基于深度学习的地震波逆时偏移补偿方法

韩连福，柴子威,宋利伟,刘兴斌,付长凤

摘要：逆时偏移作为重要的地震偏移技术，已经成为复杂构造成像的有力工具。地下构造的强衰减体引起地震波 振幅减弱和相位失真，直接影响地下有效油气储层的识别精度，而现有逆时偏移补偿技术具有计算复杂、补偿精度低等不足。为优化计算、提高补偿精度,提岀一种基于TensorFlow框架的震波逆时偏移补偿方法，将传统循环 生成对抗网络(CycleGAN)与注意力机制(Attention)相融合，将交叉爛损失函数与感知损失函数结合成新的损失函数,最后得到补偿后的地震波特征图。实验表明，基于深度学习的地震波逆时偏移补偿方法补偿平均误差为 3. 71 %, 低于现有基于广义S变换反Q滤波方法的平均误差为4・59%, 证明了该方法对地震资料的处理与解释的可行性。

地震勘探；逆时偏移；循环生成对抗网络；注意力机制；补偿；深度学习

3结论

(1) 提出一种基于深度学习的地震波逆时偏移补偿方法，将地震波从波数域获取的波场图作为数据集，将CycleGAN算法与注意力机制相融合完成图像生成。

(2) 采用融入注意力机制的CycleGAN算法对地震波做逆时偏移衰减补偿处理，模型预测值的误差低于现有基于广义S变换方法的平均误差4.59%, 验证了该方法的可行性及优越性。

(3) 将损失函数改进成交叉爛损失函数与感知损失函数混合型的损失函数，更适用于强衰减地层中对地震波的补偿。未来可以将该模型应用到不同的地质勘探坏境中，具有广泛的应用潜力。

(修改回稿日期：2021-12-24 编辑 王小宁)