CN114706119B - 基于卷积神经网络深度学习的反射波形反演方法和系统 - Google Patents

基于卷积神经网络深度学习的反射波形反演方法和系统 Download PDF

Info

Publication number
CN114706119B
CN114706119B CN202210357986.2A CN202210357986A CN114706119B CN 114706119 B CN114706119 B CN 114706119B CN 202210357986 A CN202210357986 A CN 202210357986A CN 114706119 B CN114706119 B CN 114706119B
Authority
CN
China
Prior art keywords
training
model
initial
velocity model
neural network
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
Application number
CN202210357986.2A
Other languages
English (en)
Other versions
CN114706119A (zh
Inventor
王彦飞
吴毓朗
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Institute of Geology and Geophysics of CAS
Original Assignee
Institute of Geology and Geophysics of CAS
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Institute of Geology and Geophysics of CAS filed Critical Institute of Geology and Geophysics of CAS
Priority to CN202210357986.2A priority Critical patent/CN114706119B/zh
Publication of CN114706119A publication Critical patent/CN114706119A/zh
Application granted granted Critical
Publication of CN114706119B publication Critical patent/CN114706119B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G01V1/282—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
    • 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
    • G01V1/36—Effecting static or dynamic corrections on records, e.g. correcting spread; Correlating seismic signals; Eliminating effects of unwanted energy
    • G01V1/362—Effecting static or dynamic corrections; Stacking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V2210/00—Details of seismic processing or analysis
    • G01V2210/50—Corrections or adjustments related to wave propagation
    • G01V2210/51—Migration
    • 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)
  • Data Mining & Analysis (AREA)
  • Geology (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Environmental & Geological Engineering (AREA)
  • Acoustics & Sound (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Geophysics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种基于卷积神经网络深度学习的反射波形反演方法和系统，包括：对原始地震数据进行预处理，得到初始速度模型；区块化步骤：通过将初始速度模型区块化为空间相关且连接不相交的特征集，创建速度模型基；基于速度模型基，生成训练集；基于训练集对预设卷积神经网络进行训练，得到训练之后的卷积神经网络；以初始速度模型和初始逆时偏移图像作为输入，利用训练之后的卷积神经网络进行预测，得到预测速度模型；判断基于预测速度模型正演模拟的地震数据，与原始地震数据之间的误差是否小于预设阈值；如果否，则将预测速度模型作为新的初始速度模型，并返回执行区块化步骤。本发明缓解了现有技术中存在的预测的速度模型不准确的技术问题。

Description

基于卷积神经网络深度学习的反射波形反演方法和系统
技术领域
本发明涉及地震速度分析技术领域，尤其是涉及一种基于卷积神经网络深度学习的反射波形反演方法和系统。
背景技术
全波形反演(Full Waveform Inversion，FWI)可以看作是走时层析和偏移技术的组合。然而，传统的FWI无法准确估计更深地层的背景速度模型。通过分离层析成像和偏移分量，反射波形反演(Reflection waveform inversion，RWI)能够有效地利用走时层析分量来更新更深地层的背景速度模型。现有技术中，一般利用卷积神经网络(ConvolutionalNeural Networks，CNN)对背景速度模型进行预测，但是传统用于预测速度模型的CNN仅仅是经过一次训练和一次预测过程，因而得到的预测结果与真实速度模型误差依然较大。
发明内容
有鉴于此，本发明的目的在于提供一种基于卷积神经网络深度学习的反射波形反演方法和系统，以缓解现有技术中存在的预测的速度模型不准确的技术问题。
第一方面，本发明实施例提供了一种基于卷积神经网络深度学习的反射波形反演方法，包括：对原始地震数据进行预处理，得到初始速度模型；区块化步骤：通过将所述初始速度模型区块化为空间相关且连接不相交的特征集，创建速度模型基；基于所述速度模型基，生成训练集；所述训练集包括训练速度模型集和逆时偏移图像集；所述逆时偏移图像集为对所述训练速度模型集进行逆时偏移成像得到的图像集；基于所述训练集对预设卷积神经网络进行训练，得到训练之后的卷积神经网络；以所述初始速度模型和初始逆时偏移图像作为输入，利用所述训练之后的卷积神经网络进行预测，得到预测速度模型；所述初始逆时偏移图像为对所述初始速度模型进行逆时偏移成像得到的图像；判断基于所述预测速度模型正演模拟的地震数据，与所述原始地震数据之间的误差是否小于预设阈值；如果否，则将预测速度模型作为新的初始速度模型，并返回执行所述区块化步骤。
进一步地，所述区块化步骤包括：基于k均值聚类，将所述初始速度模型的网格点划分为两个不相交的聚类簇；分别确定每个聚类簇中网格点的最大空间相连区域，得到两个相连区域；基于网格点与所述两个相连区域的曼哈顿距离，将所述初始速度模型区块化为空间相关且连接不相交的两个子模型；对所述两个子模型分别进行递归区块化处理，得到所述特征集；基于所述特征集，创建所述速度模型基。
进一步地，基于网格点与所述两个相连区域的曼哈顿距离，将所述初始速度模型区块化为空间相关且连接不相交的两个子模型，包括：将所述初始速度模型的网格点划分为三个区域，分别为所述两个相连区域和第三区域；所述第三区域为所述初始速度模型的网格点中除所述两个相连区域内的网格点之外的所有网格点组成的区域；分别计算所述第三区域内的每个网格点与所述两个相连区域的曼哈顿距离；将所述第三区域内的网格点合并到曼哈顿距离最小的相连区域，得到所述两个子模型。
进一步地，基于所述速度模型基，生成训练集，包括：基于所述速度模型基的每个分量中速度的平均值和方差，创建所述训练速度模型集；对所述训练速度模型集中的每个训练速度模型进行逆时偏移成像，得到所述逆时偏移图像集；将所述训练速度模型集和所述逆时偏移图像集作为所述训练集。
进一步地，基于所述训练集对预设卷积神经网络进行训练，包括：基于所述训练集并通过迭代最小化目标损失函数的方式，对所述预设卷积神经网络进行训练；其中，所述目标损失函数包括：
Figure BDA0003582760430000031
G是所述预设卷积神经网络，w为所述预设卷积神经网络的参数化的权重，w*为所述训练之后的卷积神经网络的参数化的权重，m为所述训练集中训练速度模型的数量，
Figure BDA0003582760430000032
为第k个初始训练速度模型，
Figure BDA0003582760430000033
为第k个训练速度模型，
Figure BDA0003582760430000034
为第k个逆时偏移图像。
第二方面，本发明实施例还提供了一种基于卷积神经网络深度学习的反射波形反演系统，包括：预处理模块，区块化模块，生成模块，训练模块，预测模块和迭代模块；其中，所述预处理模块，用于对原始地震数据进行预处理，得到初始速度模型；所述区块化模块，用于通过将所述初始速度模型区块化为空间相关且连接不相交的特征集，创建速度模型基；所述生成模块，用于基于所述速度模型基，生成训练集；所述训练集包括训练速度模型集和逆时偏移图像集；所述逆时偏移图像集为对所述训练速度模型集进行逆时偏移成像得到的图像集；所述训练模块，用于基于所述训练集对预设卷积神经网络进行训练，得到训练之后的卷积神经网络；所述预测模块，用于以所述初始速度模型和初始逆时偏移图像作为输入，利用所述训练之后的卷积神经网络进行预测，得到预测速度模型；所述初始逆时偏移图像为对所述初始速度模型进行逆时偏移成像得到的图像；所述迭代模块，用于判断基于所述预测速度模型正演模拟的地震数据，与所述原始地震数据之间的误差是否小于预设阈值；如果否，则将预测速度模型作为新的初始速度模型，并返回执行所述区块化模块。
进一步地，所述区块化模块，还用于：基于k均值聚类，将所述初始速度模型的网格点划分为两个不相交的聚类簇；分别确定每个聚类簇中网格点的最大空间相连区域，得到两个相连区域；基于网格点与所述两个相连区域的曼哈顿距离，将所述初始速度模型区块化为空间相关且连接不相交的两个子模型；对所述两个子模型分别进行递归区块化处理，得到所述特征集；基于所述特征集，创建所述速度模型基。
进一步地，所述生成模块，还用于：基于所述速度模型基的每个分量中速度的平均值和方差，创建所述训练速度模型集；对所述训练速度模型集中的每个训练速度模型进行逆时偏移成像，得到所述逆时偏移图像集；将所述训练速度模型集和所述逆时偏移图像集作为所述训练集。
第三方面，本发明实施例还提供了一种电子设备，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计算机程序时实现上述第一方面所述的方法的步骤。
第四方面，本发明实施例还提供了一种具有处理器可执行的非易失的程序代码的计算机可读介质，所述程序代码使所述处理器执行上述第一方面所述方法。
本发明的目的在于提供一种基于卷积神经网络深度学习的反射波形反演方法和系统，通过应用所提出的区块化方法对上一次迭代中获得的CNN预测速度模型进行分区，以生成随机训练速度模型，从而制备训练速度模型；然后，在对最新生成的随机训练速度模型进行CNN训练后，应用CNN从初始速度模型和相应的初始逆时偏移图像中再次预测未知的真实速度模型。本发明通过上述方式，能够动态调整选择偏置训练速度模型，以从原始起始速度模型和相应的原始偏移图像逐渐预测更准确的速度模型，从而缓解了现有技术中存在的预测的速度模型不准确的技术问题。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式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，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种基于卷积神经网络深度学习的反射波形反演方法的流程图；
图2为本发明实施例提供的一种CNN-RWI的工作流的示意图；
图3为本发明实施例提供的一种基于卷积神经网络深度学习的反射波形反演系统的示意图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例一：
图1是根据本发明实施例提供的一种基于卷积神经网络深度学习的反射波形反演方法的流程图。如图1所示，该方法具体包括如下步骤：
步骤S102，对原始地震数据进行预处理，得到初始速度模型。
可选地，通过对原始地震数据进行反射走时层析或偏移速度分析(MigrationVelocity Analysis，MVA)处理，得到初始速度模型。
区块化步骤S104，通过将初始速度模型区块化为空间相关且连接不相交的特征集，创建速度模型基。
步骤S106，基于速度模型基，生成训练集；训练集包括训练速度模型集和逆时偏移图像集；逆时偏移图像集为对训练速度模型集进行逆时偏移成像得到的图像集。
步骤S108，基于训练集对预设卷积神经网络进行训练，得到训练之后的卷积神经网络。
步骤S110，以初始速度模型和初始逆时偏移图像作为输入，利用训练之后的卷积神经网络进行预测，得到预测速度模型；初始逆时偏移图像为对初始速度模型进行逆时偏移成像得到的图像。
步骤S112，判断基于预测速度模型正演模拟的地震数据，与原始地震数据之间的误差是否小于预设阈值；如果否，则将预测速度模型作为新的初始速度模型，并返回执行区块化步骤S104；如果是，则将预测速度模型作为输出结果。
本发明提供了一种基于卷积神经网络深度学习的反射波形反演方法，通过应用所提出的区块化方法对上一次迭代中获得的CNN预测速度模型进行分区，以生成随机训练速度模型，从而制备训练速度模型；然后，在对最新生成的随机训练速度模型进行CNN训练后，应用CNN从初始速度模型和相应的初始逆时偏移图像中再次预测未知的真实速度模型。本发明实施例提供的方法通过上述方式，能够动态调整选择偏置训练速度模型，以从原始起始速度模型和相应的原始偏移图像逐渐预测更准确的速度模型，从而缓解了现有技术中存在的预测的速度模型不准确的技术问题。
本发明实施例提供的基于卷积神经网络深度学习的反射波形反演(CNN-RWI)是一种迭代反演方法，用于应用CNN从初始速度模型和相应的初始逆时偏移图像重复预测速度模型。假设原始的初始速度模型是通过反射走时层析或基于偏移速度分析(MVA)从观测数据中获得的，相应的原始偏移成像可以通过逆时偏移(Reverse Time Migration，RTM)获得，即：
Figure BDA0003582760430000061
其中Us(x,t)和Ur(x,t)分别是传播到原始初始速度模型中的源波场和接收器波场，分别位于位置x和时间t的位置。T是最长旅行时间。
图2为根据本发明实施例提供的一种CNN-RWI的工作流的示意图。如图2所示，该工作流包含一个外部循环和一个内部循环。其中，外部循环在每次迭代时包含四个主要部分：训练速度模型的准备、CNN训练、CNN预测和误差评估。内部循环是CNN的迭代训练循环，用于迭代更新CNN以拟合训练速度模型。
CNN-RWI的一个关键新颖之处在于从先验的初始速度模型中准备训练速度模型。对于CNN-RWI的第一次迭代，最佳先验速度模型是原始初始速度模型，该模型通常通过从观测到的原始地震数据中经过预处理(例如，走时层析或MVA)来获得，以估计未知的真实速度模型。对于CNN-RWI的迭代过程，最佳先验速度模型将成为最新的CNN预测速度模型。
训练速度模型的准备包括两个主要过程：从先验模型生成模型基(Model basis)，以及从模型基生成训练速度模型。通过将先验的速度模型区块化(parcellating)为空间相关和连接不相交的特征集来创建模型基。然后，使用模型基创建训练速度模型。
具体的，区块化步骤S104包括如下步骤：
步骤S1041，基于k均值聚类，将初始速度模型的网格点划分为两个不相交的聚类簇。
步骤S1042，分别确定每个聚类簇中网格点的最大空间相连区域，得到两个相连区域。
步骤S1043，基于网格点与两个相连区域的曼哈顿距离，将初始速度模型区块化为空间相关且连接不相交的两个子模型。具体的，该步骤包括：
将初始速度模型的网格点划分为三个区域，分别为两个相连区域和第三区域；第三区域为初始速度模型的网格点中除两个相连区域内的网格点之外的所有网格点组成的区域；
分别计算第三区域内的每个网格点与两个相连区域的曼哈顿距离；
将第三区域内的网格点合并到曼哈顿距离最小的相连区域，得到两个子模型。
步骤S1044，对两个子模型分别进行递归区块化处理，得到特征集。
步骤S1045，基于特征集，创建速度模型基。
本发明实施例提供了一种空间约束、可分割的分层k均值区块化方法(parcellation method)，将速度模型作为模型基，将速度模型区块化为空间相关和连接不相交的特征集，此方法区块化的特征数量取决于图像的渐变。本发明实施例提供的区块化方法将k均值与区域增长相结合，形成分裂(自上而下)的层次结构。
最小特征大小的阈值为关键超参数，这是判断是否进一步细分特征的条件，此阈值在权衡每个特征的均匀性和最小尺寸方面起着关键作用。本发明实施例将阈值设置为最大化特征数量，这样就不会创建无意义的小散射区域。本发明实施例提供的区块化步骤的数学解释分为以下6个步骤：
步骤1、实施k均值聚类。
应用k-均值聚类(k＝2)将先验的初始速度模型V划分为两个不相交的聚类簇C1和C2，其中，V＝C1∪C2，
Figure BDA0003582760430000082
通过最小化下述损失函数获得两个不相交的聚类簇C1和C2：
Figure BDA0003582760430000081
其中，v(p)表示初始速度模型网格点p的速度，μi表示速度的平均值，单位为Ci。
k-均值聚类方法根据速度分布将初始速度模型V划分为聚类簇C1和C2，而不考虑空间关系和连接。因此，聚类簇C1和C2可能包括许多空间上不相关且互不相连的小区域，应避免在相应的地震数据中产生不需要的散射伪影。
步骤2、查找最大的区域。
通过独立计算每个聚类簇C1和C2中每个空间不相交区域的网格点数，将最大的空间相连区域分别选择为S1和S2。
步骤3、区域增长。
初始速度模型V被重新划分为三个不相交的簇V＝{S0,S1,S2}，其中，
Figure BDA0003582760430000091
和
Figure BDA0003582760430000092
而
Figure BDA0003582760430000093
然后，每个模型网格点p∈S0，合并为S1或S2，基于曼哈顿距离Dm，使得：
Figure BDA0003582760430000094
曼哈顿距离Dm(p,Si)，i∈{1,2}定义为(对于2-D模型)：
Figure BDA0003582760430000095
其中，x和y是水平和垂直坐标，s表示群集Si中的网格点(对于i∈{1,2})。
区域增长步长是通过数值上迭代合并分别与每个聚类簇S1和S2毗邻的模型网格点(p∈S0)实现的。
步骤4、将初始速度模型拆分为两个子模型。
在区域增长完成后，初始速度模型V最终被区块化成两个空间相关且连接不相交的子模型(S1和S2)：V＝S1∪S2，
Figure BDA0003582760430000096
步骤5和步骤6、递归区块化(Parcellate)子模型。
对空间相关和连接的不相交子模型S1和S2分别递归包化(区块化)，直到子模型大小(要分区的子模型中的网格点数)小于阈值(允许的最小特征大小)。
步骤7、将特征集另存为模型基的组件。
如果子模型大小(要分区的子模型中的格网点数)小于阈值(允许的最小特征大小)，则不会递归地对子模型进行区块化分配。相反，它将保存为模型基的组件(即它成为分层树中的叶节点)。
通过步骤1-6中的递归区块化，初始速度模型V将被区块化为许多空间相关且相互连接的不相交特征集(子模型)作为模型基：V＝{S1,S2,…,Sn}，其中，n是特征的数量，并且：
Figure BDA0003582760430000101
如果i≠j。
上述步骤1-6的算法描述(空间约束的分裂层次结构k-均值算法)：
开始：当模型的大小(网格点数)小于阈值时，将阈值设置为停止条件。
运行过程：空间约束的k-均值(模型)。
当模型大小≥阈值：
①基于速度模型分布，应用k＝2的k均值方法，将模型划分为两个聚类a和b。
②分别查找聚类a和b中的最大区域x和y。
③让区域x和y竞争以合并模型中的其他区域。
④根据区域x和y将模型拆分为子模型A和B。
⑤递归区块化，得到空间约束k均值(子模型A)。
⑥递归区块化，得到空间约束k均值(子模型B)。
结束。
⑦输出：将模型另存为叶节点(模型基的组件)。
结束运行过程。
具体的，步骤S106还包括如下步骤：
步骤S1061，基于速度模型基的每个分量中速度的平均值和方差，创建训练速度模型集。
步骤S1062，对训练速度模型集中的每个训练速度模型进行逆时偏移成像，得到逆时偏移图像集。
步骤S1063，将训练速度模型集和逆时偏移图像集作为训练集。
本发明实施例提供的方法在获得模型基{S1,S2,…,Sn}后，可以基于模型基的每个分量中速度的平均值E(Si)和方差Var(Si)创建训练速度模型：
Figure BDA0003582760430000102
和
Figure BDA0003582760430000111
其中，Ni是每个组件(parcel)Si中的网格点数。然后，随机训练速度模型集
Figure BDA0003582760430000112
(m是随机训练速度模型的数量)是通过分配随机值来获得的，该值是从模型基中组件的速度分布中得出的：
Figure BDA0003582760430000113
此处：
Figure BDA0003582760430000114
其中N表示正态分布。
为每个特征分配一个随机值，不仅可以增加训练速度模型的多样性，还可以创建具有许多不同同质层的训练速度模型(每个同质层具有均匀速度)。任意两个相邻同质层之间的速度对比在训练速度模型中创建具有不同反射率的反射体，这确保了相应的训练地震数据包含反射事件，就像观测到的数据一样。
在前面准备阶段创建训练速度模型后，训练地震数据通过相应的训练速度模型集
Figure BDA0003582760430000115
计算。接着，初始训练速度模型集
Figure BDA0003582760430000116
Figure BDA0003582760430000117
可以通过一致的预处理(例如，反射走时层析或MVA)获得，RTM图像集
Figure BDA0003582760430000118
可以通过逆时偏移(RTM)获得。因此，训练用的初始速度模型集
Figure BDA0003582760430000119
和训练用的RTM图像集
Figure BDA00035827604300001110
是从合成数据获得的，这与从观测数据获得原始初始速度模型V0和RTM图像I0的方式相同。
仿照原始处理方式以获得训练初始速度模型(例如，反射走时层析或MVA)有利于减少选择偏差，因为训练初始速度模型的获得方式与原始初始速度模型相同。但是，对于所有训练速度模型而言，这种模仿成本很高。本发明实施例中，应用高斯滤波器来模仿昂贵的反射走时层析或MVA，通过平滑训练速度模型来获得训练初始速度模型。
在训练数据集准备就绪后，训练初始速度模型V和训练RTM图像
Figure BDA0003582760430000121
就形成输入数据，训练CNN以准确再现训练速度模型
Figure BDA0003582760430000122
方法是最小化损失函数。
具体的，基于训练集并通过迭代最小化目标损失函数的方式，对预设卷积神经网络进行训练；其中，目标损失函数包括：
Figure BDA0003582760430000123
G是所述预设卷积神经网络，w为所述预设卷积神经网络的参数化的权重，w*为所述训练之后的卷积神经网络的参数化的权重，m为所述训练集中训练速度模型的数量，
Figure BDA0003582760430000124
为第k个初始训练速度模型，
Figure BDA0003582760430000125
为第k个训练速度模型，
Figure BDA0003582760430000126
为第k个逆时偏移图像。通过迭代最小化损失函数，CNN可以认为是在训练数据集中精确地逼近这个从
Figure BDA0003582760430000127
和
Figure BDA0003582760430000128
到
Figure BDA0003582760430000129
的映射。
在CNN预测中，原始初始速度模型V0和相应的RTM图像I0的组合被输入到训练得到的CNN来预测未知的真实速度模型：
Vp＝G(V0,I0；w*)
其中Vp是CNN的预测速度模型。
CNN预测速度模型Vp后，需要进行正演建模以获得相应的模拟地震数据来进行误差评估(例如，计算最小二乘数据残差)。与通过最小化每次迭代时的数据误差来更新速度模型的传统FWI不同，CNN-RWI计算数据误差用以间接评估CNN预测的速度模型Vp的精度。如果从CNN预测的速度模型Vp获得的数据误差不符合收敛条件(例如，最小数据误差的阈值)，则CNN预测的速度模型Vp将成为最新生成的先验模型，并进行打包以生成训练速度模型集，以供下一次迭代使用。
可选地，本发明实施例提供的方法中，CNN-RWI的另一个关键新颖之处在于，在外循环中的每次迭代中，基于最新的先验速度模型对训练数据集进行动态调整。最新的先验速度模型定义为第一次迭代时的原始初始速度模型V0，或在每次迭代中获得的CNN的预测速度模型Vp。
由于原始的初始速度模型包含不准确的先验信息内容(例如，不准确的背景速度)，因此在第一次迭代时，相应的训练速度模型集
Figure BDA0003582760430000131
是有选择倾向的，这是因为
Figure BDA0003582760430000132
是原始初始速度模型V0的良好表示，而非未知的真实速度模型Vt的表示。相反，在理想情况下，从训练速度模型集
Figure BDA0003582760430000133
获取训练用的初始速度模型集
Figure BDA0003582760430000134
和训练用的偏移图像集I的预处理过程可与从未知真实速度模型Vt获取原始初始速度模型V0和偏移图像I0的预处理过程高度一致。换言之，空间关系不像训练数据集
Figure BDA0003582760430000135
中的信息内容那样有选择倾向，因为前者与实际应用程序共享类似的预处理，但后者与实际数据集{V0,I0,Vt}中的信息内容不同。因此，通过最小化训练数据集中的损失函数以精确地逼近从
Figure BDA0003582760430000136
和
Figure BDA0003582760430000137
到
Figure BDA0003582760430000138
的映射，CNN就预测了未知速度模型Vp，该模型通常比原始初始速度模型V0更准确，但仍与未知的真实速度模型Vt相去甚远。然后，CNN-RWI动态调整训练数据集
Figure BDA0003582760430000139
方法是将上一次迭代中获得的最新CNN预测速度模型Vp作为最新的先验速度模型，为CNN训练创建新的模型基和相应的训练速度模型集
Figure BDA00035827604300001310
CNN-RWI的收敛依赖于这样的假设：CNN的预测速度模型Vp比训练速度模型集
Figure BDA00035827604300001311
更准确，后者表示的是在上一次迭代(或第一次迭代时的原始初始速度模型)获得的CNN的预测速度模型。该假设是合理的，因为原始速度模型V0和原始偏移图像I0输入到CNN以预测速度模型Vp，在每次迭代时，都是从观测到的数据获得的，而这些数据是从未知的真实速度模型Vt获得的。相比之下，CNN训练用的CNN输入数据(V和
Figure BDA00035827604300001312
)是从合成数据中获得的，这些数据是从训练速度模型集
Figure BDA00035827604300001313
计算得出的。因此，CNN的预测速度模型Vp将比训练速度模型集
Figure BDA00035827604300001314
更接近未知的真实速度模型Vt。
因此，在每次迭代时，这种训练速度模型的动态调整隐式地减少了训练速度模型集
Figure BDA00035827604300001315
的选择倾向，从而使CNN更能代表未知的真实速度模型。从而CNN通过隐式减少选择倾向，而不是像FWI那样最小化数据误差，从而更准确地逐步预测未知的真实速度模型Vp。
由以上描述可知，本发明实施例提供了一种基于卷积神经网络深度学习的反射波形反演方法，与常规的FWI、RWI、以及普通的基于CNN的用于预测速度模型的技术相比，本发明实施例提出的CNN-RWI具有以下优势：
首先，对于深层速度模型的反演，FWI和RWI算法主要是分别更新界面和背景速度，而CNN-RWI可以有效地更新二者。
其次，FWI和RWI都依赖于低频数据，使得旅行时差局限于半个周期内，以避免在数据拟合过程中周期跳跃；而CNN-RWI更倾向于高频数据以获得更高分辨率的偏移图像作为CNN输入数据，因为CNN-RWI不需要数据拟合程序。
第三，用于预测速度模型的常规CNN技术通常无法表示目标区未知的真实速度模型(因此表现出选择偏差)，相比之下，基于CNN的RWI结合了初始速度模型和偏移图像中的先验信息，以准确预测所有深度的速度模型。
实施例二：
图3为根据本发明实施例提供的一种基于卷积神经网络深度学习的反射波形反演系统的示意图。如图3所示，该系统包括：预处理模块10，区块化模块20，生成模块30，训练模块40，预测模块50和迭代模块60。
具体的，预处理模块10，用于对原始地震数据进行预处理，得到初始速度模型。可选地，通过对原始地震数据进行反射走时层析或偏移速度分析(Migration VelocityAnalysis，MVA)处理，得到初始速度模型。
区块化模块20，用于通过将初始速度模型区块化为空间相关且连接不相交的特征集，创建速度模型基。
生成模块30，用于基于速度模型基，生成训练集；训练集包括训练速度模型集和逆时偏移图像集；逆时偏移图像集为对训练速度模型集进行逆时偏移成像得到的图像集。
训练模块40，用于基于训练集对预设卷积神经网络进行训练，得到训练之后的卷积神经网络。
预测模块50，用于以初始速度模型和初始逆时偏移图像作为输入，利用训练之后的卷积神经网络进行预测，得到预测速度模型；初始逆时偏移图像为对初始速度模型进行逆时偏移成像得到的图像。
迭代模块60，用于判断基于预测速度模型正演模拟的地震数据，与原始地震数据之间的误差是否小于预设阈值；如果否，则将预测速度模型作为新的初始速度模型，并返回执行区块化模块20。
本发明提供了一种基于卷积神经网络深度学习的反射波形反演系统，通过应用所提出的区块化方法对上一次迭代中获得的CNN预测速度模型进行分区，以生成随机训练速度模型，从而制备训练速度模型；然后，在对最新生成的随机训练速度模型进行CNN训练后，应用CNN从初始速度模型和相应的初始逆时偏移图像中再次预测未知的真实速度模型。本发明通过上述方式，能够动态调整选择偏置训练速度模型，以从原始起始速度模型和相应的原始偏移图像逐渐预测更准确的速度模型，从而缓解了现有技术中存在的预测的速度模型不准确的技术问题。
可选地，区块化模块20，还用于：
基于k均值聚类，将初始速度模型的网格点划分为两个不相交的聚类簇；
分别确定每个聚类簇中网格点的最大空间相连区域，得到两个相连区域；
基于网格点与两个相连区域的曼哈顿距离，将初始速度模型区块化为空间相关且连接不相交的两个子模型；具体的，包括：将所述初始速度模型的网格点划分为三个区域，分别为所述两个相连区域和第三区域；所述第三区域为所述初始速度模型的网格点中除所述两个相连区域内的网格点之外的所有网格点组成的区域；分别计算所述第三区域内的每个网格点与所述两个相连区域的曼哈顿距离；将所述第三区域内的网格点合并到曼哈顿距离最小的相连区域，得到所述两个子模型；
对两个子模型分别进行递归区块化处理，得到特征集；
基于特征集，创建速度模型基。
具体的，生成模块30，还用于：
基于速度模型基的每个分量中速度的平均值和方差，创建训练速度模型集；
对训练速度模型集中的每个训练速度模型进行逆时偏移成像，得到逆时偏移图像集；
将训练速度模型集和逆时偏移图像集作为训练集。
具体的，训练模块40还用于：
基于训练集并通过迭代最小化目标损失函数的方式，对预设卷积神经网络进行训练；其中，目标损失函数包括：
Figure BDA0003582760430000161
G是预设卷积神经网络，w为预设卷积神经网络的参数化的权重，w*为训练之后的卷积神经网络的参数化的权重，m为训练集中训练速度模型的数量，
Figure BDA0003582760430000162
为第k个初始训练速度模型，
Figure BDA0003582760430000163
为第k个训练速度模型，
Figure BDA0003582760430000164
为第k个逆时偏移图像。
本发明实施例还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述实施例一中的方法的步骤。
本发明实施例还提供了一种具有处理器可执行的非易失的程序代码的计算机可读介质，程序代码使处理器执行上述实施例一中的方法。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各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，或者对其中部分或者全部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范围。

Claims (10)

1.一种基于卷积神经网络深度学习的反射波形反演方法，其特征在于，包括：
对原始地震数据进行预处理，得到初始速度模型；
区块化步骤：通过将所述初始速度模型区块化为空间相关且连接不相交的特征集，创建速度模型基；
基于所述速度模型基，生成训练集；所述训练集包括训练速度模型集和逆时偏移图像集；所述逆时偏移图像集为对所述训练速度模型集进行逆时偏移成像得到的图像集；
基于所述训练集对预设卷积神经网络进行训练，得到训练之后的卷积神经网络；
以所述初始速度模型和初始逆时偏移图像作为输入，利用所述训练之后的卷积神经网络进行预测，得到预测速度模型；所述初始逆时偏移图像为对所述初始速度模型进行逆时偏移成像得到的图像；
判断基于所述预测速度模型正演模拟的地震数据，与所述原始地震数据之间的误差是否小于预设阈值；
如果否，则将预测速度模型作为新的初始速度模型，并返回执行所述区块化步骤。
2.根据权利要求1所述的方法，其特征在于，所述区块化步骤包括：
基于k均值聚类，将所述初始速度模型的网格点划分为两个不相交的聚类簇；
分别确定每个聚类簇中网格点的最大空间相连区域，得到两个相连区域；
基于网格点与所述两个相连区域的曼哈顿距离，将所述初始速度模型区块化为空间相关且连接不相交的两个子模型；
对所述两个子模型分别进行递归区块化处理，得到所述特征集；
基于所述特征集，创建所述速度模型基。
3.根据权利要求2所述的方法，其特征在于，基于网格点与所述两个相连区域的曼哈顿距离，将所述初始速度模型区块化为空间相关且连接不相交的两个子模型，包括：
将所述初始速度模型的网格点划分为三个区域，分别为所述两个相连区域和第三区域；所述第三区域为所述初始速度模型的网格点中除所述两个相连区域内的网格点之外的所有网格点组成的区域；
分别计算所述第三区域内的每个网格点与所述两个相连区域的曼哈顿距离；
将所述第三区域内的网格点合并到曼哈顿距离最小的相连区域，得到所述两个子模型。
4.根据权利要求1所述的方法，其特征在于，基于所述速度模型基，生成训练集，包括：
基于所述速度模型基的每个分量中速度的平均值和方差，创建所述训练速度模型集；
对所述训练速度模型集中的每个训练速度模型进行逆时偏移成像，得到所述逆时偏移图像集；
将所述训练速度模型集和所述逆时偏移图像集作为所述训练集。
5.根据权利要求1所述的方法，其特征在于，基于所述训练集对预设卷积神经网络进行训练，包括：
基于所述训练集并通过迭代最小化目标损失函数的方式，对所述预设卷积神经网络进行训练；其中，所述目标损失函数包括：
Figure FDA0003582760420000021
G是所述预设卷积神经网络，w为所述预设卷积神经网络的参数化的权重，w*为所述训练之后的卷积神经网络的参数化的权重，m为所述训练集中训练速度模型的数量，
Figure FDA0003582760420000031
为第k个初始训练速度模型，
Figure FDA0003582760420000032
为第k个训练速度模型，
Figure FDA0003582760420000033
为第k个逆时偏移图像。
6.一种基于卷积神经网络深度学习的反射波形反演系统，其特征在于，包括：预处理模块，区块化模块，生成模块，训练模块，预测模块和迭代模块；其中，
所述预处理模块，用于对原始地震数据进行预处理，得到初始速度模型；
所述区块化模块，用于通过将所述初始速度模型区块化为空间相关且连接不相交的特征集，创建速度模型基；
所述生成模块，用于基于所述速度模型基，生成训练集；所述训练集包括训练速度模型集和逆时偏移图像集；所述逆时偏移图像集为对所述训练速度模型集进行逆时偏移成像得到的图像集；
所述训练模块，用于基于所述训练集对预设卷积神经网络进行训练，得到训练之后的卷积神经网络；
所述预测模块，用于以所述初始速度模型和初始逆时偏移图像作为输入，利用所述训练之后的卷积神经网络进行预测，得到预测速度模型；所述初始逆时偏移图像为对所述初始速度模型进行逆时偏移成像得到的图像；
所述迭代模块，用于判断基于所述预测速度模型正演模拟的地震数据，与所述原始地震数据之间的误差是否小于预设阈值；如果否，则将预测速度模型作为新的初始速度模型，并返回执行所述区块化模块。
7.根据权利要求6所述的系统，其特征在于，所述区块化模块，还用于：
基于k均值聚类，将所述初始速度模型的网格点划分为两个不相交的聚类簇；
分别确定每个聚类簇中网格点的最大空间相连区域，得到两个相连区域；
基于网格点与所述两个相连区域的曼哈顿距离，将所述初始速度模型区块化为空间相关且连接不相交的两个子模型；
对所述两个子模型分别进行递归区块化处理，得到所述特征集；
基于所述特征集，创建所述速度模型基。
8.根据权利要求6所述的系统，其特征在于，所述生成模块，还用于：
基于所述速度模型基的每个分量中速度的平均值和方差，创建所述训练速度模型集；
对所述训练速度模型集中的每个训练速度模型进行逆时偏移成像，得到所述逆时偏移图像集；
将所述训练速度模型集和所述逆时偏移图像集作为所述训练集。
9.一种电子设备，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，其特征在于，所述处理器执行所述计算机程序时实现上述权利要求1至5任一项所述的方法的步骤。
10.一种具有处理器可执行的非易失的程序代码的计算机可读介质，其特征在于，所述程序代码使所述处理器执行所述权利要求1-5任一项所述方法。
CN202210357986.2A 2022-04-06 2022-04-06 基于卷积神经网络深度学习的反射波形反演方法和系统 Active CN114706119B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210357986.2A CN114706119B (zh) 2022-04-06 2022-04-06 基于卷积神经网络深度学习的反射波形反演方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210357986.2A CN114706119B (zh) 2022-04-06 2022-04-06 基于卷积神经网络深度学习的反射波形反演方法和系统

Publications (2)

Publication Number Publication Date
CN114706119A CN114706119A (zh) 2022-07-05
CN114706119B true CN114706119B (zh) 2022-09-02

Family

ID=82172957

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210357986.2A Active CN114706119B (zh) 2022-04-06 2022-04-06 基于卷积神经网络深度学习的反射波形反演方法和系统

Country Status (1)

Country Link
CN (1) CN114706119B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20240024485A (ko) * 2022-08-17 2024-02-26 삼성전자주식회사 모델들에 의하여 공통으로 이용되는 정보에 기반하여 모델들을 구동하기 위한 전자 장치 및 그 방법
CN115616665B (zh) * 2022-09-30 2023-07-21 中国科学院地质与地球物理研究所 卷积神经网络的处理方法、装置和电子设备
CN117492079B (zh) * 2024-01-03 2024-04-09 中国海洋大学 基于TDS-Unet网络的地震速度模型重构方法、介质和设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111239802A (zh) * 2020-01-19 2020-06-05 中国海洋大学 基于地震反射波形和速度谱的深度学习速度建模方法
CN111723329A (zh) * 2020-06-19 2020-09-29 南京大学 一种基于全卷积神经网络的震相特征识别波形反演方法
CN112925012A (zh) * 2021-01-26 2021-06-08 中国矿业大学(北京) 地震全波形反演方法及装置
CN113406695A (zh) * 2021-05-31 2021-09-17 长江大学 基于层速度地震地质模型的地震反演方法及系统
CN113608258A (zh) * 2021-07-16 2021-11-05 长江大学 一种构建高分辨率波阻抗反演标签的自洽深度学习方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11409011B2 (en) * 2019-08-29 2022-08-09 Advanced Geophysical Technology Inc. Methods and systems for obtaining reconstructed low-frequency seismic data for determining a subsurface feature

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111239802A (zh) * 2020-01-19 2020-06-05 中国海洋大学 基于地震反射波形和速度谱的深度学习速度建模方法
CN111723329A (zh) * 2020-06-19 2020-09-29 南京大学 一种基于全卷积神经网络的震相特征识别波形反演方法
CN112925012A (zh) * 2021-01-26 2021-06-08 中国矿业大学(北京) 地震全波形反演方法及装置
CN113406695A (zh) * 2021-05-31 2021-09-17 长江大学 基于层速度地震地质模型的地震反演方法及系统
CN113608258A (zh) * 2021-07-16 2021-11-05 长江大学 一种构建高分辨率波阻抗反演标签的自洽深度学习方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于初至波走时层析成像的Tikhonov正则化与梯度优化算法;崔岩;《地球物理学报》;20150430;第58卷(第4期);全文 *

Also Published As

Publication number Publication date
CN114706119A (zh) 2022-07-05

Similar Documents

Publication Publication Date Title
CN114706119B (zh) 基于卷积神经网络深度学习的反射波形反演方法和系统
Du et al. Centroidal Voronoi tessellations: Applications and algorithms
Delignette-Muller et al. fitdistrplus: An R package for fitting distributions
Kabiljo et al. Social hash partitioner: a scalable distributed hypergraph partitioner
Bank et al. A new paradigm for parallel adaptive meshing algorithms
CN107688201B (zh) 基于rbm地震叠前信号聚类方法
Opitz Latent Gaussian modeling and INLA: A review with focus on space-time applications
CN112417169B (zh) 知识图谱的实体对齐方法、装置、计算机设备和存储介质
Bertsimas et al. Sparse convex regression
Ding et al. Performance evaluation of GPU-accelerated spatial interpolation using radial basis functions for building explicit surfaces
Morozov et al. Efficient delaunay tessellation through KD tree decomposition
US7188048B2 (en) Refining stochastic grid filter
Chojnacki et al. From FNS to HEIV: A link between two vision parameter estimation methods
Ehara et al. An adaptive strategy for sequential designs of multilevel computer experiments
CN109492697A (zh) 图片检测网络训练方法及图片检测网络训练装置
Akcin et al. Performance of artificial neural networks on kriging method in modeling local geoid
WO2015175053A2 (en) Decision guidance
Xu et al. Parallel and distributed asynchronous adaptive stochastic gradient methods
CN109323677A (zh) 改进布谷鸟搜索算法的圆度误差评定算法
CN115544719A (zh) 一种基于张量的流式计算系统一致性综合优化方法
Wang et al. Spatial automatic subgroup analysis for areal data with repeated measures
US20220189806A1 (en) Estimating heights of defects in a wafer
KR20190129422A (ko) 뉴럴 네트워크를 이용한 변분 추론 방법 및 장치
CN114428342A (zh) 基于MPI的Marchenko格林函数重构方法及系统
Hegland et al. A parallel solver for generalised additive models

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