摘要
随钻核磁共振测井仪器测量得到自旋回波序列，对呈多指数衰减形式的回波串进行反演可以获取T2谱。井下回波信号通常非常微弱，且受到多种噪声污染，直接反演会严重影响储层信息的准确性。因此，本文研究了一种从低信噪比原始数据中恢复回波信号的去噪方法，包含回波采集电路、噪声生成方法、回波去噪模型三部分工作，后两者基于深度学习理论。 通过分析仪器工作时的回波特性，设计了回波采集电路，具有完整的信号处理链路，能够有效滤除带外噪声及共模噪声；高温和振动试验验证了电路能够在井下恶劣环境中可靠工作。井下噪声特性复杂，难以用某一特定数学分布来表达，基于生成对抗网络（GenerativeAdversarialNetworks,GAN）搭建隐式密度模型1DDCGAN（DeepConvolutionalGAN）来学习噪声分布函数，解决了传统方法假设噪声服从高斯分布的局限性以及测井数据量较少给研究带来的制约。针对地层噪声掩盖回波实际特征的问题，设计回波去噪网络（Multi-scaleEchoDenoisingNetwork,MsEDNet），包含多尺度残差模块和注意力机制以增强学习能力，利用噪声估计子网络将盲去噪问题转变为非盲去噪，使用梯度约束损失函数作为正则项平滑去噪信号。仅利用仿真数据来训练MsEDNet会导致其在实际应用时性能退化，因此从噪声与无噪信号两个角度出发，使用1DDCGAN的生成噪声和高斯白噪声构建仿真数据，与测井数据融合后形成原始信号与无噪信号一一对应的去噪数据集来提升MsEDNet的泛化性能。 MsEDNet与多种去噪方法的对比实验表明，其在仿真和测井数据测试集上均达到了最佳信噪比（SignaltoNoiseRatio,SNR）和均方根误差（RootMeanSquareError,RMSE），去噪之后的信号较为平滑，多指数衰减特征得到了很好的恢复。本文研究不仅适用于随钻核磁共振回波信号的去噪，也为在测井领域中应用深度学习方法提供了良好的参考。
NETL