买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉成都理工大学申请的专利基于多层特征融合的地震数据抽油机噪声抑制方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN115346112B 。

龙图腾网通过国家知识产权局官网在2025-07-22发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202210506583.X，技术领域涉及：G06V20/10；该发明授权基于多层特征融合的地震数据抽油机噪声抑制方法是由文晓涛;任红萍;唐超;李波;李超;林凯;吴昊设计研发完成，并于2022-05-11向国家知识产权局提交的专利申请。

本基于多层特征融合的地震数据抽油机噪声抑制方法在说明书摘要公布了：本发明涉及一种基于多层特征融合的地震数据抽油机噪声抑制方法，构建一种端到端的多层生成器的去噪网络，每层生成器的编码器提取不同尺度上的地震数据特征，并将上一层生成器提取的特征融合到下一层生成器提取的特征图中，通过逐层提取不同尺度的特征，实现由粗到细的去噪性能。同时，每层生成器的输入划分成不同尺寸的数据块，使得我们的网络能感受到更多的地震数据区域，提高了去噪网络的感受野，利于生成器提取更多有用的地震数据特征。得益于网络的结构，将地震数据划分为更大的数据块，从而利于网络提取更多的全局噪声特征，提高对抽油机噪声的识别性能。

本发明授权基于多层特征融合的地震数据抽油机噪声抑制方法在权利要求书中公布了：1.基于多层特征融合的地震数据抽油机噪声抑制方法，其特征在于，所述方法通过Marmousi-Ⅱ模型得到模拟数据，基于多层生成器，通过融合不同生成器提取的特征，实现由粗到细的噪声抑制，将每层生成器的输入分割成不同尺寸的地震数据块，有效扩大了网络的感受野，提取出更多有用的抽油机噪声特征，具体步骤包括： 步骤1：制作模拟数据集，包括： 步骤11：获取模拟含噪地震记录，选择Marmousi-Ⅱ纵波速度模型的一部分作为正演模型，模型大小为271×351，空间步长为h=5m，时间采样间隔为，总接受时长为3.6s，雷克子波作为炸药震源和抽油机震源，炸药震源和抽油机震源同时工作，采用一阶应力-速度声波方程进行数值模拟，共获得31炮带有抽油机噪音的地震记录； 步骤12：基于步骤11的正演模型，设置抽油机震源不震动，仅地震震源振动，获得干净地震记录； 步骤13：制作模拟训练集，根据步骤11获得的含噪地震记录和步骤12获得的干净地震记录，制作含噪和无噪的模拟数据对，数据对大小为256*256，共得到1541个数据对； 步骤2：制作实际数据集，包括：首先提取出没有与有效信号混叠的抽油机噪声，即检波器采集到的初至波前的抽油机信号，将其叠加到没有抽油机噪声的地震数据上，构成实际含噪地震数据，通过这种匹配方式得到无抽油机噪声和含抽油机噪声的实际地震对，最终一共得到大小为256*256的数据块45678个； 步骤3：构建基于多层生成器的抽油机噪声抑制网络，所述网络包括依次连接的四个生成器，将含噪地震图像分成不同尺寸的数据块分别送入到对应层的生成器中，从第一层到第四层，依次将提取到的高级语义特征融入到下一层生成器提取的特征中，并将初步处理的去噪结果叠加到下一层的输入中，最后得到最终的去噪地震图像，所述网络的训练过程具体如下： 步骤31：将原始含噪地震数据八等分输入到第一层生成器，经过第一解码器后分别输出对应的八块特征图，将所述特征图按宽的维度拼接为四个第一特征图后经由第一解码器输出四个块的粗去噪地震数据； 步骤32：将原始含噪地震图像四等分输入到第二生成器中，并与第一层解码器输出的四个块的粗去噪地震图像进行融合后输入到第二编码器中，第二编码器输出四个第二特征图，所述第二特征图与第一特征图融合后输入到第二解码器，第二解码器输出两个块的粗去噪地震数据； 步骤33：将原始含噪地震图像二等分输入到第三生成器中，并与第二层解码器输出的两个块的粗去噪地震数据进行融合后输入到第三编码器中，第三编码器输出两个块的第三特征图，所述第三特征图与所述第二特征图融合后输入到第三解码器，第三解码器输出完整的粗去噪地震数据； 步骤34：将原始含噪地震图像融合第三层输出的去噪地震数据后输入到第四生成器中，第四编码器输出一整块的第四特征图，所述第四特征图与第三特征图融合后输入到第四解码器，第四解码器输出最终的精去噪地震数据； 步骤36：判断是否达到设定的验证迭代次数，若达到，则保存模型，若未达到，则执行步骤37； 步骤37：判断是否达到设定的迭代总次数，若达到则结束训练，否则重复步骤31和步骤36。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人成都理工大学，其通讯地址为：610000 四川省成都市成华区二仙桥东三路1号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。