[發(fā)明專利]一種基于深度學(xué)習(xí)的瑞雷波頻散曲線反演方法

有效

• 申請?zhí)枺?/td>: 202210238632.6
• 申請日: 2022-03-11
• 公開（公告）號: CN114779324B
• 公開（公告）日: 2023-07-25
• 發(fā)明（設(shè)計）人: 趙明浩;謝小國;張志厚;羅兵;張?zhí)煲?/a>;許廣春;劉慰心;葉志虎;趙廣茂
• 申請（專利權(quán)）人: 西南交通大學(xué)
• 主分類號: G01V1/28
• 分類號: G01V1/28;G06N3/045;G06N3/0464;G06N3/0442;G06N3/08
• 代理公司: 西安智萃知識產(chǎn)權(quán)代理有限公司 61221
• 代理人: 張婕

本發(fā)明提供了一種基于深度學(xué)習(xí)的瑞雷波頻散曲線反演方法及應(yīng)用，包括對瑞雷波進行地震數(shù)據(jù)采集、采集的地震數(shù)據(jù)疊加形成頻散曲線能量圖、在能量譜中提取頻散曲線、反演頻散曲線以獲取地下各層的剪切波速。基于本發(fā)明的技術(shù)方案進行的地球物理反演，其數(shù)據(jù)集具備足量性、多樣性，網(wǎng)絡(luò)結(jié)構(gòu)更具普遍性、泛化性，反演精度在淺層包括地層分界處都較為精確，且可以反演出比傳統(tǒng)反演方法更深的地層情況。通過采用本方法對頻散曲線進行反演的瑞雷面波勘探技術(shù)，在便捷性、勘探深度和精確度方面都更加優(yōu)良。

技術(shù)領(lǐng)域

本發(fā)明涉及瑞雷波頻散曲線的反演技術(shù)領(lǐng)域，特別地涉及一種基于深度學(xué)習(xí)的瑞雷波頻散曲線反演方法。

背景技術(shù)

在現(xiàn)代工業(yè)中，出于對活動空間以及地下資源等的需求，人類對于近地表地下空間需要有更加廣泛和準(zhǔn)確的認知。在各種對地層情況的研究當(dāng)中，瑞雷波因為具有采集簡便、衰減小、信噪比高、抗干擾能力強、面波速度與橫波速度相近等優(yōu)點以及其獨有的，在層狀介質(zhì)中的頻散特性,可作為研究近地表地下空間的重要工具。利用瑞雷波研究近地表的方法主要包括對瑞雷波進行地震數(shù)據(jù)采集，疊加形成頻散曲線能量譜，在能量譜中提取頻散曲線，反演頻散曲線以獲取地下各層的剪切波速四個步驟。

在上述過程中，反演頻散曲線的方法主要包括在線性反演中應(yīng)用較廣最小二乘(LM)方法、阻尼最小二乘方法(DLS)和Occam算法等；在非線性反演中，模擬退火法及其改進算法、遺傳算法、粒子群算法等在內(nèi)的全局優(yōu)化算法較為常用。但傳統(tǒng)算法普遍存在的計算量大、效率低及精確度差的問題。

由于近年來AI技術(shù)的強有力發(fā)展，包括深度學(xué)習(xí)等方法被廣泛研究并應(yīng)用于非線性反演，所以可以將該新型的反演方法運用于上述的反演瑞雷波頻散曲線的過程。

發(fā)明內(nèi)容

針對上述現(xiàn)有技術(shù)中的問題，本申請?zhí)岢隽艘环N基于深度學(xué)習(xí)的瑞雷波頻散曲線反演方法，是常用的瑞雷波勘探步驟：對瑞雷波進行地震數(shù)據(jù)采集，采集的地震數(shù)據(jù)疊加形成頻散曲線能量圖，在能量譜中提取頻散曲線，反演頻散曲線以獲取地下各層的剪切波速中反演方法的改良。

優(yōu)選地，對瑞雷波進行地震數(shù)據(jù)采集，是通過在地面上擊錘的方法制造人工震源，再通過檢波器接受震源發(fā)生的地震波來獲取地震信息。

優(yōu)選地，利用深度學(xué)習(xí)的方法在能量譜中提取頻散曲線。

優(yōu)選地，反演頻散曲線的具體步驟包括：搭建用于反演的深度學(xué)習(xí)網(wǎng)絡(luò)、建立由地層數(shù)據(jù)組成的數(shù)據(jù)集用于訓(xùn)練網(wǎng)絡(luò)、訓(xùn)練深度學(xué)習(xí)網(wǎng)絡(luò)并驗證。

優(yōu)選地，用于反演的深度學(xué)習(xí)網(wǎng)絡(luò)包括卷積神經(jīng)網(wǎng)絡(luò)、深度置信網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)及生成對抗網(wǎng)絡(luò)中的至少一種。

優(yōu)選地，進行關(guān)于瑞雷波的數(shù)據(jù)模型建立，并以此來訓(xùn)練學(xué)習(xí)網(wǎng)絡(luò)；在進行數(shù)據(jù)構(gòu)建時，根據(jù)對大自然中的多種模型種類的總結(jié)，設(shè)置不同情況模型所占比例。

優(yōu)選地，將大自然中的地層模型分為逐層遞增、從某層開始發(fā)生異常并延續(xù)、某幾層發(fā)生突變?nèi)N情況，并根據(jù)所述三種情況設(shè)置數(shù)據(jù)集類型。

優(yōu)選地，將所述三種情況進行合理配比時引入了馬爾科夫決策理論，通過馬爾科夫決策理論決定出發(fā)生異常情況的某一層或幾層，為所述一層或幾層賦予新的橫波波速來控制其變化。

優(yōu)選地，所述深度學(xué)習(xí)網(wǎng)絡(luò)為CNN-LSTM混合網(wǎng)絡(luò)結(jié)構(gòu)，網(wǎng)絡(luò)結(jié)構(gòu)運行包括訓(xùn)練數(shù)據(jù)和測試網(wǎng)絡(luò)兩個部分；在開始時將樣本數(shù)據(jù)庫隨機分為訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)兩組，對應(yīng)比例為10：1；在訓(xùn)練前，需要將輸入和輸出值通過激活函數(shù)進行標(biāo)準(zhǔn)化，使其變化在[0，1]范圍內(nèi)；激活函數(shù)包括sigmoid函數(shù)、tanh函數(shù)和ReLH函數(shù)，數(shù)學(xué)表達式如下：

f_sigmoid(x)＝1/(1+e^-x)

f_tanh(x)＝(e^x-e^-x)/(e^x+e^-x)