一种用于从阵列数据中的强导波中提取弱反射的无监督深度学习方法

《MECHANICAL SYSTEMS AND SIGNAL PROCESSING》：An unsupervised deep learning method for extracting weak reflections from strong guided waves in array data

　　摘要
在阵列传感器测量中分离重叠的波场是声学与振动诊断领域的一项核心挑战，其应用范围从结构健康监测到地下成像皆十分重要。尤其棘手的情形是，当极微弱的目标信号（如来自断层的地质反射波）被钻孔声学反射成像中的强导波干扰完全掩盖时。传统方法无法有效抑制导波，从而导致残留干扰，使弱反射信号难以辨识。此外，由于现场应用中标记数据的缺乏，基于监督的深度学习方法也存在实际限制。为克服这些难题，我们提出了一种新的无监督方法，将时频网络（TF-GridNet）与多帧维纳滤波器（MFWF）相结合。该方法利用阵列数据中导波与反射波在运动特性上的差异，在无需标记训练集的情况下实现波场分离。通过在复杂地质岩性条件下的模拟数据及现场数据上的全面验证，证明了该方法的优越性。在模拟数据上，其分离残差（L2范数）低于传统的F-K滤波法和多通道奇异谱分析（MSSA）方法。而在现场数据中，该方法能够可靠地提取弱反射信号，从而生成高倾角断层及断层网络的更清晰图像，且图像的连续性更好，伪影更少。本研究为从强干扰中提取波导结构中的弱信号提供了一种稳健的无标记解决方案，其在钻孔声学领域的应用已得到验证。该方法在依赖导波传感的结构健康监测领域具有广阔的应用前景。

引言
从传感器阵列数据中精确提取目标波场成分，对于评估结构完整性以及表征各种学科中的地下特征至关重要。在无损检测等领域，导波不仅可作为缺陷检测的目标信号[1][2]，还可作为评估多层结构的基本探针。这为包括表面波层析成像[3]、钻孔完整性监测[4][5]以及结构健康监测[6]在内的多种应用提供了高分辨率成像能力。然而，在用于远场断层检测的应用中，这些导波却成了主要的相干噪声。虽然它们有助于识别近场缺陷，但其高幅值能量会淹没来自远处目标的较弱反射信号。例如，在地震反射勘探[7]和钻孔声学反射成像[8]中，这些导波构成了主要的相干干扰。抑制这些导波对于恢复弱目标反射信号极为重要，因为后者的幅值可能比前者低10dB以上[9]。从强干扰中分离出极弱信号的根本挑战，源于弹性导波的色散效应以及严重的时频重叠问题。

这一挑战在钻孔声学反射成像（BARI）[10][11][12]中尤为突出。在这种技术中，从主导的导波中准确分离出弱反射信号，是实现对钻孔附近结构成像的关键步骤。在BARI中，声波测井工具会记录波形，其中一部分源能量从地质界面反射回来，形成上行反射波和下行反射波（见图1中的实线路径）。不过，大部分能量则以主导导波的形式沿钻孔传播（见图1中的虚线路径）。BARI的主要目标是利用这些反射波来成像钻孔周围的特征，如断层或盖层，这对于地质导向和储层监测等应用至关重要。然而，这些反射信号往往会被强导波模式所掩盖，使得其在原始波形中几乎不可见。目前的波场分离技术大致可分为模态分解法、信号变换与滤波法以及深度学习方法三类。模态分解法，如经验模态分解（EMD）[13]和变分模态分解（VMD）[14]，通过迭代方式提取满足内在模态函数（IMFs）条件的信号分量。尽管这些方法适用于分析一维时间序列，但它们并未充分利用多通道阵列测量中所存在的空间相干信息，因此在抑制强导波方面的效果有限。基于阵列的信号分解方法，如前后矩阵笔法（FBMP）[15]和参数估计法[12][16]，则利用矩阵预测方程来估计被建模为指数衰减正弦波的导波模式参数。然而，这些方法需要事先知道离散频率下模式的数量，这限制了它们在抑制强导波方面的性能。幅度相位估计（APES）算法[17]最初是为合成孔径雷达（SAR）成像开发的，是一种基于匹配滤波原理的离散频谱分析方法。受APES方法的启发，我们此前提出了一种无需先验知识且具备抗截断能力的阵列处理方法，用于选择性分离导波模式[18]。不过，当传感器数量不足时，该方法的性能会下降，尤其是在需要提取极弱反射信号的应用中。信号变换与滤波法则通过将数据投影到变换后的域中，使信号分量的运动特性或统计特性更具可分性，从而借助特定域的滤波操作实现波场分离。具体而言，频数域（F-K）滤波[8][19][20]和拉东变换[21][22]分别利用波场分量在频相速度域和拉东域中的运动差异来实现分离。但这两种方法都存在一个关键缺陷：固有的空间截断效应会引入来自主导导波模式的伪影，严重干扰弱目标信号的提取。此外，奇异谱分析（SSA）[23]则是利用波场分量在奇异向量空间中的差异来提取目标信号。而中值滤波[20]则在局部空间或时间窗口内进行操作，通过统计替换的方式保留相干导波模式，同时抑制非相干噪声。在实际应用中，若导波的相干性不足，就会影响SSA和中值滤波的效果，导致弱反射信号仍然难以辨识。尽管已有众多传统方法被提出，但极强的导波依然严重阻碍着弱反射信号的提取。

深度学习方法在波场分离领域取得了显著进展，并展现出优异的性能，尤其是在语音分离和地震数据处理方面。为解决语音信号处理中的经典“鸡尾酒会问题”[24]，研究人员开发出了将神经网络与信号预处理技术相结合的有效解决方案，如时域[25][26][27]和时频域[28][29]变换，从而在复杂的声学环境中实现稳健的分离。不过，这些方法通常并非为提取极弱信号的场景而设计。此外，大多数语音分离方案依赖于监督学习，而由于标记训练数据的匮乏，这种学习方式在现场应用中往往受到限制。在地震数据处理中，已有监督式深度学习模型被用于从垂直地震剖面（VSP）数据中分离上行反射波和下行反射波[30]。同样，我们之前的研究也提出了一种改进的监督式语音分离模型，用于从带套管孔中的音高检测数据中提取弱反射信号，其信噪比提升了多达50dB[9]。不过，由于缺乏标记数据，监督式方法在现场应用中也常常面临泛化问题。

为增强从强导波中提取弱反射信号的能力，同时减少对大量标记数据的依赖，我们提出了一种新的无监督机器学习方法，该方法利用阵列数据中各分量在运动特性上的差异来实现波场分离。基于我们最近的会议论文[31]，这一无监督方法通过更全面的实验评估进一步拓展了初步研究成果。与之前的会议工作相比，本研究使用了模拟数据对多种真实地质特征进行了更为广泛且严格的验证，同时还通过现场数据进行了实际测试，并对比了成像结果。具体而言，我们将TF-GridNet语音分离网络[32]与多帧维纳滤波器（MFWF）相结合，利用多通道阵列中的空间相干性来估计导波。随后通过最小化估计得到的导波与所有通道完整波形之间的频谱差异来优化该网络。最后，通过从完整波形中减去估计的导波，即可得到清晰的反射信号。本文的其余部分安排如下：第2节详细阐述了我们无监督弱反射提取方法的基本原理；第3节通过与传统方法（包括频数域F-K滤波和多通道奇异谱分析MSSA）的比较，对方法的性能进行了数值实验评估；第4节利用砂岩和碳酸盐岩两种常见地质岩性的现场数据，验证了该方法的有效性；第5节分析了该方法相对于现有先进方法的性能表现，同时指出了本研究的局限性及未来研究的方向；第6节对全文进行总结。

片段摘录
**原理与方法**
图2展示了利用由反射界面模型生成的模拟数据，所呈现的导波与反射波在运动特性上的差异，如图2(a)所示。该模型的尺寸分别为x方向9米、y方向1米、z方向14.5米。图中箭头所指为位于x-y平面坐标(1米, 0.5米)、沿z方向延伸的、半径为0.1米的钻孔。该反射界面的倾角为80°，与……相交。

**模拟数据实验**
我们通过模拟数据和现场数据实验，评估所提出的无监督弱反射方法的可行性。此外，我们还使用模拟数据和现场数据，将我们的弱反射提取方法与传统的F-K滤波法[8]及多通道奇异谱分析（MSSA）方法[23]进行对比，以评估其性能。

**现场数据应用**
我们利用砂岩和碳酸盐岩这两种常见地质岩性的现场数据，评估所提出的无监督弱反射提取方法的有效性。与数值测试类似，我们将该方法与传统的波场分离方法（包括F-K滤波和MSSA算法）进行对比。传统F-K滤波法和MSSA算法的参数及处理流程与数值测试中所用的相同，详见表3。为进一步验证……

**讨论**
除了本文中比较的传统F-K滤波法和MSSA方法外，还有多种先进的波场分离方法可供选择，包括稀疏分解法[38][39]、小波域分离法[40][41]、自适应减除法[42][43]、低秩分解法[44][45]以及基于物理原理的去噪方法[46][47]。不过，这些方法在抑制强导波模式方面仍存在一定局限性。稀疏分解法旨在用……表示信号。

**结论**
本研究解决了在阵列声学数据中，从强导波干扰中提取被掩盖的弱目标反射信号这一长期存在的难题，而这正是钻孔声学反射成像中面临的关键问题。为解决这一问题，我们提出了一种新的无监督信号处理框架，能够在无需标记训练数据的情况下有效分离这些重叠的波场。该方法的核心创新在于采用了时频分离网络……的集成运用。

**CRediT作者贡献说明**
王强：撰写——初稿、可视化、验证、方法论、研究设计、形式分析、概念构思。王华：撰写——审阅与编辑、指导、资金获取。方志龙：撰写——审阅与编辑。毕启志：资源提供、数据整理。

**利益冲突声明**
作者声明不存在任何可能影响本文研究结果的已知财务利益或个人关系。

**致谢**
本研究得到了国家自然科学基金（项目编号：42474167、41974150、42174158及W2522002）以及深圳市科技计划（项目编号：JCYJ20230807120007015和RCJC20231211085916003）的支持。

王强 | 王华 | 方志龙 | 毕启志