基于多尺度窗口生成器網(wǎng)絡(luò)的抽油機噪聲壓制

摘要：在老油田的勘探開發(fā)中，抽油機噪聲形成強干擾，嚴(yán)重降低了地震資料的信噪比。為此，提出了一種基于多尺度窗口生成器網(wǎng)絡(luò)進行抽油機噪聲壓制的方法。構(gòu)建的網(wǎng)絡(luò)主要由雙層編碼器—解碼器組成，結(jié)合不同層的特征信息可獲得準(zhǔn)確的去噪結(jié)果；在不同層采用不同尺寸的窗口進行特征提取，可以有效地擴大神經(jīng)網(wǎng)絡(luò)的感知范圍，并從抽油機噪聲中提取更多有用的特征。為了防止網(wǎng)絡(luò)的退化，編碼器和解碼器的每個塊中都分別使用了殘差連接。編碼器殘差塊部分采用了卷積核數(shù)量中間大、兩端小的反瓶頸設(shè)計，可以提取地震數(shù)據(jù)更多的特征；解碼器使用了編碼器五分之一的卷積層數(shù)，加快了模型訓(xùn)練以及地震數(shù)據(jù)重建的速度。通過這種方式構(gòu)建的網(wǎng)絡(luò)可以有效地利用多尺度語義信息壓制地震數(shù)據(jù)中的抽油機噪聲。模擬數(shù)據(jù)和實際數(shù)據(jù)實驗結(jié)果均表明，與DnCNN、GAN和MLGNet相比，所提方法能夠獲得高質(zhì)量的去噪結(jié)果，并最大程度地保留有效數(shù)據(jù)。關(guān)鍵詞：地震資料，噪聲壓制，多尺度窗口，生成器，信噪比

中圖分類號：P631文獻標(biāo)識碼：A DOI：10.13810/j.cnki.issn.1000?7210.2024.04.004

Noise suppression of pumping unit based on multi?scalewindow generator network

MA Yifan1，WEN Wu1，XUE Yajuan2，WEN Xiaotao3，XU Hong1

（1.School of Computer Science，Chengdu University of Information Technology，Chengdu，Sichuan 610225，China；2.Schoolof Communication Engineering，Chengdu University of Information Technology，Chengdu，Sichuan 610225，China；3.School of Geophysics，Chengdu University of Technology，Chengdu，Sichuan 610225，China）

Abstract：The noise of the pumping unit strongly interferes with the exploration and development of old oil fields and seriously reduces the signal?to?noise ratio of seismic data.Therefore，a pumping unit noise suppres?sion method based on a multi?scale window generator network is proposed.The constructed network is mainly composed of a double?layer encoder?decoder structure，and accurate denoising results can be obtained by com?bining characteristic information of different layers.The utilization of different?sized windows in different layers for feature extraction can effectively expand the sensing range of the neural network and extract more useful fea?tures from the pumping unit noise.To prevent the degradation of the network，residual connections are used re?spectively in each block of the encoder and decoder.The residual block of the encoder adopts the anti?bottle?neck design with a large amount of convolution kernels in the middle and small at both ends to extract more fea?tures of seismic data.The decoder uses one?fifth of the convolutional layers of the encoder，speeding up model training and seismic data reconstruction.The network constructed in this way can effectively suppress pumping unit noise in seismic data by using multi?scale semantic information.Both simulated data and real data experi?mental results show that compared with DnCNN，GAN，and M LGNet，the proposed method can obtain high?quality denoising results and retain valid data to the greatest extent.

Keywords：seismic data，noise suppression，multi?scale window，generator，signal?to?noise ratio

馬一凡，文武，薛雅娟，等.基于多尺度窗口生成器網(wǎng)絡(luò)的抽油機噪聲壓制［J］.石油地球物理勘探，2024，59（4）：684-691.

MA Yifan，WEN Wu，XUE Yajuan，et al.Noise suppression of pumping unit based on multi-scale window generator network［J］.Oil Geophysical Prospecting，2024，59（4）：684-691.

0引言

在地震資料采集過程中，噪聲會降低地震數(shù)據(jù)的質(zhì)量，因此壓制噪聲很關(guān)鍵[1?3]。在老油田的勘探開發(fā)過程中，地震資料采集經(jīng)常受到抽油機噪聲的干擾。抽油機噪聲的頻帶很窄，能量主要集中在個別頻率[4]，且其頻帶范圍完全與有效信號重疊，導(dǎo)致抽油機噪聲的壓制十分困難。

為了壓制抽油機噪聲，王鑫[5]提出了檢波器的三維矢量組合，通過頻率方向特性壓制抽油機噪聲。但在實際中尋找最優(yōu)的檢波器排列組合比較困難，并且不能保證檢波器按預(yù)先設(shè)計埋置。趙彥青等[6]根據(jù)盲源分離原理和信噪比模型，將有效數(shù)據(jù)與抽油機噪聲分離。李學(xué)良等[7]利用抽油機噪聲與有效數(shù)據(jù)之間不同的空間特征，提出了一種基于形態(tài)成分分析的抽油機噪聲迭代衰減方法。這類方法都是基于一些假設(shè)或先驗信息，然后根據(jù)經(jīng)驗去調(diào)整參數(shù)，所以在實際數(shù)據(jù)處理時速度較慢且普適性較差。

隨著深度學(xué)習(xí)技術(shù)在計算機視覺和自然語言處理等方面的快速發(fā)展，它在地震勘探領(lǐng)域也得到推廣應(yīng)用。目前，深度學(xué)習(xí)技術(shù)主要用于斷層自動檢測[8]、地震數(shù)據(jù)重建[9]、巖相識別[10]和噪聲衰減[11]等。在地震資料噪聲壓制方面的應(yīng)用多集中于隨機噪聲，而在更為復(fù)雜和具有挑戰(zhàn)性的抽油機噪聲方面的研究仍然較少。

近年來，深度學(xué)習(xí)去噪方法主要基于卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks，CNN）[12?16]和生成對抗網(wǎng)絡(luò)（Generative Adversarial Networks，GAN）[17?21]。韓衛(wèi)雪等[12]將CNN應(yīng)用于隨機噪聲壓制。王鈺清等[13]在CNN的基礎(chǔ)上加入了數(shù)據(jù)增廣。Zhao等[15]從塊大小方面對原始去噪卷積神經(jīng)網(wǎng)絡(luò)（Denoising Convolutional Neural Network，DnCNN）進行了修改，使其適用于低頻沙漠隨機噪聲抑制。Yuan等[20]將殘差學(xué)習(xí)引入循環(huán)生成對抗網(wǎng)絡(luò)（Cycle?Consistent Adversarial Networks，Cycle?GAN）以提高訓(xùn)練效率。這些方法在隨機噪聲和地滾噪聲壓制中都取得了較好的效果。

抽油機噪聲是一種相干噪聲，主要來源于抽油過程中電機的振動，其傳播路徑是以抽油機為中心沿地面向四周傳播。主頻為20～23 Hz，衰減速度比地震波更快。抽油機噪聲在炮集上表現(xiàn)為強振幅特征。距離越遠的檢波器接收到的抽油機噪聲能量越小，但在同一位置的檢波器接收的抽油機噪聲能量變化不大。當(dāng)抽油機與檢波器組合方向垂直時，抽油機噪聲呈雙曲線型分布規(guī)律。由于抽油機噪聲頻率和分布特性與隨機噪聲、地滾噪聲不同，因此針對后兩種噪聲類型的深度學(xué)習(xí)方法并不能夠有效地壓制抽油機噪聲。在針對抽油機噪聲壓制的方法中，Ren等[22]提出了多層生成器網(wǎng)絡(luò)（Multi?layer Ge?nerator Network，MLGNet），效果較好，但其網(wǎng)絡(luò)模型計算量較大，訓(xùn)練時間較長，且存在有效數(shù)據(jù)失真的問題。

為此，考慮到抽油機噪聲的頻率和局部分布的特性，本文提出了一種基于多尺度窗口生成器網(wǎng)絡(luò)（Multi?scale Window Generator Network，MSWG?Net），該網(wǎng)絡(luò)采用雙層結(jié)構(gòu)，每層分別有編碼器和解碼器，且都使用了殘差連接。編碼器采用的反瓶頸設(shè)計可以提取到有效數(shù)據(jù)更多的紋理特征；解碼器采用更少的卷積層，在保證噪聲壓制效果的同時減少了模型的參數(shù)量。同時采用多尺度窗口，將不同尺度窗口提取的潛在特征進行融合，擴大模型的感受野，將抽油機噪聲逐步進行壓制。利用模擬數(shù)據(jù)和實際數(shù)據(jù)，并與DnCNN、GAN、MLGNet的去噪結(jié)果進行比較，以測試該方法的噪聲壓制效果。

1方法原理

1.1生成器結(jié)構(gòu)

MSWGNet關(guān)鍵之一是生成器的架構(gòu)，每個生成器均包含一個編碼器和一個解碼器（圖1）。其中，編碼器通過層層卷積提取特征，解碼器使用這些特征來重構(gòu)數(shù)據(jù)。

編碼器（圖1a）輸入的數(shù)據(jù)為256×256矩陣。采用32個3×3卷積核處理，再經(jīng)過3個殘差塊、下采樣、18個殘差塊、下采樣、3個殘差塊，輸出64×64矩陣的數(shù)據(jù)。

每個殘差塊都設(shè)計了反瓶頸結(jié)構(gòu)。通常情況下，數(shù)據(jù)維度越低，卷積層乘法計算量越小，數(shù)據(jù)特征提取效果越差。因此，提取更多的數(shù)據(jù)特征需要增大數(shù)據(jù)的維度。反瓶頸結(jié)構(gòu)可以在參數(shù)量較少的情況下提取數(shù)據(jù)中更多的信息。反瓶頸結(jié)構(gòu)包含了三層卷積和兩層ReLU激活函數(shù)，殘差塊中間層卷積核的數(shù)量為兩端卷積核數(shù)量的4倍。第一層和第三層均使用1×1卷積核，主要是對不同通道的像素點進行特征融合，升高或降低通道數(shù)；第二層卷積主要是進行局部特征的提取。

解碼器（圖1b）輸入的數(shù)據(jù)為64×64的矩陣，經(jīng)過2個殘差塊、上采樣、2個殘差塊、上采樣、2個殘差塊，最后采用32個3×3的卷積核處理，輸出數(shù)據(jù)為256×256的矩陣。殘差塊包含了兩層卷積和一層ReLU激活函數(shù)，其兩層卷積的卷積核數(shù)量保持不變。解碼器的殘差塊相較于編碼器減少了卷積層數(shù)，降低了模型的參數(shù)量以進一步提高模型的性能。

編碼器和解碼器中的每個塊都使用了殘差連接。一方面，在深層網(wǎng)絡(luò)中引入殘差連接，梯度可以更輕松地傳播到較淺的層，從而解決梯度消失問題；另一方面，殘差連接允許網(wǎng)絡(luò)直接學(xué)習(xí)恒等映射，可以更好地利用每個編碼器提取的特征，將低層提取到的特征遷移到高層語義信息中。利用編碼器和解碼器之間殘差塊數(shù)量的不對等，可以在保持盡可能低的計算成本的同時達到較好的噪聲壓制效果。

1.2多尺度窗口生成器網(wǎng)絡(luò)結(jié)構(gòu)

本文提出的多尺度窗口生成器網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示，網(wǎng)絡(luò)使用不同大小的窗口對地震數(shù)據(jù)進行特征提取。構(gòu)建的網(wǎng)絡(luò)采用了雙層（生成器）設(shè)計。

第一層在輸入數(shù)據(jù)上劃分為四個尺度相同的窗口，窗口內(nèi)的數(shù)據(jù)分別放入生成器，使其專注于細節(jié)特征的提取，即

式中：Ei、Di分別表示第i層的編碼器、解碼器；N1，j表示在第1層的第j個窗口噪聲數(shù)據(jù)；F1，j表示編碼后的第1層的第j個窗口的特征圖；F1表示第1層拼接后的特征圖；Ri表示解碼后的第i層的數(shù)據(jù)；?表示小窗口間的拼接。

第二層使用與原始尺度相同的窗口，使其對整個數(shù)據(jù)的特征建立關(guān)聯(lián)，即

式中：N2表示第2層的噪聲數(shù)據(jù)；F2表示第2層編碼后的特征圖；“+”表示兩個數(shù)據(jù)逐點的疊加。

將第一層與第二層得到的特征數(shù)據(jù)相加并輸入至第2層的解碼器，得到去噪后的結(jié)果

可以看出，第二層利用了第一層提取到的潛在特征，完成了對抽油機噪聲的壓制。

這些從多個圖像塊中提取的潛在特征擴大了網(wǎng)絡(luò)的感受野，保留了豐富的地震數(shù)據(jù)的細節(jié)。為了進一步保留細節(jié)特征，每層之間沒有進行下采樣操作，每層輸入數(shù)據(jù)塊的總大小保持一致。這樣不僅保留了有效信號的細節(jié)特征，學(xué)習(xí)到有效數(shù)據(jù)的分布規(guī)律，同時提高了對抽油機噪聲的壓制效果。通過第一層解碼得到的地震數(shù)據(jù)塊與第二層待輸入的地震數(shù)據(jù)進行逐點疊加，同時第一層編碼器提取的特征與第二層編碼器提取的特征進行逐點疊加，利用各層潛在特征的可重用性，將第一層提取到的潛在特征向第二層傳遞，使有效信號極大程度地得到保留，從而壓制了抽油機的噪聲。

1.3評價指標(biāo)

采用三個指標(biāo)評價本文網(wǎng)絡(luò)效果，即信噪比（SNR）、均方誤差（MSE）和結(jié)構(gòu)相似性（SSIM）。它們可分別定義為

式中：s為純凈地震數(shù)據(jù)；x為含噪聲數(shù)據(jù)；μs和μx分別代表s和x的平均值；σs、σx分別代表s、x的標(biāo)準(zhǔn)差；σxs代表x和s的協(xié)方差；c 1、c2為常數(shù)，以避免分母為0帶來的錯誤。

2數(shù)據(jù)測試

通過合成數(shù)據(jù)和實際數(shù)據(jù)分別測試本文方法效果。采用的工作站為linux64位操作系統(tǒng)，版本為Ubuntu 22.4.0，GPU為RTX3060，PyTorch版本為1.8.1，Python版本為3.7。采用Adam優(yōu)化器和MSE損失函數(shù)對網(wǎng)絡(luò)進行訓(xùn)練。去噪效果評價指標(biāo)為MSE、SNR、SSIM。抽取單道數(shù)據(jù)進行分析，進一步明確本文方法的噪聲壓制效果。

2.1合成數(shù)據(jù)實驗

抽油機噪聲以井為中心向四周呈放射狀、雙曲線型分布，其干擾半徑為0～130 m[4]。因此，在模擬數(shù)據(jù)時，將井泵震源設(shè)置在距檢波器130 m范圍內(nèi)不同距離的地面上。為了使合成數(shù)據(jù)的特征更接近于實際地震數(shù)據(jù)，正演模型選擇Marmousi?II縱波速度模型。模型尺寸為271×351，時間采樣間隔為0.5 ms，空間步長H為5 m，總接收時間為3.6 s，主頻范圍為20～30 Hz。利用Ricker子波，同時采用一階應(yīng)力—速度曲線，共獲得31炮類雙曲線抽油機噪聲的地震記錄。

將31炮合成地震數(shù)據(jù)劃分為256×256的塊，得到的合成訓(xùn)練數(shù)據(jù)共包括5632對含有和不含有抽油機噪聲的數(shù)據(jù)塊。將數(shù)據(jù)集按照4：1的比例劃分為訓(xùn)練集和測試集。

為了對比方法的有效性，將本文方法與用于壓制隨機噪聲的DnCNN[15]、用于壓制地滾噪聲的GAN[20]和用于壓制抽油機噪聲的MLGnet[22]進行對比。

從表1可以看出，DnCNN、GAN和MLGnet與本文網(wǎng)絡(luò)（MSWGNet）都對抽油機噪聲進行了一定程度地壓制，但本文方法效果明顯優(yōu)于前三者。

由圖3可見，加入抽油機噪聲后的合成數(shù)據(jù)（圖3a下）的信噪比為?3.92 dB，抽油機噪聲與地震有效數(shù)據(jù)融為了一體。圖3b上顯示了DnCNN去噪后的效果，SNR為4.04 dB，仍然有較為明顯的抽油機噪聲殘留；圖3b下為圖3b上與圖3a上之間的殘差數(shù)據(jù)，可以看出DnCNN去噪后有效數(shù)據(jù)的丟失。圖3 c上和圖3d上為分別利用GAN和MLGnet對數(shù)據(jù)進行去噪的結(jié)果，信噪比分別為10.76 dB和11.29dB，GAN和MLGnet的去噪性能優(yōu)于DnCNN，但仍然有抽油機噪聲殘留，并且損失了有效信號。圖3e上說明了MSWGnet應(yīng)用于圖3a下中的數(shù)據(jù)后的結(jié)果，抽油機噪聲在樣本中被明顯去除，SNR可以恢復(fù)到20.27 dB。圖3a上與圖3e上之間的殘差結(jié)果如圖3e下所示，有效數(shù)據(jù)沒有明顯的丟失。

綜上所述，與其他三種方法相比，MSWGnet有著最佳的去噪性能，有效信號損失最小。

由去噪后數(shù)據(jù)的頻率—波數(shù)譜（f?k譜）（圖4）可見，DnCNN（圖4c）、GAN（圖4d）、MLGNet（圖4e）并沒有完全壓制抽油機噪聲，同時產(chǎn)生其他頻率的噪聲；MSWGNet（圖4f）對抽油機噪聲的壓制效果較好，并沒有產(chǎn)生其他頻率的噪聲，去噪后的f?k譜與加噪前的f?k譜最為接近。因此，同樣證明了本文方法的優(yōu)越性。

圖5表示單道數(shù)據(jù)去噪結(jié)果的差異?？梢钥闯鯠nCNN、GAN、MLGNet的去噪結(jié)果與加噪前的數(shù)據(jù)有較大的差異，而MSWGNet去噪后的結(jié)果與加噪前的數(shù)據(jù)基本重合。

2.2實際數(shù)據(jù)實驗

為了使訓(xùn)練數(shù)據(jù)與實際數(shù)據(jù)更加接近，驗證該方法對實際數(shù)據(jù)的有效性，使用實際數(shù)據(jù)制作的訓(xùn)練集對網(wǎng)絡(luò)進行訓(xùn)練。在準(zhǔn)備實際數(shù)據(jù)訓(xùn)練集時，為了得到有噪聲和無噪聲的數(shù)據(jù)對，提取了實際數(shù)據(jù)中與有效數(shù)據(jù)不重疊的抽油機噪聲，并將其添加到?jīng)]有抽油機噪聲的地震數(shù)據(jù)上，產(chǎn)生有噪聲數(shù)據(jù)，沒有抽油機噪聲的地震數(shù)據(jù)作為無噪聲數(shù)據(jù)。通過該方法得到256×256的8352對數(shù)據(jù)塊，其中6681對數(shù)據(jù)塊構(gòu)成訓(xùn)練集，1671對數(shù)據(jù)塊構(gòu)成測試集。在測試階段，只需將含噪地震數(shù)據(jù)輸入訓(xùn)練好的網(wǎng)絡(luò)，預(yù)測后即可得到去噪后的地震數(shù)據(jù)。

為了進一步驗證本文網(wǎng)絡(luò)對野外實際數(shù)據(jù)的有效性，使用帶有抽油機噪聲的野外實際地震數(shù)據(jù)輸入訓(xùn)練好的網(wǎng)絡(luò)進行處理，結(jié)果如圖6所示。由圖可見，DnCNN和GAN對抽油機噪聲的壓制能力較弱；MLGnet對抽油機噪聲進行了一定程度地壓制，但噪聲仍有殘留，且有時會產(chǎn)生一些新的噪聲；MSWGnet方法有效地去除了抽油機噪聲，最大程度地保留了有效信號且沒有產(chǎn)生新的噪聲。

為了更清晰地展示本文方法的去噪結(jié)果，對圖6中紅色方框內(nèi)的數(shù)據(jù)進行放大（圖7）。由圖可見，去噪后的結(jié)果具有更清晰的地震反射特征，且有效信號保留較好，抽油機噪聲壓制較為徹底。

圖8給出了圖6數(shù)據(jù)的f-k譜。圖8e中沒有發(fā)現(xiàn)相干噪聲，這表明了本文方法的有效性。

3結(jié)束語

本文針對抽油機噪聲的壓制提出了一種基于多尺度窗口生成器網(wǎng)絡(luò)，即通過使用尺度不同的窗口對含有抽油機噪聲的地震數(shù)據(jù)進行特征提取，通過雙層生成器與不同尺度的窗口結(jié)合可以提取到地震數(shù)據(jù)中更多信息以進行抽油機噪聲壓制。模擬數(shù)據(jù)和野外實際數(shù)據(jù)測試均表明，本文提出的MSWG?net與DnCNN、GAN、MLGnet相比可以有效地對抽油機噪聲進行壓制，并能完整地保留有效信號。同時模型的泛化能力較強，在使用有限數(shù)據(jù)集訓(xùn)練的情況下，對實際數(shù)據(jù)中不同強度的噪聲均可達到較好的壓制效果。

參考文獻

［1］NAGHIZADEH M，SACCHI M.Ground?roll attenua?tion using curvelet downscaling[J].Geophy?sics，2018，83（3）：V185?V195.

［2］HA W，SHIN C.Seismic random noise attenuation in the Laplace domain using singular value decomposition[J].IEEE Access，2021，9：62029?62037.

［3］LIU X Y，LI Q，YUAN C，et al.High?order direc?tional total variation for seismic noise attenuation[J].IEEE Transactions on Geoscience and Remote Sen?sing，2022，60：1?13.

［4］樊德華，段云卿，張婉，等.三維地震勘探抽油機噪聲特征分析[J].石油地球物理勘探，2008，43（6）：662?667.

FAN Dehua，DUAN Yunqing，ZHANG Wan，et al.Analysis on noise feature of pumping unit in 3?D seis?mic exploration[J].Oil Geophysical Prospecting，2008，43（6）：662?667.

［5］王鑫.基于檢波器三維矢量組合的抽油機噪聲壓制方法研究[J].石油物探，2011，50（3）：295?300，306.

WANG Xin.Suppressing the noise from pumping unit based on 3?D vector combination of geophones[J].Geophysical Prospecting for Petroleum，2011，50（3）：295?300，306.

［6］趙彥青，蕭蘊詩.基于盲源分離的抽油機噪聲壓制方法[J].計算機應(yīng)用，2014，34（增刊1）：349?351.

ZHAO Yanqing，XIAO Yunshi.Method for noise suppression of pumping units based on blind source separation[J].Journal of Computer Applications，2014，34（S1）：349?351.

［7］李學(xué)良，王曉凱，趙昊，等.地震勘探中基于形態(tài)成分分析的抽油機噪聲衰減方法[J].地球物理學(xué)進展，2017，32（2）：657?663.

LI Xueliang，WANG Xiaokai，ZHAO Hao，et al.well?pump noise attenuating method based on morpho?logical component analysis[J].Progress in Geophysics，2017，32（2）：657?663.

［8］楊午陽，楊佳潤，陳雙全，等.基于U?Net深度學(xué)習(xí)網(wǎng)絡(luò)的地震數(shù)據(jù)斷層檢測[J].石油地球物理勘探，2021，56（4）：688?697.

YANG Wuyang，YANG Jiarun，CHEN Shuang?quan，et al.Seismic data fault detection based on U?Net deep learning network[J].Oil Geophysical Pros?pecting，2021，56（4）：688?697.

［9］蔣潤，李振春，孫小東.人工智能地震數(shù)據(jù)重建方法現(xiàn)狀分析[J].地球物理學(xué)進展，2023，38（5）：2047?2062.

JIANG Run，LI Zhenchun，SUN Xiaodong.Recent research status of seismic data reconstruction by artifi?cial intelligence methods[J].Progress in Geophysics，2023，38（5）：2047?2062.

［10］曾麗麗，湯華貝，牛藝曉，等.基于LSTM堆疊殘差網(wǎng)絡(luò)的巖相識別方法[J].計算機與現(xiàn)代化，2023（8）：38?43.

ZENG Lili，TANG Huabei，NIU Yixiao，et al.Lithofacies identification method based on LSTM stacked residual network[J].Computer and Moderniza?tion，2023（8）：38?43.

［11］邱怡，包乾宗，馬銘，等.基于U?Net網(wǎng)絡(luò)的二維小波域地震數(shù)據(jù)隨機噪聲衰減[J].石油物探，2023，62（5）：878?890.

QIU Yi，BAO Qianzong，MA Ming，et al.Seismic data random noise attenuation using U?Net network in the 2D discrete wavelet domain[J].Geophysical Pros?pecting for Petroleum，2023，62（5）：878?890.

［12］韓衛(wèi)雪，周亞同，池越.基于深度學(xué)習(xí)卷積神經(jīng)網(wǎng)絡(luò)的地震數(shù)據(jù)隨機噪聲去除[J].石油物探，2018，57（6）：862?869，877.

HAN Weixue，ZHOU Yatong，CHI Yue.Deep learning convolutional neural networks for random noise attenuation in seismic data[J].Geophysical Pros?pecting for Petroleum，2018，57（6）：862?869，877.

［13］王鈺清，陸文凱，劉金林，等.基于數(shù)據(jù)增廣和CNN的地震隨機噪聲壓制[J].地球物理學(xué)報，2019，62（1）：421?433.

WANG Yuqing，LU Wenkai，LIU Jinlin，et al.Ran?dom seismic noise attenuation based on data augmenta?tion and CNN[J].Chinese Journal of Geophysics，2019，62（1）：421?433.

［14］YU S，MA J，WANG W.Deep learning for denoising[J].Geophysics，2019，84（6）：V333?V350.

［15］ZHAO Y X，LI Y，DONG X T，et al.Low?frequency noise suppression method based on im?proved DnCNN in desert seismic data[J].IEEE Geo?science and Remote Sensing Letters，2019，16（5）：811?815.

［16］YANG L Q，CHEN W，LIU W，et al.Randomnoise attenuation based on residual convolutional neu?ral network in seismic datasets[J].IEEE Access，2020，8：30271?30286.

［17］劉玉敏，魏海軍，袁碩，等.基于卷積神經(jīng)網(wǎng)絡(luò)的地震數(shù)據(jù)去噪方法[J].吉林大學(xué)學(xué)報（信息科學(xué)版），2022，40（2）：231?239.

LIU Yumin，WEI Haijun，YUAN Shuo，et al.Ran?dom noise removal of seismic data based on convolu?tion cycle generation adversarial network[J].Journal of Jilin University（Information Science Edition），2022，40（2）：231?239.

［18］韓建光，王卿，許媛，等.基于A?CGAN的深反射地震數(shù)據(jù)隨機噪聲壓制方法研究[J].地質(zhì)論評，2024，70（1）：228?238.

HAN Jianguang，WANG Qing，XU Yuan，et al.Study on random noise suppression method of deep re?flection seismic data based on A?CGAN[J].Geologi?cal Review，2024，70（1）：228?238.

［19］KAUR H，F(xiàn)OMEL S，PHAM N.Seismic ground?roll noise attenuation using deep learning[J].Geophysi?cal Prospecting，2020，68（7）：2064?2077.

［20］YUAN Y，SI X，ZHENG Y.Ground?roll attenuationusing generative adversarial networks[J].Geophysics，2020，85（4）：WA255?WA267.

［21］OLIVEIRA D A B，SEMIN D G，ZAYTSEV S.Self?supervised ground?roll noise attenuation using self?labeling and paired data synthesis[J].IEEE Transac?tions on Geoscience and Remote Sensing，2021，59（8）：7147?7159.

［22］REN H P，LI C，WEN X T，et al.Suppressing well?pump noise from seismic data based on multilayer generator network[J].IEEE Geoscience and Remote Sensing Letters，2022，19：1?5.

（本文編輯：謝結(jié)來）

作者簡介

馬一凡碩士研究生，1999年生；2018年獲河南師范大學(xué)新聯(lián)學(xué)院物聯(lián)網(wǎng)工程專業(yè)學(xué)士學(xué)位；現(xiàn)在成都信息工程大學(xué)攻讀計算機科學(xué)與技術(shù)專業(yè)碩士學(xué)位；目前主要從事地震數(shù)據(jù)噪聲壓制方面的學(xué)習(xí)和研究。