فيلتر پخش ناهمسانگرد بهينه شده توسط شبكه استنتاج عصبي- فازي تطبيق‌پذير و كاربرد آن در تضعيف نوفه تصادفي در داده‌هاي لرزه‌اي

Anisotropic diffusion filter modified by adaptive neuro-fuzzy interference system (ANFIS) and its application to random noise attenuation in seismic data

فيلتر پخش ناهمسانگرد مي‌تواند به عنوان يك روش كارآمد سطح نوفه تصادفي را در بسياري از داده‌هاي كاهش دهد، هرچند در استفاده از اين فيلتر براي داده‌هاي لرزه‌اي با سطح نوفه بالا، ‌بايد جانب احتياط را در مورد ظهور رويداد‌هاي غيرواقعي در مقطع رعايت نمود. در اين مقاله، به عنوان يك راه‌حل به منظور مقابله با اين مسئله، با معرفي يك چهارچوب هوشمندِ خودكار، خروجي بهينه فيلتر، براي هر نقطه از داده‌هاي ورودي، از طريق شبكه استنتاج عصبي- فازي تطبيق‌پذير استخراج مي‌شود. آموزش شبكه عصبي-فازي، با استفاده از خروجي فيلتر پخش ناهمسانگرد و نيز خوشه‌بندي فازي و توسط الگوريتم C- Mean تعيين مي­ گردد. آزمايش‌هاي انجام شده در اين تحقيق نشان مي­دهد كه در مقام مقايسه با فيلتر پخش ناهمسانگردِ مرسوم، روش ارائه شده به صورت محسوس، در دستيابي به مقاطع مصنوعي با نسبت سيگنال به نوفه بالاتر، حداكثر به ميزان 32% عملكرد فيلتر پخش ناهمسانگرد را ارتقا داده است. در داده‌هاي حقيقي نيز، علاوه بر تضعيف نوفه‌هاي مقطع، نسبت به حفظ رويدادهاي همدوس مقطع، دقيق ­تر عمل كرده ‌است.

Anisotropic diffusion filtering (ADF) is widely used as an efficient method in random noise attenuation problems, and various modifications to its original version have been proposed. The main reason could be the thought that ADF preserves edge features with acceptable performance beside noise attenuation procedure. In seismic data processing, however, it should be noticed that using ADF could cause severe changes (artifacts) in the zones that are highly contaminated with random noise. In this paper, the optimum value is derived, by introducing an automatic framework based on two artificial intelligence (AI) algorithms, adaptive neuro-fuzzy inferences (ANFIS) and fuzzy c-mean clustering (FCM). The neuro-fuzzy network is trained using original data, successive ADF values are calculated for each data point, and FCM output is obtained in a weighted averaging manner adapted with estimated noise level. The trained network is, then, generalized to all data, and thus, the ANFIS optimized version of ADF, called here AOADF, is achieved. Comparison of the results of the ADF and AOADF experiments reveals that in synthetic common mid-point (CMP) gathers, the proposed method improves peak signal to noise ratio (PSNR) value, 40% higher than ADF (in the best case) and in real CMP and common offset sorted gathers, the performance of AOADF is considerably higher than ADF, in terms of random noise attenuation without adding unwanted artifacts and preserving continuity of coherence components.