CN110954950A - 地下横波速度反演方法、装置、计算设备及存储介质 - Google Patents
地下横波速度反演方法、装置、计算设备及存储介质 Download PDFInfo
- Publication number
- CN110954950A CN110954950A CN201911054805.3A CN201911054805A CN110954950A CN 110954950 A CN110954950 A CN 110954950A CN 201911054805 A CN201911054805 A CN 201911054805A CN 110954950 A CN110954950 A CN 110954950A
- Authority
- CN
- China
- Prior art keywords
- underground
- velocity
- net model
- wave velocity
- trained
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 54
- 230000006870 function Effects 0.000 claims description 59
- 238000012360 testing method Methods 0.000 claims description 59
- 238000012549 training Methods 0.000 claims description 58
- 230000008859 change Effects 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 21
- 239000011435 rock Substances 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 14
- 238000010801 machine learning Methods 0.000 claims description 7
- 238000004088 simulation Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 239000006185 dispersion Substances 0.000 description 4
- 238000012897 Levenberg–Marquardt algorithm Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 238000013178 mathematical model Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000012768 molten material Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/28—Processing seismic data, e.g. for interpretation or for event detection
- G01V1/30—Analysis
- G01V1/303—Analysis for determining velocity profiles or travel times
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/28—Processing seismic data, e.g. for interpretation or for event detection
- G01V1/30—Analysis
- G01V1/306—Analysis for determining physical properties of the subsurface, e.g. impedance, porosity or attenuation profiles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V2210/00—Details of seismic processing or analysis
- G01V2210/60—Analysis
- G01V2210/62—Physical property of subsurface
- G01V2210/622—Velocity, density or impedance
- G01V2210/6222—Velocity; travel time
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Acoustics & Sound (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- Geophysics (AREA)
- Theoretical Computer Science (AREA)
- Geology (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本申请适用于计算机技术领域，提出一种横波速度反演方法，包括：获取待测量地区的地下介质参数；基于所述地下介质参数确定所述待测量地区的面波波形数据；将所述地下介质参数和所述面波波形数据输入预先训练完成的横波速度预测模型进行分析，得到当前所述待测量地区对应的地下各层的横波速度；基于所述横波速度生成横波速度曲线。由于将所述地下介质参数和所述面波波形数据输入预先训练完成的横波速度预测模型进行分析，得到当前所述待测量地区对应的地下各层的横波速度，从而实现了对地下横波速度曲线快速成像，能够为现场工程决策提供实时的科学依据。
Description
技术领域
本申请属于计算机技术领域，尤其涉及一种地下横波速度反演方法、装置、计算设备及存储介质。
背景技术
目前，主要通过对面波频散曲线进行反演而获得地下横波速度，传统的反演方法耗时较长，无法对地下横波速度曲线的快速成像，从而不能为现场工程决策提供实时的科学依据。
发明内容
有鉴于此，本申请实施例提供了一种地下横波速度反演方法、装置、计算设备及存储介质，以解决现有技术中无法实现对地下横波速度曲线的快速成像问题，从而无法为现场工程决策提供实时的科学依据。
本申请实施例的第一方面提供了一种地下横波速度反演方法，包括：
S101，获取待测量地区的地下介质参数；
S102，基于所述地下介质参数确定所述待测量地区的面波波形数据；
S103，将所述地下介质参数和所述面波波形数据输入预先训练完成的横波速度预测模型进行分析，得到当前所述待测量地区对应的地下各层的横波速度；
其中，所述预先训练完成的横波速度预测模型为根据预设数量的样本对训练完成的机器学习模型，所述样本对包括所述地下介质参数和所述面波波形数据，所述地下介质参数包括地下介质的总层数、每一层介质的横波速度、每一层介质的纵波速度以及每一层介质的密度；
S104，基于所述横波速度生成横波速度曲线。
在一种可选的实现方式中，所述S102，包括：
利用时间域弹性波方程分析所述地下介质参数，得到所述待测量地区的面波波形数据。
在一种可选的实现方式中，所述利用时间域弹性波方程分析所述地下介质参数，得到所述待测量地区的面波波形数据，包括：
构建关于所述地下介质参数与模拟介质参数的目标函数，所述目标函数用于表示所述地下介质参数和所述模拟介质参数的拟合值，所述模拟介质参数满足弹性波动方程；
以所述弹性波动方程为约束，求解所述目标函数的极小值；
获取所述目标函数取极小值时，所述目标函数对应的所述模拟介质参数，基于所述模拟介质参数确定所述面波波形数据。
在一种可选的实现方式中，所述预先训练完成的横波速度预测模型为根据所述预设数量的样本对训练完成的U-Net模型，所述U-Net模型的训练过程包括：
将所述预设数量的样本对按照预设比例进行划分，得到第一预设数量的训练样本对和第二预设数量的测试样本对；
将所述训练样本对分别输入预先建立的所述U-Net模型进行训练，得到训练之后的所述U-Net模型；
将所述测试样本对分别输入训练之后的所述U-Net模型，对训练之后的所述U-Net模型进行模型准确性测试；
若测试通过，则确定训练之后的所述U-Net模型为训练完成的所述横波速度预测模型；
若测试不通过，则增加所述训练样本对，并返回执行所述将所述训练样本对分别输入预先建立的所述U-Net模型进行训练，得到训练之后的所述U-Net模型。
在一种可选的实现方式中，所述将所述测试样本对分别输入训练之后的所述U-Net模型，对训练之后的所述U-Net模型进行模型准确性测试，包括：
将所述测试样本对分别输入训练之后的所述U-Net模型，获取所述U-Net模型的损失函数的目标值，所述目标值为所述U-Net模型分别对每个所述测试样本对进行分析时，所述U-Net模型的损失函数的值；
若所述目标值的变化率小于预设的变化率阈值，则判定对所述U-Net模型的测试通过；
若所述目标值的变化率大于或者等于预设的变化率阈值，则判定对所述U-Net模型的测试不通过。
在一种可选的实现方式中，所述U-Net模型的损失函数为：
其中，L(Y，f(X))的值表示所述U-Net模型预测的横波速度与预设的横波速度的残差平方和的最小值，Y表示预设的横波速度，f(X)表示所述U-Net模型预测的横波速度，n为样本数量。
在一种可选的实现方式中，在所述S104之前，包括：
根据预设的目标横波速度范围，确定所述待测量地区的地下介质参数，所述目标横波速度范围为所述待测量地区的地下横波速度范围。
本申请实施例的第二方面提供了一种地下横波速度反演装置，包括：
获取模块，用于获取待测量地区的地下介质参数；
确定模块，用于基于所述地下介质参数确定所述待测量地区的面波波形数据；
输入模块，用于将所述地下介质参数和所述面波波形数据输入预先训练完成的横波速度预测模型进行分析，得到当前所述待测量地区对应的地下各层的横波速度；
其中，所述预先训练完成的横波速度预测模型为根据预设数量的样本对训练完成的机器学习模型，所述样本对包括所述地下介质参数和所述面波波形数据，所述地下介质参数包括地层岩石的总层数、每一层岩石的横波速度、每一层岩石的纵波速度以及每一层岩石的密度；
生成模块，用于基于所述横波速度生成横波速度曲线。
在一种可选的实现方式中，所述确定模块，具体用于：
利用时间域弹性波方程分析所述地下介质参数，得到所述待测量地区的面波波形数据。
在一种可选的实现方式中，所述确定模块，包括：
构建单元，用于构建关于所述地下介质参数与模拟介质参数的目标函数，所述目标函数用于表示所述地下介质参数和所述模拟介质参数的拟合值，所述模拟介质参数满足弹性波动方程；
求解单元，用于以所述弹性波动方程为约束，求解所述目标函数的极小值；
其中，将所述目标函数取极小值时，所述目标函数对应的所述模拟介质参数作为所述面波波形数据。
在一种可选的实现方式中，所述预先训练完成的横波速度预测模型为根据所述预设数量的样本对训练完成的U-Net模型，所述U-Net模型的训练过程包括：
将所述预设数量的样本对按照预设比例进行划分，得到第一预设数量的训练样本对和第二预设数量的测试样本对；
将所述训练样本对分别输入预先建立的所述U-Net模型进行训练，得到训练之后的所述U-Net模型；
将所述测试样本对分别输入训练之后的所述U-Net模型，对训练之后的所述U-Net模型进行模型准确性测试；
若测试通过，则确定训练之后的所述U-Net模型为训练完成的所述横波速度预测模型；
若测试不通过，则增加所述训练样本对，并返回执行所述将所述训练样本对分别输入预先建立的所述U-Net模型进行训练，得到训练之后的所述U-Net模型。
在一种可选的实现方式中，所述将所述测试样本对分别输入训练之后的所述U-Net模型，对训练之后的所述U-Net模型进行模型准确性测试，包括：
将所述测试样本对分别输入训练之后的所述U-Net模型，获取所述U-Net模型的损失函数的目标值，所述目标值为所述U-Net模型分别对每个所述测试样本对进行分析时，所述U-Net模型的损失函数的值；
若所述目标值的变化率小于预设的变化率阈值，则判定对所述U-Net模型的测试通过；
若所述目标值的变化率大于或者等于预设的变化率阈值，则判定对所述U-Net模型的测试不通过。
在一种可选的实现方式中，所述U-Net模型的损失函数为：
其中，L(Y，f(X))的值表示所述U-Net模型预测的横波速度与预设的横波速度的残差平方和的最小值，Y表示预设的横波速度，f(X)表示所述U-Net模型预测的横波速度，n为样本数量。
在一种可选的实现方式中，在所述获取待测量地区的地下介质参数之前，包括：
根据预设的目标横波速度范围，确定所述待测量地区的地下介质参数，所述目标横波速度范围为所述待测量地区的地下横波速度范围。
本申请实施例的第三方面提供了一种计算设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述第一方面所述地下横波速度反演方法的步骤。
本申请实施例的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面所述地下横波速度反演方法的步骤。
本申请第一方面提供的地下横波速度反演方法，与现有技术相比，通过获取待测量地区的地下介质参数；基于所述地下介质参数确定所述待测量地区的面波波形数据；将所述地下介质参数和所述面波波形数据输入预先训练完成的横波速度预测模型进行分析，得到当前所述待测量地区对应的地下各层的横波速度；基于所述横波速度生成横波速度曲线。由于将所述地下介质参数和所述面波波形数据输入预先训练完成的横波速度预测模型进行分析，得到当前所述待测量地区对应的地下各层的横波速度，从而实现了对地下横波速度曲线快速成像，能够为现场工程决策提供实时的科学依据。
本申请第二方面、第三方面以及第四方面提供的实施例，与现有技术相比均具有与本申请第一方面提供的实施例与现有技术相比，有益效果相同，在此不再赘述。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本申请提供的地下横波速度反演方法的实现流程图；
图2是图1中S102的具体实现流程图；
图3是所述U-Net模型的训练过程的具体实现流程图；
图4是图3中S303的具体实现流程图；
图5是本申请实施例提供的地下横波速度反演装置的装置示意图；
图6是本申请实施例提供的计算设备的示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
需要说明的是，由于地震易发生在高低速快体交界部位，与岩浆囊和上地幔物质上涌也有关系，S波(横波的主要成分)对熔融物质的反应比P波敏感，因此直接探求地下横波速度结构是人们追求的目标。目前常见的是通过对面波频散曲线进行反演获得，而反演问题是地球物理学的核心问题，它主要指根据观测到的数据，借助于正问题的数学模型，来求解地下介质的几何分布或物性参数分布。由于面波频散曲线的反演是一个典型的高度非线性、多参数、多极值的地球物理反演问题。传统的反演方法包括阻尼最小二乘法和全局搜索方法。其中，阻尼最小二乘法的反演效果严重依赖于初始模型的选取，一旦初始模型的选取出现问题，导致整个反演结果误差较大；为了避免阻尼最小二乘反演面波对初始模型的依赖，许多学者引入全局搜索法进行面波频散曲线的反演研究，但是在实际应用中亦存在局部搜索能力不强、曲线反演不准确等缺陷。综上，目前传统的反演方法存在耗时较长，且反演结果不准确的问题，无法实现对地下横波速度曲线的实时成像，导致不能为现场工程决策提供实时的地学依据。
为了解决上述问题，本申请实施例采用深度学习对面波波形进行实时反演获得地下横波速度结构，解决传统面波勘探中反演效率低下的问题，为面波勘探工作提供一种基于人工智能的实时解决策略。为了说明本申请提供的技术方案，下面通过具体实施例来进行说明。
如图1所示，是本申请提供的地下横波速度反演方法的实现流程图，应用于计算设备，可由计算设备的软件/硬件实现。详述如下：
S101，获取待测量地区的地下介质参数。
通常，横波速度与地区的地质状况相关，在不同的地区，由于地质状况在不断发生变化，不同的地质状况(例如，地下岩石结构不同)导致地下介质参数不同，因而影响横波速度结构。因此，在横波速度反演过程中，需要首先根据待测量地区所的地质状况，确定待测量地区的地下介质参数。
其中，待测量地区通常为工程现场所在的区域，预设时长根据经验值进行设置，地下介质参数根据理论地震图以及预设的所述待测量地区的地下速度结构模型确定；其中，所述模型包括介质的总层数和每一层介质的厚度，通过不断变动介质的总层数和每一层介质的厚度，使得所述初始模型与理论地震图不断拟合，当观测到拟合效果最佳时，所述模型对应的模型参数为所述低下介质参数。
在一种可选的实现方式中，所述地下介质参数包括地下介质的总层数、每一层介质的横波速度、每一层介质的纵波速度以及每一层介质的密度。
S102，基于所述地下介质参数确定所述待测量地区的面波波形数据。
通常，面波波形数据需要根据观测到的数据，例如地下介质参数，借助于正问题的数学模型，来求解所述地下介质参数的几何分布来确定，上述求解面波波形数据的过程也称为面波波形数据的反演过程。可以理解地，在面波波形数据的反演过程中，不同正问题的数学模型对应不同的求解方式。
作为示例而非限定，S102具体包括：利用时间域弹性波方程分析所述地下介质参数，得到所述待测量地区的面波波形数据。
其中，利用时间域弹性波方程分析的目的在于获取一个使观测数据(在本实施例中为所述地下介质参数)与模拟数据达到最佳拟合的地下介质参数模型，而观测数据与模拟数据拟合的近似程度往往通过两者的均方差来衡量，并以此构建目标函数，基于最小二乘原理，目标函数取极小值时所对应的地下介质模型参数就是需要求解的模型参数，即面波波形数据。
具体地，如图2所示，是图1中S102的具体实现流程图。由图2可知，S102包括：
S1021，构建关于所述地下介质参数与模拟介质参数的目标函数，所述目标函数用于表示所述地下介质参数和所述模拟介质参数的拟合值，所述模拟介质参数满足弹性波动方程。
在一种可选的实现方式中，所述目标函数表示为：
其中，dobs(Xr,t；Xs)表示所述地下介质参数，dsyn(Xr,t；Xs)表示模拟介质参数，m为模型参数向量，NS和NR分别为震源和检测器的个数，T为所述预设时长。
在求接关于目标函数的极小值时，所述模拟介质参数存在一个约束条件，即所述模拟介质参数满足弹性波动方程。
作为示例而非限定，所述弹性波动方程表示为：
其中，
为地下介质密度，v＝(vx,vz)T为质点的振动速度、σ＝(σxx,σzz，σxz)T为应力波场矢量，f(Xs，t)为震源项，c为地下介质的弹性张量矩阵，:表示Frobenius内积。
S1022，以所述弹性波动方程为约束，求解所述目标函数的极小值。
其中，将所述目标函数取极小值时，所述目标函数对应的所述模拟介质参数作为所述模型的地下介质参数。
S1023，获取所述目标函数取极小值时，所述目标函数对应的所述模拟介质参数，基于所述模拟介质参数确定所述面波波形数据。
在一种可选的实现方式中，确定在所述弹性波动方程的初始条件下，所述弹性波动方程的自由边界条件，满足所述弹性波动方程的自由边界条件，所述自由边界条件要求在地表处的应力为0，在应力为0的情况下，进一步确定所述面波波形数据。
S103，将所述地下介质参数和所述面波波形数据输入预先训练完成的横波速度预测模型进行分析，得到当前所述待测量地区对应的地下各层的横波速度。
其中，所述预先训练完成的横波速度预测模型为根据预设数量的样本对训练完成的机器学习模型，所述样本对包括所述地下介质参数和所述面波波形数据。
在一种可选的实现方式中，所述预先训练完成的横波速度预测模型为根据所述预设数量的样本对训练完成的U-Net模型，如图3所示，是所述U-Net模型的训练过程的具体实现流程图。由图3可知，所述U-Net模型的训练过程，包括：
S301，将所述预设数量的样本对按照预设比例进行划分，得到第一预设数量的训练样本对和第二预设数量的测试样本对。
需要说明的是，通常情况下，所述训练样本对的数量大于所述测试样本对的数量，例如所述训练样本对占所述预设数量的样本对的70％，所述测试样本对占所述预设数量样本对的30％。
S302，将所述训练样本对分别输入预先建立的所述U-Net模型进行训练，得到训练之后的所述U-Net模型。
其中，所述预先建立的所述U-Net模型包括多个卷积层、与每个卷积层对应的归一化层、每个归一化层的激活函数、降采样层以及上采样层等，在所述U-Net模型的训练过程中，每一层的结构会随着发生变化。
S303，将所述测试样本对分别输入训练之后的所述U-Net模型，对训练之后的所述U-Net模型进行模型准确性测试。
通常，训练之后的所述U-Net模型的损失函数处于收敛状态，即所述U-Net模型的损失函数的值在预设的范围内发生变化，例如，在一种可选的实现方式中，如图4所示，是图3中S303的具体实现流程图，由图4可知，S303包括：
S3031，将所述测试样本对分别输入训练之后的所述U-Net模型，获取所述U-Net模型的损失函数的目标值，所述目标值为所述U-Net模型分别对每个所述测试样本对进行分析时，所述U-Net模型的损失函数的值。
可以理解地，所述U-Net模型的损失函数可以根据实际需要进行设置，其可以是指数型损失函数、决策型损失函数等，例如作为示例而非限定，所述U-Net模型的损失函数为：
其中，L(Y，f(X))的值表示所述U-Net模型预测的横波速度与预设的横波速度的残差平方和的最小值，Y表示预设的横波速度，f(X)表示所述U-Net模型预测的横波速度，n为样本数量。
S3032，若所述目标值的变化率小于预设的变化率阈值，则判定对所述U-Net模型的测试通过。
S3033，若所述目标值的变化率大于或者等于预设的变化率阈值，则判定对所述U-Net模型的测试不通过。
可以理解地，所述U-Net模型的损失函数的值表示的是所述U-Net模型的预测值与预设值之间的差异，若所述目标值的变化率小于预设的变化率阈值，则说明所述U-Net模型的预测值与预设值之间的差异较小，所述U-Net模型的预测值的准确性较高，此时可判定测试不通过。
若所述目标值的变化率大于或者等于预设的变化率阈值，则说明所述U-Net模型的预测值与预设值之间的差异较大，所述U-Net模型的预测值的准确性不高，此时可判定测试不通过。
S304，若测试通过，则确定训练之后的所述U-Net模型为训练完成的所述横波速度预测模型。
S305，若测试不通过，则增加所述训练样本对，并返回执行S302。
可以理解地，当执行完所述S302之后，需要顺序执行所述S303以实现对所述U-Net模型的准确性的测试，直至对所述U-Net模型的测试通过，才确定对所述U-Net模型的训练完成。
S104，基于所述横波速度生成横波速度曲线。
可以理解地，将所述地下介质参数和所述面波波形数据输入预先训练完成的横波速度预测模型进行分析，得到当前所述待测量地区对应的地下各层的横波速度后，可以实时地观测到所述横波速度的成像。
通过上述实施例可知，本申请提供的地下横波速度反演方法，通过获取待测量地区的地下介质参数；基于所述地下介质参数确定所述待测量地区的面波波形数据；将所述地下介质参数和所述面波波形数据输入预先训练完成的横波速度预测模型进行分析，得到当前所述待测量地区对应的地下各层的横波速度；基于所述横波速度生成横波速度曲线。由于将所述地下介质参数和所述面波波形数据输入预先训练完成的横波速度预测模型进行分析，得到当前所述待测量地区对应的地下各层的横波速度，从而实现了对地下横波速度曲线快速成像，能够为现场工程决策提供实时的科学依据。
图5是本申请实施例提供的地下横波速度反演装置的装置示意图，由图5可知，本申请提供的地下横波速度反演装置5包括：
获取模块501，用于获取待测量地区的地下介质参数；
确定模块502，用于基于所述地下介质参数确定所述待测量地区的面波波形数据；
输入模块503，用于将所述地下介质参数和所述面波波形数据输入预先训练完成的横波速度预测模型进行分析，得到当前所述待测量地区对应的地下各层的横波速度；
其中，所述预先训练完成的横波速度预测模型为根据预设数量的样本对训练完成的机器学习模型，所述样本对包括所述地下介质参数和所述面波波形数据，所述地下介质参数包括地层岩石的总层数、每一层岩石的横波速度、每一层岩石的纵波速度以及每一层岩石的密度；
生成模块504，用于基于所述横波速度生成横波速度曲线。
在一种可选的实现方式中，确定模块502，具体用于：
利用时间域弹性波方程分析所述地下介质参数，得到所述待测量地区的面波波形数据。
在一种可选的实现方式中，确定模块502，包括：
构建单元，用于构建关于所述地下介质参数与模拟介质参数的目标函数，所述目标函数用于表示所述地下介质参数和所述模拟介质参数的拟合值，所述模拟介质参数满足弹性波动方程；
求解单元，用于以所述弹性波动方程为约束，求解所述目标函数的极小值；
其中，将所述目标函数取极小值时，所述目标函数对应的所述模拟介质参数作为所述面波波形数据。
在一种可选的实现方式中，所述预先训练完成的横波速度预测模型为根据所述预设数量的样本对训练完成的U-Net模型，所述U-Net模型的训练过程包括：
将所述预设数量的样本对按照预设比例进行划分，得到第一预设数量的训练样本对和第二预设数量的测试样本对；
将所述训练样本对分别输入预先建立的所述U-Net模型进行训练，得到训练之后的所述U-Net模型；
将所述测试样本对分别输入训练之后的所述U-Net模型，对训练之后的所述U-Net模型进行模型准确性测试；
若测试通过，则确定训练之后的所述U-Net模型为训练完成的所述横波速度预测模型；
若测试不通过，则增加所述训练样本对，并返回执行所述将所述训练样本对分别输入预先建立的所述U-Net模型进行训练，得到训练之后的所述U-Net模型。
在一种可选的实现方式中，所述将所述测试样本对分别输入训练之后的所述U-Net模型，对训练之后的所述U-Net模型进行模型准确性测试，包括：
将所述测试样本对分别输入训练之后的所述U-Net模型，获取所述U-Net模型的损失函数的目标值，所述目标值为所述U-Net模型分别对每个所述测试样本对进行分析时，所述U-Net模型的损失函数的值；
若所述目标值的变化率小于预设的变化率阈值，则判定对所述U-Net模型的测试通过；
若所述目标值的变化率大于或者等于预设的变化率阈值，则判定对所述U-Net模型的测试不通过。
在一种可选的实现方式中，所述U-Net模型的损失函数为：
其中，L(Y，f(X))的值表示所述U-Net模型预测的横波速度与预设的横波速度的残差平方和的最小值，Y表示预设的横波速度，f(X)表示所述U-Net模型预测的横波速度，n为样本数量。
在一种可选的实现方式中，在所述获取待测量地区的地下介质参数之前，包括：
根据预设的目标横波速度范围，确定所述待测量地区的地下介质参数，所述目标横波速度范围为所述待测量地区的地下横波速度范围。
图6是本申请实施例提供的计算设备的示意图。如图6所示，该实施例的计算设备6包括：处理器60、存储器61以及存储在所述存储器61中并可在所述处理器60上运行的计算机程序62，例如地下横波速度反演程序。所述处理器60执行所述计算机程序62时实现上述各个地下横波速度反演方法实施例中的步骤，例如图1所示的步骤101至104。或者，所述处理器60执行所述计算机程序62时实现上述地下横波速度反演装置实施例中各模块/单元的功能，例如图4所示模块501至504的功能。
示例性的，所述计算机程序62可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器61中，并由所述处理器60执行，以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序62在所述计算设备6中的执行过程。例如，所述计算机程序62可以被分割成获取模块、确定模块、输入模块及生成模块(虚拟装置中的模块)，各模块具体功能如下：
获取模块，用于获取待测量地区的地下介质参数；
确定模块，用于基于所述地下介质参数确定所述待测量地区的面波波形数据；
输入模块，用于将所述地下介质参数和所述面波波形数据输入预先训练完成的横波速度预测模型进行分析，得到当前所述待测量地区对应的地下各层的横波速度；
其中，所述预先训练完成的横波速度预测模型为根据预设数量的样本对训练完成的机器学习模型，所述样本对包括所述地下介质参数和所述面波波形数据，所述地下介质参数包括地层岩石的总层数、每一层岩石的横波速度、每一层岩石的纵波速度以及每一层岩石的密度；
生成模块，用于基于所述横波速度生成横波速度曲线。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个通信单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。
Claims (10)
1.一种地下横波速度反演方法，其特征在于，包括：
获取待测量地区的地下介质参数；
基于所述地下介质参数确定所述待测量地区的面波波形数据；
将所述地下介质参数和所述面波波形数据输入预先训练完成的横波速度预测模型进行分析，得到当前所述待测量地区对应的地下各层的横波速度；
其中，所述预先训练完成的横波速度预测模型为根据预设数量的样本对训练完成的机器学习模型，所述样本对包括所述地下介质参数和所述面波波形数据，所述地下介质参数包括地下介质的总层数、每一层介质的横波速度、每一层介质的纵波速度以及每一层介质的密度；
基于所述横波速度生成横波速度曲线。
2.如权利要求1所述的地下横波速度反演方法，其特征在于，所述基于所述地下介质参数确定所述待测量地区的面波波形数据，包括：
利用时间域弹性波方程分析所述地下介质参数，得到所述待测量地区的面波波形数据。
3.如权利要求2所述的地下横波速度反演方法，其特征在于，所述利用时间域弹性波方程分析所述地下介质参数，得到所述待测量地区的面波波形数据，包括：
构建关于所述地下介质参数与模拟介质参数的目标函数，所述目标函数用于表示所述地下介质参数和所述模拟介质参数的拟合值，所述模拟介质参数满足弹性波动方程；
以所述弹性波动方程为约束，求解所述目标函数的极小值；
获取所述目标函数取极小值时，所述目标函数对应的所述模拟介质参数，基于所述模拟介质参数确定所述面波波形数据。
4.如权利要求1所述的地下横波速度反演方法，其特征在于，所述预先训练完成的横波速度预测模型为根据所述预设数量的样本对训练完成的U-Net模型，所述U-Net模型的训练过程包括：
将所述预设数量的样本对按照预设比例进行划分，得到第一预设数量的训练样本对和第二预设数量的测试样本对；
将所述训练样本对分别输入预先建立的所述U-Net模型进行训练，得到训练之后的所述U-Net模型；
将所述测试样本对分别输入训练之后的所述U-Net模型，对训练之后的所述U-Net模型进行模型准确性测试；
若测试通过，则确定训练之后的所述U-Net模型为训练完成的所述横波速度预测模型；
若测试不通过，则增加所述训练样本对，并返回执行所述将所述训练样本对分别输入预先建立的所述U-Net模型进行训练，得到训练之后的所述U-Net模型。
5.如权利要求4所述的地下横波速度反演方法，其特征在于，所述将所述测试样本对分别输入训练之后的所述U-Net模型，对训练之后的所述U-Net模型进行模型准确性测试，包括：
将所述测试样本对分别输入训练之后的所述U-Net模型，获取所述U-Net模型的损失函数的目标值，所述目标值为所述U-Net模型分别对每个所述测试样本对进行分析时，所述U-Net模型的损失函数的值；
若所述目标值的变化率小于预设的变化率阈值，则判定对所述U-Net模型的测试通过；
若所述目标值的变化率大于或者等于预设的变化率阈值，则判定对所述U-Net模型的测试不通过。
6.如权利要求4所述的地下横波速度反演方法，其特征在于，所述U-Net模型的损失函数为：
其中，L(Y，f(X))的值表示所述U-Net模型预测的横波速度与预设的横波速度的残差平方和的最小值，Y表示预设的横波速度，f(X)表示所述U-Net模型预测的横波速度，n为样本数量。
7.如权利要求1-6任一所述的地下横波速度反演方法，其特征在于，在所述获取待测量地区的地下介质参数之前，包括：
根据预设的目标横波速度范围，确定所述待测量地区的地下介质参数，所述目标横波速度范围为所述待测量地区的地下横波速度范围。
8.一种地下横波速度反演装置，其特征在于，包括：
获取模块，用于获取待测量地区的地下介质参数；
确定模块，用于基于所述地下介质参数确定所述待测量地区的面波波形数据；
输入模块，用于将所述地下介质参数和所述面波波形数据输入预先训练完成的横波速度预测模型进行分析，得到当前所述待测量地区对应的地下各层的横波速度；
其中，所述预先训练完成的横波速度预测模型为根据预设数量的样本对训练完成的机器学习模型，所述样本对包括所述地下介质参数和所述面波波形数据，所述地下介质参数包括地层岩石的总层数、每一层岩石的横波速度、每一层岩石的纵波速度以及每一层岩石的密度；
生成模块，用于基于所述横波速度生成横波速度曲线。
9.一种计算设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述地下横波速度反演方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述地下横波速度反演方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911054805.3A CN110954950B (zh) | 2019-10-31 | 2019-10-31 | 地下横波速度反演方法、装置、计算设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911054805.3A CN110954950B (zh) | 2019-10-31 | 2019-10-31 | 地下横波速度反演方法、装置、计算设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110954950A true CN110954950A (zh) | 2020-04-03 |
| CN110954950B CN110954950B (zh) | 2022-10-21 |
Family
ID=69976094
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911054805.3A Active CN110954950B (zh) | 2019-10-31 | 2019-10-31 | 地下横波速度反演方法、装置、计算设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110954950B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112285775A (zh) * | 2020-10-15 | 2021-01-29 | 中国科学院地质与地球物理研究所 | 一种海底浅部沉积层剪切波速度探测装置及方法 |
| CN112555084A (zh) * | 2020-12-04 | 2021-03-26 | 湖南五凌电力科技有限公司 | 一种实时状态预警方法、装置、电子设备及存储介质 |
| CN113642675A (zh) * | 2021-09-07 | 2021-11-12 | 湖南大学 | 基于全波形反演和卷积神经网络的地下岩层分布成像获取方法、系统、终端及可读存储介质 |
| CN116009085A (zh) * | 2023-02-02 | 2023-04-25 | 哈尔滨工业大学 | 一种基于全波形反演的软地层横波速度测量方法及装置 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108287365A (zh) * | 2018-01-16 | 2018-07-17 | 中国石油大学(华东) | 一种基于波动方程的vsp三参数同步反演方法及装置 |
| CN108873066A (zh) * | 2018-06-26 | 2018-11-23 | 中国石油大学(华东) | 弹性介质波动方程反射波旅行时反演方法 |
| CN108897042A (zh) * | 2018-08-28 | 2018-11-27 | 中国石油天然气股份有限公司 | 有机质含量地震预测方法及装置 |
| CN109001806A (zh) * | 2018-06-04 | 2018-12-14 | 中国石油化工股份有限公司江汉油田分公司物探研究院 | 基于叠前地震数据的地层孔隙压力预测方法、装置及电子设备 |
| US20190064389A1 (en) * | 2017-08-25 | 2019-02-28 | Huseyin Denli | Geophysical Inversion with Convolutional Neural Networks |
| US20190113642A1 (en) * | 2017-10-12 | 2019-04-18 | Southern University Of Science And Technology | Surface wave prospecting method and acquisition equipment |
-
2019
- 2019-10-31 CN CN201911054805.3A patent/CN110954950B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190064389A1 (en) * | 2017-08-25 | 2019-02-28 | Huseyin Denli | Geophysical Inversion with Convolutional Neural Networks |
| US20190113642A1 (en) * | 2017-10-12 | 2019-04-18 | Southern University Of Science And Technology | Surface wave prospecting method and acquisition equipment |
| CN108287365A (zh) * | 2018-01-16 | 2018-07-17 | 中国石油大学(华东) | 一种基于波动方程的vsp三参数同步反演方法及装置 |
| CN109001806A (zh) * | 2018-06-04 | 2018-12-14 | 中国石油化工股份有限公司江汉油田分公司物探研究院 | 基于叠前地震数据的地层孔隙压力预测方法、装置及电子设备 |
| CN108873066A (zh) * | 2018-06-26 | 2018-11-23 | 中国石油大学(华东) | 弹性介质波动方程反射波旅行时反演方法 |
| CN108897042A (zh) * | 2018-08-28 | 2018-11-27 | 中国石油天然气股份有限公司 | 有机质含量地震预测方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 傅磊等: "基于深度学习的面波速度结构反演研究", 《中国地球科学联合学术年会2019》 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112285775A (zh) * | 2020-10-15 | 2021-01-29 | 中国科学院地质与地球物理研究所 | 一种海底浅部沉积层剪切波速度探测装置及方法 |
| CN112555084A (zh) * | 2020-12-04 | 2021-03-26 | 湖南五凌电力科技有限公司 | 一种实时状态预警方法、装置、电子设备及存储介质 |
| CN113642675A (zh) * | 2021-09-07 | 2021-11-12 | 湖南大学 | 基于全波形反演和卷积神经网络的地下岩层分布成像获取方法、系统、终端及可读存储介质 |
| CN113642675B (zh) * | 2021-09-07 | 2023-11-17 | 湖南大学 | 基于全波形反演和卷积神经网络的地下岩层分布成像获取方法、系统、终端及可读存储介质 |
| CN116009085A (zh) * | 2023-02-02 | 2023-04-25 | 哈尔滨工业大学 | 一种基于全波形反演的软地层横波速度测量方法及装置 |
| CN116009085B (zh) * | 2023-02-02 | 2024-03-12 | 哈尔滨工业大学 | 一种基于全波形反演的软地层横波速度测量方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110954950B (zh) | 2022-10-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110954950B (zh) | 地下横波速度反演方法、装置、计算设备及存储介质 | |
| US11262468B2 (en) | Machine learning-based analysis of seismic attributes | |
| Rosafalco et al. | Fully convolutional networks for structural health monitoring through multivariate time series classification | |
| CN110879412A (zh) | 地下横波速度反演方法、装置、计算设备及存储介质 | |
| CN103270430A (zh) | 用于地震数据反演的系统和方法 | |
| CN107153216A (zh) | 确定地震波场的坡印廷矢量的方法、装置以及计算机存储介质 | |
| Zhang et al. | Extracting dispersion curves from ambient noise correlations using deep learning | |
| He et al. | Deep learning for efficient stochastic analysis with spatial variability | |
| CN112231974B (zh) | 基于深度学习的tbm破岩震源地震波场特征恢复方法及系统 | |
| Lindsay et al. | Inversion and geodiversity: searching model space for the answers | |
| EP3211594B1 (en) | Seismic modeling system providing seismic survey data inpainting based upon suspect region boundary comparisons and related methods | |
| EP3217354A2 (en) | Seismic modeling system providing seismic survey data frequency domain inpainting and related methods | |
| Abbas et al. | A frequency-velocity CNN for developing near-surface 2D vs images from linear-array, active-source wavefield measurements | |
| Golubev et al. | Continuum model of fractured media in direct and inverse seismic problems | |
| US20220283329A1 (en) | Method and system for faster seismic imaging using machine learning | |
| EP3281044B1 (en) | Method for estimating elastic parameters of subsoil | |
| Maharjan et al. | Deep and Convolutional Neural Networks for identifying vertically-propagating incoming seismic wave motion into a heterogeneous, damped soil column | |
| US11143769B2 (en) | Seismic modeling system providing seismic survey data spatial domain exemplar inpainting and related methods | |
| Yablokov et al. | Uncertainty quantification of multimodal surface wave inversion using artificial neural networks | |
| US20150331964A1 (en) | Domain decomposition using a multi-dimensional spacepartitioning tree | |
| Roberts et al. | Joint stochastic constraint of a large data set from a salt dome | |
| Basu et al. | Multi-Start method for reservoir model uncertainty quantification with application to robust decision-making | |
| WO2022153984A1 (ja) | 学習データ生成方法、モデル生成方法および学習データ生成装置 | |
| CN115587614A (zh) | 隐式全波形反演方法、装置及电子设备 | |
| Alyaev et al. | Modeling extra-deep EM logs using a deep neural network |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |