此次迭代的多尺度残差网络进行优化；步骤6、通过损失函数不断优化多尺度残差网络，直至达到设定的迭代次数，得到训练好的多尺度残差网络；再将测试集中的缺道地震图像输入到训练好的多尺度残差网络中完成地震数据重建，得到重建地震数据。2.根据权利要求1所述的基于多尺度残差网络的地震数据重建方法，其特征在于，步骤1中，生成地震数据图像的过程中，通过对原始地震数据集中的地震数据进行随机翻转和旋转90°、180°、270°来进行图像增强。3.根据权利要求1所述的基于多尺度残差网络的地震数据重建方法，其特征在于，步骤3的具体操作为：将步骤2生成的低分辨率地震图像LR输入到连续的n个多尺度残差块中进行特征提取，前一个多尺度残差块的输出作为后一个多尺度残差块的输入，并且将每一个多尺度残差块的输出均输入到特征融合层，作为局部特征便于后续获取全局特征F。4.根据权利要求1所述的基于多尺度残差网络的地震数据重建方法，其特征在于，步骤3中，每个多尺度残差块的计算公式为：式(2)中，Mi表示第i个多尺度残差块的输出，Mi‑1表示第i个多尺度残差块的输入即第i‑2CN115826041A权利要求书2/2页1个多尺度残差块的输出；w1和b1分别表示第一部分的上分支和下分支的卷积层权重和偏移量，下标表示层中使用的卷积核大小；w3和b3分别表示第三部分的上分支和下分支的卷积层权重和偏移量，下标表示层中使用的卷积核大小；w5和b5分别表示第五部分的卷积层权重和偏移量，下标表示层中使用的卷积核大小。5.根据权利要求1或4所述的基于多尺度残差网络的地震数据重建方法，其特征在于，步骤3中，每个多尺度残差块均包括连续的五个部分；第一部分由上分支和下分支构成、第二部分为concat融合层、第三部分由上分支和下分支构成、第四部分为concat融合层、第五部分由一个卷积核大小为1×1的卷积层和BN构成；具体计算操作为：每个多尺度残差块的输入和输出均为N张特征图，将第i‑1个多尺度残差块的输出Mi‑1分别输入至第i个多尺度残差块的第一部分的上分支和上分支；在第一部分的上分支中，先经过一个特征图数量为N、卷积核大小为c×c的卷积层对Mi‑1进行卷积操作，再通过BN归一化后由ReLU激活函数进行激活，得到输出S1；在第一部分的下分支中，先经过一个特征图数量为N、卷积核大小为d×d的卷积层对Mi‑1进行卷积操作，再通过BN归一化后由ReLU激活函数进行激活，得到输出P1；再将输出S1