CN112308206A - 基于深度学习的大地电磁-地震波初至时联合反演方法 - Google Patents

Abstract

本申请公开了一种基于深度学习的大地电磁‑地震波初至时联合反演方法，其中，方法包括：通过深度神经网络训练电阻率模型与速度模型的映射；根据神经网络的输出得到大地电磁或地震波初至时反演的参考模型；交替更新电阻率或速度，并通过参考模型进行大地电磁‑地震波初至时的联合反演。本申请实施例的基于深度学习的大地电磁‑地震波初至时联合反演方法，能够将电阻率‑速度的先验统计规律融合到联合反演中，并且反演得到的电阻率和速度模型具有较好的结构相似性，具有较高的泛化能力。

Description

基于深度学习的大地电磁-地震波初至时联合反演方法

技术领域

本申请涉及地球物理反演成像技术领域，特别涉及一种基于深度学习的大地电磁-地震波初至时联合反演方法。

背景技术

地质模型具有多种地球物理特性。为了表征地下结构，需要使用不同的勘探方法来估算这些性质。例如，可以利用大地电磁场推断出地下电阻率，用地震波数据推测地下速度场。由于该两种方法具有不同的分辨率，并且对地下结构的敏感度不同，因此对同一测区分别进行大地电磁或地震波反演，得到的结构可能会不一致，这给地球物理数据解释带来了许多挑战。

鉴于电磁和地震数据包含地下结构的互补信息，与单独的反演相比，两种数据联合反演可以进一步限制模型搜索空间，使反演出来的电阻率和速度有更多的相似结构，从而完成两种模型的交叉验证。目前的联合反演主要有两种框架：一种基于岩石物理关系，另一种基于结构相似性。在第一个框架中，两个属性之间的相关性是通过经验方程建立的。通过找到速度和电阻率之间的直接关系，或者通过Archie或Waxman-Smits方程和Gassmann方程将电阻率和速度转换为孔隙度和流体饱和度。

然而，虽然基于该方法已经完成了许多工作并显示出良好的性能。但是，关系的构建依赖于经验方程式中的预定义系数，需要根据不同情况进行选定。此外，这种方式不能考虑速度和电阻率之间的统计相关性。第二个框架假设不同的勘测方法反演出的模型应具备公共边界，通过对目标函数施加结构相似性约束，使待反演速度和电阻率结构一致。这样的约束条件包括交叉梯度，交互式正则化等。对于交叉梯度，速度和电阻率的边界(如果存在)将指向相同的位置和方向，但是它并没有在所有地方强制施加相同的结构；对于交互式正则化，将根据其中一个物理模型的边界强加一个物理模型的边界；基于结构相似性的联合反演无法利用先验电阻率-速度的统计规律去约束反演过程，有待解决。

申请内容

本发明旨在至少在一定程度上解决相关技术中的技术问题之一。

为此，本发明的第一目的在于提出一种基于深度学习的大地电磁-地震波初至时联合反演方法，能够将电阻率-速度的先验统计规律融合到联合反演中，并且反演得到的电阻率和速度模型具有较好的结构相似性，具有较高的泛化能力。

本发明的第二个目的在于提出一种基于深度学习的大地电磁-地震波初至时联合反演装置。

本发明的第三个目的在于提出一种电子设备。

本发明的第四个目的在于提出一种计算机可读存储介质。

为达到上述目的，本申请第一方面实施例提供一种基于深度学习的大地电磁-地震波初至时联合反演方法，包括以下步骤：

通过深度神经网络训练电阻率模型与速度模型的映射；

根据所述神经网络的输出得到大地电磁或地震波初至时反演的参考模型；以及

交替更新电阻率或速度，并通过所述参考模型进行大地电磁-地震波初至时的联合反演。

另外，根据本发明上述实施例的基于深度学习的大地电磁-地震波初至时联合反演方法还可以具有以下附加的技术特征：

可选地，联合反演的目标函数为：

其中，ρ为待反演电阻率，s为待反演慢度(速度的倒数)，F为求解大地电磁正问题的前向算子，G为求解地震波正问题的前向算子，d_obs为大地电磁测数据，t_obs为地震波初至时测量数据，R(ρ)和R(s)为描述模型光滑程度的正则项，

和

为训练后的神经网络，分布完成从慢度到电阻率和从电阻率到慢度的非线性映射；D为待反演区间，α、λ和γ均为调节权重的系数。

可选地，还包括：

利用迭代方法极小化所述目标泛函。

为达到上述目的，本申请第二方面实施例提供一种基于深度学习的大地电磁-地震波初至时联合反演装置，包括：

训练模块，用于通过深度神经网络训练电阻率模型与速度模型的映射；

获取模块，用于根据所述神经网络的输出得到大地电磁或地震波初至时反演的参考模型；以及

反演模块，用于交替更新电阻率或速度，并通过所述参考模型进行大地电磁-地震波初至时的联合反演。

可选地，联合反演的目标函数为：

其中，ρ为待反演电阻率，s为待反演慢度(速度的倒数)，F为求解大地电磁正问题的前向算子，G为求解地震波正问题的前向算子，d_obs为大地电磁测数据，t_obs为地震波初至时测量数据，R(ρ)和R(s)为描述模型光滑程度的正则项，

和

为训练后的神经网络，分布完成从慢度到电阻率和从电阻率到慢度的非线性映射；D为待反演区间，α、λ和γ均为调节权重的系数。

可选地，还包括：

处理模块，用于利用迭代方法极小化所述目标泛函。

为达到上述目的，本申请第三方面实施例提供一种电子设备，包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被设置为用于执行如上述实施例基于深度学习的大地电磁-地震波初至时联合反演方法。

为达到上述目的，本申请第四方面实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行如上述实施例基于深度学习的大地电磁-地震波初至时联合反演方法。

由此，基于深度学习的大地电磁-地震波初至时联合反演方法，可以通过深度神经网络训练电阻率模型与速度模型的映射，并根据神经网络的输出得到大地电磁或地震波初至时反演的参考模型，并交替更新电阻率或速度，并通过参考模型进行大地电磁-地震波初至时的联合反演。由此，能够将电阻率-速度的先验统计规律融合到联合反演中，并且反演得到的电阻率和速度模型具有较好的结构相似性，具有较高的泛化能力。

本申请附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到。

附图说明

本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：

图1为根据本申请实施例提供的一种基于深度学习的大地电磁-地震波初至时联合反演方法的流程图；

图2为根据本申请一个实施例的基于深度学习的大地电磁-地震波初至时联合反演方法的流程图；

图3为根据本申请一个实施例的仿真重建电阻率和速度模型示意图；

图4为根据本申请一个实施例的电阻率与速度的先验概率分布示意图；

图5为根据本申请一个实施例的分别在联合反演和单独反演下的使用仿真数据的反演结果示意图；

图6为根据本申请实施例的基于深度学习的大地电磁-地震波初至时联合反演装置的示例图；

图7为本申请实施例提供的电子设备的结构示意图。

具体实施方式

下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本申请，而不能理解为对本申请的限制。

下面参照附图描述根据本发明实施例提出的基于深度学习的大地电磁-地震波初至时联合反演方法。

具体而言，图1为本申请实施例所提供的一种基于深度学习的大地电磁-地震波初至时联合反演方法的流程示意图。

如图1所示，该基于深度学习的大地电磁-地震波初至时联合反演方法包括以下步骤：

在步骤S101中，通过深度神经网络训练电阻率模型与速度模型的映射。

在步骤S102中，根据神经网络的输出得到大地电磁或地震波初至时反演的参考模型。

在步骤S103中，交替更新电阻率或速度，并通过参考模型进行大地电磁-地震波初至时的联合反演。

可选地，在一些实施例中，联合反演的目标函数为：

其中，ρ为待反演电阻率，s为待反演慢度(速度的倒数)，F为求解大地电磁正问题的前向算子，G为求解地震波正问题的前向算子，d_obs为大地电磁测数据，t_obs为地震波初至时测量数据，R(ρ)和R(s)为描述模型光滑程度的正则项，

和

为训练后的神经网络，分布完成从慢度到电阻率和从电阻率到慢度的非线性映射；D为待反演区间，α、λ和γ均为调节权重的系数(大于零)。

可以理解的是，在R(ρ)、R(s)使用最平滑约束时，联合反演的目标函数具体写为：

其中，

分别代表水平方向和垂直方向的梯度算子，D为待反演区间。使用高斯牛顿法交替更新电阻率ρ和慢度s，在第k步迭代时，目标函数变为：

分别令上式对电阻率和速度的微扰量Δρ、Δs等于0，可得：

和

其中，J_ρ、J_s分别为大地电磁和地震波正问题的雅克比矩阵。

然后，待反演模型按照：

ρ_k＝ρ_k-1+ν_ρΔρ_k

s_k＝s_k-1+ν_sΔs_k；

更新，式中，ν_ρ、ν_s为更新步长，由线性搜索方式求得。

其中，反演流程可以如图2所示。

可选地，在一些实施例中，还包括：利用迭代方法极小化目标泛函。

可以理解的是，通过迭代方法极小化目标泛函

神经网络

包括各种结构；正则项R(ρ)、R(s)包括各种形式；

极小化目标泛函的方法包括各种极小化方法。

进一步地，为使得本领域技术人员近一步了解本申请实施例的基于深度学习的大地电磁-地震波初至时联合反演方法，下面通过仿真模型和结果进行详细阐述。

结合图3至图5，图3为验证本申请基于深度学习的大地电磁-地震波初至时联合反演方法所构建的仿真重建电阻率和速度模型，与仿真电阻率-速度分布本(先验信息)该模型用来产生理论数据，并对其施加5％的噪声。图3(a)为电阻率的示意图，图3(b)为速度的示意图；图4为电阻率与速度的先验概率分布示意图；图5为分别在联合反演和单独反演下的使用仿真数据的反演结果，图5(a)为联合反演下的电阻率的示意图，图5(b)为联合反演下的速度的示意图，图5(c)为单独反演下的电阻率的示意图，图5(d)为单独反演下的速度的示意图，由图5可以看出，联合反演对目标体的刻画更加准确，边界更加清晰。

根据本申请实施例提出的基于深度学习的大地电磁-地震波初至时联合反演方法，可以通过深度神经网络训练电阻率模型与速度模型的映射，并根据神经网络的输出得到大地电磁或地震波初至时反演的参考模型，并交替更新电阻率或速度，并通过参考模型进行大地电磁-地震波初至时的联合反演。由此，能够将电阻率-速度的先验统计规律融合到联合反演中，并且反演得到的电阻率和速度模型具有较好的结构相似性，具有较高的泛化能力。

其次参照附图描述根据本申请实施例提出的基于深度学习的大地电磁-地震波初至时联合反演装置。

图6是本申请实施例的基于深度学习的大地电磁-地震波初至时联合反演装置的方框示意图。

如图6所示，该基于深度学习的大地电磁-地震波初至时联合反演装置10包括：训练模块100、获取模块200和反演模块300。

其中，训练模块100用于通过深度神经网络训练电阻率模型与速度模型的映射；

获取模块200用于根据神经网络的输出得到大地电磁或地震波初至时反演的参考模型；以及

反演模块300用于交替更新电阻率或速度，并通过参考模型进行大地电磁-地震波初至时的联合反演。

可选地，联合反演的目标函数为：

其中，ρ为待反演电阻率，s为待反演慢度(速度的倒数)，F为求解大地电磁正问题的前向算子，G为求解地震波正问题的前向算子，d_obs为大地电磁测数据，t_obs为地震波初至时测量数据，R(ρ)和R(s)为描述模型光滑程度的正则项，

和

为训练后的神经网络，分布完成从慢度到电阻率和从电阻率到慢度的非线性映射；D为待反演区间，α、λ和γ均为调节权重的系数。

可选地，还包括：

处理模块，用于利用迭代方法极小化目标泛函。

需要说明的是，前述对基于深度学习的大地电磁-地震波初至时联合反演方法实施例的解释说明也适用于该实施例的基于深度学习的大地电磁-地震波初至时联合反演装置，此处不再赘述。

根据本申请实施例提出的基于深度学习的大地电磁-地震波初至时联合反演装置，可以通过深度神经网络训练电阻率模型与速度模型的映射，并根据神经网络的输出得到大地电磁或地震波初至时反演的参考模型，并交替更新电阻率或速度，并通过参考模型进行大地电磁-地震波初至时的联合反演。由此，能够将电阻率-速度的先验统计规律融合到联合反演中，并且反演得到的电阻率和速度模型具有较好的结构相似性，具有较高的泛化能力。

图7为本申请实施例提供的电子设备的结构示意图。该电子设备可以包括：

存储器1201、处理器1202及存储在存储器1201上并可在处理器1202上运行的计算机程序。

处理器1202执行程序时实现上述实施例中提供的基于深度学习的大地电磁-地震波初至时联合反演方法。

进一步地，电子设备还包括：

通信接口1203，用于存储器1201和处理器1202之间的通信。

存储器1201，用于存放可在处理器1202上运行的计算机程序。

存储器1201可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。

如果存储器1201、处理器1202和通信接口1203独立实现，则通信接口1203、存储器1201和处理器1202可以通过总线相互连接并完成相互间的通信。总线可以是工业标准体系结构(Industry Standard Architecture，简称为ISA)总线、外部设备互连(PeripheralComponent，简称为PCI)总线或扩展工业标准体系结构(Extended Industry StandardArchitecture，简称为EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，图7中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。

可选的，在具体实现上，如果存储器1201、处理器1202及通信接口1203，集成在一块芯片上实现，则存储器1201、处理器1202及通信接口1203可以通过内部接口完成相互间的通信。

处理器1202可能是一个中央处理器(Central Processing Unit，简称为CPU)，或者是特定集成电路(Application Specific Integrated Circuit，简称为ASIC)，或者是被配置成实施本申请实施例的一个或多个集成电路。

本实施例还提供一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如上的基于深度学习的大地电磁-地震波初至时联合反演方法。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或N个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中，“N个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。

流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更N个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。

在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或N个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。

应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，N个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。

本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。

此外，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模块中，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模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。

上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (8)

1.一种基于深度学习的大地电磁-地震波初至时联合反演方法，其特征在于，包括以下步骤：

通过深度神经网络训练电阻率模型与速度模型的映射；

根据所述神经网络的输出得到大地电磁或地震波初至时反演的参考模型；以及

交替更新电阻率或速度，并通过所述参考模型进行大地电磁-地震波初至时的联合反演。

2.根据权利要求1所述的方法，其特征在于，联合反演的目标函数为：

其中，ρ为待反演电阻率，s为待反演慢度(速度的倒数)，F为求解大地电磁正问题的前向算子，G为求解地震波正问题的前向算子，d_obs为大地电磁测数据，t_obs为地震波初至时测量数据，R(ρ)和R(s)为描述模型光滑程度的正则项，

和

为训练后的神经网络，分布完成从慢度到电阻率和从电阻率到慢度的非线性映射；D为待反演区间，α、λ和γ均为调节权重的系数。

3.根据权利要求2所述的方法，其特征在于，还包括：

利用迭代方法极小化所述目标泛函。

4.一种基于深度学习的大地电磁-地震波初至时联合反演装置，其特征在于，包括：

训练模块，用于通过深度神经网络训练电阻率模型与速度模型的映射；

获取模块，用于根据所述神经网络的输出得到大地电磁或地震波初至时反演的参考模型；以及

反演模块，用于交替更新电阻率或速度，并通过所述参考模型进行大地电磁-地震波初至时的联合反演。

5.根据权利要求4所述的装置，其特征在于，联合反演的目标函数为：

其中，ρ为待反演电阻率，s为待反演慢度(速度的倒数)，F为求解大地电磁正问题的前向算子，G为求解地震波正问题的前向算子，d_obs为大地电磁测数据，t_obs为地震波初至时测量数据，R(ρ)和R(s)为描述模型光滑程度的正则项，

和

为训练后的神经网络，分布完成从慢度到电阻率和从电阻率到慢度的非线性映射；D为待反演区间，α、λ和γ均为调节权重的系数。

6.根据权利要求5所述的装置，其特征在于，还包括：

处理模块，用于利用迭代方法极小化所述目标泛函。

7.一种电子设备，其特征在于，包括：存储器、处理器及存储在所述存储器上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程序，以实现如权利要求1-3任一项所述的基于深度学习的大地电磁-地震波初至时联合反演方法。

8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行，以用于实现如权利要求1-3任一项所述的基于深度学习的大地电磁-地震波初至时联合反演方法。

Images