我国油气资源丰富,页岩气等非常规资源持续补充。然而,经济快速发展导致原油、天然气对外依存度攀升,能源安全问题日益凸显。党的二十大报告提出推进能源革命,加大油气勘探力度。地震勘探是油气开发的重要手段,随着易探易采资源枯竭,勘探逐步向深部及复杂区域转移,常规技术已难以满足当前需求,亟需新技术突破。分布式光纤声传感(Distributed Acoustic Sensing,DAS)技术突破了传统采集系统的精度限制,能够实现深部高分辨率成像,近年来成为国内外研究热点。垂直地震剖面(Vertical Seismic Profile,VSP)技术能提供更精准的成像信息,与DAS技术结合有望攻克当前勘探难题。然而,受环境与技术制约,DAS-VSP数据存在信噪比低、噪声强、道缺失等问题,且VSP数据需获取分离的上行波场以实现高精度成像,这些难题对地震数据处理技术提出了更高要求。 针对上述DAS-VSP数据处理中的问题,本文结合深度学习先进技术,开展了去噪、重建和波场分离算法研究,旨在实现高信噪比、高分辨率和高保真度的目标。本文主要包含以下研究内容: 首先,针对DAS-VSP数据的“噪声强度大、类型复杂多变”问题,本文提出了基于多尺度循环卷积神经网络(Convolutional neural network,CNN)的多类型噪声压制技术。传统方法通常针对单一噪声类型进行处理,面对多种强能量噪声时需要分别处理,容易造成信号损伤且效率低下。本文利用CNN的局部连接和权值共享特性,提取地震数据中噪声与有效信号的潜在特征,保留关键信息并精准区分噪声与信号。引入多尺度卷积操作,使网络自适应学习不同尺度特征,并结合多尺度循环引导机制和注意力机制,有效移除噪声并减少信号损失。该方法借助训练好的模型进行智能化消噪,无需人工调参,显著提升了处理效率与精度。 其次,针对DAS-VSP数据的“噪声与地震道缺失共存”问题,本文提出了基于通道注意力机制增强神经网络的同时去噪与重建技术。由于采集环境和设备的影响,噪声和道缺失都是影响数据质量的主要因素。传统方法需分别进行去噪和重建,增加了处理复杂度并易造成数据质量下降。本文将噪声与道缺失统一视为“干扰”,构建从含噪缺失数据到去噪完整数据的直接映射模型。通过构建多尺度神经网络提取地震数据的局部特征和多分辨率特征,引入通道注意力机制优化特征提取,提升计算精度。该方法在有效去噪的同时实现了缺失道的重建,提高了数据处理效率和质量。 再次,针对DAS-VSP数据中的“地震道连续大间隔缺失”问题,本文提出了基于Transformer的大间隔道缺失重建技术。在数据采集过程中,由于光缆破损或与井壁耦合不良,会出现大间隔连续道缺失现象,严重破坏了数据完整性。基于CNN的方法受限于有限的感受野,难以有效处理此类问题。针对这一挑战,本文利用Transformer的长距离依赖特性,深入挖掘缺失地震数据的潜在特征。通过Transformer的全局特征提取能力,捕捉数据中的全局特征,并根据信号特征自适应地补偿缺失信息,显著提升了重建效果。这一方法有效解决了现有深度学习模型在处理大间隔道缺失数据时的局限性,为DAS-VSP数据的完整性恢复提供了新的解决方案。 最后,针对DAS-VSP数据中的“波场混叠及分步处理导致处理精度下降”问题,本文提出了一种基于Transformer-CNN融合技术的去噪、重建和波场分离一体化技术。对于VSP数据而言,高质量分离混叠的上行波场和下行波场是高精度成像的关键,而噪声和道缺失的存在会显著影响波场分离的效果。传统方法通常分别进行去噪、重建和波场分离,不仅耗时较长,还容易因重复处理导致信号保真度降低。针对这些问题,本文结合Transformer优异的全局特征提取能力和CNN强大的局部特征提取能力,同时提取噪声消减所需的局部特征以及重建和波场分离所需的全局特征。通过引入渐进式训练策略,实现了去噪、重建和波场分离的一体化处理,在提升数据质量的同时显著提高了处理效率。该方法有效解决了传统分步处理的局限性,为DAS-VSP数据的高效处理提供了新的技术路径。 综上,本文旨在通过数据预处理提升DAS-VSP数据质量与成像精度,应对当前面临的处理挑战,提高处理水平,为我国地震勘探勘探提供优质数据与技术支持。