CN113642232B - 一种面波智能反演勘探方法、存储介质及终端设备 - Google Patents
一种面波智能反演勘探方法、存储介质及终端设备 Download PDFInfo
- Publication number
- CN113642232B CN113642232B CN202110830865.0A CN202110830865A CN113642232B CN 113642232 B CN113642232 B CN 113642232B CN 202110830865 A CN202110830865 A CN 202110830865A CN 113642232 B CN113642232 B CN 113642232B
- Authority
- CN
- China
- Prior art keywords
- stratum
- model
- wave
- seismic
- spectrum
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 80
- 238000001228 spectrum Methods 0.000 claims abstract description 72
- 238000012549 training Methods 0.000 claims abstract description 30
- 239000006185 dispersion Substances 0.000 claims abstract description 24
- 230000008569 process Effects 0.000 claims abstract description 10
- 239000011159 matrix material Substances 0.000 claims abstract description 9
- 239000002245 particle Substances 0.000 claims abstract description 7
- 238000013527 convolutional neural network Methods 0.000 claims description 34
- 230000015572 biosynthetic process Effects 0.000 claims description 17
- 230000008859 change Effects 0.000 claims description 15
- 238000009826 distribution Methods 0.000 claims description 10
- 235000021384 green leafy vegetables Nutrition 0.000 claims description 3
- 238000004613 tight binding model Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 4
- 238000013461 design Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 26
- 238000013528 artificial neural network Methods 0.000 description 9
- 238000005457 optimization Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000013526 transfer learning Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008033 biological extinction Effects 0.000 description 1
- 230000009918 complex formation Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000010363 phase shift Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G01V1/282—Application of seismic models, synthetic seismograms
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Remote Sensing (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Environmental & Geological Engineering (AREA)
- General Health & Medical Sciences (AREA)
- Geophysics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Geology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Acoustics & Sound (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Hardware Design (AREA)
- Medical Informatics (AREA)
- Geometry (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开了一种面波智能反演勘探方法、存储介质及终端设备，方法包括步骤：通过采用正演算法来生成用于训练的样本，基于所述样本来训练CNN形成分类器，训练后的分类器可以直接通过瑞利波频谱对地层模型进行类型预测，根据所述瑞利波频谱的分类结果及其对应的物理参数范围，自动设置地层模型的初始模型；根据所述初始模型以及从瑞利波频谱中提取的频散曲线，用粒子群法对初始模型进行迭代调整，最终得到地层的S波速度模型结果。本发明通过训练得到的分类器可直接处理二维矩阵数据，从而避免了手动设计特征；分类器可直接通过瑞利波频谱来预测地层的动力学信息且具有很高的准确性以及计算效率。本发明方法在探测低速层方面有良好的应用前景。
Description
技术领域
本发明涉及地质勘探领域，特别涉及一种面波智能反演勘探方法、存储介质及终端设备。
背景技术
在地震波的传播过程中，大部分能量是以面波的形式存在。由于面波的能量相对较大，所以面波一般具有比较强的抗噪音干扰的能力，这个特性使面波在浅部地震勘探中有广泛的应用。
面波勘探被应用在对地下结构的探测，勘探算法主要是对地下速度模型的反演，其中反演过程通常需要正演算法。反演方法主要分两类，第一类是基于目标函数及其导数的局部线性化的方法，例如最小二乘法(Xia et al.,1999)和拟牛顿法(Loke and Barker,1996)。如果反演的初始模型足够接近真实模型，这类方法可以得到最优解。但如果初始模型和真实模型的差距比较大，那这类方法通常只能得到局部最优解，而不是全局最优解。这种情况导致了反演结果的显著误差，尤其是对于地层结构比较复杂的情况。反演方法的第二类包括非线性局部优化法，例如模拟退火法(Beaty et al.,2002；Pei et al.,2007),神经网络法(Shirazi et al.,2009),和粒子群优化法(Karaboga,2005；Song et al.,2012).虽然这些方法需要大量的样本，但是它们更有可能得到全局最优解，而不是局部最优解。在实际情况中，这两类方法都需要相对准确的初始模型，才能快速收敛而得到良好的结果。
对于数据量巨大的地震数据处理，工作流程的优化至关重要。在面波勘探中，频谱的处理通常需要大量的手动工作，例如拾取用于反演速度模型频散曲线。人工智能算法可以很大程度地替代跟经验有关的手动任务，从而显著减少人力劳动。
神经网络在面波反演中的应用的早期尝试，是用瑞利波和勒夫波的基阶相速度和群速度来训练浅神经网络，从而预测莫霍面深度的概率分布(Meier et al.,2007)。Hou etal.(2019)提出了结合解析法与机器学习来反演地下浅部的S波速度的方法，其中使用了3层的神经网络来反演一维S波速度剖面。Li et al.(2020)使用机器学习方法从频谱中提取面波信息，其中使用了逻辑回归，浅层神经网络，和支持向量机这几种方法。他们得出的结论是，对于面波拾取，支持向量机的准确率在这三种方法中是最高的。
Zhang et al.(2020)提出了对面波频散曲线进行分类的深度学习方法，其中使用了U-Net(Ronneberger et al.,2015)作为神经网络来从环境噪音中提取频散曲线。U-Net是由编码器和解码器组成的一类卷积神经网络(CNN)。Dai et al.(2020)提出了一种用图像分割技术从频散频谱图像中提取频散曲线的深度学习模型。这种深度学习模型使用的神经网络和U-Net有相似的结构，其中以visual geometry group(VGG)神经网络作为编码器部分，而解码器部分分成两支，一支用于分割，另一支用于嵌入。
传统机器学习方法，例如支持向量机和浅层神经网络，无法处理超大维度数据以及拟合超复杂的映射。因此，在训练传统机器学习模型之前通常需要从数据中手动提取特征，而这需要大量的额外工作，也可能造成意料之外的误差。虽然VGG的深度足够拟合超复杂的映射，但其计算效率较低，并且在训练的时候可能会出现梯度爆炸/消失的问题。提取出的频散曲线并不是工作流程的最终结果，这些曲线数据会被用来进行下一步的反演。在有的情况下，尤其是对于地下浅层，频散曲线有可能互相接触或连接，对提取频散曲线造成困难。
因此，现有技术还有待于改进和发展。
发明内容
本发明要解决的技术问题在于，针对现有技术的不足，提供一种面波智能反演勘探方法、存储介质及终端设备，旨在解决现有技术无法拟合复杂的映射，导致面波反演勘探困难的问题。
为了解决上述技术问题，本发明所采用的技术方案如下：
一种面波智能反演勘探方法，其中，包括步骤：
根据地层的地震S波速度变化模式对地层模型划分类型，每一种类型对应给定的物理参数范围；
对于每一种类型的地层模型，根据所述给定的物理参数范围随机生成若干个地层模型；
采用正演算法计算得到每个地层模型对应的瑞利波频谱；
将所述瑞利波频谱及其对应的地层模型作为样本，通过所述样本将CNN训练成分类器；
通过所述分类器将需要反演的瑞利波频谱进行类型预测，得到每个瑞利波频谱的分类结果；
根据所述瑞利波频谱的分类结果及其对应的物理参数范围，自动设置地层模型的初始模型；
根据所述初始模型以及从瑞利波频谱中提取的频散曲线，用粒子群法对初始模型进行迭代调整，最终得到地层的S波速度模型结果。
所述的面波智能反演勘探方法，其中，根据地层的地震S波速度变化模式对地层模型划分类型的步骤包括：
将地层模型设置为4层结构，从上至下依次为第1地层、第2地层、第3地层以及基岩层；
根据第1地层至第3地层的地震S波速度变化模式将地层模型划分为6个类型，所述第1地层至第3地层的地震S波速度变化模式包括高、中、低三个模式，所述基岩层的地震S波速度变化模式固定不变。
所述的面波智能反演勘探方法，其中，所述给定的物理参数包括地震S波速度、地震P波速度以及地层密度，所述地震S波速度、地震P波速度以及地层密度均包括四个档位，其中，低档位地震S波速度为70-150m/s，中档位地震S波速度为150-400m/s，高档位地震S波速度为400-1000m/s，基岩层地震S波速度为1000-2000m/s；低档位地震P波速度为300-1500m/s，中档位地震P波速度为1500-2500m/s，高档位地震P波速度为2500-4000m/s，基岩层地震P波速度为3000-6000m/s；低地层密度为2200-2200kg/m3，中地层密度为2200-2500kg/m3，高地层密度为2500-2800kg/m3，基岩层地层密度为2700-2800kg/m3。
所述的面波智能反演勘探方法，其中，所述正演算法为格林函数核函数方法。
所述的面波智能反演勘探方法，其中，采用格林函数核函数方法计算得到每个地层模型对应的瑞利波频谱的步骤包括：
对于水平层状介质，格林函数的z-z分量表示为： 其中，ω为角频率，k为波数，r为两个检波器之间的间距，J0为第一类0阶贝塞尔函数，gz为格林函数核函数的竖直分量；
核函数表示为：其中，F(k,ω)是光滑而非奇异的函数，分母D(k,ω)正比于det|I-RD slRU fs|，I为单位矩阵，R为反射系数矩阵，下标D和U表示向下和向上，上标s,l,和f分别表示震源，半空间，和自由表面；
当k＝kn，核函数gz(k,ω)趋于无穷，行列式的零点即为瑞利波的频散点，其中，kn＝ω/cn，cn为n阶谐波。
所述的面波智能反演勘探方法，其中，将所述瑞利波频谱及其对应的地层模型作为样本，通过所述样本将CNN训练成分类器的步骤包括：
所述CNN以ResNeXt-101-32x8d为主体网络，其中，101代表101层，32x8d代表在分组卷积中，分为32组，每组8个通道；
将瑞利波频谱输入到所述CNN中，输出地层模型的类型离散概率分布，完成对CNN的训练；
在训练过程中，输出的地层模型类型分布与样本中类型标签的误差由一个损失函数来表征：其中，/>为输出的地层模型类型分布向量，c为样本中的类型标签。
所述的面波智能反演勘探方法，其中，根据所述瑞利波频谱的分类结果及其对应的物理参数范围，自动设置地层模型的初始模型包括步骤：
根据瑞利波频谱的分类结果及其对应的物理参数范围，将分类的地层模型中的每一层的物理参数范围的中值作为下一步反演的初始模型的值。
一种存储介质，其中，所述存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现本发明面波智能反演勘探方法中的步骤。
一种终端设备，其中，包括处理器，适于实现各指令；以及存储介质，适于存储多条指令，所述指令适于由处理器加载并执行本发明面波智能反演勘探方法中的步骤。
有益效果：本发明提出了一种面波智能反演勘探方法，通过采用正演算法来生成用于训练的样本，基于所述样本来训练CNN形成分类器，训练后的分类器可以直接通过瑞利波频谱对地层模型进行类型预测，根据所述瑞利波频谱的分类结果及其对应的物理参数范围，自动设置地层模型的初始模型；根据所述初始模型以及从瑞利波频谱中提取的频散曲线，用粒子群法对初始模型进行迭代调整，最终得到地层的S波速度模型结果。本发明通过训练得到的分类器可以直接处理二维矩阵数据，从而避免了手动设计特征；所述分类器可以直接通过瑞利波频谱来预测地层的动力学信息且具有很高的准确性以及计算效率。本发明提供的方法在探测低速层方面有良好的应用前景，这些低速层通常包含未固结的，松散的沉积层，所以，这种方法可以应用在强地面运动，地震灾害的评估以及工程地震中。
附图说明
图1为一种面波智能反演勘探方法较佳实施例的流程图。
图2a为基于表1的示例数据计算得到的理论频散曲线。
图2b为用KGF方法得到的频谱与理论频散曲线的对比图。
图3a为地层模型标签为0的S波速度模型与对应频谱的关系图。
图3b为地层模型标签为1的S波速度模型与对应频谱的关系图。
图3c为地层模型标签为2的S波速度模型与对应频谱的关系图。
图3d为地层模型标签为3的S波速度模型与对应频谱的关系图。
图3e为地层模型标签为4的S波速度模型与对应频谱的关系图。
图3f为地层模型标签为5的S波速度模型与对应频谱的关系图。
图4为ResNeXt-101-32x8d的结构示意图。
图5a为由测井数据得到的S波速度。
图5b为由实际面波地震数据通过相移法计算得到的频谱。
图6a为S波速度的初始模型，最终模型以及和测井数据的对比图。
图6b为频谱和由反演得到的最终模型计算得到的频散曲线的对比。
图7为本发明一种终端设备的原理框图。
具体实施方式
本发明提供一种面波智能反演勘探方法、存储介质及终端设备，为使本发明的目的、技术方案及效果更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)，具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语，应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样被特定定义，否则不会用理想化或过于正式的含义来解释。
下面结合附图，通过对实施例的描述，对发明内容作进一步说明。
请参阅图1，图1为本发明一种面波智能反演勘探方法较佳实施例的流程图，如图所示，其包括步骤：
S10、根据地层的地震S波速度变化模式对地层模型划分类型，每一种类型对应给定的物理参数范围；
S20、对于每一种类型的地层模型，根据所述给定的物理参数范围随机生成若干个地层模型；
S30、采用正演算法计算得到每个地层模型对应的瑞利波频谱；
S40、将所述瑞利波频谱及其对应的地层模型作为样本，通过所述样本将CNN训练成分类器；
S50、通过所述分类器将需要反演的瑞利波频谱进行类型预测，得到每个瑞利波频谱的分类结果；
S60、根据所述瑞利波频谱的分类结果及其对应的物理参数范围，自动设置地层模型的初始模型；
S70、根据所述初始模型以及从瑞利波频谱中提取的频散曲线，用粒子群法对初始模型进行迭代调整，最终得到地层的S波速度模型结果。
本实施例通过训练得到的分类器可以直接处理二维矩阵数据，从而避免了手动设计特征；所述分类器可以直接通过瑞利波频谱来预测地层的动力学信息且具有很高的准确性以及计算效率。本实施例提供的方法在探测低速层方面有良好的应用前景，这些低速层通常包含未固结的，松散的沉积层，所以，这种方法可以应用在强地面运动，地震灾害的评估以及工程地震中。
在一些实施方式中，基于浅层地震勘探中常见的实际情况,将地层模型设置为4层结构，从上至下依次为第1地层、第2地层、第3地层以及基岩层(下半空间)；根据第1地层至第3地层的地震S波速度变化模式将地层模型划分为6个类型，如表1所示，所述第1地层至第3地层的地震S波速度变化模式包括高、中、低三个模式，所述基岩层的地震S波速度变化模式固定不变。
表1：地层模型的类型标签
| 类型标签 | 第1层 | 第2层 | 第3层 | 第4层(下半空间) |
| 0 | 低 | 中 | 高 | 基岩 |
| 1 | 低 | 高 | 中 | 基岩 |
| 2 | 中 | 低 | 高 | 基岩 |
| 3 | 中 | 高 | 低 | 基岩 |
| 4 | 高 | 低 | 中 | 基岩 |
| 5 | 高 | 中 | 低 | 基岩 |
在一些实施方式中，每一种类型的底层模型对应给定的物理参数范围，所述给定的物理参数包括地震S波速度、地震P波速度以及地层密度，如表2所示，所述地震S波速度、地震P波速度以及地层密度均包括四个档位，其中，低档位地震S波速度为70-150m/s，中档位地震S波速度为150-400m/s，高档位地震S波速度为400-1000m/s，基岩层地震S波速度为1000-2000m/s；低档位地震P波速度为300-1500m/s，中档位地震P波速度为1500-2500m/s，高档位地震P波速度为2500-4000m/s，基岩层地震P波速度为3000-6000m/s；低地层密度为2200-2200kg/m3，中地层密度为2200-2500kg/m3，高地层密度为2500-2800kg/m3，基岩层地层密度为2700-2800kg/m3。
表2：地层的物理参数范围
在一些实施方式中，对每一种类型的地层模型，根据表2所述的物理参数范围，按照连续均匀分布随机生成大量的地层模型，作为举例，一个类型可生成400个地层模型，但不限于此。
在一些实施方式中，采用格林函数核函数(KGF)方法计算得到每个地层模型对应的瑞利波频谱，这一部分属于正演。具体来讲，对于水平层状介质，格林函数的z-z分量表示为：其中，ω为角频率，k为波数，r为两个检波器之间的间距，J0为第一类0阶贝塞尔函数，gz为格林函数核函数的竖直分量；核函数表示为：其中，F(k,ω)是光滑而非奇异的函数，分母D(k,ω)正比于det|I-RD slRU fs|，I为单位矩阵，R为反射系数矩阵，下标D和U表示向下和向上，上标s,l,和f分别表示震源，半空间，和自由表面；当k＝kn，核函数gz(k,ω)趋于无穷，行列式的零点即为瑞利波的频散点，其中，kn＝ω/cn，cn为n阶谐波。cn通过引入品质因子可以包含衰减的信息：其中Q为品质因子。
图2a为基于表1的示例数据计算得到的理论频散曲线，图2b为用KGF方法得到的频谱与图2a中理论频散曲线的对比图。从图2b可以看出，本实施例采用KGF方法进行正演的优势在于精确度高且计算效率高。由KGF方法计算得到的瑞利波频谱如图3a-图3f所示，图3a-图3f为不同类型的S波速度模型及其对应的频谱的一些样例。对每一幅子图，左边部分为S波速度模型，右边部分为对应的频谱。图3a-图3f分别为类型标签为0，1，2，3，4，5的一个示例。
在一些实施方式中，将所述瑞利波频谱及其对应的地层模型作为样本，通过所述样本将CNN训练成分类器，本实例中应用的CNN的结构如图4所示，其中，所述CNN以ResNeXt-101-32x8d为主体网络，其中，101代表101层，32x8d代表在分组卷积中，分为32组，每组8个通道；ResNeXt-101-32x8d是ResNeXt的一种具体结构，ResNeXt是基于ResNet的改进的一种CNN，其中引入多分支结构，形成分组卷积以提高准确度；且所述分支结构为同拓扑，对于普遍的任务更具适应性。在本实施例中，预设的类别数量为6，所以所述CNN的最后一层全连接层的输出频道数被设为6。
本实施例将所述瑞利波频谱及其对应的地层模型的类型标签作为样本来训练所述CNN，其中，瑞利波频谱作为输入数据，类型标签的离散概率分布为输出，完成对CNN的训练；样本分为两部分，其中较多的部分作为训练集，用于调整CNN的可学习参数，较少的部分作为验证集，用于在训练过程中监视预测的准确率。训练过程中，输出的类型分布与样本中类型标签的误差由一个损失函数来表征。损失函数的定义为：其中，/>为输出的地层模型类型分布向量，c为样本中的类型标签。
在本实施例中，训练的过程就是通过减小损失函数的值，从而改善CNN预测的准确度。带动量的随机梯度下降法(SGD)被用作训练的优化控制器。每一次学习迭代，SGD的实现可以表示为：
vt+1＝μ×vt+gt+1，
pt+1＝pt-LR×vt+1，
其中，LR为学习率，p为CNN的可学习参数，g为损失函数对每个可学习参数的导数，v为学习向量，μ为优化控制器的动量。为了降低泛化误差，在损失函数中加入了权重衰减，可表示为：
其中，J为原损失函数，为修改的损失函数，X为输入，y为输出的基准真相，d为权重衰减，Ω为惩罚函数。所有训练样本的一次正向传递和一个反向传递被称为一个时期。为了让SGD更容易收敛，StepLR这种学习率调度器被用于训练过程中以调整学习率。StepLR具有两个参数，步长和gamma。调度器每隔步长个时期，就通过对学习率乘以gamma来降低学习率。
在训练之前，将CNN的参数随机初始化的方式并不高效，迁移学习的技术被用来改善训练的效率。本实例使用PyTorch作为实现程序的框架，并使用PyTorch提供的预训练数据来实现迁移学习。PyTorch的预训练数据是在超大数据集训练得到的，其中的数据集例如ImageNet，包含超过1200万张图像以及1000个类别。
为了进一步降低泛化误差，并提升CNN在更普遍的实际应用中的性能，在训练的过程中，对样本中的频谱加入随机噪声。本实例中的CNN的超参数的设置如表3所示。
表3CNN的超参数的设置
| 超参数 | 值 | 超参数 | 值 |
| 时期数 | 36 | 批量大小 | 16 |
| 学习率 | 0.02 | 权重衰减 | 0.001 |
| 优化器动量 | 0.9 | 调度器步长 | 7 |
| gamma | 0.5 |
在一些实施方式中，用已训练的CNN对从实际面波地震数据中得到的频谱进行类型预测。图5b为实际数据的频谱，由CNN预测得到的类型标签为2。由表1可知，类型2对应的波速变化模式为“中-低-高”。图5a为附近地点的测井数据得到S波速度，其变化模式与预测结果是吻合。
在一些实施方式中，根据所述瑞利波频谱的分类结果及其对应的物理参数范围，自动设置地层模型的初始模型。具体来讲，根据预测的类型结果和表2中预设的物理参数范围，以每一层的物理参数的范围的中值作为下一步反演的初始模型的值。利用CNN分类来辅助反演的初始模型的设置这种技术特征的优势在于，传统的反演方法中，初始模型是基于频谱凭经验手动设置的，并且通常需要多次尝试，且难以保证准确度；而本方明中的反演的初始模型可以基于频谱由程序自动得到，节省大量人力劳动，且准确度更稳定。
在一些实施方式中，根据所述初始模型以及从瑞利波频谱中提取的频散曲线，用粒子群法(PSO)对初始模型进行迭代调整，最终得到地层的S波速度模型结果。具体来讲，为了消除PSO的误差，本实施例i基于同一个初始模型进行独立的20次反演，然后把这20次反演得到的平均值作为最终的反演结果，所述反演结果以及反演结果的验证如图6a和图6b所示，其中，图6a为S波速度的初始模型，最终模型以及和测井数据的对比图；图6b为瑞利波频谱和由反演得到的最终模型计算得到的频散曲线的对比图，图中圆点状曲线表示从瑞利波频谱中提取的用于反演的频散曲线。
在一些实施方式中，还提供一种存储介质，其中，所述存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现本发明面波智能反演勘探方法中的步骤。
在一些实施方式中，还提供一种终端设备，如图7所示，其包括至少一个处理器(processor)20；显示屏21；以及存储器(memory)22，还可以包括通信接口(CommunicationsInterface)23和总线24。其中，处理器20、显示屏21、存储器22和通信接口23可以通过总线24完成相互间的通信。显示屏21设置为显示初始设置模式中预设的用户引导界面。通信接口23可以传输信息。处理器20可以调用存储器22中的逻辑指令，以执行上述实施例中的方法。
此外，上述的存储器22中的逻辑指令可以通过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。
存储器22作为一种计算机可读存储介质，可设置为存储软件程序、计算机可执行程序，如本公开实施例中的方法对应的程序指令或模块。处理器20通过运行存储在存储器22中的软件程序、指令或模块，从而执行功能应用以及数据处理，即实现上述实施例中的方法。
存储器22可包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端设备的使用所创建的数据等。此外，存储器22可以包括高速随机存取存储器，还可以包括非易失性存储器。例如，U盘、移动硬盘、只读存储器(Read-OnlyMemory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等多种可以存储程序代码的介质，也可以是暂态存储介质。
此外，上述存储介质以及终端设备中的多条指令处理器加载并执行的具体过程在上述方法中已经详细说明，在这里就不再一一陈述。
包括处理器，适于实现各指令；以及存储介质，适于存储多条指令，所述指令适于由处理器加载并执行本发明所述面波智能反演勘探方法中的步骤。
其中，包括处理器，适于实现各指令；以及存储介质，适于存储多条指令，所述指令适于由处理器加载并执行本发明所述面波智能反演勘探方法中的步骤。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，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发明各实施例技术方案的精神和范围。
Claims (7)
1.一种面波智能反演勘探方法，其特征在于，包括步骤：
根据地层的地震S波速度变化模式对地层模型划分类型，每一种类型对应给定的物理参数范围；
对于每一种类型的地层模型，根据所述给定的物理参数范围随机生成若干个地层模型；
采用正演算法计算得到每个地层模型对应的瑞利波频谱；
将所述瑞利波频谱及其对应的地层模型作为样本，通过所述样本将CNN训练成分类器；
通过所述分类器将需要反演的瑞利波频谱进行类型预测，得到每个瑞利波频谱的分类结果；
根据所述瑞利波频谱的分类结果及其对应的物理参数范围，自动设置地层模型的初始模型；
根据所述初始模型以及从瑞利波频谱中提取的频散曲线，用粒子群法对初始模型进行迭代调整，最终得到地层的S波速度模型结果；
所述正演算法为格林函数核函数方法；
采用所述格林函数核函数方法计算得到每个地层模型对应的瑞利波频谱的步骤包括：
对于水平层状介质，格林函数的z-z分量表示为：其中，ω为角频率，k为波数，r为两个检波器之间的间距，J0为第一类0阶贝塞尔函数，gz为格林函数核函数的竖直分量；
核函数表示为：其中，F(k,ω)是光滑而非奇异的函数，分母D(k,ω)正比于det|I-RD slRU fs|，I为单位矩阵，R为反射系数矩阵，下标D和U表示向下和向上，上标s,l,和f分别表示震源，半空间，和自由表面；
当k＝kn，核函数gz(k,ω)趋于无穷，行列式的零点即为瑞利波的频散点，其中，kn＝ω/cn，cn为n阶谐波。
2.根据权利要求1所述的面波智能反演勘探方法，其特征在于，根据地层的地震S波速度变化模式对地层模型划分类型的步骤包括：
将地层模型设置为4层结构，从上至下依次为第1地层、第2地层、第3地层以及基岩层；
根据第1地层至第3地层的地震S波速度变化模式将地层模型划分为6个类型，所述第1地层至第3地层的地震S波速度变化模式包括高、中、低三个模式，所述基岩层的地震S波速度变化模式固定不变。
3.根据权利要求1所述的面波智能反演勘探方法，其特征在于，所述给定的物理参数包括地震S波速度、地震P波速度以及地层密度，所述地震S波速度、地震P波速度以及地层密度均包括四个档位，其中，低档位地震S波速度为70-150m/s，中档位地震S波速度为150-400m/s，高档位地震S波速度为400-1000m/s，基岩层地震S波速度为1000-2000m/s；低档位地震P波速度为300-1500m/s，中档位地震P波速度为1500-2500m/s，高档位地震P波速度为2500-4000m/s，基岩层地震P波速度为3000-6000m/s；低地层密度为2200-2200kg/m3，中地层密度为2200-2500kg/m3，高地层密度为2500-2800kg/m3，基岩层地层密度为2700-2800kg/m3。
4.根据权利要求1所述的面波智能反演勘探方法，其特征在于，将所述瑞利波频谱及其对应的地层模型作为样本，通过所述样本将CNN训练成分类器的步骤包括：
所述CNN以ResNeXt-101-32x8d为主体网络，其中，101代表101层，32x8d代表在分组卷积中，分为32组，每组8个通道；
将瑞利波频谱输入到所述CNN中，输出地层模型的类型离散概率分布，完成对CNN的训练；
在训练过程中，输出的地层模型类型分布与样本中类型标签的误差由一个损失函数来表征：
其中，为输出的地层模型类型分布向量，c为样本中的类型标签。
5.根据权利要求1所述的面波智能反演勘探方法，其特征在于，根据所述瑞利波频谱的分类结果及其对应的物理参数范围，自动设置地层模型的初始模型包括步骤：
根据瑞利波频谱的分类结果及其对应的物理参数范围，将分类的地层模型中的每一层的物理参数范围的中值作为下一步反演的初始模型的值。
6.一种存储介质，其特征在于，所述存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如权利要求1-5任意一项所述的面波智能反演勘探方法中的步骤。
7.一种终端设备，其特征在于，包括处理器，适于实现各指令；以及存储介质，适于存储多条指令，所述指令适于由处理器加载并执行权利要求1-5任意一项所述的面波智能反演勘探方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110830865.0A CN113642232B (zh) | 2021-07-22 | 2021-07-22 | 一种面波智能反演勘探方法、存储介质及终端设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110830865.0A CN113642232B (zh) | 2021-07-22 | 2021-07-22 | 一种面波智能反演勘探方法、存储介质及终端设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113642232A CN113642232A (zh) | 2021-11-12 |
| CN113642232B true CN113642232B (zh) | 2024-01-12 |
Family
ID=78418087
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110830865.0A Active CN113642232B (zh) | 2021-07-22 | 2021-07-22 | 一种面波智能反演勘探方法、存储介质及终端设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113642232B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117631029A (zh) * | 2024-01-26 | 2024-03-01 | 中国铁路设计集团有限公司 | 基于联合算法的瑞雷面波频散曲线反演方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109799530A (zh) * | 2018-12-25 | 2019-05-24 | 核工业北京地质研究院 | 用于地震面波勘探的瑞雷波频散曲线反演方法 |
| CN109923440A (zh) * | 2017-10-12 | 2019-06-21 | 南方科技大学 | 面波勘探方法及终端设备 |
| CN111164462A (zh) * | 2018-08-06 | 2020-05-15 | 南方科技大学 | 一种人工源面波勘探方法、面波勘探装置及终端设备 |
-
2021
- 2021-07-22 CN CN202110830865.0A patent/CN113642232B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109923440A (zh) * | 2017-10-12 | 2019-06-21 | 南方科技大学 | 面波勘探方法及终端设备 |
| CN111164462A (zh) * | 2018-08-06 | 2020-05-15 | 南方科技大学 | 一种人工源面波勘探方法、面波勘探装置及终端设备 |
| CN109799530A (zh) * | 2018-12-25 | 2019-05-24 | 核工业北京地质研究院 | 用于地震面波勘探的瑞雷波频散曲线反演方法 |
Non-Patent Citations (2)
| Title |
|---|
| 基于实测数据的空中目标分类识别算法;李明;吴娇娇;左磊;宋万杰;刘慧敏;;电子与信息学报(第11期);第71-78页 * |
| 瑞利波SASW法与F-K法模拟测试比较;郭晔;黄新;;工程勘察(第07期);第80-85页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113642232A (zh) | 2021-11-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11320551B2 (en) | Training machine learning systems for seismic interpretation | |
| CA3122986C (en) | Automated seismic interpretation-guided inversion | |
| CN109870983B (zh) | 处理托盘堆垛图像的方法、装置及用于仓储拣货的系统 | |
| US20200183035A1 (en) | Data Augmentation for Seismic Interpretation Systems and Methods | |
| CN109709603A (zh) | 地震层位识别与追踪方法、系统 | |
| US11169287B2 (en) | Method and system for automated velocity model updating using machine learning | |
| CN103824291B (zh) | 连续量子雁群算法演化脉冲耦合神经网络系统参数的自动图像分割方法 | |
| US20210262329A1 (en) | Method for Generating Initial Models For Least Squares Migration Using Deep Neural Networks | |
| WO2024045285A1 (zh) | 基于多源异构数据的地质构造建模方法 | |
| CN110390393A (zh) | 模型特征筛选方法及装置、可读存储介质 | |
| WO2020076308A1 (en) | Methods and systems for processing slowness values from borehole sonic data | |
| CN113642232B (zh) | 一种面波智能反演勘探方法、存储介质及终端设备 | |
| Alzahrani et al. | Seismic velocity model building using neural networks: Training data design and learning generalization | |
| Cheng et al. | Meta-Processing: A robust framework for multi-tasks seismic processing | |
| CN113625336B (zh) | 一种基于全卷积神经网络的地震波阻抗薄层反演方法 | |
| CN113642675B (zh) | 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 | |
| CN113640871B (zh) | 一种基于重加权l1范数稀疏约束的地震波阻抗反演方法 | |
| CN113484919A (zh) | 基于卷积神经网络的磁异常反演方法、系统、终端及介质 | |
| CN115639605B (zh) | 基于深度学习的高分辨率断层的自动识别方法和装置 | |
| CN116577821A (zh) | 基于神经网络的时移地震预测方法和系统 | |
| CN116011338A (zh) | 一种基于自编码器和深度神经网络的全波形反演方法 | |
| Gadylshin et al. | Deep-learning-based local wavefront attributes and their application to 3D prestack data enhancement | |
| CN117607956B (zh) | 一种地震相识别方法、装置、电子设备及可读存储介质 | |
| CN117647837B (zh) | 一种地震数据的初至拾取方法、系统及计算机设备 | |
| Bazargani et al. | Machine learning-based residual moveout picking |
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 |