Sep, 2024

利用卷积神经网络对海洋地震数据进行去噪和去混叠

HTML
PDF
TL;DR本文解决了海洋地震数据处理的高计算需求和繁琐步骤的问题，提出使用深度卷积神经网络（CNN）来去除地震干扰噪声和解混叠的创新方法。研究的主要发现是，通过转向公共通道域，显著提高了去混叠的效率和结果质量，尤其在信噪比低的情况下表现良好。
发现论文，激发创造
  • 使用卷积神经网络集合半监督分割地震图像中的盐体

    该研究提出了一种半监督方法，利用未标记的数据进行多轮自我训练，使用卷积神经网络以及 CNNs 的集合来减少自我训练过程中的误差放大，以检测地震图像中的盐体，实验证明该方法在TGS Salt Identification Challenge数据集上性能优于现有方法，位列3234种竞争方法的第一位。

    Apr, 2019

  • 卷积神经网络用于地震检测

    使用卷积神经网络(ConvNetQuake)检测和定位地震事件，以解决小型和中等级地震活动中的低幅度震动噪声的问题。

    Apr, 2023

  • 基于可解释人工智能的自监督地震降噪掩模设计

    该研究提出了一种基于可解释的人工智能方法的自监督抑噪技术，利用导数矩阵中的像素平均值来识别最有效的抑噪掩码，从而实现无需标记或预先知识的全面自动抑噪过程。

    Jul, 2023

  • 优化基于Transformer的网络用于深度学习地震处理工作流程

    通过使用相对位置编码和低秩注意力矩阵，对StorSeismic模型的原有实现中的位置编码和自注意机制进行改进，取得了更快的预训练速度、竞争力强的微调结果以及更少的训练参数。

    Aug, 2023

  • 3D地震反演的深度压缩学习

    使用压缩学习框架和深度卷积神经网络（DCNN）联合优化维度缩减算子和实现三维反演编码-解码器的方法，以极少量的地震源进行预堆叠数据的三维地震反演，通过学习稀疏二进制感知层来实现维度缩减，并保持与使用整个数据集获得的三维重建质量相当的回归任务效果。

    Oct, 2023

  • 使用具有注意力层的卷积神经网络从地震振幅中高分辨率地检测地球结构异质性

    提出一种使用卷积神经网络和注意力层结合的高效且具有成本效益的架构，用于检测地震结构异质性，通过利用合成数据进行迁移学习以训练和微调模型，解决有限标注数据可用性的挑战。

    Apr, 2024

  • Xi-Net: 基于Transformer的地震波形重构器

    通过使用变压器（Transformer）为基础的深度学习模型，我们提出了一种名为Xi-Net的模型，它利用多方位的时间和频域输入来准确重建地震波形。我们通过填充随机间隙来证明该模型在120s波形中表现出色，与原始波形非常接近。

    Jun, 2024

  • 基于卷积神经网络的陆地地震记录中的地面波分离

    本研究解决了传统方法在地震数据中分离地面波和反射波的复杂性问题。通过采用卷积神经网络（CNN）自动提取地面波和反射波特征的方法，显著提高了分离的有效性。实验结果表明，该方法具有良好的泛化能力，对合成和真实数据均有效。

    Sep, 2024

  • 基于卷积神经网络的地震数据去混叠方法

    本研究针对传统地震去混叠方法计算量大、参数设置复杂的问题，提出了一种基于深度学习的数据驱动方法，旨在提高去混叠的效率与准确性。通过构建卷积神经网络（CNN），该方法能够在近实时条件下实现与传统算法相比的优良去混叠效果，实验结果表明初始信噪比（SNR）显著影响最终去混叠的质量。

    Sep, 2024

  • 基于深度学习的震源域地震去融合

    本研究针对大规模地震数据处理中的去融合问题，提出了一种基于深度学习的新方法，结合了高质量训练数据生成策略和数据条件化技术，以提升数据驱动模型的性能。研究发现，该方法在去除深部混叠声方面显著减少了主要源事件的泄漏，并在效率上优于传统算法。

    Sep, 2024