DOI: https://doi.org/10.1016/j.jappgeo.2026.106505
تاريخ النشر: 2026-09-01
المؤلف: Fei Li وآخرون
الموضوع الرئيسي: تقنيات التصوير الزلزالي والعكس
نظرة عامة
تناقش هذه القسم أهمية كتم الضوضاء في معالجة بيانات الزلازل، مع التأكيد على دوره في تحسين التصوير وتوقع الخزانات. يسلط الضوء على قيود التعلم المراقب بسبب نقص التسميات النظيفة في بيانات استكشاف الزلازل ويقدم نهج التعلم الذاتي كمُعَادل قابل للتطبيق. الطريقة المقترحة، الشبكات العميقة ذات الالتفاف الذاتي (SSDCN)، مستوحاة من إطار عمل Self2Self وتستخدم أزواجًا من عينات برنولي للمدخلات الضوضائية كمهام بديلة لاستغلال الهيكل الداخلي للبيانات.
تدمج SSDCN المزيد من المعرفة الجيولوجية من خلال تقنية تصحيح الحركة العادية، التي تستفيد من السلوك الأفقي والتشابه الذاتي للأحداث الإشارية المفيدة في تجمعات نقطة الانعكاس الشائعة (CRP). من خلال التركيز على الاختلافات في التشابه الذاتي بين الإشارات المفيدة والضوضاء، تستخرج SSDCN بفعالية الميزات ذات الصلة أثناء التدريب، مما يؤدي إلى تحسين كتم الضوضاء. تشير النتائج التجريبية على كل من تجمعات CRP الاصطناعية والحقيقية إلى أن SSDCN تحقق كتم ضوضاء عالي الدقة، مما يوضح إمكاناتها في تحسين معالجة بيانات الزلازل.
مناقشة
في هذه الدراسة، نقدم نهجًا ذاتيًا لكتم الضوضاء لبيانات الزلازل، مستفيدين من بنية شبكة عصبية عميقة مستوحاة من نموذج UNet. تتناول الطريقة تحدي بيانات الزلازل الضوضائية، الممثلة كـ \( y = x + n \)، حيث \( y \) هي البيانات الملاحظة، \( x \) هو الإشارة المفيدة، و \( n \) هو الضوضاء. تكافح طرق التعلم المراقب التقليدية بسبب صعوبة الحصول على تسميات نظيفة لبيانات الزلازل. للتغلب على ذلك، نستخدم أخذ عينات برنولي لإنشاء أزواج تدريب بديلة من تجمع نقطة انعكاس شائعة واحدة (CRP)، مما يسمح للشبكة بالتعلم من الميزات المتشابهة ذاتيًا في البيانات. يتم إعادة صياغة الهدف الأمثل لتقليل الفرق بين مخرجات الشبكة والبيانات الأصلية المقنعة، مما يعزز بشكل فعال استخراج الإشارات المفيدة مع كتم الضوضاء.
تتكون الشبكة المقترحة لكتم الضوضاء ذاتيًا (SSDCN) من أربعة مكونات رئيسية: وحدة معالجة البيانات، مشفر، مفكك، ووحدة فصل الضوضاء. تم تصميم الهيكل لالتقاط التشابه الذاتي متعدد المقاييس في إشارات الزلازل، وهو أمر حاسم لكتم الضوضاء بشكل فعال. تظهر النتائج التجريبية على كل من بيانات الزلازل الاصطناعية والميدانية أن SSDCN تحسن بشكل كبير من نسب الإشارة إلى الضوضاء (SNR) مع الحفاظ على سلامة المعلومات الزلزالية المفيدة. تكشف المقارنات مع طرق كتم الضوضاء التقليدية، مثل تصفية F-X والشبكات الالتفافية البيانية (GCN)، أن SSDCN تتفوق على هذه التقنيات في الحفاظ على الاستمرارية والدقة للإشارات المعاد بناؤها، خاصة في وجود الضوضاء المتماسكة. بشكل عام، تشير نتائجنا إلى أن SSDCN هي حل قوي لكتم الضوضاء في بيانات الزلازل، مع تطبيقات محتملة في سيناريوهات استكشاف الزلازل المختلفة.
DOI: https://doi.org/10.1016/j.jappgeo.2026.106505
Publication Date: 2026-09-01
Author(s): Fei Li et al.
Primary Topic: Seismic Imaging and Inversion Techniques
Overview
The section discusses the significance of noise suppression in seismic data processing, emphasizing its role in improving imaging and reservoir prediction. It highlights the limitations of supervised learning due to the lack of clean labels in seismic exploration data and introduces a self-supervised learning approach as a viable alternative. The proposed method, Self-Supervised Deep Convolutional Networks (SSDCN), is inspired by the Self2Self framework and utilizes pairs of Bernoulli-sampled instances of noisy input images as surrogate tasks to exploit the internal structure of the data.
SSDCN further integrates geological knowledge through the normal moveout correction technique, which takes advantage of the horizontal behavior and self-similarity of useful signal events in Common Reflection Point (CRP) gathers. By focusing on the differences in self-similarity between useful signals and noise, SSDCN effectively extracts relevant features during training, leading to enhanced noise suppression. Experimental results on both synthetic and real CRP gathers indicate that SSDCN achieves high-fidelity noise suppression, demonstrating its potential for improving seismic data processing.
Discussion
In this study, we present a self-supervised denoising approach for seismic data, leveraging a deep neural network architecture inspired by the UNet model. The method addresses the challenge of noisy seismic data, represented as \( y = x + n \), where \( y \) is the observed data, \( x \) is the useful signal, and \( n \) is the noise. Traditional supervised learning methods struggle due to the difficulty in obtaining clean labels for seismic data. To overcome this, we utilize Bernoulli sampling to create surrogate training pairs from a single common reflection point (CRP) gather, allowing the network to learn from self-similar features in the data. The optimization objective is reformulated to minimize the difference between the network output and the masked original data, effectively enhancing the extraction of useful signals while suppressing noise.
The proposed Self-Supervised Denoising Convolutional Network (SSDCN) comprises four main components: a data processing module, an encoder, a decoder, and a noise separation module. The architecture is designed to capture multi-scale self-similarity in seismic signals, which is crucial for effective noise suppression. Experimental results on both synthetic and field seismic data demonstrate that SSDCN significantly improves signal-to-noise ratios (SNR) while preserving the integrity of useful seismic information. Comparisons with traditional denoising methods, such as F-X filtering and Graph Convolutional Networks (GCN), reveal that SSDCN outperforms these techniques in maintaining the continuity and fidelity of the reconstructed signals, particularly in the presence of coherent noise. Overall, our findings indicate that SSDCN is a robust solution for denoising seismic data, with potential applications in various seismic exploration scenarios.