CN114035228B - 一种基于深度学习的隧道地震波速反演方法及系统 - Google Patents
一种基于深度学习的隧道地震波速反演方法及系统 Download PDFInfo
- Publication number
- CN114035228B CN114035228B CN202111376321.8A CN202111376321A CN114035228B CN 114035228 B CN114035228 B CN 114035228B CN 202111376321 A CN202111376321 A CN 202111376321A CN 114035228 B CN114035228 B CN 114035228B
- Authority
- CN
- China
- Prior art keywords
- tunnel
- wave velocity
- inversion
- seismic
- model
- 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 106
- 238000013135 deep learning Methods 0.000 title claims abstract description 43
- 238000010276 construction Methods 0.000 claims abstract description 69
- 238000001514 detection method Methods 0.000 claims abstract description 52
- 238000012549 training Methods 0.000 claims abstract description 46
- 238000009412 basement excavation Methods 0.000 claims abstract description 35
- 238000005457 optimization Methods 0.000 claims abstract description 26
- 239000011159 matrix material Substances 0.000 claims description 63
- 238000003062 neural network model Methods 0.000 claims description 58
- 230000006870 function Effects 0.000 claims description 47
- 230000008569 process Effects 0.000 claims description 41
- 238000005553 drilling Methods 0.000 claims description 29
- 239000013598 vector Substances 0.000 claims description 25
- 239000011435 rock Substances 0.000 claims description 20
- 238000013528 artificial neural network Methods 0.000 claims description 17
- 238000009826 distribution Methods 0.000 claims description 13
- 230000002159 abnormal effect Effects 0.000 claims description 12
- 238000004088 simulation Methods 0.000 claims description 11
- 238000009933 burial Methods 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 230000007613 environmental effect Effects 0.000 claims description 5
- 238000012804 iterative process Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 abstract description 11
- 230000001360 synchronised effect Effects 0.000 abstract description 11
- 230000005284 excitation Effects 0.000 description 12
- 238000003384 imaging method Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000013461 design Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 238000013459 approach Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000004927 fusion Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005065 mining Methods 0.000 description 3
- 238000010521 absorption reaction Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000006378 damage Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 1
- RTAQQCXQSZGOHL-UHFFFAOYSA-N Titanium Chemical compound [Ti] RTAQQCXQSZGOHL-UHFFFAOYSA-N 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009440 infrastructure construction Methods 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012795 verification 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
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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
-
- 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
-
- 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)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Theoretical Computer Science (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Geology (AREA)
- Geophysics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Environmental & Geological Engineering (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Acoustics & Sound (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明提供了一种基于深度学习的隧道地震波速反演方法及系统,本发明为深度学习地震反演方法添加隧道施工现场的环境信息、地质先验信息与隧道探测观测方式信息编码以帮助算法获得相应先验知识,并利用已有数据库对隧道地震波速反演网络进行初步的网络预训练,以辅助算法匹配当前隧道工程探测任务;同时建立网络更新同步隧道开挖的反演优化方式,在隧道边挖边探的同时,随着探测的进行扩充数据库并优化算法,训练方式逐步无监督化,获得更好的泛化性和更准确的反演结果。
Description
技术领域
本发明属于地球物理勘探技术领域,具体涉及一种基于深度学习的隧道地震波速反演方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息,不必然构成在先技术。
隧道工程作为水利水电、交通运输以及基础设施建设的节点性工程,也迎来了前所未有的高速发展期。一方面,隧道总里程数在不断增长、埋深不断增加、特长特大隧道不断涌现、深埋隧道以及大规模隧道洞群也在日益剧增;另一方面,随着国家交通网络布局和水利水工工程规划的完善,隧道工程逐步向复杂地质条件转移,地质条件复杂性的不断增加,加之隧道规模的不断增大、工期的缩短,如何在保证施工人员和机械安全的情况下,高速、高质量地完成隧道的建设,成为了当前地下工程研究的重点之一。
隧道前方复杂地质条件,如岩溶空腔、断层破碎带、地下暗河等,由于其具有不可知性和突发性,有可能造成掌子面失稳、突水突泥、塌方的灾害,轻则造成机械损坏,耽误工程进度,重则造成人员伤亡,带来严重损失。灾害事故的不断发生,给隧道的安全高效建设带来挑战,也为隧道地质超前预报技术的发展和应用提出了更高的要求。
作为地球物理勘探的重要技术之一,地震勘探技术在隧道不良地质探测工作中起到了重要作用。反射波地震勘探通过震源激发地震波,利用检波器接收地震波遇到岩性分界面、断层或破碎带产生的反射波产生地震记录,该地震记录经过处理后可完成对不良地质体的成像定位。与常规的地面勘探环境相比,隧道勘探环境更差,探测难度更高。对于观测系统覆盖范围而言,若采用掌子面布设检波器的观测方式,隧道地震勘探的横向偏移距最大仅为隧道洞径宽度,而反射波勘探的探测距离很大程度上取决于最大偏移距的大小。若采用直线类等特殊观测方式,沿隧道一侧边墙平行于隧道轴线布设震源和检波器,相对于掌子面前方异常体而言偏移距为零。所以隧道地震探测受隧道空间限制,与传统地面探测相比有更大难度。
隧道前方探测区域波速的准确求取是对异常体进行精确成像的前提。当前较成熟的隧道探测成像技术TRT(Tunnel Reflection Tomography)通过计算直达波波速代替探测区域波速对探测区域进行反射波绕射叠加完成异常体成像。该方法采用直达波速代替探测区域波速的方法实际上会使成像结果产生很大误差,还有一些方法在成像结果的基础上对探测区域的波速进行分析,对成像结果进行矫正,其思想类似于地面方法中的偏移速度分析。但是速度求取的精度受限,对异常体成像效果改善程度也有限。而全波形反演方法(Full Waveform Inversion,FWI)作为地震探测领域公认的波速反演方法,在常规探测环境下具有极高的波速求取精度,目前该方法也在隧道环境中也得到了初步的应用。然而FWI存在容易陷入局部极小值的固有问题,并且计算量大、耗时较长。
部分研究学者在地震波速直接反演方面通过深度神经网络建立地震数据与波速模型间的非线性映射,展现出了优于传统FWI的波速反演效果。但考虑隧道环境的深度学习地震波速反演方法研究很少,并且现有深度学习地震反演方法大部分属于有监督学习范畴,有监督类深度学习算法需要大量标签数据即真实波速模型进行训练,这种真实波速模型实际情况下很难获取。目前隧道深度学习反演方法中基于背景波速的隧道无监督反演方法实现了无监督条件下对隧道前方波速的较准确反演,但该方法主要将基于背景波速的地表无监督方法应用于隧道超前预报中,一方面依赖较准确的背景波速先验,另一方面并未有效利用隧道现场项目工况、钻孔信息和开挖揭露等方面的知识,尚未与隧道实际探测情况进行深入融合。总体而言,目前缺少能应用于隧道施工的深度学习地震反演方法。
实现能应用于隧道施工的深度学习地震波速反演方法仍存在以下两个难题:
其一,针对于隧道超前预报施工特点,如何利用深度学习算法有效结合隧道现场项目工况、钻孔信息和开挖揭露等方面的知识,降低隧道前方波速反演的多解性,以确保反演方法适应当前隧道的探测任务。深度学习网络学习输入数据与输出标签之间的映射,现有网络可获得的信息仅由输入数据提供。不同于地表地震勘探,隧道地震超前预报中可以获得地质初勘、钻孔信息、环境噪声、现场工况以及开发揭露等信息,这些信息均对隧道前方地质具有先验信息;另一方面,仅依赖隧道地震超前预报采集获得的数据,其信息量有限,波速反演的多解性强,难以准确描述隧道前方地质条件,也会造成深度学习反演方法对于训练集以外的数据的泛化性差。如何在隧道深度学习反演方法中融入有效信息,确保反演方法具有一定泛化性,能有效适用于当前隧道工程,成为必须要解决的问题。
其二,如何使深度学习隧道反演方法适用于整个隧道的施工过程,确保隧道施工到不同标段均能产生可信的反演结果。一条隧道可能穿越多种地质环境,隧道施工到不同标段,隧道的围岩等级、岩性和地质构造情况等均会有很大不同,当前隧道施工工程地质环境下训练好的深度神经网络不一定能很好的适用于下一阶段的施工环境中,如何改进深度学习反演方法,适应隧道工程的特点会对反演结果的准确性产生重要影响。
发明内容
本发明为了解决上述问题,提出一种基于深度学习的隧道地震波速反演方法及系统,本发明为深度学习地震反演方法添加隧道施工现场的环境信息、地质先验信息与隧道探测观测方式信息编码以帮助算法获得相应先验知识,并利用根据现场地质勘探报告自动设计的大量隧道前方波速模型与获取的大量现场采集的噪声信号对隧道地震波速反演网络进行初步的网络预训练,以辅助算法匹配当前隧道工程探测任务。为进一步适应隧道不同标段工况,本发明建立网络更新同步隧道开挖的反演优化方式,在隧道边挖边探的同时,随着探测的进行扩充数据库并优化算法,训练方式逐步无监督化,获得更好的泛化性和更准确的反演结果。
根据一些实施例,本发明采用如下技术方案:
一种基于深度学习的隧道地震波速反演方法,包括以下步骤:
利用预先构建的隧道反演数据库对隧道反演深度神经网络模型进行包含波速模型标签的有监督形式的预训练,初步确定网络模型参数;
分别对隧道当前施工标段的地质环境、噪声信息和观测系统布设方式进行编码,形成隧道工程地质环境向量、环境噪声矩阵和观测方式矩阵;在有钻孔先验信息的情况下,生成包含钻孔位置与波速信息的钻孔波速矩阵;
将所述施工环境矩阵、观测方式矩阵作为额外的两个通道与地震观测数据共同输入隧道反演深度神经网络模型,所述隧道工程地质环境向量为隧道反演深度神经网络模型的另一输入,以隧道反演深度神经网络模型输出的预测波速模型与钻孔波速矩阵计算损失函数以优化更新网络参数;
利用优化后的隧道反演深度神经网络模型进行隧道前方探测区域波速预测,得到预测波速模型;
利用波动方程正演网络模型对得到的预测波速模型进行地震波场正演模拟,将预测波速模型转化为对应的地震观测数据。
作为可选择的实施方式,隧道反演数据库的构建过程包括:利用已有地质勘探报告,构建隧道前方波速模型,通过数值模拟获得对应的地震观测数据,并结合隧道空采噪声信号,获得符合现场特征的含噪地震数据与波速模型,构成隧道反演数据库。
作为进一步的限定,在数值模拟时,对于各地质波速模型以固定的震源、检波器位置与观测时间进行数值模拟,并以相同的观测方式采集现场噪声信号添加到地震记录中。
作为进一步的限定,所述隧道前方波速模型的构建过程包括:
建立初始模型矩阵;
根据已有勘探数据,确定隧道待施工段落可能出现的地质形态、异常界面的倾角范围及出现概率、地质界面之间的距离范围及最小界面距离,根据报告中岩性的分布确定不同波速段出现的概率;
根据已有勘探数据,按照所述异常界面的出现概率,选取地震波速模型界面的数量、界面位置和波速界面角度,随机产生满足需要相邻保障界面位置距离大于最小界面距离的模型界面位置坐标;
根据选取的角度,和界面位置坐标及其三角函数关系,将掌子面远端区域赋值为其对应的层数;
根据不同波速段出现的概率,选定各区域波速分布出现的概率,用于为波速界面赋予的波速值,实现将模型矩阵每层的值赋成该层对应的层数序号,每层界面赋成相应的波速。
作为进一步的限定,将掌子面远端区域赋值时,当存在多层波速层时,从近端的波速层依次赋值。
作为可选择的实施方式,对隧道当前施工标段的地质环境进行编码时,对地层岩性、隧道埋深、地质构造和围岩等级进行综合编码,各采用一具体数值表示,地层岩石密度越大、隧道越深、存在地质构造数量约少、围岩等级越高,各自对应的数值越大,几个数值共同形成隧道工程地质环境向量。
作为可选择的实施方式,对隧道当前施工标段的噪声信息进行编码时,选取基准值,根据基准值量化各道数据信噪比大小,各道对应的编码数值共同组成施工环境矩阵。
作为可选择的实施方式,对隧道当前施工标段的观测系统布设方式进行编码时,考虑隧道探测中炮点可布设与掌子面或左右两边墙,而检波器可分别布设在左右两边墙,对各观测方式采集的地震记录的炮点检波点位置分别形成观测方式矩阵。
作为可选择的实施方式,所述隧道反演深度神经网络模型,用于建立观测地震观测数据到波速模型的映射,具体包括多个特征编码器与一个特征解码器,将隧道工程地质环境向量作为网络的另一个输入通过全连接结构与特征解码器拼接,各个编码器的输入分别为不同观测方式得到的观测数据。
作为进一步的限定,所述的编码器包括全局特征编码器和邻域信息编码器,所述全局特征编码器由6层依次级联的卷积结构组成,邻域信息编码器由3层依次级联的卷积结构组成,地震观测数据分别输入以上两部分,两部分的输出拼接后输入特征解码器。
作为进一步限定的实施方式,所述的特征解码器包括6层依次级联的卷积结构,其中第4层卷积结构为4个并行的卷积层。
作为可选择的实施方式,以隧道反演深度神经网络模型输出的预测波速模型与钻孔波速矩阵计算损失函数的具体过程包括:
所述损失函数包括波速模型损失函数与观测数据损失函数,其中,波速模型损失函数中包含钻孔约束项,用于拟合预测波速模型在对应钻孔位置处的速度值与钻孔实测波速值;
所述观测数据损失函数,用于拟合实际观测数据与正演网络输出的预测观测数据。
作为进一步限定的实施方式,在隧道反演深度神经网络模型训练的不同阶段利用不同损失函数梯度回传更新网络参数,在利用隧道反演数据库通过半监督方式训练隧道反演深度神经网络模型时,采用波速模型损失函数与观测数据损失函数;在隧道施工的当前位置的单个观测数据的训练优化过程中,采用观测数据损失函数。
作为可选择的实施方式,优化更新网络参数时,利用同步隧道开挖、同步更新隧道反演深度神经网络模型参数的优化方式。
作为进一步限定的实施方式,优化更新网络参数的具体过程包括,利用开挖揭露结果,构建隧道波速模型并生成对应观测数据,替代隧道反演数据库中已有波速模型,对隧道反演数据库中标签数据更新,利用施工进程中新获取的现场噪声数据与地震观测数据扩充隧道反演数据库,使隧道反演数据库由最初的全部有波速模型标签的数据库转变为部分无标签的半监督数据库,并最终逐步接近无监督数据库。
作为进一步限定的实施方式,利用隧道开挖当前位置的观测数据进行单独的迭代优化,以确定隧道施工当前位置探测数据反映的前方波速状况,采用该单个数据对网络参数进行迭代更新,生成当前位置隧道前方探测区域的速度分布,存储每次优化后得到的当前开挖阶段的基本网络参数。
作为可选择的实施方式,所述波动方程正演网络模型的构建过程包括:在时间-空间域中,对常密度声波波动方程进行离散化处理,地震波场随时间传播的过程基于离散化处理后的方程中正演算子的迭代过程;将每个时间步上的地震波场传播运算作为一层深度神经网络,以地震波速模型作为该深度神经网络的可训练参数,以波场传播过程中的卷积运算和矩阵相应元素间的简单运算作为网络的内部运算过程,实现波动方程正演网络模型的构建。
一种基于深度学习的隧道地震波速反演系统,包括:
反演模型初步训练模块,被配置为利用预先构建的隧道反演数据库对隧道反演深度神经网络模型进行包含波速模型标签的有监督形式的预训练,初步确定网络模型参数;
先验信息编码模块,被配置为分别对隧道当前施工标段的地质环境、噪声信息和观测系统布设方式进行编码,形成隧道工程地质环境向量、环境噪声矩阵和观测方式矩阵;在有钻孔先验信息的情况下,生成包含钻孔位置与波速信息的钻孔波速矩阵;
反演模型同步优化模块,被配置为将所述施工环境矩阵、观测方式矩阵作为额外的两个通道与地震观测数据共同输入隧道反演深度神经网络模型,所述隧道工程地质环境向量为隧道反演深度神经网络模型的另一输入,以隧道反演深度神经网络模型输出的预测波速模型与钻孔波速矩阵计算损失函数以优化更新网络参数;
预测模块,被配置为利用优化后的隧道反演深度神经网络模型进行隧道前方探测区域波速预测,得到预测波速模型;
转化模块,被配置为利用波动方程正演网络模型对得到的预测波速模型进行地震波场正演模拟,将预测波速模型转化为对应的地震观测数据。
一种计算机可读存储介质,其中存储有多条指令,所述指令适于由终端设备的处理器加载并执行上述方法的步骤。
一种终端设备,包括处理器和计算机可读存储介质,处理器用于实现各指令;计算机可读存储介质用于存储多条指令,所述指令适于由处理器加载并执行上述方法的步骤。
与现有技术相比,本发明的有益效果为:
本发明针对现有深度学习算法无法有效结合隧道现场知识来降低隧道波速反演多解性的问题,提出对施工的工程地质情况、噪声信息与观测系统进行特征编码,并进一步形成先验编码信息网络融合策略,在网络端与数据端进行编码信息融合与网络结构设计,为网络补充有效的先验信息辅助网络感知隧道工程地质环境、施工环境,充分理解观测数据结构。
本发明在网络嵌入隧道先验编码信息的基础上通过现场地质勘探报告自动设计大量隧道前方波速模型,获得符合现场特征的波速模型与对应含噪地震数据,对隧道地震波速反演网络进行初步有监督学习的网络预训练完成网络参数初始化,使得反演方法较好适应当前隧道工程的特定环境,算法初步具备反演能力。
本发明针对隧道工程可能穿越多种地质环境,岩性变化差异大,极易造成反演算法的不能有效适用于整个隧道施工过程的问题,建立网络更新同步隧道开挖的反演优化方式,在逐步修正并扩充反演数据集的基础上逐步进行网络参数整体优化,不断适应整段隧道探测环境,并进一步针对当前施工阶段探测数据进行单数据优化,实现当前探测区域的精确反演与异常体定位。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1为本发明至少一个实施例的流程图;
图2是至少一个实施例的嵌入隧道先验编码信息的隧道反演深度神经网络模型结构示意图;
图3是至少一个实施例的隧道反演深度神经网络模型各阶段训练过程示意图;
图4(a)为至少一个实施例所用地质波速模型示意图,图4(b) 为与图4(a)对应的地震观测数据,
图5是至少一个实施例基于深度学习的隧道地震波速反演方法结果。
具体实施方式:
下面结合附图与实施例对本发明作进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本发明提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本发明的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
一种基于深度学习的隧道地震波速反演方法,针对现有深度学习算法无法有效结合隧道现场知识来降低隧道波速反演多解性的问题,提出对施工的工程地质情况、噪声信息与观测系统进行特征编码并嵌入反演方法的信息融合策略,辅助网络感知隧道工程地质环境、施工环境,进一步的通过现场地质勘探报告自动设计大量隧道前方波速模型对网络进行预训练,使得反演方法较好适应当前隧道工程的特定环境。针对隧道工程可能穿越多种地质环境,岩性变化大影响反演算法适用性的问题,建立网络更新同步隧道开挖的反演优化方式,在逐步修正并扩充反演数据集的基础上逐步进行网络参数整体优化,不断适应整段隧道探测环境,并进一步针对当前施工阶段探测数据进行单数据优化,实现当前探测区域的精确反演与异常体定位。
一种基于深度学习的隧道地震波速反演方法,包括以下步骤:
在本部分,为使本领域技术人员能够更加清楚本技术方案,从预构建数据库、构建网络模型等准备工作开始顺序介绍,其他实施例中,也可以直接利用训练优化好的隧道反演深度神经网络模型进行反演任务,这些不同方式,均应属于本发明的保护范围。
基于现场地质勘探报告自动设计大量隧道前方波速模型,通过数值模拟获得对应的地震观测数据,并获取现场采集的噪声信号,最终获得符合现场特征的含噪地震数据与波速模型,构成隧道反演数据库,这些波速模型作为隧道反演深度神经网络模型预训练的标签数据。
对隧道当前施工标段的地层岩性、隧道埋深、地质构造、围岩等级进行编码,组成隧道工程地质环境向量;在当前施工环境中获得空采噪声,并采集地震数据估算信噪比,对不同大小的噪声信息进行编码,形成环境噪声矩阵;对不同边墙观测系统的布设形式信息进行编码,形成观测方式矩阵;在有钻孔先验信息的情况下,生成包含钻孔位置与波速信息的钻孔波速矩阵。
构建隧道反演深度神经网络模型,网络的输入为地震观测数据与实际工况信息,输出为预测波速模型。
将隧道工程地质环境向量作为网络的另一个输入通过全连接结构嵌入上述网络结构中,将施工环境矩阵、观测方式矩阵作为额外的两个通道与输入的地震观测数据共同输入网络;对于钻孔信息,网络的输出与钻孔波速矩阵计算损失函数用于更新网络参数;通过隧道反演数据库对隧道反演深度神经网络模型进行包含波速模型标签的有监督形式的预训练,初步确定网络参数;
构建地震波正演网络模型,与隧道反演深度神经网络模型进行拼接,地震波正演网络模型可以将反演方网络输出的预测波速模型转化为对应的预测观测数据;
建立网络更新同步隧道开挖的反演优化方式,即随着隧道开挖进行,利用新的开挖揭露结果重新自动设计隧道波速模型,并生成对应观测数据,以替代隧道反演数据库中之前设计的波速模型,实现隧道反演数据库中标签数据的更新。
这种方式可以实现随挖随探,利用新探得的现场噪声数据与地震观测数据扩充隧道反演数据库,使得隧道反演数据库由最初的全部有波速模型标签的数据库转变为部分无标签的半监督数据库,并最终逐步接近无监督数据库。用扩充后的反演数据库对隧道反演神经网络采用地震波正演物理驱动的方式进行几轮附加训练以对网络参数进行调整,该训练过程会随探测的进行、数据库的扩充逐步无监督化。
备份上述优化后得到的当前开挖阶段的基本网络参数:用隧道开挖当前位置的观测数据进行单独的迭代优化以确定隧道施工当前位置探测数据反映的前方波速状况,采用该单个数据对网络参数进行迭代更新,生成当前位置隧道前方探测区域的速度分布。在下次开挖、探测前还原到备份的基本网络参数。
利用参数优化后的隧道反演深度神经网络模型实现隧道前方待施工区域的地震波速反演任务。
在上述过程中,提供一些细节性说明:
在基于现场地质勘探报告自动设计大量隧道前方波速模型,波速模型中可包含岩性界面、断层和破碎带等导致波速变化并产生较强反射波的结构,自动设计大量隧道前方波速模型的具体过程包括:
建立大小为[X,Y]的初始二维矩阵,X、Y分别代表速度模型的横向网格点数与纵向网格点数;
统计现场初勘报告进行分析,确定隧道待施工段落可能出现的地质形态、异常界面的倾角范围及出现概率、地质界面之间的距离范围及最小界面距离Lmin,此外,根据报告中岩性的分布确定不同波速段出现的概率,用于后续自动生成符合该段落的波速模型。
根据统计分析的初勘报告,可以按照异常界面的倾角范围及出现概率,选取地震波速模型界面的数量n,界面位置Ln,和波速界面角度θn,需要保证界面位置距离Ln+1-Ln大于最小界面距离Lmin。
根据以上条件,可以随机产生满足上述条件的模型界面位置坐标;根据选取的角度θn,并根据界面位置坐标及其三角函数关系,将界面右侧的(即掌子面远端的)区域赋值为其对应的层数,便实现了波速界面的绘制。
另外,当存在多层波速层时,为了防止深层的波速被反复覆盖,应当从近端的波速层依次赋值。
根据初勘报告中岩性的分布确定的不同波速段出现的概率,选定各区域波速分布出现的概率,用于为波速界面赋予的波速值。根据上面提供的方法将模型矩阵每层的值赋成该层对应的层数序号,每层界面赋成相应的波速即可。
在部分实施例中,各地质波速模型可以以固定的震源、检波器位置与观测时间进行数值模拟并采集记录波场数据,并以相同的观测方式采集现场噪声信号添加到地震记录中,得到符合现场特征的含噪地震数据与波速模型,构成隧道反演预训练数据库。
在部分实施例中,计算对应的地震观测数据时,利用波动方程计算得到对应的模拟地震观测数据。
在部分实施例中,对地层岩性、隧道埋深、地质构造、围岩等级进行编码时,各采用一具体数值表示,地层岩石密度越大、隧道越深、存在地质构造数量约少、围岩等级越高,各自对应的数值越大,几个数值共同形成隧道工程地质环境向量。
在部分实施例中,对噪声信息进行编码时,设计指标评价各道数据信噪比大小,并用具体数值表征评估结果,各道对应的编码数值共同组成施工环境矩阵。
在部分实施例中,对与隧道观测系统方式,考虑隧道探测中炮点可布设与掌子面或左右两边墙,而检波器可分别布设在左右两边墙,对各观测方式采集的地震记录的炮点检波点位置分别形成观测方式矩阵。该向量共四类,分别对应左边墙激发左边墙接收,右边墙激发右边墙接收,掌子面激发左边墙接收和掌子面激发右边墙接收。在有钻孔先验信息的情况下,生成与波速模型大小相同的、对应钻孔位置与波速的钻孔波速矩阵。
在部分实施例中,隧道反演深度神经网络模型可以包括四个特征编码器与一个特征解码器,将隧道工程地质环境向量作为网络的另一个输入通过全连接结构与特征解码器拼接。四个编码器的输入分别为左边墙激发左边墙接收、右边墙激发右边墙接收、掌子面激发左边墙接收和掌子面激发右边墙接收得到的观测数据。该网络用于建立观测地震观测数据到波速模型的映射。通过隧道反演预训练数据库对隧道反演深度神经网络模型进行预训练,初步确定网络参数。
上面的编码器包括全局特征编码器、邻域信息编码器,输入网络的观测数据分别输入以上两部分,两部分的输出拼接后输入特征解码器;所述全局特征编码器由6层依次级联的卷积结构组成,邻域信息编码器由3层依次级联的卷积结构组成。
特征解码器包括6层依次级联的卷积结构,其中第4层卷积结构为4个并行的卷积层。
在部分实施例中,构建波动方程正演网络模型将预测波速模型转化为对应的地震观测数据的具体过程中:基于深度神经网络构建波动方程正演网络模型,对隧道反演深度神经网络模型最终的输出进行地震波场正演模拟,得到与预测波速模型对应的预测观测数据。
在部分实施例中,基于深度神经网络构建波动方程正演网络模型的具体过程包括:在时间-空间域中,对常密度声波波动方程进行离散化处理,地震波场随时间传播的过程基于离散化处理后的方程中正演算子的迭代过程;将每个时间步上的地震波场传播运算作为一层深度神经网络,以地震波速模型作为该深度神经网络的可训练参数,以波场传播过程中的卷积运算和矩阵相应元素间的简单运算作为网络的内部运算过程,实现波动方程正演网络模型的构建。
波动方程正演网络模型的每个网络层,可以由前两个时刻的地震波场为输入,通过引入当前时刻的震源波场,获得后一时刻的波场以及相应的观测数据。
在部分实施例中,整个反演方法所用的损失函数包括波速模型损失函数与观测数据损失函数。波速模型损失函数用于拟合网络输出的预测波速模型与实际波速模型,对于钻孔波速矩阵,波速模型损失函数中包含钻孔约束项,用于拟合网络输出的预测波速模型在对应钻孔位置处的速度值与钻孔实测波速值。观测数据损失函数用于拟合实际观测数据与正演网络输出的预测观测数据。
在部分实施例中,隧道反演深度神经网络模型训练的不同阶段可以利用不同损失函数梯度回传更新网络参数。以一种可行方案来说,可以在网络参数预训练阶段通过有监督方式训练,采用波速模型损失函数;网络在扩充后的隧道反演数据库上训练的阶段通过半监督方式训练,采用波速模型损失函数与观测数据损失函数;网络在隧道施工的当前位置的单个观测数据上训练采用观测数据损失函数。
作为一种典型实施例,如图1所示,包括以下步骤:
步骤S1,建立隧道反演数据库。本实施例自动设计生成的隧道地震波速模型,尺寸设为100m×100m,将隧道施工中最常见的断层、破碎带、岩性分界面等地震构造简化为直线,并假设探测区域内存在最多不超过三个岩性分界面。此外,设定岩性分界面随机分布在隧道前方10m到90m范围内。隧道前方介质的地震波速范围为 2000m/s~4000m/s。
设计隧道开挖长度为50m,隧道直径为8m,围岩波速与波速模型第一层介质波速一致。设横向和纵向网格间距为1m,并在隧道波速模型四周增设海绵吸收边界,得到了最终波场正演模拟时的波速模型大小为[200,250]。隧道两边墙上分别布置了5个地震震源和40个检波器。震源点平均分布在离施工掌子面2m到10m位置,间距为2m。检波器位于离施工掌子面10m到50m范围内,间距为1m。此外,3个震源还布置在掌子面上,间距为2m。震源主频为200Hz,单位时间步为0.1ms,总时间步长为2000时间步。以此生成各模型对应的隧道地震观测数据,观测数据可分为左边墙激发左边墙接收、右边墙激发右边墙接收、掌子面激发左边墙接收和掌子面激发右边墙接收四类。之后为地震数据添加隧道空采噪声。
当然,在其他实施例中,可以通过其他数据得到地震观测数据。或建立的过程中选取的参数可以不按上述实施例提供的参数,可以进行变换。
在其他实施例中,对于各地质波速模型以固定的震源、检波器位置与观测时间进行波场模拟,在检波器位置记录波场数据,得到与地质波速模型对应的地震数据,并为地震数据添加隧道空采噪声。共同构成隧道反演数据库。
本实施例数据库中的一个地质波速模型如图4(a)所示,与之对应的掌子面激发、左右边墙接受的未添加真实噪声的地震观测数据如图4(b)所示。
本实施例的隧道反演数据库共包括5000个隧道地震波速模型,并按3:1:1的比例随机分成了训练集、验证集和测试集。将所有波速模型波速归一化至[0,1]范围内,并将观测数据中的幅值归一化至[-1,1] 范围内。
同样的,上述参数或比例在其他实施例中也可以改变。
步骤S2,对地层岩性、隧道埋深、地质构造、围岩等级进行编码时,对岩石的密度按最小值2t/m3,最小值3.7t/m3的范围进行归一化;对该隧道工程中埋深最深的位置取1,最浅取0;对包含断层、破碎带的情况取数值1,不包含取0;采用[0,1]等间隔取值分别表示Ⅰ到V级围岩,两部分拼接形成隧道工程地质环境向量。对噪声信息进行编码时,将信噪比为负数的信号编码为0,高于10的编码为1, 0到10之间的记录进行归一化,各道对应的编码数值共同组成施工环境矩阵。对与隧道观测系统方式,考虑隧道探测中炮点可布设与掌子面或左右两边墙,而检波器可分别布设在左右两边墙,对各观测方式采集的地震记录的炮点检波点位置分别形成观测方式矩阵,采用 one-hot编码的形式标记炮点与检波点位置。该向量共四类,分别对应左边墙激发左边墙接收,右边墙激发右边墙接收,掌子面激发左边墙接收和掌子面激发右边墙接收。在有钻孔先验信息的情况下,生成与波速模型大小相同的、对应钻孔位置与波速的钻孔波速矩阵。
步骤S3,如图2所示,构建隧道反演深度神经网络模型,网络的输入为地震观测数据与实际工况信息,输出为预测波速模型。所述隧道反演深度神经网络模型包括四个特征编码器与一个特征解码器。四个编码器的输入分别为左边墙激发左边墙接收、右边墙激发右边墙接收、掌子面激发左边墙接收和掌子面激发右边墙接收得到的观测数据,将施工环境矩阵、观测方式矩阵作为额外的两个通道与输入的地震观测数据共同输入四个编码器中。将隧道工程地质环境向量作为网络的另一个输入通过全连接结构与特征解码器拼接。
每个特征编码器由全局特征编码器、邻域信息编码器两部分组成,输入网络的观测数据分别输入以上两部分,两部分的输出拼接后输入特征解码器。以上两部分对观测数据残差分别进行基于单炮单道地震记录及其相邻道记录上的卷积操作提取该道记录的邻域信息,基于单炮地震记录上的卷积操作提取该道集记录的全局信息。
值得注意的是,全局特征编码器的网络参数不随输入数据的不同而改变。整个特征编码器可以有效提取观测数据残差中反映地质结构的大尺度信息(如地质结构类型、地层分层情况等)与细节结构。如上文所述,全局特征编码器由6层依次级联的卷积结构组成。邻域信息编码器由3层依次级联的卷积结构组成。
特征解码器由6层依次级联的卷积结构组成,第4层卷积结构为 4个并行的卷积层。特征解码器的输出为整个隧道反演深度神经网络模型最终的输出,即预测波速模型。
通过隧道反演数据库对隧道反演深度神经网络模型进行包含波速模型标签的有监督形式的预训练,初步确定网络参数;
步骤S4,基于深度神经网络构建波动方程正演网络模型,该网络用于后续两个优化反演结果的训练阶段对隧道反演深度神经网络模型最终的输出进行地震波场正演模拟,得到与预测波速模型对应的地震观测数据。
在时间-空间域中,一维常密度声波波动方程为:
这里,t和z分别表示时间和深度,u表示声波场,v表示声波波速。声波方程离散化后可表示为:
un+1=Gun-un-1+sn+1
这里,u表示离散化后的声波波场,G表示正演算子,s表示离散化后的震源波场,n表示某一时刻。地震波场随时间传播的过程是一个基于正演算子G的迭代过程,即当前时刻的波场可由前两个时刻的波场计算获得。正演过程可分解为计算地震波场的Laplace值以及矩阵相应元素间的加减乘除等简单运算。其中,波场Laplace值的计算通过深度神经网络中常用的卷积操作进行。该网络层由前两个时刻的地震波场un-1和un为输入,通过引入当前时刻的震源波场sn+1便可获得后一时刻的波场un+1以及相应的观测数据dn+1。其中M表示海绵吸收边界条件,圆圈和六边形等图形表示的运算与上述声波方程离散化后公式中的一致。将每个时间步上的地震波场传播运算作为一层深度神经网络,以地震波速模型作为该深度神经网络的可训练参数,以波场传播过程中的卷积运算和矩阵相应元素间的简单运算作为网络的内部运算过程,实现波动方程正演网络模型的构建。
以上操作均具有天然的并行性,基于深度学习平台Pytorch实现上述正演过程的并行计算,大幅加速地震正演计算过程。
步骤S5建立网络更新同步隧道开挖的反演优化方式,利用开挖揭露结果重新自动设计隧道波速模型并生成对应观测数据,替代隧道反演数据库中之前设计的波速模型,实现隧道反演数据库中标签数据的更新,并且随隧道开挖进行,随挖随探,利用新探得的现场噪声数据与地震观测数据扩充隧道反演数据库。隧道反演数据库由最初的全部有波速模型标签的数据库转变为部分无标签的半监督数据库,并最终逐步接近无监督数据库。用该数据库对隧道反演神经网络采用地震波正演物理驱动的方式进行几轮附加训练以对网络参数进行调整,该训练过程会随探测的进行、数据库的扩充逐步无监督化;
备份上述优化后得到的当前开挖阶段的基本网络参数。进一步用隧道开挖当前位置的观测数据进行单独的迭代优化以确定隧道施工当前位置探测数据反映的前方波速状况,采用该单个数据对网络参数进行迭代更新,生成当前位置隧道前方探测区域的速度分布。在下次开挖、探测前还原到备份的基本网络参数。
S3与S5中整个反演方法所用的损失函数包括波速模型损失函数 Lm与观测数据损失函数Ld。Lm用于拟合网络输出的预测波速模型与实际波速模型,Lm定义为网络输出的预测波速模型与实际隧道波速模型的均方误差(MSE):
这里,mest表示隧道反演深度神经网络模型输出的预测模型波速, mtru表示隧道反演数据库中的实际波速模型,nx和nz表示波速模型的横向和纵向大小。Ld用于拟合实际观测数据与正演网络输出的预测观测数据,定义为:
其中,dsyn和dobs分别表示真实观测数据和无监督反演网络输出的预测模型的模拟观测数据,nt,nr,ns分别表示观测数据的时间步数,检波器数和震源数。
隧道反演深度神经网络模型训练的不同阶段利用不同损失函数梯度回传更新网络参数。在网络参数预训练阶段通过有监督方式训练,采用Lm作为损失函数;网络在扩充后的隧道反演数据库上训练的阶段通过半监督方式训练,采用Lm与Ld作为损失函数;网络在隧道施工的当前位置的单个观测数据上训练采用Ld作为损失函数。
S3与S5中总共三个阶段的训练过程如图4所示。各阶段均采用 Adam优化器,学习率保持1×10-4不变,解码器中的Dropout比例为20%。在网络预训练阶段和在扩充后的数据集上训练阶段 Batchsize为30,总迭代轮数分别为100与40,网络在隧道施工的当前位置的单个观测数据上训练阶段迭代轮数为1000。其中,基于波动方程正演网络模型的地震波场正演采用时间二阶空间十阶的有限差分格式。本实施例使用了10块24G显存的NVIDIATITAN RTX 显卡。
步骤S6,将训练好的隧道反演深度神经网络模型在测试集上测试反演效果。测试集上的部分结果如图5 所示。测试结果说明,基于深度学习的隧道地震波速反演方法能较好的完成隧道掌子面前方波速反演任务。
步骤S7,利用通过测试的隧道反演深度神经网络模型来进行前方隧道地震波速反演任务,得到预测结果,并进行解释分析。
当然,在其他实施例中,上述实施例的各个参数可以根据具体情况进行调整。
在部分实施例中,可以省略步骤S6,直接利用训练优化好的隧道反演深度神经网络模型来进行前方隧道地震波速反演任务,得到预测结果,并进行解释分析。
还提供一种典型的产品实施例,一种基于深度学习的隧道地震波速反演系统,包括:
隧道反演数据库构建模块,被配置为基于现场地质勘探报告自动设计大量隧道前方波速模型,通过数值模拟获得对应的地震观测数据,并获取大量现场采集的噪声信号,最终获得符合现场特征的含噪地震数据与地质模型波速模型,构成隧道反演数据库,这些波速模型作为隧道反演深度神经网络模型预训练的标签数据;
先验信息编码模块,被配置为对隧道当前施工标段的地层岩性、隧道埋深、地质构造、围岩等级进行编码,组成隧道工程地质环境向量。在当前施工环境中获得空采噪声,并采集地震数据估算信噪比,对不同大小的噪声信息进行编码,形成环境噪声矩阵。对不同边墙观测系统的布设形式信息进行编码,形成观测方式矩阵。在有钻孔先验信息的情况下,生成包含钻孔位置与波速信息的钻孔波速矩阵;
预测波速模型构建模块,被配置为构建隧道反演深度神经网络模型,网络的输入为地震观测数据与实际工况信息,输出为预测波速模型。将隧道工程地质环境向量作为网络的另一个输入通过全连接结构嵌入上述网络结构中,将施工环境矩阵、观测方式矩阵作为额外的两个通道与输入的地震观测数据共同输入网络。对于钻孔信息,网络的输出与钻孔波速矩阵计算损失函数用于更新网络参数。通过隧道反演数据库对隧道反演深度神经网络模型进行包含波速模型标签的有监督形式的预训练,初步确定网络参数;
转化模块,被配置为构建地震波正演网络,与隧道反演深度神经网络模型拼接,地震波正演网络可以将反演方网络输出的预测波速模型转化为对应的预测观测数据;
同步优化模块,被配置为建立网络更新同步隧道开挖的反演优化方式,随隧道开挖进行,利用开挖揭露结果重新自动设计隧道波速模型并生成对应观测数据,替代隧道反演数据库中之前设计的波速模型,实现隧道反演数据库中标签数据的更新,并且随挖随探,利用新探得的现场噪声数据与地震观测数据扩充隧道反演数据库。隧道反演数据库由最初的全部有波速模型标签的数据库转变为部分无标签的半监督数据库,并最终逐步接近无监督数据库。用该数据库对隧道反演神经网络采用地震波正演物理驱动的方式进行几轮附加训练以对网络参数进行调整,该训练过程会随探测的进行、数据库的扩充逐步无监督化;
精确优化模块,被配置为备份上述优化后得到的当前开挖阶段的基本网络参数。进一步用隧道开挖当前位置的观测数据进行单独的迭代优化以确定隧道施工当前位置探测数据反映的前方波速状况,采用该单个数据对网络参数进行迭代更新,生成当前位置隧道前方探测区域的速度分布。在下次开挖、探测前还原到备份的基本网络参数。
当然,在其他实施例中,可以对上述模块进行调整或增加、删除部分模型。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (17)
1.一种基于深度学习的隧道地震波速反演方法,其特征是:包括以下步骤:
利用预先构建的隧道反演数据库对隧道反演深度神经网络模型进行包含波速模型标签的有监督形式的预训练,初步确定网络模型参数;
分别对隧道当前施工标段的地质环境、噪声信息和观测系统布设方式进行编码,形成隧道工程地质环境向量、环境噪声矩阵和观测方式矩阵;在有钻孔先验信息的情况下,生成包含钻孔位置与波速信息的钻孔波速矩阵;
具体的,对隧道当前施工标段的地质环境进行编码时,对地层岩性、隧道埋深、地质构造和围岩等级进行综合编码,各采用一具体数值表示,地层岩石密度越大、隧道越深、存在地质构造数量越少、围岩等级越高,各自对应的数值越大,几个数值共同形成隧道工程地质环境向量;
对隧道当前施工标段的噪声信息进行编码时,选取基准值,根据基准值量化各道数据信噪比大小,各道对应的编码数值共同组成施工环境噪声矩阵;
将所述施工环境噪声矩阵、观测方式矩阵作为额外的两个通道与地震观测数据共同输入隧道反演深度神经网络模型,所述隧道工程地质环境向量为隧道反演深度神经网络模型的另一输入,以隧道反演深度神经网络模型输出的预测波速模型与钻孔波速矩阵计算损失函数以优化更新网络参数;
所述隧道反演深度神经网络模型,用于建立地震观测数据到波速模型的映射,具体包括多个特征编码器与一个特征解码器,将隧道工程地质环境向量作为网络的另一个输入通过全连接结构与特征解码器拼接,各个编码器的输入分别为不同观测方式得到的观测数据;
利用优化后的隧道反演深度神经网络模型进行隧道前方探测区域波速预测,得到预测波速模型;
利用波动方程正演网络模型对得到的预测波速模型进行地震波场正演模拟,将预测波速模型转化为对应的地震观测数据。
2.如权利要求1所述的一种基于深度学习的隧道地震波速反演方法,其特征是:隧道反演数据库的构建过程包括:利用已有地质勘探报告,构建隧道前方波速模型,通过数值模拟获得对应的地震观测数据,并结合隧道空采噪声信号,获得符合现场特征的含噪地震数据与波速模型,构成隧道反演数据库。
3.如权利要求2所述的一种基于深度学习的隧道地震波速反演方法,其特征是:在数值模拟时,对于各地震波速模型以固定的震源、检波器位置与观测时间进行数值模拟,并以相同的观测方式采集现场噪声信号添加到地震记录中。
4.如权利要求2所述的一种基于深度学习的隧道地震波速反演方法,其特征是:所述隧道前方波速模型的构建过程包括:
建立初始模型矩阵;
根据已有勘探数据,确定隧道待施工段落可能出现的地质形态、异常界面的倾角范围及出现概率、地质界面之间的距离范围及最小界面距离,根据报告中岩性的分布确定不同波速段出现的概率;
根据已有勘探数据,按照所述异常界面的出现概率,选取地震波速模型界面的数量、界面位置和波速模型界面角度,随机产生满足需要相邻保障界面位置距离大于最小界面距离的模型界面位置坐标;
根据选取的角度,和界面位置坐标及其三角函数关系,将掌子面远端区域赋值为其对应的层数;
根据不同波速段出现的概率,选定各区域波速分布出现的概率,用于为波速模型界面赋予的波速值,实现将模型矩阵每层的值赋成该层对应的层数序号,每层界面赋成相应的波速。
5.如权利要求4所述的一种基于深度学习的隧道地震波速反演方法,其特征是:将掌子面远端区域赋值时,当存在多层波速层时,从近端的波速层依次赋值。
6.如权利要求1所述的一种基于深度学习的隧道地震波速反演方法,其特征是:对隧道当前施工标段的观测系统布设方式进行编码时,考虑隧道探测中炮点布设于掌子面或左右两边墙,而检波器分别布设在左右两边墙,对各观测方式采集的地震记录的炮点检波点位置分别形成观测方式矩阵。
7.如权利要求1所述的一种基于深度学习的隧道地震波速反演方法,其特征是:所述的编码器包括全局特征编码器和邻域信息编码器,所述全局特征编码器由6层依次级联的卷积结构组成,邻域信息编码器由3层依次级联的卷积结构组成,地震观测数据分别输入全局特征编码器和邻域信息编码器,全局特征编码器和邻域信息编码器的输出拼接后输入特征解码器。
8.如权利要求7所述的一种基于深度学习的隧道地震波速反演方法,其特征是:所述的特征解码器包括6层依次级联的卷积结构,其中第4层卷积结构为4个并行的卷积层。
9.如权利要求1所述的一种基于深度学习的隧道地震波速反演方法,其特征是:以隧道反演深度神经网络模型输出的预测波速模型与钻孔波速矩阵计算损失函数的具体过程包括:
所述损失函数包括波速模型损失函数与观测数据损失函数,其中,波速模型损失函数中包含钻孔约束项,用于拟合预测波速模型在对应钻孔位置处的速度值与钻孔实测波速值;
所述观测数据损失函数,用于拟合实际观测数据与正演网络输出的预测观测数据。
10.如权利要求9所述的一种基于深度学习的隧道地震波速反演方法,其特征是:在隧道反演深度神经网络模型训练的不同阶段利用不同损失函数梯度回传更新网络参数,在利用隧道反演数据库通过半监督方式训练隧道反演深度神经网络模型时,采用波速模型损失函数与观测数据损失函数;在隧道施工的当前位置的单个观测数据的训练优化过程中,采用观测数据损失函数。
11.如权利要求1所述的一种基于深度学习的隧道地震波速反演方法,其特征是:优化更新网络参数时,利用同步隧道开挖、同步更新隧道反演深度神经网络模型参数的优化方式。
12.如权利要求11所述的一种基于深度学习的隧道地震波速反演方法,其特征是:优化更新网络参数的具体过程包括,利用开挖揭露结果,构建隧道波速模型并生成对应观测数据,替代隧道反演数据库中已有波速模型,对隧道反演数据库中标签数据更新,利用施工进程中新获取的现场噪声数据与地震观测数据扩充隧道反演数据库,使隧道反演数据库由最初的全部有波速模型标签的数据库转变为部分无标签的半监督数据库,并最终逐步接近无监督数据库。
13.如权利要求11或12所述的一种基于深度学习的隧道地震波速反演方法,其特征是:利用隧道开挖当前位置的观测数据进行单独的迭代优化,以确定隧道施工当前位置探测数据反映的前方波速状况,采用单个数据对网络参数进行迭代更新,生成当前位置隧道前方探测区域的速度分布,存储每次优化后得到的当前开挖阶段的基本网络参数。
14.如权利要求1所述的一种基于深度学习的隧道地震波速反演方法,其特征是:所述波动方程正演网络模型的构建过程包括:在时间-空间域中,对常密度声波波动方程进行离散化处理,地震波场随时间传播的过程基于离散化处理后的方程中正演算子的迭代过程;将每个时间步上的地震波场传播运算作为一层深度神经网络,以地震波速模型作为该深度神经网络的可训练参数,以波场传播过程中的卷积运算和矩阵相应元素间的简单运算作为网络的内部运算过程,实现波动方程正演网络模型的构建。
15.一种基于深度学习的隧道地震波速反演系统,其特征是:包括:
反演模型初步训练模块,被配置为利用预先构建的隧道反演数据库对隧道反演深度神经网络模型进行包含波速模型标签的有监督形式的预训练,初步确定网络模型参数;
先验信息编码模块,被配置为分别对隧道当前施工标段的地质环境、噪声信息和观测系统布设方式进行编码,形成隧道工程地质环境向量、环境噪声矩阵和观测方式矩阵;在有钻孔先验信息的情况下,生成包含钻孔位置与波速信息的钻孔波速矩阵;
具体的,对隧道当前施工标段的地质环境进行编码时,对地层岩性、隧道埋深、地质构造和围岩等级进行综合编码,各采用一具体数值表示,地层岩石密度越大、隧道越深、存在地质构造数量越少、围岩等级越高,各自对应的数值越大,几个数值共同形成隧道工程地质环境向量;
对隧道当前施工标段的噪声信息进行编码时,选取基准值,根据基准值量化各道数据信噪比大小,各道对应的编码数值共同组成施工环境噪声矩阵;
反演模型同步优化模块,被配置为将所述施工环境噪声矩阵、观测方式矩阵作为额外的两个通道与地震观测数据共同输入隧道反演深度神经网络模型,所述隧道工程地质环境向量为隧道反演深度神经网络模型的另一输入,以隧道反演深度神经网络模型输出的预测波速模型与钻孔波速矩阵计算损失函数以优化更新网络参数;
所述隧道反演深度神经网络模型,用于建立地震观测数据到波速模型的映射,具体包括多个特征编码器与一个特征解码器,将隧道工程地质环境向量作为网络的另一个输入通过全连接结构与特征解码器拼接,各个编码器的输入分别为不同观测方式得到的观测数据;
预测模块,被配置为利用优化后的隧道反演深度神经网络模型进行隧道前方探测区域波速预测,得到预测波速模型;
转化模块,被配置为利用波动方程正演网络模型对得到的预测波速模型进行地震波场正演模拟,将预测波速模型转化为对应的地震观测数据。
16.一种计算机可读存储介质,其特征是:其中存储有多条指令,所述指令适于由终端设备的处理器加载并执行权利要求1-14中任一项所述的方法的步骤。
17.一种终端设备,其特征是:包括处理器和计算机可读存储介质,处理器用于实现各指令;计算机可读存储介质用于存储多条指令,所述指令适于由处理器加载并执行权利要求1-14中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111376321.8A CN114035228B (zh) | 2021-11-19 | 2021-11-19 | 一种基于深度学习的隧道地震波速反演方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111376321.8A CN114035228B (zh) | 2021-11-19 | 2021-11-19 | 一种基于深度学习的隧道地震波速反演方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114035228A CN114035228A (zh) | 2022-02-11 |
CN114035228B true CN114035228B (zh) | 2023-03-10 |
Family
ID=80144980
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111376321.8A Active CN114035228B (zh) | 2021-11-19 | 2021-11-19 | 一种基于深度学习的隧道地震波速反演方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114035228B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115060769B (zh) * | 2022-06-07 | 2024-04-02 | 深圳大学 | 一种基于智能反演的隧道围岩裂隙及松动检测方法、系统 |
CN115480306B (zh) * | 2022-08-04 | 2024-04-26 | 山东大学 | 一种基于深度学习的隧道全波形反演优化方法及系统 |
CN115453616A (zh) * | 2022-08-04 | 2022-12-09 | 山东大学 | 基于深度学习的隧道地震勘探数据增强方法及系统 |
CN117233840B (zh) * | 2023-11-15 | 2024-02-20 | 中国电建集团西北勘测设计研究院有限公司 | 一种基于地震波的地下洞室全空间超前地质预报方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111562611A (zh) * | 2020-04-08 | 2020-08-21 | 山东大学 | 基于波动方程驱动的半监督深度学习地震数据反演方法 |
CN111781576A (zh) * | 2019-10-09 | 2020-10-16 | 山东大学 | 一种基于深度学习的探地雷达智能反演方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10242126B2 (en) * | 2012-01-06 | 2019-03-26 | Technoimaging, Llc | Method of simultaneous imaging of different physical properties using joint inversion of multiple datasets |
US10996372B2 (en) * | 2017-08-25 | 2021-05-04 | Exxonmobil Upstream Research Company | Geophysical inversion with convolutional neural networks |
CN113431635B (zh) * | 2021-05-20 | 2022-06-10 | 上海交通大学 | 半监督的盾构隧道掌子面地质类型预估方法及系统 |
-
2021
- 2021-11-19 CN CN202111376321.8A patent/CN114035228B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111781576A (zh) * | 2019-10-09 | 2020-10-16 | 山东大学 | 一种基于深度学习的探地雷达智能反演方法 |
CN111562611A (zh) * | 2020-04-08 | 2020-08-21 | 山东大学 | 基于波动方程驱动的半监督深度学习地震数据反演方法 |
Non-Patent Citations (2)
Title |
---|
Seismic data inversion with acquisition adaptive convolutional neural network for geologic forward prospecting in tunnels;Yuxiao Ren et al.;《GEOPHYSICS》;20211031;第86卷(第5期);第R659-R670页 * |
地震波速无监督深度学习反演方法及其在隧道超前探测中的应用;任玉晓;《中国优秀博硕士学位论文全文数据库(博士) 工程科技II辑》;20211015(第10期);第62-90、111-121页 * |
Also Published As
Publication number | Publication date |
---|---|
CN114035228A (zh) | 2022-02-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114035228B (zh) | 一种基于深度学习的隧道地震波速反演方法及系统 | |
USRE49507E1 (en) | Faulted geological structures having unconformities | |
US11180975B2 (en) | Geologic structural model generation | |
US11175434B2 (en) | Geologic stratigraphy via implicit and jump functions | |
EP2629123B1 (en) | Simulation model optimization | |
RU2321064C2 (ru) | Способ построения обратимой трехмерной гидродинамической модели земли, калибруемой в реальном времени в процессе бурения | |
US10768324B2 (en) | Method to predict pore pressure and seal integrity using full wavefield inversion | |
US20140222403A1 (en) | Geologic model via implicit function | |
US11828894B2 (en) | Multi-scale unsupervised seismic velocity inversion method based on autoencoder for observation data | |
EP3371629B1 (en) | Representing structural uncertainty in a mesh representing a geological environment | |
CN113740901B (zh) | 基于复杂起伏地表的陆上地震数据全波形反演方法及装置 | |
US20190243017A1 (en) | Geologic Structural Model Generation | |
WO2016187238A1 (en) | Auto-validating earth interpretation and modeling system | |
US11209572B2 (en) | Meshless and mesh-based technique for modeling subterranean volumes | |
WO2023130074A1 (en) | Geologic modeling framework | |
CN112649893B (zh) | 一种面向薄储层的多资料多参数融合建模方法及系统 | |
Chen et al. | Seismic ahead-prospecting based on deep learning of retrieving seismic wavefield | |
US20240141774A1 (en) | Hydraulic fracturing framework | |
WO2024064657A1 (en) | Geologic modeling framework | |
WO2024064126A1 (en) | Geologic modeling framework | |
CN117665932A (zh) | 基于隧道三维地震波数据潜在空间特征的波速反演方法 |
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 |