基于扩散概率模型的非均一地震数据插值方法

摘要：

[目的]能源勘探领域长期面临非均一地震数据插值的难题.由于检波器无法精确放置在理论网格点,现有均一插值技术常导致结果存在偏差和细节失真.[方法]为解决此问题,提出一种基于扩散概率模型的非均一插值新方法.扩散概率模型是一种新兴的生成式深度学习模型,分为扩散和生成两个过程.在扩散过程中,对完整地震数据迭代施加噪声,训练神经网络的去噪能力;在生成过程中,使用神经网络对噪声数据迭代去噪,得到重构数据.利用插值算子计算迭代数据与采集数据的偏差,作为神经网络的额外输入,提高扩散概率模型的非均一插值能力.在数值实验部分,使用二维合成数据集与实际数据集对非均一采样进行了测试,并使用均一插值模型与所提模型进行比较.[结果和结论]结果表明:该方法显著提升了扩散概率模型对非均一采样的处理能力,在合成数据与实际数据测试中,信噪比大约提高了 7 dB,有效提高了深度学习方法对非均一插值的精度,为非均一地震数据插值算法提供了新的思路.

关键词：地震数据插值、非均一采样、深度学习、生成式模型、扩散概率模型

所属期刊栏目：52

分类号：P631

资助基金：国家自然科学基金42074156

在线出版日期：2024-08-29（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：177-186