DeepNRMS：用于时移地震图像中鲁棒抗噪CO2监测的无监督深度学习方法
地球物理
2023-10-16 v2
摘要
在碳捕集与封存项目中，监测封存CO2对于确保安全性和有效性至关重要。我们提出DeepNRMS，一种新颖的鲁棒抗噪方法，可有效处理地震图像中的时移噪声。DeepNRMS利用无监督深度学习，从注入前勘测中获取时移噪声特征知识。通过利用该习得知识，我们的方法能够从高幅值时移噪声中准确辨别由CO2引起的微弱信号，在保证监测保真度的同时，通过实现稀疏采集来降低成本。我们使用在Aquistore项目中获取的合成数据与现场数据对方法进行评估。在合成实验中，我们通过在地 subsurface 模型的弹性属性中引入随机近地表效应来模拟时移噪声。我们仅在注入前地震图像上训练神经网络，随后从注入后地震图像中预测CO2位置。在Aquistore的现场数据分析中，注入前勘测图像被用于训练具有时移噪声特征的神经网络，随后在两个注入后勘测中识别CO2羽流。结果表明，DeepNRMS在有效应对强时移噪声方面实现了更高的精度。
引用
@article{arxiv.2310.07897,
title = {DeepNRMS: Unsupervised Deep Learning for Noise-Robust CO2 Monitoring in Time-Lapse Seismic Images},
author = {Min Jun Park and Julio Frigerio and Bob Clapp and Biondo Biondi},
journal= {arXiv preprint arXiv:2310.07897},
year = {2023}
}