Atención al ruido aleatorio sísmico no supervisada utilizando características mejoradas a escala múltiplex en 3D

La supresión efectiva del ruido aleatorio mientras se preserva la señal sísmica ha sido consistentemente un desafío clave en el procesamiento de datos sísmicos. La alta dimensionalidad y la compleja estructura espacial de los datos sísmicos tridimensionales (3D) a menudo llevan a que los métodos tradicionales de eliminación de ruido no cumplan con los requisitos de supresión del ruido. Para abordar este problema, diseñamos un nuevo método de eliminación de ruido sísmico en 3D basado en aprendizaje profundo no supervisado, que integra la fusión de características mejoradas a múltiples escalas y un transformador eficiente (EMST). El marco básico del EMST emplea dos caminos principales de codificación-decodificación para capturar características a múltiples escalas de los datos sísmicos 3D. Un mecanismo de atención mejora aún más la expresión de las características a diferentes escalas, que luego se integran mediante la capa de fusión de características. Posteriormente, se incorpora un transformador eficiente para fortalecer la capacidad de modelado global del modelo. Además, se emplea un método de selección de parches de Monte Carlo para seleccionar parches representativos para optimizar los conjuntos de entrenamiento, mejorando así la eficiencia del entrenamiento. Los resultados experimentales en múltiples datos indican que el EMST mejora el rendimiento de eliminación de ruido y reduce la fuga de señal en comparación con métodos de referencia.