基于一维卷积神经网络的高分辨率Radon变换反演方法研究

摘要：

高分辨率Radon变换是地震资料处理常用的方法之一,其反演通常涉及矩阵求逆、多次迭代等环节,这些因素导致Radon变换反演计算量大,收敛速度慢等问题.本文在分析Radon变换分辨率降低原因基础上,提出基于一维卷积神经网络(Convolutional Neural Network,CNN)的高分辨率Radon变换反演方法.该方法通过卷积神经网络的非线性表征能力实现低分辨率Radon参数到高分辨率Radon参数的映射,分析了基于反褶积原理的串联映射模型和基于残差学习的并联映射模型提高分辨率的原理.将上述CNN网络得到的特定频率Radon参数约束其他频率参数的反演,避免了分频训练的弊端.模拟数据和实际数据的多次波压制实验表明,本文提出的基于一维卷积神经网络的高分辨率Radon变换可以较好地压制多次波,且计算效率高.

关键词：Radon变换、卷积神经网络、反演方法、频率约束、多次波压制

所属期刊栏目：65

分类号：P631

资助基金：国家科技重大专项;中国石油科技创新基金项目

在线出版日期：2022-09-15（万方平台首次上网日期，不代表论文的发表时间）

页数：共13页

页码：3610-3622