基于ADNet实现DAS数据衰落噪声压制

田雅男,孙浩然,宋明绅,刘 涛,刘瀚林,赵晓龙

(吉林大学 通信工程学院,长春 130012)

0 引 言

近年来,油气资源的需求量日益增长,而勘探对象却愈加复杂且资源逐渐短缺[1]。因此对资源的开采和其质量提出了更高的要求。地震勘探方法是资源勘探的主要手段之一,而地震勘探信号会携带多种复杂噪声,既有自然噪声也有人文噪声[2]。分布式声传感(DAS:Distributed fiber Acoustic Sensing)[3]技术是一种新的井下地震探测技术,具有覆盖面广、采样密度大、成本低等优点[4],弥补了传统检波器的不足。然而,虽然DAS具有许多优势,但在实际应用中仍然面临一些挑战。一方面,采集到的DAS数据中的有效信号,特别是上行反射事件的有效信号通常能量微弱,表现出强噪声、弱信号的特点[5]；另一方面,由于分布式声传感技术采用相干光源的相位探测信号方式,探测信号必然受相干衰落效应的影响而产生衰落噪声,而且又由于在水平方向上受材料不均匀的影响而产生水平噪声,以及受探测周围环境影响而产生其他类型的噪声。这些问题严重影响DAS地震资料的解释。

数据采集环境的复杂化使获取的地震勘探数据中掺杂大量噪声,直接影响数据的处理工作。目前国内外已有很多不同的消噪方法,其中比较有代表性的有小波去噪[6]、维纳滤波器[7]、时频峰值滤波器[8]和变分模式分解[9]等。这些方法虽然能在一定程度上抑制噪声,但在消除DAS数据噪声方面仍然具有局限性：一方面,选择正确的参数需要大量的时间,缺乏智能性和灵活性；另一方面,传统的噪声水平估计方法大多基于噪声的正态分布,不适用于复杂的噪声。因此,在不损害有效信号的前提下抑制复杂噪声是DAS地震数据处理中一个困难而紧迫的问题。

近年来,深度学习网络被广泛应用于去噪领域[10]。现有神经网络,如K-SVD(K-means Singular Value Decomposition)[11]，ResDNN(Residual neural network Deep Neural Networks)[12]，SDCNN(Shallow Deep Convolutional Neural Network)[13]等网络,结构复杂,计算代价较高,若完成深度神经网络的完整训练,可能需要几周时间。与此同时,网络随着深度的提升,浅层的特征影响被弱化,也影响着恢复数据的准确性。而注意力引导去噪卷积神经网络(ADNet:Attention-guided Denoisingconvolutional neural Network)是基于扩展卷积稀疏机制的网络[14]。为此,笔者在卷积神经网络中采用了此注意力引导机制,解决DAS勘探信号消噪问题,以期提高处理效率。

1 ADNet网络框架及消噪原理

1.1 网络结构

该项目采用了基于注意力引导的深度学习神经网络ADNet,用于解决DAS记录复杂噪声消减问题。网络的整体结构如图1所示。

图1 注意力引导的深度网络整体结构框架Fig.1 An overall structural framework for attention-guided deep Networks

该网络是17层的神经网络,包含12层稀疏模块(SB:Sparse Block),4层特征增强模块(FEB:Feature Enhancement Block),1层注意力模块(AB:Attention Block)和重建块(RB:Reconstruction Block)。SB,FEB和AB提取含噪记录中的噪声,RB将含噪记录与提取的噪声结合得到纯净记录。

1.2 算法原理

稀疏旨在兼顾效率和性能。稀疏模块(SB)由卷积和空洞卷积交替构成,每层网络都是由卷积核为3×3的卷积或空洞卷积、Batchnorm归一化函数和Relu激活函数组成。采用部分卷积而不是均为空洞卷积减小了运算量,降低了成本。设IN为输入的含噪记录,其为单通道的灰度图像,将上述提到的稀疏过程表征为fSB,OSB表示稀疏过程的输出,则稀疏模块为

OSB=fSB(IN)

(1)

特征增强模块(FEB)包括3个卷积核为3×3、步长为1、边距为1的卷积(其中加入归一化函数和Relu激活函数的网络层),以及一个卷积(其中加入Tanh激活函数的网络层)。特征增强模块充分利用图像的整体和局部特点,与稀疏模块相补充,增强了模型的表现力。随着网络深度的增加,网络浅层对网络深层的影响越来越弱,FEB可以挖掘更多的特征,增强特征的表现力。将OSB作为特征增强模块的输入,并与输入的含噪记录IN共同作用,得到增强后的特征OFEB,将上述提到的特征增强过程表征为fFEB,则其过程为

OFEB=fFEB(IN,OSB)

(2)

在噪声来源复杂且难以预测的情况下,一些特征很容易被隐藏,现实中遇到的噪声通常是多种来源并且充满随机性。由此该网络加入了注意力模块,仅含一个卷积核为1×1的卷积运算,将OFEB作为注意力模块(AB)的输入,输出为单通道的含噪记录中的噪声部分IR。将注意力引导过程表征为fAB,其过程为

IR=fAB(OFEB)

(3)

重建模块(RB)使用给定的含噪记录IN与预测的噪声IR计算出不含噪的纯净记录,即

ILC=IN-IR

(4)

1.3 去噪过程

DAS信号的含噪模型为

Y=X+n

(5)

其中Y表示有效信号,X表示包含噪声的样本信号,n表示随机噪声。将上述提到的注意力去噪网络记为ADNet(·),则网络的去噪过程为

n=ADNet(Y;W;b)

(6)

(7)

其中ni表示第i个测量值。通过Adam算法对参数,即权重和偏置,进行更新,不断训练模型优化网络参数,提高其特征学习能力。

2 实验结果

2.1 实验平台与数据集

模型的训练过程在电脑上进行,配置包括英特尔酷睿i5-9400CPU,8 GByte的内存和GeForce RTX 2060显卡,用pytorch1.9.0,python3.6训练和测试ADNet网络,采用Nvidia CUDA(Compute Unified Device Architecture)和cuDNN进行GPU(Graphics Processing Unit)加速。

采用的训练数据集基于某种地层模型仿真生成的合成记录,选用多种不同子波、不同波形、地层结构条件下生成的合成DAS记录,并加入实际的DAS噪声获得含噪数据,将纯净记录与相应的含噪数据匹配成对,构成一组训练数据对。通过分块方式,整理构建纯净信号数据样本5 173份,含噪数据样本5 173份。

2.2 网络训练

首先将构建的5 173份训练集样本由mat格式转换成适合pytorch运算的tensor变量,将其输入ADNet网络模型中,设置batchsize为16,学习速率为0.001,进行epoch为100的迭代训练。同时采用信噪比(SNR：Signal-Noise Ratio)作为衡量去噪效果的标准,其算式为

(8)

其中Ps表示信号的有效功率,Pn表示噪声的有效功率。在训练将要结束时,损失函数和信噪比已经趋于稳定。随着训练的进行,可观察到损失函数值随着轮数的增加明显降低,最后趋于稳定。训练过程耗时约2.6 h。

2.3 评价指标

在测试网络模型处理含噪样本能力时,可将训练得到的权重和偏置都较为合理的网络模型用于测试未被训练的含噪记录。将该含噪记录样本由mat格式转为tensor变量,输入已训练好的网络。作为对比实验,笔者还对采用经典的小波阈值降噪方法进行测试,所得对比实验结果如图2所示。由图2可见,经测试输出的去噪记录和原始含噪记录相比,该网络消去噪声的效果非常显著,且与纯净信号数据差异很小。

图2 DAS数据处理效果对比图Fig.2 DAS data processing comparison

从图2中采样时间和地震道数的关系可以看出,小波处理的结果虽然能明显淡化信号样本附着的噪声信息,但并不能完全去除样本中蕴含的噪声分量,仍有部分噪声分量残留在记录中,而ADNet能处理这些噪声,得到的输出与纯净记录差异很小。为更直观地比对实验结果,将图2最上方的区域放大得到图3,由图3可以看出,ADNet网络对此类噪声的处理有效且更为彻底。

笔者同时对结果采用频谱-波数图(F-K：Frequency Wave-number)分析法,进行频域分析(见图4)。图4给出了水平波数与频率的关系,频率的高低显示了功率的含量。从该频域分析结果可看出,噪声信息多数承载特定阈值之上的高频部分,传统小波算法能对该部分高频噪声起到一定滤波作用。传统的小波算法是基于对样本的频域变换,设置滤波边界,去除高频噪声分量,保留低频有用分量的算法[15]。其阈值的设置会影响去噪效果的表达,甚至可能导致信号分量失真,而且噪声来源复杂多样,小波算法有其局限性。而神经网络能不断学习完善,基于注意力的神经网络能提取普遍的噪声特征,本实验中可见其应对噪声的表现力比较优异。

DAS数据处理效果的指标对比如表1所示。小波阈值降噪方式在处理样本噪声方面效果并不完善。在信噪比方面,ADNet处理方式比含噪信号提高了9.325 dB,较小波变换处理方式高了6.235 9 dB；相应地,其均方误差也降低了一个数量级。此数据说明,ADNet去噪方式可以降低复杂度并提高信号去噪效率。

图3 DAS数据处理效果放大图Fig.3 Enlarged view of DAS dataprocessing effect

图4 DAS数据处理效果频谱图Fig.4 Spectrum analysis of DAS data processing

表1 DAS数据处理效果对比数据Tab.1 DAS data processing effects on data

3 结 语

笔者采用基于注意力引导的深度卷积神经网络,处理分布式声传感技术在井下勘探数据时含有噪声干扰的问题。通过在网络中引用注意力模块,不仅改善了处理含噪样本的效果,也减少了设备的计算量。若对该网络模型结构加以改善,使其更适用于处理高噪声、弱信号的勘探样本,则会减少训练时间,得到更好的消噪效果。