[發明專利]一種基于機器學習的地震數據速度場異常反演方法

在審

• 申請號: 202111118628.8
• 申請日: 2021-09-24
• 公開（公告）號: CN113820749A
• 公開（公告）日: 2021-12-21
• 發明（設計）人: 賈繼偉;李玆謙;馬嘉悅
• 申請（專利權）人: 吉林大學
• 主分類號: G01V1/30
• 分類號: G01V1/30;G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 長春市盈創中成知識產權代理事務所(普通合伙) 22215
• 代理人: 喬曉光

本發明公開了一種基于機器學習的地震數據速度場異常反演方法，包括以下步驟：建立面向地震數據的U?Net深度學習網絡并使用訓練數據集對其進行訓練，訓練數據集由地震波形圖、速度場圖像、異常點圖像三類組成；將生成的地震波形圖輸入至U?Net深度學習網絡，生成速度場圖像和異常點圖像，并進行特征標簽集的預測。該基于機器學習的地震數據速度場異常反演方法，通過建立U?Net深度學習網絡并將獲得的地震波圖形輸入至U?Net深度學習網絡，生成由該方法預測的速度場圖像和異常點圖像，與實際的速度場、異常點相比較而言，具有很高的精度，且是對偏移成像前的炮集地震數據開展研究，這樣可以有效的避免由于偏移成像算法所帶來的誤差。

技術領域

本發明涉及地球物理技術領域，特別涉及一種基于機器學習的地震數據速度場異常反演方法。

背景技術

反演是指根據地球物理場的變化特征來推斷地下地質構造特征、地質體的賦存狀態和物性參數，層析反演與全波形反演是當前用于速度場建模最常用的兩大類方法。

在實際應用中，層析反演方法對于背景速度場建模具有較高精度，但對于復雜地質結構對應的速度場異常反演效果一般，往往需要在速度場更新過程中人為引入高精度速度場異常來加速迭代的收斂；全波形反演方法于上世紀八十年代被提出，近些年隨著集群計算能力的大幅度提升，該方法得到了廣泛應用，成為一種有效的高分辨率速度場建模方法。由于速度場模型的多解性，作為一種基于數據擬合的迭代算法，全波形反演過程的收斂高度依賴于速度場初始模型的精度。當初始模型，特別是其中的異常值誤差較大時，合成地震記錄與實際地震記錄之間就會產生較大的相位差，當相位差大于震源子波周期的一半時，就會產生周期跳躍現象，導致算法收斂至局部極小點而產生錯誤的反演結果。傳統的速度場建模手段，通常都是運用偏移成像算法對數據進行處理，這要求偏移成像算法有較高的精度，但在實際運用時，由于偏移成像算法存在著誤差，影響了速度場異常分布的精度。

同時目前在實際應用中，速度場異常拾取方法往往都需要大量的人工介入，利用以往積累的經驗、通過處理、解釋人員手工修改的方式引入速度場異常，這種方式過分依賴于技術人員的經驗以及技術水平，建模質量不穩定、建模效率低。

發明內容

本發明的目的是為了解決現有技術中存在的缺點，而提出的一種基于機器學習的地震數據速度場異常反演方法。

為了解決上述技術問題，本發明提供了如下的技術方案：一種基于機器學習的地震數據速度場異常反演方法，包括以下步驟：

（1）建立面向地震數據的U-Net深度學習網絡并使用訓練數據集對其進行訓練，訓練數據集由地震波形圖、速度場圖像、異常點圖像三類組成；

（2）將生成的地震波形圖輸入至U-Net深度學習網絡，生成速度場圖像和異常點圖像，并進行特征標簽集的預測；

（3）基于CNN算法（卷積神經網絡）對生成的圖像進行后處理，進一步降低誤差，需要進行后處理的圖像包括速度場圖像和異常點圖像。

優選的，所述的U-Net深度學習網絡結構主要由卷積層、下采樣、上采樣以及ReLU非線性激活函數組成，所述的U-Net網絡在采用上采樣、下采樣方法的同時，還具備特征通道。

優選的，所述的U-Net網絡同時生成速度場圖像和異常點圖像，且其誤差函數是生成速度場和異常點誤差的加權之和。

優選的，所述的U-Net網絡在第一次由下采樣前的圖像直接映射到U-Net右端這一過程被取消。

本發明所達到的有益效果是：

1、該基于機器學習的地震數據速度場異常反演方法，通過建立U-Net深度學習網絡并將獲得的地震波圖形輸入至U-Net深度學習網絡，生成由該方法預測的速度場圖像和異常點圖像，與實際的速度場、異常點相比較而言，具有很高的精度，且是對偏移成像前的炮集地震數據開展研究，這樣可以有效的避免由于偏移成像算法所帶來的誤差。