当前,中国东部老油田仍然是增储上产的重要阵地。为了进一步提高勘探精度,实现挖潜增效,常常需要在成熟探区进行二次甚至三次采集。在重复采集过程中,正在进行油田开发的油井抽油机噪声成为影响油田开发区地震勘探的主要干扰源之一,严重降低了地震数据的分辨率,为后续的地震数据处理工作增加了难度。而关闭抽油机会严重影响生产效率,成本较高。因此,准确地检测和压制地震资料中的油井抽油机噪声是一项十分重要的工作。

目前的抽油机噪声压制方法主要通过利用有效信号与抽油机噪声的差异来设计算法。基于检波器矢量组合的方法^[1-2]的原理是根据有效信号和抽油机噪声的传播方向及传播速度的差异设置检波器组合的参数,从而在增强有效信号的同时压制抽油机噪声,但是,这类方法只对单口抽油机产生的噪声有效,难以有效压制多口抽油机产生的多种频率干扰。基于盲源分离的方法^[3]的原理是将有效信号与抽油机噪声看作独立的源信号,并基于最大信噪比准则将二者进行分离,然而,由于盲源分离内在的不确定性,这类方法可能会改变分离信号的幅值和相位。基于形态成分分析方法^[4]的工作原理是根据抽油机噪声和有效信号的反射波在空间形态特征的差异,利用时频分解来压制抽油机干扰,但是当用于时频分解的变换选择不当时,可能会造成有效信号的损伤。常用商业软件中的异常振幅压制(abnormal amplitude attenuation,AAA)方法可以有效压制抽油机噪声的多个强单频干扰,然而这类方法虽然灵活、有效,但是需要合理设置频带范围、阈值以及道数范围等参数,否则会造成有效信号的损伤。

近年来,迅猛发展的有监督深度学习算法已经应用于各类地震数据处理任务,尤其是地震噪声压制中^{[5⇓⇓⇓⇓⇓⇓-12]}。特别地,Ren等^[13]提出了一种使用多层生成网络(multilayer generator network,MLGnet)有效利用多尺度语义信息从地震数据中压制抽油机噪声的方法。该方法将实际数据的抽油机噪声提取出来然后加在不含噪声的地震数据中,从而构造“含噪数据—干净数据”样本对用于训练MLGnet,取得了较好的压制效果。但是其仍然局限于处理人为模拟的数据,并未应用于大规模实际数据。

目前,针对抽油机噪声检测,仍然停留在借助施工图进行人工分析阶段,然而,这样的做法不仅增加了大量人工成本,而且容易漏检。另外,常规的异常振幅衰减等传统抽油机噪声压制方法大都采用固定参数进行滤波,容易造成噪声残留和损失有效信号,如果可以将抽油机噪声检测出来并对其振幅、频率以及污染的道数范围进行分析,便可以有效改善这些传统方法对抽油机噪声的压制效果。基于上述两点,可以看出,开发智能检测方法以便在海量数据中快速识别抽油机噪声具有重要意义。

本文结合深度学习相关知识,提出了一种基于深度卷积神经CNN网络(convolutional neural network,CNN)的油井抽油机噪声智能检测与压制方法。在训练阶段,对工区中含有抽油机噪声的地震数据进行预处理,得到噪声样本;并将其送入FCN网络(fully convolutional networks,FCN)^[14]以确定抽油机噪声的位置和分布形态,从而得到训练好的抽油机噪声智能检测网络。在测试阶段,将需要处理的含有抽油机噪声的地震数据送入抽油机噪声智能检测网络,得到抽油机噪声的位置,然后利用数学形态学的方法进一步对检测得到的包含抽油机噪声的数据部分进行后处理,从而确定抽油机噪声的频率特征以及宽度,为AAA算法设计对应的参数,使其能够对抽油机噪声实现更高精度的压制。本文以地震资料中的抽油机噪声检测与压制为例,证明了本方法相较未经过参数设计的AAA方法,可以实现抽油机噪声的智能检测与压制,不仅大幅减少了人工交互工作量,提高了检测准确率,而且还可以更加高效地压制抽油机噪声,并保留有效信号。

在成熟探区的地震野外施工过程中,正在进行油田开发的油井抽油机是一种主要的外源干扰,所产生的噪声通常被称为抽油机噪声,主要来自两方面:一是来自于地面,抽油机电机高速运转引起地面震动而产生的噪声干扰;二是来自地下,由抽油杆在地下管道内上下运动时与周围管壁摩擦而产生的干扰。另外,油井抽油机噪声传播方向与面波类似,但能量和传播距离又与面波有所不同,其主要特征表现如下:抽油机工作时产生的噪声是以油井为中心(如图1中黄色圆点为抽油机位置),向四周传播,在时间切片上是以抽油机所在位置为圆心的同心圆(如图1中绿色圆所表示)。图1中,蓝色为炮点位置,红色为检波器位置,随着检波器与抽油井间距离的增加,噪声能量随之逐渐衰减,几乎按照指数规律衰减;抽油机噪声规律性很强,并且按照一定的周期循环重复,其时距曲线表现为直线。

为了对抽油机噪声进行更为直观的特征识别,图2中展示了胜利油田某工区含有抽油机噪声的原始单炮记录。其中,红色三角区域中为典型的抽油机噪声,可以看出,抽油机噪声在时间域中表现为异常强振幅,且呈现扫把状随机分布在固定区域中。进一步地,图3a与图3b分别展示了图2中对应的有效信号频谱与抽油机噪声频谱。可以看出,在频率域,抽油机噪声中主要存在12.5 Hz、19 Hz及25 Hz等3种成分的频率,频率成分较多、范围相对较宽;对比图3a与图3b可以看出,有效信号的频率成分与抽油机噪声的频率成分有较大的重叠部分,因此也给抽油机噪声的压制带来了极大的挑战。

与面波、随机噪声不同,油井抽油机噪声是随机分布在整个工区中,采用人工借助野外施工图进行抽油机噪声的识别工作量巨大,费时费力而且容易漏检。因此,本文考虑利用监督深度学习的方法对抽油机噪声进行智能检测,具体可分为数据集构造、网络搭建以及网络的训练及测试3个步骤。

对于需要处理的含有抽油机噪声的地震数据,首先利用固定大小的滑动窗单步滑动,对该地震数据按列分块,得到若干固定大小的局部地震道集,每个局部地震道集包含固定数量的地震道,然后根据每个数据块所包含抽油机噪声的道数是否达到所设定的阈值条件对其进行标注:①若包含抽油机噪声的地震道数量达到阈值Th₁,则将其标注为1;②若包含抽油机噪声的地震道数量低于阈值Th₂,将其标记为0。不符合阈值条件的数据块则被舍弃。

将符合阈值条件的地震数据块标记为数据X~=A(X),并对其进行预处理。具体包括:

1)计算其能量谱并对其进行列方向的均值滤波,得到滤波后的数据X~=A(X),其中A为均值滤波器;

2)利用双三次插值对其进行降采样,得到Y=R_bicubic(X~),其中,R_bicubic表示双三次插值操作。将预处理得到的数据Y进行打乱操作,并将其分为训练数据集与测试数据集。

网络结构的构建会极大地影响后续抽油机噪声的识别与检测结果。由于传统分类网络CNN是为了图像分类而衍生出来的,因此用在地震数据上时无法高效利用空间信息,从而使得识别准确率低,另外数据集类别不平衡对识别结果影响也较大。而FCN语义分割网络可以充分利用空间信息,而且基本不受类别比例影响,因此可以提供像素级的分类结果。因此,本文利用FCN语义分割网络相关思想搭建网络,具体的网络结构如图4所示,其中,Conv表示卷积层,Pool表示池化层。该网络以VGG19^[15]网络结构为基础,并将VGG19的全连接层替换成反卷积层(Deconv),从而将CNN网络变为了FCN网络,以得到像素级的结果。

在得到数据集与网络结构后,利用训练数据集对网络进行训练。其中,将网络的前5层卷积的初始参数设置为VGG19的预训练模型参数。网络训练的损失函数为如下的交叉熵函数:

式中:p代表真实的概率分布,q代表CNN网络输出的概率分布,ln(·)代表自然对数函数。

在网络训练完毕后,利用测试数据集对其进行测试,并对测试结果进行评价,并利用错分的测试数据集对网络参数进行微调。

在网络训练与测试完毕后,将需要处理的地震数据送入网络,从而对地震数据中包含的抽油机噪声进行检测。对检测到的抽油机噪声所在地震道向左右延拓得到初始抽油机噪声所在位置N,从而保证其包含完整的噪声。然后利用和预处理相似的方式进一步得到噪声位置N^:

式中:Th_mean代表利用能量均值选择阈值进行二值化, I_open表示图像开运算。

然后在N^中寻找最大的连通域得到其横向宽度W;为补偿图像开运算中损失的噪声边缘,使用1.2W作为最终宽度,从而得到最终的噪声位置N~。

在得到最终噪声位置N~后,还需根据抽油机噪声的频率特征确定所选择的噪声是否为抽油机噪声,从而实现抽油机噪声的准确检测。具体的基于深度学习的抽油机噪声检测流程示意如图5所示。

利用所提出的基于深度学习的抽油机噪声检测流程得到噪声的准确位置后,便可以利用检测得到的相关信息作为异常强振幅压制(AAA)的输入,实现自适应实现抽油机噪声压制。

传统的AAA方法主要利用振幅和频率来区分有效信号与抽油机噪声。具体可以分为如下步骤:

1)确定抽油机噪声所在的频带范围与道数范围。

2)在噪声所在频带范围与道数范围内,通过如下公式计算地震数据的能量:

式中:A_i表示地震数据在第i个频带的振幅。

3)设定噪声能量阈值。如果地震数据的能量超过设定的阈值时,则被认为存在抽油机噪声。从而利用相邻道的平均值进行内插来替换含有抽油机噪声的区域。

可以看出,对于AAA算法,频带范围、道数范围以及能量阈值的选取至关重要。然而,在实际的地震数据处理过程中,这些参数的选择往往只能依赖于人工经验。当地震数据中含有50 Hz工业电干扰、公路噪声等强振幅噪声时,会导致参数选择的不准确,进而使得抽油机噪声的压制不彻底,甚至可能损伤有效信号。

为了自适应地选取AAA算法中的频带范围、道数范围以及能量阈值参数,首先,利用所提出的基于深度学习的抽油机噪声检测流程确定抽油机噪声的具体位置;其次,利用数学形态学的方法对检测到的抽油机噪声的振幅、宽度与频率进行估计;最后,根据得到的信息自适应地设计AAA算法中的频带范围、道数范围以及能量阈值参数,从而避免AAA算法需要对整个工区数据进行处理的劣势,实现对抽油机噪声的“定点清除”,提高抽油机噪声处理效率。

最终整体的油井抽油机噪声检测与压制流程如图6所示。具体的噪声压制流程如图7所示。

将所提出的方法用于中国东部某探区实际资料,从而探究其有效性。图2展示了该地震资料中的含抽油机噪声单炮记录。可以看出,在资料当中不仅发育抽油机干扰,而且还有其他异常强振幅干扰。为了对抽油机噪声进行智能检测,设定窗的宽度固定为41,因此分块得到的数据块大小为3 501×41,降采样之后大小为350×41。 选取数据块中的80%作为训练数据集,剩余的20%作为验证数据集,对网络进行训练与验证。

在网络训练过程中,设置网络的初始学习率为 lr=0.005,每一层卷积层的步长为2×2,每次用于训练的batch大小为10,共训练30轮。图8展示了训练过程与验证过程中损失函数的值的变化曲线,可以看出,训练集和验证集的损失函数在20 000次迭代后便基本收敛,说明预测结果已经能够用于提取噪声的位置信息和宽度信息。

图9展示了应用本文方法的抽油机噪声检测方法在3个单炮数据的检测结果,其中深蓝色双线代表人工智能检测抽油机位置与宽度,浅蓝色双线代表真实的抽油机位置与宽度。

测试所用的炮集数据中共有56处抽油机噪声,训练使用的数据中包含47处,测试使用的数据中包含9处,本文方法将所有抽油机噪声全部准确检测,并且无漏检。

图10展示了在实际资料中既含有抽油机噪声又含有其他异常强振幅干扰的单炮记录,其中红色三角区域为抽油机噪声,蓝色方框为异常强振幅干扰。应用传统的AAA方法时,得到的有效信号与噪声分别如图11a与图11b所示。由于传统AAA方法设定固定频率范围(0~60 Hz)、固定噪声振幅所在道数(50)、固定异常振幅(平均振幅30倍)进行抽油机噪声压制,因此,该方法对井场异常噪声(包括抽油机噪声、工业电干扰、公路汽车干扰等)均进行无差别的压制,图11a还存在残留的抽油机噪声。应用本文提出的AAA噪声压制所得到有效信号与噪声分别如图12a与图12b所示。该方法是在对工区内每处抽油机噪声进行准确定位和刻画抽油机噪声形态后再进行噪声压制,实现了基于数据驱动的高效抽油机噪声压制,压制后几乎没有噪声残留,这说明了本文方法的优越性。另外,本文方法只处理了抽油机噪声,其他的噪声依然有效保留,这也从另一个方面说明了本文方法可以准确检测抽油机噪声。

本文在分析抽油机噪声特点和现有噪声压制方法不足的基础上,提出了一种基于深度学习的油井抽油机噪声智能检测与压制方法。将该方法应用于典型的抽油机噪声检测与压制中,结果表明该方法能够准确检测抽油机噪声。根据检测结果,该方法自适应地为AAA方法选取参数,提高了压制结果的保真性。需要指出的是,本文以抽油机噪声的检测与压制为例,所提出的方法还可以应用于公路车辆干扰、采油区的大钻干扰等其他外源干扰,这是未来的研究方向。