《Artificial Intelligence in Geosciences》：DeepSeg-based noise reduction algorithm trained on a hybrid synthetic dataset for signals from acoustic logging-while-drilling
编辑推荐：
本研究针对随钻声波测井(ALWD)中复杂井下噪声干扰导致信号质量差的问题，提出了一种基于DeepSeg U-Net架构的时频域降噪算法。通过数值模拟构建纯净信号数据集，结合实验室实测噪声数据生成混合训练集，利用短时离散余弦变换(STDCT)将信号转换至时频域，采用滑动窗口策略输入神经网络进行端到端训练。结果表明，该方法仅需传统方法1/10的数据量即可有效抑制低频噪声、瞬态脉冲、电路传输噪声等多种井下干扰，在实测数据中显著提升信噪比(SNR)和慢度时间相干(STC)处理精度，为随钻测井实时处理提供新方案。
随着油气勘探向深层、非常规和复杂地质环境拓展，随钻测井(LWD)技术凭借其钻井过程中实时获取井下岩性和力学参数的能力，成为现代油气勘探的关键工具。作为LWD技术体系的核心组成部分，随钻声波测井(ALWD)能够直接获取地层纵波(P波)和横波(S波)速度等关键参数。然而，井下钻井环境极其复杂，钻头破碎岩石产生的振动、泥浆循环中的流体冲击等噪声源严重干扰声波信号采集，导致信噪比(SNR)显著降低，影响波至拾取和速度计算的准确性，进而制约地质导向和储层评价流程。
传统降噪方法（如频域滤波、小波变换和相关分析）通常依赖于线性和平稳性假设以及手动设计的阈值，在处理钻井过程中遇到的非平稳、非线性和同频带噪声时往往表现不佳。此外，这些方法需要针对不同工况手动调整参数，难以实现自动化和实时处理。近年来，深度学习技术在声学信号降噪领域取得显著进展，但现有方法普遍存在计算成本高、对未知噪声类型泛化能力有限、严重依赖大量训练数据等问题，这些限制在实际测井应用中尤为突出。
针对上述挑战，上海海事大学信息工程学院的研究团队在《Artificial Intelligence in Geosciences》发表论文，提出了一种基于DeepSeg神经网络的降噪框架，该框架在时频域进行噪声抑制，并降低对训练样本数量的需求。研究方法主要包括四个关键技术环节：首先通过实轴积分法数值模拟不同地层条件下的ALWD阵列波形构建纯净信号数据库；其次采集实验室环境下高质量噪声数据，与模拟信号叠加生成混合数据集；然后利用短时离散余弦变换(STDCT)将信号转换至时频域，采用滑动窗口策略将时频谱分割为过去、现在和未来区间；最后基于U-Net架构的DeepSeg神经网络进行端到端训练，通过编码器-解码器结构和跳跃连接实现特征提取与精确重建。
2.1 波在ALWD中的传播
研究通过建立包含井眼流体、钻铤、环空流体和地层四层同心模型的波场传播理论，采用实轴积分法模拟了单极子和四极子声源激励下的接收阵列波形。模拟参数涵盖井眼半径(0.19-0.25 m)、P波速度(2000-8000 m/s)、S波速度(800-4800 m/s)和密度(1800-5000 kg/m3)等变量，共生成56,862条接收波形，从中随机选择5000条记录构建信号数据库。
2.2 预处理方法
算法采用短时离散余弦变换(STDCT)将声波信号从时域转换至时频域。使用长度为128、重叠率90%的矩形窗，对采样率100 kHz、持续时间10 ms的ALWD信号进行变换。类型IV DCT定义为公式(1)，其实数特性为神经网络全连接层提供更大架构灵活性。
2.3 基于DeepSeg的降噪算法描述
网络采用对称编码器-解码器结构，包含12层收缩路径用于特征提取和12层扩展路径用于精确重建。输入为15个连续频谱段（当前段及其前后各7段），通过卷积核3×3的步进卷积和转置卷积实现特征下采样和上采样，结合批量归一化和Leaky ReLU激活函数确保训练稳定性。损失函数采用均方根误差(RMSE)，通过Adam优化器最小化噪声信号与纯净信号在时频域的差异（公式2-4）。
3.2 数据集构建
通过组合模拟信号与实测噪声构建5000个训练样本，噪声数据来源于仪器长期开发测试中的阵列声波测量和测试井被动记录，涵盖低频噪声、高能脉冲和矩形脉冲等复杂噪声类型。验证集和测试集采用相同构建方式，用于超参数调优和算法性能评估。
4.1 模拟数据集降噪结果
如图6所示，算法对低频噪声、瞬态扰动、电路传输噪声和高能毛刺噪声均表现出优异降噪效果。DeepSeg网络能有效恢复压缩波的相位和波形特征，而传统滤波器在宽带干扰处理中会产生残余能量和波形失真。特别是在高能脉冲与信号时域重合场景下，网络仍能保持信号幅度同时抑制噪声能量。
4.2 现场数据降噪结果
将训练好的网络应用于天津塘沽现场随钻数据（图7），图8展示了对低频噪声、电路传输噪声、高能尖峰和复合噪声的处理效果。算法能自动识别并抑制时频重叠的噪声，而带通滤波器在处理宽带干扰时存在局限性。图9的阵列波形处理表明，DeepSeg去噪后的STC结果在203 μs/m处呈现清晰慢度峰，显著改善了声波时差提取精度。
5. 结论
本研究提出的基于DeepSeg神经网络的降噪算法，通过混合数据集构建和时频域分段处理策略，显著降低了对训练数据量的需求（不足DeepDenoiser等方法的1/10）。算法在模拟和现场数据中均证明能有效抑制多种井下噪声，提升信号质量和STC处理精度。需要注意的是，实际钻井中噪声特征随钻井状态动态变化，训练数据与特定现场条件间的噪声域不匹配是该方法的重要局限。未来工作将聚焦于收集更多样化的现场噪声数据，或探索领域自适应技术以增强模型在变化环境中的鲁棒性。该研究为随钻测井仪器开发和噪声抑制提供了新的机器学习应用范式，对推动实时化、智能化测井处理具有重要意义。
