Spikes Filtering with Neural Networks: a Two-Stage Detection System
Filtrage des pics par des réseaux neuronaux : un système de détection à deux étages
Institut Français du Pétrole-CGG
A two-stage system for detecting spikes in seismic data has been developed, each stage using neural networks (NN) techniques. The first stage is trained and used on a running preprocessing window over traces ; its goal is to satisfy the three following criteria (by decreasing priority) :(a) Maximize the number of detections. (b) Minimize the CPU-cost. (c) Minimize the number of false alarms. The second stage processes the first stage's alarms in order to discriminate between true and false ones. Several preprocessing techniques, and especially their discriminatory power (to separate noise and signal) were tested :(a) Based on energy criteria. (b) Based on frequency spectrum. (c) Based on signal attributes, as Hilbert attributes, or other signal features. Several NN architectures, with global, local and constrained connections were compared. NN behavior at neighborhood of decision area was observed in order to determine a selection method of relevant decision thresholds. The first stage was tested on raw traces issued from 250 shots of a real twodimensional onshore seismic campaign. Three different migrated sections (Dip Moveout) were compared. The first was obtained by applying on the latter raw traces a conventional processing sequence including an equalization phase, the second by omitting the equalization phase and the third by both including a prior NN filtering of raw traces and omitting the equalization phase.
Résumé
Afin de détecter les spikes au sein des traces sismiques brutes, nous avons développé un système composé de deux étages, chacun d'eux faisant intervenir un réseau de neurones artificiels dans ses calculs. Le premier réseau est entraîné pour traiter chaque trace au moyen d'une fenêtre glissante et doit satisfaire les trois critères suivants (par ordre décroissant de priorité) : - maximiser le nombre de détections; - minimiser la consommation CPU; - minimiser le nombre de fausses alarmes. Le second étage est entraîné à partir des alarmes produites par le premier afin de discriminer les vraies des fausses. Pour faciliter les classifications effectuées par les deux réseaux, nous avons testé plusieurs prétraitements, utilisant : - la variation de critères d'énergie au sein de la fenêtre de détection (domaine temporel); - la variation de certains attributs sismiques (tels les attributs de Hilbert); - l'allure du spectre fréquentiel d'amplitude. Plusieurs types d'architectures de réseaux de neurones ont été comparées, pourvues de connexions totales, partielles, locales ou contraintes. De plus, l'observation du comportement des réseaux au voisinage de la région de décision a permis de définir une méthode de détermination de valeurs pertinentes pour les seuils de décision. Enfin, le premier étage a subi un test à grande échelle, sur les traces brutes réelles issues de 250 tirs d'une campagne terrestre 2D. Son efficacité a été évaluée par comparaison de trois images de cette section (stade de la migration partielle -Dip Moveout); la première étant obtenue par application d'une séquence de traitement conventionnelle (incluant une étape d'égalisation), la deuxième en omettant cette étape d'égalisation et la troisième en prétraitant les traces brutes au moyen du filtre neuronal tout en omettant aussi l'étape d'égalisation.
© IFP, 1992