基于全局-局部特征融合与Optuna优化的高效叠前地震层间多次波压制深度学习方法

《Journal of Geophysics and Engineering》：Deep Learning for Efficient Prestack Seismic Internal Multiples Suppression with Global-Local Feature Fusion and Optuna Optimization

本文针对深层油气地震勘探中层间多次波压制难题，提出了一种结合Transformer全局特征与DenseNet局部细节的GLO-UNet混合深度学习框架。研究人员通过GLFusion模块实现全局-局部特征融合，采用Optuna自动优化超参数，在合成数据（五层模型、Sigsbee2B）和塔里木盆地实际资料中验证了该方法能有效压制多次波并保护一次波，信噪比提升显著，为复杂地质条件下地震数据处理提供了高效解决方案。

　　

在深层油气地震勘探中，层间多次波压制一直是个棘手问题。浅中层强烈的波阻抗差异会产生大量多次波，这些噪声会掩盖来自深层油气储层的弱反射信号，严重影响地震成像质量和地质解释可靠性。传统方法如逆散射系列等存在压制效果有限、计算成本高等局限。尽管深度学习技术在多次波压制领域展现出潜力，但其应用仍受限于高质量训练标签获取困难、叠前地震野外数据处理挑战以及大量人工干预需求。

针对这些痛点，北京大学张梦帆等人在《Journal of Geophysics and Engineering》发表研究，提出了GLO-UNet这一创新混合深度学习框架。该网络核心是在U-Net架构的瓶颈处引入了全局-局部特征融合（GLFusion）模块，巧妙结合了Transformer捕获全局上下文的能力和DenseNet保留局部细节的优势。

GLFusion模块的工作机制十分精巧：首先通过平均池化获得全局平滑特征，再通过残差计算提取局部细节特征。全局特征提取分支采用轻量级Transformer架构，包含多头自注意力机制和门控深度前馈网络；局部特征提取分支则通过堆叠的小卷积核和残差连接捕捉细微结构特征。

两组特征融合后，通过通道注意力机制自适应加权，使网络能聚焦于与多次波压制相关的特征。这种设计使GLO-UNet能同时捕捉层间多次波的长期空间关联性和弱振幅特征。

研究还采用Optuna框架进行自动化超参数优化，特别针对损失函数组合进行贝叶斯优化。通过树结构Parzen估计器算法，在权重空间内高效搜索均方误差、平均绝对误差和双曲损失的最佳组合比例，大幅减少了人工调参时间和训练成本。

关键技术方法包括：基于自适应虚拟事件（AVE）的训练标签生成、GLFusion模块的全局-局部特征融合机制、Optuna驱动的超参数自动优化、以及合成与野外数据的对比验证。实际数据来自塔里木盆地，包含151炮、每炮151道、2251个时间样本的叠前地震资料。

合成地震数据验证

在五层速度模型测试中，GLO-UNet表现出色。与AVE、U-Net和G-UNet相比，GLO-UNet的压制结果显示出更少的残留多次波和改进的一次波连续性。

损失函数消融实验揭示了有趣现象：MAE损失能有效压制多次波但存在一次波能量泄漏；MSE损失能更好保持一次波振幅平衡但会残留条带状多次波；双曲损失在两者间取得平衡；而Optuna优化的加权损失综合了各损失函数优势，实现了最佳的压制-保护平衡。

在更具挑战性的Sigsbee2B深水墨西哥湾模型测试中，GLO-UNet在6.6-8.2秒深区有效消除了多次波，同时保持了浅中层一次波的相干相位和振幅连续性。放大视图显示，GLO-UNet几乎完全去除了蓝色箭头指示的多次波，而红色箭头指示的一次波以高保真度保留。

实际地震数据应用

塔里木盆地实际资料测试进一步证实了GLO-UNet的实用性。在2.6-3.2秒明显的层间多次波区域，GLO-UNet有效减少了残留多次波，并保护了一次波反射。

提取的多次波对比显示，GLO-UNet保持了多次波的连续性和细节，一次波泄漏更少。这归功于网络设计：全局特征提取块使网络能捕获长程空间依赖性，增强同相事件连续性；局部特征提取块则专注于保留精细尺度的多次波结构细节。

地震-井标定分析为方法有效性提供了有力证据。关键层位（TF、TP1-3a-2、TP1-3a-3、TC1k-4）的合成记录与近井地震道对比显示，GLO-UNet处理后一次波在振幅和时序上都得到良好保护。合成记录与地震道之间的相关系数从压制前的0.42提升到压制后的0.61，表明与测井约束模型的一致性显著改善。

效率优势明显

计算效率对比显示，所有神经网络方法都显著优于AVE方法。GLO-UNet在保持标签信噪比的同时提升了效率，通过利用输入道集的空间冗余性和跨炮点统计学习，能够减轻标签噪声并提取稳定的多次波特征，从而产生更高的整体信噪比。

研究团队采用监督学习范式，使用AVE推导的层间多次波作为训练标签。合成结果表明，当标签可靠时，监督训练在多次波衰减和一次波保护之间取得了良好平衡。针对不完美标签问题，作者讨论了无监督和自监督方法在叠前随机噪声压制中的潜力，但对于层间多次波，由于其与一次波在时差、速度和波形上的相似性，完全无监督分离在实际中仍不稳定。

在实际应用方面，GLO-UNet在NVIDIA GeForce RTX 3090 Ti上的峰值内存占用约为12GB。由于核心模块是维度无关的卷积组件，具有3D对应版本，因此可通过两种途径扩展到3D：一是2.5D方法，将相邻切片堆叠为多通道输入进行2D训练和推理；二是全3D方法，将卷积、池化和注意力升级到3D，采用窗口或轴向注意力控制复杂度和内存。

该研究的创新价值在于首次将Transformer的全局建模能力与DenseNet的局部特征保持特性有机结合，通过GLFusion模块实现了对地震多次波复杂空间特征的全面捕捉。Optuna自动优化技术的引入，显著降低了深度学习在地震处理中的应用门槛。合成和实际数据的一致良好表现，证明了GLO-UNet在复杂地质条件下地震数据处理中的实用价值和推广前景。

未来研究方向包括采用混合监督和无监督方案：先用AVE预训练，然后在目标区域使用物理一致性和正交化无监督损失进行微调，以提高跨地质泛化能力。通过针对性的数据增强加强噪声鲁棒性，以及应用从合成到野外数据集的迁移学习，都将进一步推动深度学习在地震勘探中的实际应用。