能源作为国家工业的粮食和社会经济发展的命脉,其安全是国家安全体系中不容忽视的核心内容。中国作为全球最大的工业国,油气资源在中国短中期能源消费中仍将占据很大比例。为提高我国的能源安全性,深层非常规油气资源的勘探开发将是我国未来油气开发的重点。分布式光纤声传感(Distributed Acoustic Sensing,DAS)技术因其对微弱地震波扰动灵敏度高、采样间隔小、勘探作业成本低等优势已经成功应用于垂直地震勘探(Vertical Seismic Profile,VSP)中。使用DAS技术的VSP地震勘探能够采集到更加精细和密集的地震信号,可以做到对测井附近地层信息的精确刻画,保证地震记录具有良好的保真度和分析价值。但由于实际DAS VSP信号采集系统的空间分布部署和测井下的复杂恶劣环境的影响,采集到的记录中除有效的地震信号外,还有大量额外的噪声干扰。这些噪声严重遮挡有效信号,给后续的地层分类与层间信息分析等工作带来严重的干扰。基于此,研究如何有效地对DAS VSP记录进行信噪分离,恢复出其中的有效波场信息具有十分重要的意义和研究价值。 传统的地震信号噪声压制算法在应用于DAS VSP记录时,无法做到对其中的多种噪声同时有效去除,处理后的记录中有效信号会有明显的缺失。而且这些传统算法需要针对每一幅记录的特点进行针对性的参数调优工作,难以对当前海量地震记录进行高效和有效处理。卷积神经网络能够自适应提取地震信号的潜在特征,在地震数据的噪声压制任务中能取得良好的效果。但其中大多数网络都是根据以往经验设计,面临可解释性差的问题。 本文提出利用神经网络模拟最大后验(Maximum A Posteriori,MAP)信号估计这一迭代优化过程,为深度学习实现DAS VSP信噪分离提供更多的可解释性。利用一系列参数化映射函数替换原始数学模型中的主要计算实体,并通过卷积神经网络实现面向高维特征域的优化转换、先验正则项替代及隐式自适应的参数调谐等,构建了一个信号估计优化网络GDONet,在GDONet中以迭代优化过程为基础构建优化单元(Optimization Unit,OPTU)。在每个OPTU中设计了基于误差反馈融合思想的多尺度密集特征聚合(Multi-scale Dense Feature Aggregation,MDFA)模块,通过计算不同尺度下的特征误差并反馈到融合过程中,减少降采样带来的信息损失,使多尺度优势得以更好发挥。在OPTU的帮助下,优化估计过程更加精细和自动化,扩展了MAP在DAS VSP信号精确估计中的应用。本文基于地层正演建模与实际的噪声模型,构建了高质量的DAS VSP信号训练样本。除此之外,本文将DAS VSP记录的均方根随地震道的变化范围定义为信号分辨率,以此评估不同方法的信号恢复效果;同时引入了频谱信噪比作为实际DAS VSP实验中的定量评价指标。 将本文所提出的方法与其它5种对比方法分别应用于合成和实际的DAS VSP记录上,对各种方法在去噪结果、频率-幅值谱、噪声残差、单道信号对比、信号分辨率和频谱信噪比等定性定量的分析均表明本文提出的网络可逐步衰减DAS数据中的噪声分量,有效实现野外实际场景下弱DAS信号的高精度恢复。此外,本文还处理了另外两幅噪声和信号能量都差异很大的实际DAS VSP记录,证明了所提出的方法有较好的泛化性能。