基于频域门控Transformer网络的地震数据重建方法

本发明涉及地震数据重建领域，具体是一种基于频域门控transformer网络的地震数据重建方法。

背景技术：

1、为了确保全面且准确地反映地下结构，采集到的地震数据应是规则且密集的。然而，实际地震勘探面临多种复杂的限制，包括采集成本、地表障碍物(如道路桥梁)、地形条件(山川湖泊)以及采集仪器设备。这些限制会造成地震数据缺失、空间采样不足或坏道等问题。因此，采用插值的方法对地震数据进行高保真、高分辨率的重建，从而获得更有效的地震数据是解决地震数据缺失问题的关键方法。

2、传统的地震数据插值方法包括基于稀疏优化的重建、基于预测滤波的重建和基于数学变换的方法。这些方法融入了数学或物理意义，能有效利用地震波在地下传播的相关性，重建缺失的地震数据。然而，在处理特征复杂、数据量庞大的地震数据时，这些方法通常难以产生真实而细节丰富的结果。

3、近年来，随着深度学习的发展，学者们将深度学习方法引入地球物理领域，这种方法无需建立复杂的数学模型，能捕捉更深层的数据特征，且在缺乏地下介质先验知识的情况下同样取得良好效果，为地震数据重建提供了一种新的、更灵活、高效的途径。例如mandelli等人设计了一种自动编码器卷积神经网络(cnn)；柴等人设计了一种深度u-net架构用于对有规则缺失和随机缺失的地震数据进行插值；王等人设计了具有更深层次的残差学习网络(resnets)实现抗假频地震数据插值；oliveira等人设计了一种通过对抗性过程实现地震数据插值的生成对抗性网络；yoon等人将地震数据视为时间序列，并应用深度双向长短时记忆(lstm)进行地震道插值。但是，这些方法在特征提取过程中常常受到卷积核感受野的限制，无法建立局部特征之间的依赖关系。

技术实现思路

1、针对现有技术的不足，本发明拟解决的技术问题是，提供一种基于频域门控transformer网络的地震数据重建方法。

2、本发明解决所述技术问题的技术方案是，提供一种基于频域门控transformer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：

3、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；

4、地震数据图像包括完整地震图像igt以及与之对应的缺道地震图像iin；缺道地震图像iin作为频域门控transformer网络的输入，其对应的完整地震图像igt作为标签，在计算损失函数时使用；

5、步骤2、将缺道地震图像iin输入到频域门控transformer网络中进行特征提取，得到此次迭代的重建地震图像iout；

6、频域门控transformer网络由依次顺序连接的一个浅层特征提取模块、一个深层特征提取模块和一个重建模块组成；深层特征提取模块由依次顺序连接的n1个残差组、一个卷积层和一个残差连接组成；

7、步骤3、得到此次迭代的高分辨率重建地震图像iout后，再通过损失函数对此次迭代的频域门控transformer网络进行优化；

8、步骤4、重复步骤2～步骤3，通过损失函数不断优化频域门控transformer网络，直至达到设定的迭代次数，得到训练好的频域门控transformer网络；再将测试集中的缺道地震图像输入到训练好的频域门控transformer网络中完成地震数据重建，得到重建地震数据。

9、与现有技术相比，本发明的有益效果在于：

10、(1)本发明对transformer层的自注意力模块和前馈网络模块进行了改进，改进后的transformer层称为频域门控transformer层，将频域门控transformer层应用于残差结构中。通过这种方式，网络可以自适应地提取地震图像低频分量中重要的全局结构特征和地震图像高频分量中重要的纹理细节特征，有效解决了目前深度学习插值方法中对地震图像低频分量中全局结构特征和地震图像高频分量中纹理细节特征利用不足的问题。

11、(2)本发明提出了频域自注意力模块和门控前馈网络。频域自注意力模块将小波变换和transformer网络中的自注意力机制相结合，使得网络在捕获地震图像低频分量中图像全局结构特征的同时，关注地震图像高频分量中更多纹理细节特征。门控前馈网络自适应地过滤掉经频域自注意力模块提取的特征中对重建任务不重要的特征，增强重要特征的表达能力。

12、(3)本发明相较于传统的重建方法，深度学习能够自动更新参数，不需要其他的先验信息，并且可以学习复杂的地震数据特征，有效地避免空间假频问题，能够在gpu的环境下快速重建出清晰的高分辨率地震数据。

13、(4)本发明实现了端到端的图像重建方法，避免了过多的超参数和人工操作。

14、(5)本发明在损失函数部分引入均方误差损失函数进行优化。

技术特征：

1.一种基于频域门控transformer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：

2.根据权利要求1所述的基于频域门控transformer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所述的基于频域门控transformer网络的地震数据重建方法，其特征在于，步骤2的具体操作为：将缺道地震图像iin输入到频域门控transformer网络中，首先经过浅层特征提取模块进行特征提取，输出浅层特征fsf至深层特征提取模块的第一个残差组和深层特征提取模块的残差连接处；浅层特征fsf经过n1个依次顺序连接的残差组处理，前一个残差组的输出作为后一个残差组的输入，最后一个残差组的输出经过卷积层进行特征增强；然后利用残差连接将经卷积层处理过的特征与浅层特征fsf进行逐元素相加，得到深层特征fdf；最后，将深层特征fdf输入到重建模块进行高质量的地震图像重建，得到此次迭代的重建地震图像iout。

4.根据权利要求1所述的基于频域门控transformer网络的地震数据重建方法，其特征在于，步骤2中，浅层特征提取模块由一个卷积层组成，通过卷积层来提取浅层特征fsf；

5.根据权利要求1所述的基于频域门控transformer网络的地震数据重建方法，其特征在于，步骤2中，每个残差组均由依次顺序连接的n2个频域门控transformer层、一个卷积层和一个残差连接组成；

6.根据权利要求5所述的基于频域门控transformer网络的地震数据重建方法，其特征在于，步骤2中，每个频域门控transformer层均由依次顺序连接的一个层归一化、一个频域自注意力模块、一个层归一化和一个门控前馈网络组成；

7.根据权利要求6所述的基于频域门控transformer网络的地震数据重建方法，其特征在于，步骤2中，频域自注意力模块的计算公式为：

8.根据权利要求6所述的基于频域门控transformer网络的地震数据重建方法，其特征在于，步骤s2.2中，查询键和值的计算公式为：

9.根据权利要求6所述的基于频域门控transformer网络的地震数据重建方法，其特征在于，步骤2中，门控前馈网络的计算公式为：

10.根据权利要求1所述的基于频域门控transformer网络的地震数据重建方法，其特征在于，步骤3和步骤4中，损失函数均采用均方误差损失函数：

技术总结本发明公开了一种基于频域门控Transformer网络的地震数据重建方法。本发明对Transformer层的自注意力模块和前馈网络模块进行了改进，改进后的Transformer层称为频域门控Transformer层，将频域门控Transformer层应用于残差结构中。通过这种方式，网络可以自适应地提取地震图像低频分量中重要的全局结构特征和地震图像高频分量中重要的纹理细节特征，有效解决了目前深度学习插值方法中对地震图像低频分量中全局结构特征和地震图像高频分量中纹理细节特征利用不足的问题。技术研发人员：贾永娜,刘星,杨赫博,陈燃,杨亮受保护的技术使用者：河北工业大学技术研发日：技术公布日：2024/9/12