从强烈复杂噪声中进行微震信号重建,使用低级结构提取和双卷积神经网络

科学领域:

• 地质物理学 地质物理学
• 信号处理 信号处理
• 机器学习 机器学习

背景情况:

• 从复杂的非随机噪声中重建微地震信号是很困难的,特别是当信号被强烈的场噪声所掩盖时.
• 现有的方法通常依赖于信号连贯性或噪声可预测性的假设,在现实世界中,这些假设可能不适用.

研究的目的:

• 开发一种先进的方法来重建隐藏在强烈,复杂的场噪声中隐藏的微地震信号.
• 通过解决处理复杂噪声模式的局限性来改进现有的信号重建技术.

主要方法:

• 提出了一个双卷积神经网络 (CNN) 架构,前面是一个低级结构提取模块.
• 低级结构提取用于预条件,以消除高能规律噪声.
• 两种不同复杂度的CNN用于增强信号重建和消除噪音.
• 培训包括合成和现场微地震数据,以及自然图像,以改善网络泛化.

主要成果:

• 与深度学习,低等级提取或单独曲线值相比,提出的方法显示出优异的微地震信号恢复.
• 通过强烈的复杂场噪声掩盖的信号得到了有效的重建.
• 算法概括使用在训练期间未使用的独立数组数据进行了验证.

结论:

• 具有低级预调的双CNN为在具有挑战性的噪声环境中进行微地震信号重建提供了强大的解决方案.
• 这种方法显著优于传统和纯粹基于深度学习的方法.
• 该方法显示了强大的概括能力,使其适用于各种微地震数据采集场景.