一种地震混采数据智能分离方法、系统、设备和存储介质与流程

1.本发明属于地球物理勘探技术领域，尤其涉及一种基于深度学习dscm-net网络的地震混采数据智能分离方法、系统、设备和存储介质。


背景技术：

2.在地震勘探发展的过程中，确保质量的前提下，降本增效始终是地震勘探行业不懈追求的目标和发展趋势。混合震源采集技术是一种新的高效的采集方式，在采集到更高品质地震数据的同时，耗费成本较低，因而受到了广泛的关注和青睐。
3.混合震源采集最早应用于陆地勘探中，经过二三十年的发展，目前已经相对成熟，而在海洋勘探中受气枪震源可控性不足和成本等因素影响，海洋混合震源采集的发展速度远滞后于陆地地震勘探。近年来，各大石油公司和研究学者已经逐渐认识到了在海洋勘探中采用混合震源采集的优越性，并相继开展试验，投入到生产中。相较于传统单震源采集方式，混合震源采集有着更广的照明范围，对于宽方位采集有着天然的优势。在海洋三维拖缆勘探中，结合混合震源采集和倾斜缆宽频采集，已经成为了当前海洋地震勘探采集的趋势。
4.混合震源采集时，不再受限于震源激发间隔，允许地震记录之间的相互混叠，这是混合震源采集高效率的原因，但也是后期影响地震资料品质的关键因素。地震记录相互混叠彼此成为干扰，对混采数据进行有效的分离，分离出纯净单震源地震记录，对于实现地震勘探三高一准(高信噪比、高分辨率、高保真度、准确成像)的目标至关重要。针对混采地震数据的特点，在保证处理精度的前提下，如何进行高效的数据分离，节省处理资料时间，为下一步的地震资料处理提供良好的前提，是混采地震数据分离的一个难点，也是一个研究热点。
5.近年来，深度学习技术的火热，推动了大批相关产业的发展和升级，在地震勘探领域，同样发展的如火如荼。已经接连在地震资料噪声压制、断层识别等多个方面得到了成功应用。网络框架是深度学习智能处理过程中的重要环节，网络框架的搭建直接影响训练效果以及最后的处理情况，适合的网络框架能够做到更好的保证有效信息不受影响的同时高效准确的将混采数据分离开。在庞大的地球物理数据处理中，应用深度学习进行混采分离，无需人工指定特征，仅需调试确定少量超参数，即可训练获得神经网络模型。只要训练所用的数据集有一定丰富度，训练好的神经网络模型可用于其他区域的地震数据中进行混采分离。而传统的一些混采分离方法，需要进行繁多的参数试验，每更换一套地震数据，便需要重新进行试验，耗费时间人力。


技术实现要素：

6.针对上述问题，本发明的目的是提供一种基于深度学习dscm-net网络的地震混采数据智能分离方法、系统、设备和存储介质，应用于模型及实际地震资料，同时综合考虑了地质、地球物理等因素的影响，相较常规混采分离技术可以在保证分离精度的同时，大幅度降低分离的计算成本。
7.为实现上述目的，本发明采取以下技术方案：
8.第一方面，本发明提供一种地震混采数据智能分离方法，包括以下步骤：
9.对获取的待分离地震混采数据进行预处理；
10.将预处理后的待分离地震混采数据输入预先训练好的dscm-net网络模型，得到分离后的地震数据。
11.进一步，所述将预处理后的待分离地震混采数据输入预先训练好的dscm-net网络模型，得到分离后的地震数据，包括：
12.获取训练数据集；
13.利用获取的训练数据集，对预先搭建的用于对地震混采数据进行智能分离的dscm-net网络模型进行训练，得到训练好的dscm-net网络模型；
14.基于训练好的dscm-net网络模型对待分离地震混采数据进行智能分离，得到分离后的地震数据。
15.进一步，所述获取训练数据集，包括：
16.基于预先构建的多个速度模型进行正演模拟，得到多套地震记录；
17.基于多套地震记录，得到混采地震数据；
18.对混采地震数据进行道集转换，得到共检波点数据；
19.对共检波点数据进行数据抽稀重采样，得到样本集；
20.按照预设比例对样本集进行分配，得到训练集和测试集，作为训练数据集。
21.进一步，所述速度模型的网格设置为4700
×
1300，水平采样间距为1m，垂直采样间距为1m；每个速度模型正演128炮单炮记录，每炮128道，炮间距为25m，道间距为6.25m，采用单边激发模式进行正演。
22.进一步，所述基于多套地震记录，得到混采地震数据，包括：
23.采用单船双源混合震源采集观测系统方式对多套地震记录进行制作，得到初始未混采地震数据；
24.将其中一个震源作为主源进行等间距或者等时激发，另外一个震源利用主源激发记录采用1s
±
0.2s的随机时间延迟来生成地震记录，把两个震源激发数据叠加起来，得到混采地震数据；
25.重复上一步骤，得到多组混采地震数据。
26.进一步，所述利用获取的训练数据集，对预先搭建的用于对地震混采数据进行智能分离的dscm-net网络模型进行训练，得到训练好的dscm-net网络模型，包括：
27.搭建dscm-net网络模型，并确定模型超参数初始值；
28.确定误差损失函数和优化器优化模型参数；
29.基于确定的误差损失函数和优化器优化模型参数，采用训练集数据对搭建的dscm-net网络进行训练，获得效果良好的dscm-net网络；
30.采用测试集对训练完成的dscm-net网络进行测试，验证网络参数的可行性，当满足预设要求时，得到训练好的dscm-net网络。
31.进一步，所述dscm-net网络模型呈现为u型，包括输入模块、下采样环节、上采样环节和输出模块；所述输入模块用于将输入到网络的训练样本数据发送至所述下采样环节；所述下采样环节用于对输入的训练样本数据进行特征提取；所述上采样环节用于根据对所
述下采样环节的提取特征进行组合拼接，并将最终结果通过输出模块输出。
32.第二方面，本发明提供一种地震混采数据智能分离系统，其包括：
33.数据获取模块，用于获取待分离地震混采数据并进行预处理；
34.混采数据分离模块，用于将预处理后的待分离地震混采数据输入预先训练好的用于对地震混采数据进行智能分离的dscm-net网络模型，得到分离后的地震数据。
35.第三方面，本发明提供一种存储一个或多个程序的计算机可读存储介质，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行所述方法中的任一方法。
36.第四方面，本发明提供一种计算设备，包括：一个或多个处理器、存储器及一个或多个程序，其中一个或多个程序存储在所述存储器中并被配置为所述一个或多个处理器执行，所述一个或多个程序包括用于执行所述方法中的任一方法的指令。
37.本发明由于采取以上技术方案，其具有以下优点：
38.1、本发明由于将dscm-net网络框架应用在混采地震数据分离之中，与常规深度学习网络相比，dscm-net网络结合u-net网络和res-net网络优点，能够在深层网络中提取更多特征，同时，通过残差模块防止了网络退化现象的出现。基于深度学习dscm-net网络的地震数据混采分离技术，可以在保证分离精度的同时，十分适用于混采地震数据的分离处理。
39.2、本发明通过利用多个速度模型进行地震记录正演模拟，并对地震记录进行合成道集转换，获得大量训练数据，使得在对dscm-net网络模型进行训练时，无需人工指定特征，仅需调试确定少量超参数，即可训练获得神经网络模型。只要训练所用的数据集有一定丰富度，训练好的神经网络模型可用于其他区域的地震数据中进行混采分离。研发适用于数据庞大的地球物理数据处理，有效提高地震资料处理的计算效率，为油田的高效勘探开发提供有力保障。
40.因此，本发明可以广泛应用于地震数据采集领域。
附图说明
41.通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。在整个附图中，用相同的附图标记表示相同的部件。在附图中：
42.图1是本发明实施例提供的基于深度学习dscm-net网络的地震混采数据智能分离方法流程图；
43.图2是本发明实施例提供的数据集获取流程图；
44.图3是本发明实施例提供的dscm-net网络示意图；
45.图4是本发明实施例提供的dscm-net网络中dscm块结构示意图；
46.图5是本发明实施例提供的未混合数据示意图；
47.图6是本发明实施例提供的混合震源数据示意图；
48.图7a～图7c是本发明实施例提供的不同深度学习方法混采分离的效果图，其中，图7a是本发明方法混采分离的结果，图7b是cnn方法混采分离结果，图7c是u-net网络方法混采分离；
49.图8是本发明实施例提供的图7a分离结果与图6混合数据的残差示意图；
50.图9a～图9b是本发明实施例提供的分离结果与未混合数据(数据标签)的波型对比示意图，其中，图9a是横向第64道位置处分离结果与未混合数据的波形对比图，图9b是横向第101道位置处分离结果与未混合数据的波形对比图。
具体实施方式
51.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例的附图，对本发明实施例的技术方案进行清楚、完整地描述。显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于所描述的本发明的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本发明保护的范围。
52.需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本技术的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
53.近年来，深度学习技术的火热，推动了一大批产业的发展和升级，在地震勘探领域，同样发展的如火如荼。已经接连在地震资料噪声压制、断层识别等多个方面得到了成功应用。本发明的一些实施例中，提供一种地震混采数据智能分离方法，将深度学习技术引入到了混采数据分离当中，应用一种新的dscm-net深度学习网络成功实现地震混采数据的高精度智能分离。
54.与之相对应地，本发明的另一些实施例中，提供一种地震混采数据智能分离系统、设备和存储介质。
55.实施例1
56.如图1所示，本实施例提供一种地震混采数据智能分离方法，包括以下步骤：
57.1)对获取的待分离地震混采数据进行预处理；
58.2)将预处理后的待分离地震混采数据输入预先训练好的dscm-net网络模型，得到分离后的地震数据。
59.优选地，上述步骤2)中，包括以下步骤：
60.2.1)获取训练数据集；
61.2.2)利用获取的训练数据集，对预先搭建的用于对地震混采数据进行智能分离的dscm-net网络模型进行训练，得到训练好的dscm-net网络模型；
62.2.3)基于训练好的dscm-net网络模型对待分离地震混采数据进行智能分离，得到分离后的地震数据。
63.优选地，上述步骤2.1)中，如图2所示，获取训练数据集的方法，包括以下步骤：
64.2.1.1)基于预先构建的多个速度模型进行正演模拟，得到多套地震记录；
65.2.1.2)基于多套地震记录，得到混采地震数据；
66.2.1.3)对混采地震数据进行道集转换，得到共检波点数据；
67.2.1.4)对共检波点数据进行数据抽稀重采样，得到样本集；
68.2.1.5)按照预设比例对样本集进行分配，得到训练集和测试集，作为训练数据集。
69.优选地，上述步骤2.1.1)中，基于速度模型进行正演模拟时，各个速度模型的网格设置为4700
×
1300，水平采样间距为1m，垂直采样间距为1m。本实施例中构建的多个速度模
型包括多种简单的多层平状模型以及复杂的包含断层、凸状体以及多种复杂的组合型模型，每个速度模型均可以正演128炮单炮记录，每炮128道，炮间距为25m，道间距为6.25m，采用单边激发模式进行正演。
70.优选地，上述步骤2.1.2)中，基于多套地震记录，得到混采地震数据的方法，包括以下步骤：
71.2.1.2.1)采用单船双源混合震源采集观测系统方式对多套地震记录进行制作，得到初始未混采地震数据；
72.2.1.2.2)将其中一个震源作为主源进行等间距或者等时激发，另外一个震源将主源激发记录采用1s
±
0.2s的随机时间延迟来生成地震记录，采用如此方式把两个震源激发数据叠加起来，得到混采地震数据，以达到逼近实际采集的效果。
73.优选地，上述步骤2.1.3)中，由于制作出的混合地震数据为炮集记录，为更好的进行数据分离，需要将炮集记录转换到共检波点道集记录，从而将混采延迟激发的第二炮信号随机化，以降低数据的相关性。
74.具体地，将炮集记录转换到共检波点道集记录的方法为：将单船双源激发数据叠加后生成的混采地震数据进行道头、卷头添加，然后进行不同域道集的转换，将炮域地震记录转换成检波点域地震记录。其中，道头、卷头添加是本领域技术人员公知技术，本发明对此不做赘述。
75.优选地，上述步骤2.1.4)中，为保证地震记录的原始形态不受影响，在进行重采样的过程中采用间隔抽稀的方式进行。本实施例中，对共检波点数据进行数据抽稀重采样，是将转换到共检波点域的原始128
×
2048的数据，按照纵向间隔4个样点进行采样，从而获得4个128
×
512大小的数据，且这4组数据形态基本一致。抽稀重采样的方式，一方面进一步减小了数据的维度，另一方面也将样本集的数量扩充到了原来的数倍，重采样后获得6144个样本数据。
76.优选地，上述步骤2.1.5)中，深度学习不同于机器学习，能容纳更多的训练样本，以达到更好的训练效果，因此，本实施例中，将样本集按照9:1的比例进行分配，得到训练集和测试集。
77.优选地，上述步骤2.2)中，包括以下步骤：
78.2.2.1)搭建dscm-net网络模型，并确定模型超参数初始值；
79.2.2.2)确定误差损失函数和优化器优化模型参数；
80.2.2.3)基于确定的误差损失函数和优化器优化模型参数，采用训练集数据对搭建的dscm-net网络进行训练，获得效果良好的dscm-net网络；
81.2.2.4)采用测试集对训练完成的dscm-net网络进行测试，验证网络参数的可行性，当满足预设要求时，得到训练好的dscm-net网络。
82.优选地，上述步骤2.2.1)中，网络模型设置是人工智能深度学习过程中一个重要环节，网络设置的优劣直接影响所处理问题的可行性，不同网络模型对于不同问题的处理能力是不同的，只有选择适合的网络才能更好的处理混采分离问题。因此，本实施例中，选用dscm-net网络进行地震混采数据的智能分离，dscm-net网络是结合目前应用较多的u-net等网络创新出的一种新型网络，与常规cnn网络、u-net网络相比，在处理混采分离问题上具有显著优势。
83.如图3所示，本实施例中，搭建的dscm-net网络模型总体呈现为u型，包括输入模块、下采样环节、上采样环节和输出模块。其中，输入模块用于将输入到网络的训练样本数据发送至下采样环节；下采样环节用于对输入的训练样本数据进行特征提取；上采样环节用于根据对下采样环节的提取特征进行组合拼接，并将最终结果通过输出模块输出。
84.具体地，下采样环节共包括5个层组，通道数分别是64、128、256、512、1024，数据维度分别为128*512、64*256、32*128、16*64、8*32，每个层组均包含一个dscm block模块，且各层组之间均通过2*2的最大池化层连接。每一个dscm block模块均包含三个3*3的卷积层、bn层和relu层。其中，第一个卷积层为输出处理，将上层运算后的通道数匹配到本层的通道数，以第一层为例，即将原始图像输入的1通道，经过卷积运算变成64通道；第二个卷积层和第三个卷积层通道数不变，全为64到64，主要进行特征提取。在该部分中，由第一层的直接输出与经过第二、三层的输出进行叠加，即类似于一个resnet的残差过程。再而进行最大池化，将数据维度从128*512变为64*256，完成一步下采样过程，网络进行到第二层下采样。
85.在上采样环节中，主要包含反卷积层和3*3的卷积层、bn层、relu层的组合层以及拼接过程。以第四层为例，首先是第五层结果通过2*2反卷积层后得到的结果与下采样过程中第四层的结果进行一个拼接，拼接后的数据通过组合层运算后得到上采样的第四层结果，即将第五层的1024个通道变为512个通道，将数据维度从8*32变为16*64。整个上采样环节同样包括五个层组，通道数分别是1024、512、256、128、64，数据维度分别是8*32、16*64、32*128、64*256、128*512，每个层组都包含2个3*3的卷积层、bn层和relu层，各个层组之间通过2*2的反卷积层连接。最终，通过一个3*3的卷积运算将通道数变为1，输出数据维度为128*512的结果。
86.dscm-net网络模型具体设置最大通道数为1024，下采样通道数分别为1、64、128、256、512、1024，上采样通道数与之相反。
87.优选地，上述步骤2.2.2)中，本实施例采用的损失函数为改进型均方误差损失函数：
[0088][0089]
其中，x是模型预测出来的值、y是真实值、n是数据的维度大小。
[0090]
优选地，上述步骤2.3)，基于上一步训练好的dscm-net网络模型，对待分离的地震混采数据进行智能分离应用，最终得到混采分离后的地震数据。
[0091]
综上，本发明创新性将dscm-net网络框架应用在混采地震数据分离之中，研发了一种基于深度学习的dscm-net网络的地震混采数据智能分离方法，该方法结合了u-net网络和res-net网络优点，混采分离效果更好。与常规cnn网络相比，其在编码器部分的每次池化之前，特征图像都将被保存，并通过跳跃连接的方式将保存的特征图像传递给对应尺度的解码器部分，为解码器提供不同尺度的特征信息。通过跳跃连接的方式恢复由于池化处理降低分辨率而损失的空间信息，可为解码器提供不同分辨率的图像特征，从而能比cnn网络获得更多的特征。此外，机器学习算法的网络达到一定深度之后，就会出现梯度消失、梯度爆炸等问题，从而产生错误的训练结果，本发明将残差神经网络引入到网络当中，解决网络过深问题的。
[0092]
本发明创新性地将基于深度学习的dscm-net网络应用于海洋混合采集数据的分离中，研究出一种基于深度学习的dscm-net网络的地震混采数据智能分离方法，其可以大幅提高计算效率，从而降低了处理过程的计算成本。常规海洋混采分离的过程，需由多个步骤组成，为确保混采数据分离的效果，需要经过多个流程、反复的进行参数测试，过程繁琐复杂，且需耗费较多的人力和时间。研发的基于深度学习的dscm-net网络所用超参数较少，能够大大简化处理流程，减少处理所需时间，更好地服务于混合震源的高效采集，为海洋油气勘探增储上产，提供有效的指导和帮助。
[0093]
实施例2
[0094]
下面结合附图对本发明的技术方案作进一步的描述。
[0095]
如图5、图6所示，分别为利用速度模型进行正演模拟得到的多道地震记录数据以及共检波点域的混采地震数据记录。
[0096]
如图7a所示，为基于训练优化的网络获得的混采分离的结果，和图5未混合数据的对比可看出，两者基本没有差别，从而说明本发明方法的分离效果良好。而通过和图7b所示的cnn方法混采分离结果以及图7c所示的u-net网络方法混采分离结果对比可以看到，本发明方法很好的实现了对于混采数据的分离，而其他两种方法混采分离不彻底。
[0097]
如图8所示，为图7a分离结果与图6混合数据的残差示意图，可以看到，分离结果全是混采噪音，没有有效信号损失，从而说明本发明方法具有良好的保幅性。而通过图9本发明实施例提供的分离结果与未混合数据(数据标签)的波型对比图可以看到，不管是图9a横向第64道位置处分离结果与未混合数据的波形对比，还是图9b横向第101道位置处分离结果与未混合数据的波形对比，分离结果与未混合数据波形一致，从而进一步说明本发明方法具有良好的分离效果，且方法的保幅性好。
[0098]
实施例3
[0099]
上述实施例1提供了地震混采数据智能分离方法，与之相对应地，本实施例提供一种地震混采数据智能分离系统。本实施例提供的系统可以实施实施例1的地震混采数据智能分离方法，该系统可以通过软件、硬件或软硬结合的方式来实现。例如，该系统可以包括集成的或分开的功能模块或功能单元来执行实施例1各方法中的对应步骤。由于本实施例的系统基本相似于方法实施例，所以本实施例描述过程比较简单，相关之处可以参见实施例1的部分说明即可，本实施例提供的系统的实施例仅仅是示意性的。
[0100]
本实施例提供的地震混采数据智能分离系统，包括：
[0101]
数据获取模块，用于获取待分离地震混采数据并进行预处理；
[0102]
混采数据分离模块，用于将预处理后的待分离地震混采数据输入预先训练好的用于对地震混采数据进行智能分离的dscm-net网络模型，得到分离后的地震数据。
[0103]
优选地，混采数据分离模块包括：
[0104]
训练数据集获取模块，用于获取训练数据集；
[0105]
模型训练模块，用于利用获取的训练数据集，对预先搭建的用于对地震混采数据进行智能分离的dscm-net网络模型进行训练，得到训练好的dscm-net网络模型；
[0106]
模型输出模块，用于基于训练好的dscm-net网络模型对待分离地震混采数据进行智能分离，得到分离后的地震数据。
[0107]
实施例4
[0108]
本实施例提供一种与本实施例1所提供的地震混采数据智能分离方法对应的处理设备，处理设备可以是用于客户端的处理设备，例如手机、笔记本电脑、平板电脑、台式机电脑等，以执行实施例1的方法。
[0109]
所述处理设备包括处理器、存储器、通信接口和总线，处理器、存储器和通信接口通过总线连接，以完成相互间的通信。存储器中存储有可在所述处理器上运行的计算机程序，所述处理器运行所述计算机程序时执行本实施例1所提供的地震混采数据智能分离方法。
[0110]
在一些实施例中，存储器可以是高速随机存取存储器(ram：random access memory)，也可能还包括非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。
[0111]
在另一些实施例中，处理器可以为中央处理器(cpu)、数字信号处理器(dsp)等各种类型通用处理器，在此不做限定。
[0112]
实施例5
[0113]
本实施例1的地震混采数据智能分离方法可被具体实现为一种计算机程序产品，计算机程序产品可以包括计算机可读存储介质，其上载有用于执行本实施例1所述的地震混采数据智能分离方法的计算机可读程序指令。
[0114]
计算机可读存储介质可以是保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是但不限于电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意组合。
[0115]
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

技术特征：
1.一种地震混采数据智能分离方法，其特征在于包括以下步骤：对获取的待分离地震混采数据进行预处理；将预处理后的待分离地震混采数据输入预先训练好的dscm-net网络模型，得到分离后的地震数据。2.如权利要求1所述的一种地震混采数据智能分离方法，其特征在于，所述将预处理后的待分离地震混采数据输入预先训练好的dscm-net网络模型，得到分离后的地震数据，包括：获取训练数据集；利用获取的训练数据集，对预先搭建的用于对地震混采数据进行智能分离的dscm-net网络模型进行训练，得到训练好的dscm-net网络模型；基于训练好的dscm-net网络模型对待分离地震混采数据进行智能分离，得到分离后的地震数据。3.如权利要求2所述的一种地震混采数据智能分离方法，其特征在于，所述获取训练数据集，包括：基于预先构建的多个速度模型进行正演模拟，得到多套地震记录；基于多套地震记录，得到混采地震数据；对混采地震数据进行道集转换，得到共检波点数据；对共检波点数据进行数据抽稀重采样，得到样本集；按照预设比例对样本集进行分配，得到训练集和测试集，作为训练数据集。4.如权利要求3所述的一种地震混采数据智能分离方法，其特征在于，所述速度模型的网格设置为4700
×
1300，水平采样间距为1m，垂直采样间距为1m；每个速度模型正演128炮单炮记录，每炮128道，炮间距为25m，道间距为6.25m，采用单边激发模式进行正演。5.如权利要求3所述的一种地震混采数据智能分离方法，其特征在于，所述基于多套地震记录，得到混采地震数据，包括：采用单船双源混合震源采集观测系统方式对多套地震记录进行制作，得到初始未混采地震数据；将其中一个震源作为主源进行等间距或者等时激发，另外一个震源利用主源激发记录采用1s
±
0.2s的随机时间延迟来生成地震记录，把两个震源激发数据叠加起来，得到混采地震数据；重复上一步骤，得到多组混采地震数据。6.如权利要求2所述的一种地震混采数据智能分离方法，其特征在于，所述利用获取的训练数据集，对预先搭建的用于对地震混采数据进行智能分离的dscm-net网络模型进行训练，得到训练好的dscm-net网络模型，包括：搭建dscm-net网络模型，并确定模型超参数初始值；确定误差损失函数和优化器优化模型参数；基于确定的误差损失函数和优化器优化模型参数，采用训练集数据对搭建的dscm-net网络进行训练，获得效果良好的dscm-net网络；采用测试集对训练完成的dscm-net网络进行测试，验证网络参数的可行性，当满足预设要求时，得到训练好的dscm-net网络。
7.如权利要求6所述的一种地震混采数据智能分离方法，其特征在于，所述dscm-net网络模型呈现为u型，包括输入模块、下采样环节、上采样环节和输出模块；所述输入模块用于将输入到网络的训练样本数据发送至所述下采样环节；所述下采样环节用于对输入的训练样本数据进行特征提取；所述上采样环节用于根据对所述下采样环节的提取特征进行组合拼接，并将最终结果通过输出模块输出。8.一种地震混采数据智能分离系统，其特征在于，数据获取模块，用于获取待分离地震混采数据并进行预处理；混采数据分离模块，用于将预处理后的待分离地震混采数据输入预先训练好的用于对地震混采数据进行智能分离的dscm-net网络模型，得到分离后的地震数据。9.一种存储一个或多个程序的计算机可读存储介质，其特征在于，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行如权利要求1至7所述方法中的任一方法。10.一种计算设备，其特征在于，包括：一个或多个处理器、存储器及一个或多个程序，其中一个或多个程序存储在所述存储器中并被配置为所述一个或多个处理器执行，所述一个或多个程序包括用于执行如权利要求1至7所述方法中的任一方法的指令。

技术总结
本发明公开了一种地震混采数据智能分离方法、系统、设备和存储介质，包括：对获取的待分离地震混采数据进行预处理；将预处理后的待分离地震混采数据输入预先训练好的Dscm-Net网络模型，得到分离后的地震数据。其中，训练Dscm-Net网络模型时，首先通过多种速度模型正演出地震记录，并进行混采数据合成；然后将制作出的混采地震数据由炮集域转换到检波点域，并进行数据重采样，得到训练数据集；最后，通过训练数据集对Dscm-Net网络模型进行训练，使其获得良好的混采分离效果。本发明有良好的分离效果和计算效率，可以广泛应用于海洋油气高效勘探领域。勘探领域。勘探领域。


技术研发人员：米立军 徐秀刚 张金淼 糜芳 陈剑军 刘志鹏 王艳冬 郑颖 焦振华 魏倩倩
受保护的技术使用者：中海石油（中国）有限公司北京研究中心
技术研发日：2023.07.04
技术公布日：2023/10/15