混采分离模型训练方法及相关方法和装置与流程

1.本发明涉及油气地球物理勘探中的地震资料处理领域，特别涉及一种混采分离模型训练方法及相关方法和装置。


背景技术：

2.油气地球物理勘探中采用地震激发设备激发地震，然后利用地震进行勘探。混采分离是指将主炮产生的地震从主炮地震与邻炮地震混叠的混叠数据中分离出来，其中，主炮指所选定的震源，邻炮指其他震源。主炮数据是指主炮地震的数据。混叠数据是由主炮地震和邻炮地震混叠的数据。
3.在进行地层勘探时，通常将一个选定的地点作为炮点进行人工地震，通过研究地震后的相关数据研究地层的结构。在炮点激发一次人工地震之前，会在地表的多个位置设置检波器，所述检波器能够按照固定的时间间隔对地震过程中其所在位置的地震进行采样记录，每个所述检波器记录的数据称为一个地震道。所述检波器与所述炮点呈直线排列，如此实现记录的所述地震道能够全面反映地震从所述炮点向外传播的过程。所述检波器之间的间距固定，使得所述地震道为每间隔固定距离的地震传播情况，如此有较强的规律性，便于后续进行数据分析。所述检波器之间的间距为道间距。在所述炮点激发一次人工地震之后，将每个所述检波器记录的所述地震道，按照地理位置排列即形成了所述炮集记录。所述炮集记录的横坐标为所述地震道的编号，纵坐标为时间。
4.传统地震采集技术设置邻炮相对于主炮的激发地震的时间足够长，即激发时间间隔足够长，使主炮与邻炮的地震几乎不发生混叠，不需要进行混采分离；多震源地震采集技术同时或者延时激发多组震源，缩短了采集时间，极大地提高了地震采集效率，降低了成本。混采分离是多震源混叠采集技术中的关键处理技术。目前常规的邻炮干扰压制技术基本上可分为两类：基于滤波的压制方法和基于反演的压制方法。基于滤波的方法是将非炮集(如共检波点道集)上的邻炮干扰近似为随机噪声，利用频率－波数域倾角滤波、空间－时间域中值滤波等去除噪声的方法压制邻炮干扰，这类方法具有计算速度快、易实现的优点。基于稀疏反演的方法是将混采数据作为观测数据，将待恢复的有效地震记录作为模型变量，将邻炮干扰压制作为反问题，利用稀疏约束的训练反演方法进行求解。与滤波类方法相比，基于反演方法分离的有效地震记录具有更高的信噪比和保真度。


技术实现要素：

5.发明人发现，现有技术中混采分离方法主要有滤波和反演两类，基于滤波的方法针对低信噪比数据分离效果较差。基于稀疏反演的方法计算效率较低，难以进行实际推广应用。常规的邻炮干扰压制技术在本质上都属于模型驱动的算法，需要根据主炮数据与邻炮干扰的差异设计出相应的区分算法，假设邻炮干扰在非炮域的不连续性来区分主炮信号和干扰噪声，但是实际数据往往受到多种噪声的影响，导致主炮的有效信号的非炮域的连续性变差，因此仅仅依靠某种人为的单一的假设条件来进行邻炮干扰的压制无法取得理想
的效果。为了至少部分地解决现有技术存在的技术问题，发明人做出本发明，通过具体实施方式，提供一种混采分离模型训练方法及相关方法和装置。
6.第一方面，本发明实施例提供一种混采分离模型训练方法，包括：
7.对采集的多组混叠数据、对应的主炮数据和激发时间间隔进行道集抽取，将得到的采集的地震数据对应的检波点道集作为样本集；
8.使用所述样本集中的混叠数据和对应的激发时间间隔作为输入数据，对应的主炮数据作为标签数据，训练混采分离模型，所述混采分离模型包括深度学习网络和地球物理引导网络；
9.当满足预设的训练结束条件时，得到训练好的混采分离模型。
10.在一些可选的实施例中，所述对采集的多组混叠数据、对应的主炮数据和激发时间间隔进行道集抽取，将得到采集的地震数据对应的检波点道集作为样本集，包括：
11.使用下列方式中的至少一种采集地震数据：
12.选取两炮未混叠的地震数据，按照随机的时间间隔将两炮地震数据叠加，得到主炮和邻炮的地震混叠数据，所述随机的时间间隔为混叠数据对应的激发时间间隔；
13.使用数值模拟技术模拟常规采集的地震数据得到主炮数据，模拟混叠采集的地震数据得到地震混叠数据和对应的激发时间间隔；
14.采集的多组混叠数据，使用混采分离技术，分离出主炮数据和对应的激发时间间隔；
15.将采集地震数据变换到检波点道集，将所述检波点道集作为样本集。
16.在一些可选的实施例中，所述使用所述样本集中的混叠数据和对应的激发时间间隔作为输入数据，对应的主炮数据作为标签数据，训练混采分离模型之前，包括：
17.根据样本集中每个样本的激发时间间隔，构建混叠矩阵；
18.初始化混采分离模型参数初始化混采分离模型参数包括深度学习网络参数θ和地球物理引导网络权衡参数δ，η；
19.使用所述混叠矩阵确定混采分离模型的主炮计算数据初值x0；
20.初始化训练次数为0。
21.在一些可选的实施例中，所述根据样本集中每个样本的激发时间间隔，构建混叠矩阵，包括：
22.将样本集中每个样本的激发时间间隔转化为整数；
23.根据所述样本集中每个样本的整数化的激发时间间隔，确定不同所述激发时间间隔对应的每个样本的延迟矩阵；
24.对所述延迟矩阵求和，得到混叠矩阵。
25.在一些可选的实施例中，所述根据所述样本集中每个样本的整数化的激发时间间隔，确定不同所述激发时间间隔对应的每个样本的延迟矩阵，包括：
26.设置一个n
t
阶矩阵em，m为激发时间间隔，n
t
为正整数；
27.将矩阵em中行序数减去列序数等于所述样本集中每个样本的整数化的激发时间间隔m的元素赋值为1，其他元素赋值为0，得到激发时间间隔为m的样本对应的延迟矩阵；
28.重复上述过程，得到不同所述激发时间间隔的样本对应的延迟矩阵。
29.在一些可选的实施例中，所述对所述延迟矩阵求和，得到混叠矩阵，包括：
30.将同一所述激发时间间隔的每个样本的延迟矩阵求和，将不同所述激发时间间隔对应的所述延迟矩阵的和相加，得到混叠矩阵。
31.在一些可选的实施例中，所述使用所述混叠矩阵确定混采分离模型的主炮计算数据初值x0，包括：
32.根据x0＝γ
t
d，确定主炮计算数据初值x0，其中d为样本集中的混叠数据，γ
t
为混叠矩阵的转置矩阵。
33.在一些可选的实施例中，所述使用所述样本集中的混叠数据和对应的激发时间间隔作为输入数据，对应的主炮数据作为标签数据，训练混采分离模型，包括：
34.将δ、η输入地球物理引导网络得到
35.将地球物理引导网络权衡参数δ、η和主炮计算数据x输入参数为θ的深度学习网络，并根据得到新的δ、η和主炮计算数据x；
36.计算损失函数得到新的θ，其中，di为一个样本的混叠数据，xi为di对应的主炮数据，mi为di对应的激活时间间隔，n为样本集中样本的总个数，i为样本集中样本的序号，net(di，mi；θ)为混采分离模型根据θ、di和mi得到的对应的主炮计算数据；
37.以新的δ、η和θ为新参数，更新混采分离模型，并更新训练次数。
38.在一些可选的实施例中，所述更新训练次数之后，还包括：
39.若不满足最大训练次数，则通过反向传播算法调整当前网络的混采分离模型参数
40.第二方面，本发明实施例提供一种混采分离方法，其特征在于，使用前述混采分离模型训练方法得到的混采分离模型实现，包括：
41.将待分离的地震混叠数据进行道集抽取，得到所述待分离的地震混叠数据对应的检波点道集；
42.将所述待分离的地震混叠数据对应的检波点道集的数据输入所述混采分离模型，根据输出的分离后的数据得到主炮数据。
43.在一些可选的实施例中，所述根据输出的分离后的数据得到主炮数据，包括：
44.将所述输出的分离后的数据按照道集抽取的方法变换回炮集，所述炮集即主炮数据。
45.第三方面，本发明实施例提供一种混采分离模型生成装置，其特征在于，包括：
46.样本集生成模块：用于将多组混叠数据及其对应的主炮数据和对应的激发时间间隔变换到检波点道集，将所述检波点道集作为样本集；从样本集中抽取预设数量的样本，生成样本集；
47.混采分离模型训练模块：用于将样本集输入由深度学习网络和地球物理引导网络组成的混采分离模型进行训练，直至达到预设的训练结束条件，得到训练完成的混采分离模型。
48.第四方面，本发明实施例提供一种混采分离装置，其特征在于，包括：
49.混采数据变换模块：用于将待分离的地震混叠数据进行道集抽取，得到所述待分离的地震混叠数据对应的检波点道集；
50.混采数据分离模块：用于将所述检波点道集的数据输入权利要求1-9任一所述混采分离模型训练方法得到的混采分离模型，获取分离后的数据，再按照道集抽取的方法变换回炮集。
51.基于同一发明构思，本发明实施例还提供一种计算机存储介质，所述计算机存储介质中存储有计算机可执行指令，所述计算机可执行指令被处理器执行时实现前述混采分离模型训练方法或混采分离方法。
52.基于同一发明构思，本发明实施例还提供一种终端设备，包括：存储器、处理器及存储于存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现前述混采分离模型训练方法或混采分离方法。
53.本发明实施例提供的上述技术方案的有益效果至少包括：
54.本发明实施例一提供一种混采分离模型训练方法，通过使用多种方式得到的地震数据，训练包括深度学习网络和地球物理引导网络的混采分离模型，得到了能够有效压制邻炮干扰并有效保护主炮数据，而且运算效率大幅提高的混采分离模型。
55.本发明实施例二提供方法的一种混采分离方法，通过使用训练完成的包括深度学习网络和地球物理引导网络的混采分离模型进行混采分离，能够有效压制邻炮干扰并有效保护主炮数据，能够大幅提高分离效率和精度，提高地震资料的信噪比，为后续的地震资料定量解释和高精度储层预测提供高质量的基础数据。
56.本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
57.下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
58.附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
59.图1为本发明实施例中一种混采分离模型训练方法流程图；
60.图2为本发明实施例中深度学习网络结构示意图；
61.图3为本发明实施例中实际海上混采记录图；
62.图4为本发明实施例中使用反演方法分离的主炮记录图；
63.图5为本发明实施例中使用反演方法分离的邻炮干扰图；
64.图6为本发明实施例中应用混采分离模型分离的主炮记录图；
65.图7为本发明实施例中应用混采分离模型分离的邻炮干扰；
66.图8为本发明实施例中应用混采分离模型进行混采分离后的某油田地震资料与稀疏反演方法进行混采分离后的数据残差图；
67.图9为本发明实施例中一种混采分离方法流程图；
68.图10为本发明实施例中模拟混采数据图；
69.图11为本发明实施例中未混叠的主炮数据图；
70.图12为本发明实施例中本方法混采分离后的主炮数据图；
71.图13为本发明实施例中本发明处理结果与真实值的残差图；
72.图14为本发明实施例中一种混采分离模型训练装置框图；
73.图15为本发明实施例中一种混采分离装置框图。
具体实施方式
74.下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
75.为了解决现有技术中存在的问题，本发明实施例提供一种混采分离模型训练方法及相关方法和装置。
76.实施例一
77.本发明实施例一提供一种混采分离模型训练方法，其流程如图1所示，包括如下步骤：
78.步骤s101：对采集的多组混叠数据、对应的主炮数据和激发时间间隔进行道集抽取，将得到的采集的地震数据对应的检波点道集作为样本集。
79.在一些可选的实施例中，使用下列方式中的至少一种采集地震数据：
80.选取两炮未混叠的地震数据，按照随机的时间间隔将两炮地震数据叠加，得到主炮和邻炮的地震混叠数据，所述随机的时间间隔为混叠数据对应的激发时间间隔；例如，使用传统地震采集技术得到未发生混叠的主炮与邻炮的地震，传统地震采集技术设置邻炮相对于主炮的激发地震的时间足够长，即激发时间间隔足够长，使主炮与邻炮的地震几乎不发生混叠，不需要进行混采分离。然后将未发生混叠的主炮与邻炮的地震按照随机的时间间隔进行混叠，所述随机的时间间隔为混叠数据对应的激发时间间隔，主炮数据已经由传统地震采集技术采集得到。
81.使用数值模拟技术模拟常规采集的地震数据得到主炮数据，模拟混叠采集的地震数据得到地震混叠数据和对应的激发时间间隔；将采集的多组混叠数据，使用混采分离技术，分离出主炮数据和对应的激发时间间隔；
82.将采集地震数据变换到检波点道集，将所述检波点道集作为样本集。
83.步骤s102：根据样本集中每个样本的激发时间间隔，构建混叠矩阵。
84.将样本集中每个样本的激发时间间隔转化为整数；例如，将每个样本的激发时间间隔取整，可以采用进一法，或四舍五入，或者直接删掉小数部分等多种方式取整。
85.根据所述样本集中每个样本的整数化的激发时间间隔，确定不同所述激发时间间隔对应的每个样本的延迟矩阵；
86.在一些可选的实施例中，设置一个n
t
阶矩阵em，m为激发时间间隔，n
t
为正整数；
87.将矩阵em中行序数减去列序数等于所述样本集中每个样本的整数化的激发时间间隔m的元素赋值为1，其他元素赋值为0，得到激发时间间隔为m的样本对应的延迟矩阵；
88.重复上述过程，得到不同所述激发时间间隔的样本对应的延迟矩阵。
89.可以将延迟矩阵的计算表示为：em为延迟矩阵，定义为：
[0090][0091]
其中nt为主炮计算数据x的列数。例如，当m＝0时，e0＝i,i为单位矩阵；当m＝1时，有
[0092][0093]
对所述延迟矩阵求和，得到混叠矩阵。
[0094]
在一些可选的实施例中，将同一所述激发时间间隔的每个样本的延迟矩阵求和，将不同所述激发时间间隔对应的所述延迟矩阵的和相加，得到混叠矩阵。
[0095]
步骤s103：初始化混采分离模型参数。
[0096]
初始化混采分离模型参数初始化混采分离模型参数包括深度学习网络参数θ和地球物理引导网络权衡参数δ，η。例如，将δ，η分别初始化为0.1和0.9。
[0097]
步骤s104：确定主炮计算数据初值。
[0098]
使用所述混叠矩阵确定混采分离模型的主炮计算数据初值x0。
[0099]
设置混叠矩阵γ，使其满足：
[0100]
d＝γx
[0101]
其中，d为混叠数据；x为主炮计算数据。
[0102]
根据式d＝γx可得x＝γ-1
d,其中γ-1
为矩阵γ的逆矩阵。
[0103]
但是由于矩阵γ的欠定性，其逆矩阵不存在，因而使用γ
t
替代γ-1
计算x的初始猜测：
[0104]
即x0＝γ
t
d；
[0105]
因此，在一些可选的实施例中，根据x0＝γ
t
d，计算得到主炮计算数据初值x0，其中d为样本集中的混叠数据，γ
t
为混叠矩阵的转置矩阵。
[0106]
初始化训练次数为0。由于主炮计算数据初值是未经训练得到的，所以在确定主炮计算数据初值之后，第一次训练之前，将初始化训练次数为0。记录训练的次数的作用是限定最大训练次数，抑制模型训练过拟合的发生，也可以将达到最大训练次数作为预设的训练结束条件。
[0107]
步骤s105：使用所述样本集中的混叠数据和对应的激发时间间隔作为输入数据，对应的主炮数据作为标签数据，训练混采分离模型。所述混采分离模型包括深度学习网络和地球物理引导网络。
[0108]
参照图2所示，深度学习网络采用u型网络结构，由特征编码层、下采样层、特征解码层、上采样层和输出层组成。
[0109]
特征编码层由三组通道数为64、滤波器大小为3的卷积层组成，每组卷积层均包含relu(rectified linear unit)激活函数。
[0110]
下采样层由一组通道数为64、滤波器大小为3、卷积步长为2的卷积层组成，每组卷
积层均包含relu激活函数。
[0111]
特征解码层由一组通道数为64、滤波器大小为1、包含relu激活函数的卷积层，三组通道数为64、滤波器大小为3、包含relu激活函数的卷积层和一组通道数为64、滤波器大小为1、不包含任何激活函数的卷积层组成，
[0112]
下采样层由一组通道数为64、滤波器大小为3、卷积步长为2的反卷积层组成。
[0113]
输出层由一组通道数为1、滤波器大小为3的卷积层组成。
[0114]
在一些具体的实施例中，将δ，η输入地球物理引导网络得到在下一次训练中，在δ、η更新后，得到新的类似的，每次δ、η更新，都可以得到每次更新对应的新的
[0115]
将地球物理引导网络权衡参数δ、η和主炮计算数据x输入参数为θ的深度学习网络，并根据得到新的δ、η和主炮计算数据x；在下一次训练中，使用所得到新的δ、η、主炮计算数据x输入深度学习网络，并根据由新的δ、η得到的新的得到下一次训练所产生的δ、η、主炮计算数据x；类似的，每次将δ、η、主炮计算数据x输入深度学习网络，根据所输入的δ、η对应的都会得到每次对应的新的δ、η、主炮计算数据x。
[0116]
计算损失函数得到新的θ，其中，di为一个样本的混叠数据，xi为di对应的主炮数据，mi为di对应的激活时间间隔，n为样本集中样本的总个数，i为样本集中样本的序号，net(di，mi；θ)为混采分离模型根据θ、di和mi得到的对应的主炮计算数据。损失函数表示，将混采分离模型得到的每个样本对应的主炮计算数据与对应的主炮数据的差求和，使所述和最小时θ的值。最小化过程可通过adam优化算法实现。类似的，每一次训练后都根据损失函数更新θ。
[0117]
以新的δ、η和θ为新参数，更新混采分离模型，并更新训练次数。经过上述训练过程，更新混采分离模型后，更新训练次数，即将训练次数加1作为新的训练次数。
[0118]
完成步骤s105后，进行判断，若未达到预设的训练结束条件，则执行步骤s106，否则执行步骤s107。例如，若将达到最大训练次数作为预设的训练结束条件，则若未达到最大训练次数，则执行步骤s106，否则执行步骤s107。最大训练次数若未设定，则缺省最大训练次数为50。
[0119]
步骤s106：通过反向传播算法调整当前网络的混采分离模型参数。
[0120]
通过反向传播算法调整当前网络的混采分离模型参数通过反向传播算法调整当前网络的混采分离模型参数包括深度学习网络参数θ和地球物理引导网络权衡参数δ，η。
[0121]
执行步骤s106后，执行步骤s105。
[0122]
步骤s107：终止训练，得到训练完成的混采分离模型。将终止训练后，最近一次更新的混采分离模型作为训练完成的混采分离模型。
[0123]
例如，某油田a区块的应用实例，处理的数据为海洋地震数据，采用同步震源激发，混叠现象非常严重，影响了地震资料进一步的处理和解释。图3是本勘探区块的混采地震数据。图4为使用稀疏反演方法进行邻炮干扰分离的结果，混采信号得到有效分离，图5为使用
稀疏反演方法分离的邻炮干扰，该方法虽然有效分离邻炮干扰，但是需要耗费大量的计算机资源，导致每次训练能够处理的数据较少，处理效率较为低下，图中黑色箭头指示的状似直线的痕迹显示分离的效果；图6为使用本发明进行混采分离后的数据，图7为本发明分离的邻炮干扰。图8为采用两种方法压制邻炮干扰后的数据对比，本发明分离效果更好。这表明本发明方法在有效压制邻炮干扰的同时，能够有效保护主炮数据，大幅度提高运算效率。
[0124]
本实施例中，通过使用多种方式得到的地震数据，训练包括深度学习网络和地球物理引导网络的混采分离模型，得到了能够有效压制邻炮干扰并有效保护主炮数据，而且运算效率大幅提高的混采分离模型。
[0125]
实施例二
[0126]
本发明实施例二提供方法的一种混采分离方法，其流程如图9所示，包括如下步骤：
[0127]
步骤s201：将待分离的地震混叠数据进行道集抽取，得到所述待分离的地震混叠数据对应的检波点道集。
[0128]
步骤s202：将所述待分离的地震混叠数据对应的检波点道集的数据输入所述混采分离模型，根据输出的分离后的数据得到主炮数据。
[0129]
在一些可选的实施例中，将所述输出的分离后的数据按照道集抽取的方法变换回炮集，所述炮集即主炮数据。
[0130]
将混采地震数据(如图10所示)按照常规的道集抽取方法变换到检波点道集，将所述检波点道集的数据输入多信息融合的混采分离网络模型获取分离后的数据，再按照常规的道集抽取方法变换回炮集(如图11所示)。图12为未混叠的主炮数据，图13为本发明处理结果与未混叠主炮数据的残差，图中黑色箭头指示的状似直线的痕迹显示分离的效果，二者差距非常小，证明了本实施例能够有效压制邻炮干扰并有效保护主炮数据，而且运算效率大幅提高。
[0131]
例如，某油田a区块的应用实例，处理的数据为海洋地震数据，采用同步震源激发，混叠现象非常严重，影响了地震资料进一步的处理和解释。图3是本勘探区块的混采地震数据。图4为使用稀疏反演方法进行邻炮干扰分离的结果，混采信号得到有效分离，图5为使用稀疏反演方法分离的邻炮干扰，该方法虽然有效分离邻炮干扰，但是需要耗费大量的计算机资源，导致每次训练能够处理的数据较少，处理效率较为低下；图6使用本发明进行混采分离后的数据，图7为本发明分离的邻炮干扰。图8为采用两种方法压制邻炮干扰后的数据对比，本发明分离效果更好。这表明本发明方法在有效压制邻炮干扰的同时，能够有效保护主炮数据，大幅度提高运算效率。
[0132]
本实施例中，通过使用训练完成的包括深度学习网络和地球物理引导网络的混采分离模型进行混采分离，能够有效压制邻炮干扰并有效保护主炮数据，能够大幅提高分离效率和精度，提高地震资料的信噪比，为后续的地震资料定量解释和高精度储层预测提供高质量的基础数据。
[0133]
实施例三
[0134]
本发明实施例提供一种混采分离模型训练装置，其结构参照图14所示，包括：
[0135]
样本集生成模块101：用于将多组混叠数据及其对应的主炮数据和对应的激发时间间隔变换到检波点道集，将所述检波点道集作为样本集；从样本集中抽取预设数量的样
本，生成样本集；
[0136]
混采分离模型训练模块102：用于将样本集输入由深度学习网络和地球物理引导网络组成的混采分离模型进行训练，直至达到预设的训练结束条件，得到训练完成的混采分离模型。
[0137]
例如，某油田a区块的应用实例，处理的数据为海洋地震数据，采用同步震源激发，混叠现象非常严重，影响了地震资料进一步的处理和解释。图3是本勘探区块的混采地震数据。图4为使用稀疏反演方法进行邻炮干扰分离的结果，混采信号得到有效分离，图5为使用稀疏反演方法分离的邻炮干扰，该方法虽然有效分离邻炮干扰，但是需要耗费大量的计算机资源，导致每次训练能够处理的数据较少，处理效率较为低下；图6使用本发明进行混采分离后的数据，图7为本发明分离的邻炮干扰。图8为采用两种方法压制邻炮干扰后的数据对比，本发明分离效果更好。这表明本发明方法在有效压制邻炮干扰的同时，能够有效保护主炮数据，大幅度提高运算效率。
[0138]
本实施例中，通过使用多种方式得到的地震数据，训练包括深度学习网络和地球物理引导网络的混采分离模型，得到了能够有效压制邻炮干扰并有效保护主炮数据，而且运算效率大幅提高的混采分离模型。
[0139]
实施例四
[0140]
本发明实施例提供一种混采分离装置，其结构参照图15所示，包括：
[0141]
混采数据变换模块201：用于将待分离的地震混叠数据进行道集抽取，得到所述待分离的地震混叠数据对应的检波点道集；
[0142]
混采数据分离模块202：用于将所述检波点道集的数据输入前述混采分离模型训练方法得到的混采分离模型，获取分离后的数据，再按照道集抽取的方法变换回炮集。
[0143]
例如，某油田a区块的应用实例，处理的数据为海洋地震数据，采用同步震源激发，混叠现象非常严重，影响了地震资料进一步的处理和解释。图3是本勘探区块的混采地震数据。图4为使用稀疏反演方法进行邻炮干扰分离的结果，混采信号得到有效分离，图5为使用稀疏反演方法分离的邻炮干扰，该方法虽然有效分离邻炮干扰，但是需要耗费大量的计算机资源，导致每次训练能够处理的数据较少，处理效率较为低下；图6使用本发明进行混采分离后的数据，图7为本发明分离的邻炮干扰。图8为采用两种方法压制邻炮干扰后的数据对比，本发明分离效果更好。这表明本发明方法在有效压制邻炮干扰的同时，能够有效保护主炮数据，大幅度提高运算效率。
[0144]
本实施例中，通过使用训练完成的包括深度学习网络和地球物理引导网络的混采分离模型进行混采分离，能够有效压制邻炮干扰并有效保护主炮数据，能够大幅提高分离效率和精度，提高地震资料的信噪比，为后续的地震资料定量解释和高精度储层预测提供高质量的基础数据。
[0145]
基于同一发明构思，本发明实施例还提供一种计算机存储介质，所述计算机存储介质中存储有计算机可执行指令，所述计算机可执行指令被处理器执行时实现前述混采分离模型训练方法或混采分离方法。
[0146]
基于同一发明构思，本发明实施例还提供一种终端设备，包括：存储器、处理器及存储于存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现前述混采分离模型训练方法或混采分离方法。
[0147]
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
[0148]
在上述的详细描述中，各种特征一起组合在单个的实施方案中，以简化本公开。不应该将这种公开方法解释为反映了这样的意图，即，所要求保护的主题的实施方案需要清楚地在每个权利要求中所陈述的特征更多的特征。相反，如所附的权利要求书所反映的那样，本发明处于比所公开的单个实施方案的全部特征少的状态。因此，所附的权利要求书特此清楚地被并入详细描述中，其中每项权利要求独自作为本发明单独的优选实施方案。

技术特征：
1.一种混采分离模型训练方法，其特征在于，包括：对采集的多组混叠数据、对应的主炮数据和激发时间间隔进行道集抽取，将得到的采集的地震数据对应的检波点道集作为样本集；使用所述样本集中的混叠数据和对应的激发时间间隔作为输入数据，对应的主炮数据作为标签数据，训练混采分离模型，所述混采分离模型包括深度学习网络和地球物理引导网络；当满足预设的训练结束条件时，得到训练好的混采分离模型。2.如权利要求1所述的方法，其特征在于，所述对采集的多组混叠数据、对应的主炮数据和激发时间间隔进行道集抽取，将得到采集的地震数据对应的检波点道集作为样本集，包括：使用下列方式中的至少一种采集地震数据：选取两炮未混叠的地震数据，按照随机的时间间隔将两炮地震数据叠加，得到主炮和邻炮的地震混叠数据，所述随机的时间间隔为混叠数据对应的激发时间间隔；使用数值模拟技术模拟常规采集的地震数据得到主炮数据，模拟混叠采集的地震数据得到地震混叠数据和对应的激发时间间隔；采集的多组混叠数据，使用混采分离技术，分离出主炮数据和对应的激发时间间隔；将采集地震数据变换到检波点道集，将所述检波点道集作为样本集。3.如权利要求1所述的方法，其特征在于，所述使用所述样本集中的混叠数据和对应的激发时间间隔作为输入数据，对应的主炮数据作为标签数据，训练混采分离模型之前，包括：根据样本集中每个样本的激发时间间隔，构建混叠矩阵；初始化混采分离模型参数包括深度学习网络参数θ和地球物理引导网络权衡参数δ，η；使用所述混叠矩阵确定混采分离模型的主炮计算数据初值x0；初始化训练次数为0。4.如权利要求3所述的方法，其特征在于，所述根据样本集中每个样本的激发时间间隔，构建混叠矩阵，包括：将样本集中每个样本的激发时间间隔转化为整数；根据所述样本集中每个样本的整数化的激发时间间隔，确定不同所述激发时间间隔对应的每个样本的延迟矩阵；对所述延迟矩阵求和，得到混叠矩阵。5.如权利要求4所述的方法，其特征在于，所述根据所述样本集中每个样本的整数化的激发时间间隔，确定不同所述激发时间间隔对应的每个样本的延迟矩阵，包括：设置一个n
t
阶矩阵e
m
，m为激发时间间隔，n
t
为正整数；将矩阵e
m
中行序数减去列序数等于所述样本集中每个样本的整数化的激发时间间隔m的元素赋值为1，其他元素赋值为0，得到激发时间间隔为m的样本对应的延迟矩阵；重复上述过程，得到不同所述激发时间间隔的样本对应的延迟矩阵。6.如权利要求5所述的方法，其特征在于，所述对所述延迟矩阵求和，得到混叠矩阵，包
括：将同一所述激发时间间隔的每个样本的延迟矩阵求和，将不同所述激发时间间隔对应的所述延迟矩阵的和相加，得到混叠矩阵。7.如权利要求3所述的方法，其特征在于，所述使用所述混叠矩阵确定混采分离模型的主炮计算数据初值x0，包括：根据x0＝γ
t
d，确定主炮计算数据初值x0，其中d为样本集中的混叠数据，γ
t
为混叠矩阵的转置矩阵。8.如权利要求3所述的方法，其特征在于，所述使用所述样本集中的混叠数据和对应的激发时间间隔作为输入数据，对应的主炮数据作为标签数据，训练混采分离模型，包括：将δ、η输入地球物理引导网络得到将地球物理引导网络权衡参数δ、η和主炮计算数据x输入参数为θ的深度学习网络，并根据得到新的δ、η和主炮计算数据x；计算损失函数得到新的θ，其中，d
i
为一个样本的混叠数据，x
i
为d
i
对应的主炮数据，m
i
为d
i
对应的激活时间间隔，n为样本集中样本的总个数，i为样本集中样本的序号，net(d
i
，m
i
；θ)为混采分离模型根据θ、d
i
和m
i
得到的对应的主炮计算数据；以新的δ、η和θ为新参数，更新混采分离模型，并更新训练次数。9.如权利要求8所述的方法，其特征在于，所述更新训练次数之后，还包括：若不满足最大训练次数，则通过反向传播算法调整当前网络的混采分离模型参数10.一种混采分离方法，其特征在于，使用如权利要求1-9任一所述混采分离模型训练方法得到的混采分离模型实现，包括：将待分离的地震混叠数据进行道集抽取，得到所述待分离的地震混叠数据对应的检波点道集；将所述待分离的地震混叠数据对应的检波点道集的数据输入所述混采分离模型，根据输出的分离后的数据得到主炮数据。11.如权利要求10所述的方法，其特征在于，所述根据输出的分离后的数据得到主炮数据，包括：将所述输出的分离后的数据按照道集抽取的方法变换回炮集，所述炮集即主炮数据。12.一种混采分离模型生成装置，其特征在于，包括：样本集生成模块：用于将多组混叠数据及其对应的主炮数据和对应的激发时间间隔变换到检波点道集，将所述检波点道集作为样本集；从样本集中抽取预设数量的样本，生成样本集；混采分离模型训练模块：用于将样本集输入由深度学习网络和地球物理引导网络组成的混采分离模型进行训练，直至达到预设的训练结束条件，得到训练完成的混采分离模型。13.一种混采分离装置，其特征在于，包括：混采数据变换模块：用于将待分离的地震混叠数据进行道集抽取，得到所述待分离的地震混叠数据对应的检波点道集；
混采数据分离模块：用于将所述检波点道集的数据输入权利要求1-9任一所述混采分离模型训练方法得到的混采分离模型，获取分离后的数据，再按照道集抽取的方法变换回炮集。14.一种计算机存储介质，其特征在于，所述计算机存储介质中存储有计算机可执行指令，所述计算机可执行指令被处理器执行时实现权利要求1-9任一所述混采分离模型训练方法或权利要求10-11任一所述混采分离方法。15.一种终端设备，其特征在于，包括：存储器、处理器及存储于存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现权利要求1-9任一所述混采分离模型训练方法或权利要求10-11任一所述混采分离方法。

技术总结
本发明公开了一种混采分离模型训练方法及相关方法和装置。所述方法包括：对采集的多组混叠数据、对应的主炮数据和激发时间间隔进行道集抽取，将得到的采集的地震数据对应的检波点道集作为样本集；使用所述样本集中的混叠数据和对应的激发时间间隔作为输入数据，对应的主炮数据作为标签数据，训练混采分离模型，所述混采分离模型包括深度学习网络和地球物理引导网络；当满足预设的训练结束条件时，得到训练好的混采分离模型。能够有效压制邻炮干扰并有效保护主炮数据，能够大幅提高分离效率和精度，提高地震资料的信噪比，为后续的地震资料定量解释和高精度储层预测提供高质量的基础数据。基础数据。基础数据。


技术研发人员：王伟 高建虎 刘文卿 常德宽 王万里 陈德武 李冬 何润 贺东阳
受保护的技术使用者：中国石油天然气股份有限公司
技术研发日：2022.01.06
技术公布日：2023/7/20