CN115480306B - 一种基于深度学习的隧道全波形反演优化方法及系统 - Google Patents
一种基于深度学习的隧道全波形反演优化方法及系统 Download PDFInfo
- Publication number
- CN115480306B CN115480306B CN202210933015.8A CN202210933015A CN115480306B CN 115480306 B CN115480306 B CN 115480306B CN 202210933015 A CN202210933015 A CN 202210933015A CN 115480306 B CN115480306 B CN 115480306B
- Authority
- CN
- China
- Prior art keywords
- tunnel
- wave velocity
- gradient
- optimization
- observation mode
- 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
- 238000005457 optimization Methods 0.000 title claims abstract description 105
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000013135 deep learning Methods 0.000 title claims abstract description 44
- 230000008569 process Effects 0.000 claims abstract description 21
- 238000004364 calculation method Methods 0.000 claims abstract description 15
- 230000006870 function Effects 0.000 claims description 25
- 238000012549 training Methods 0.000 claims description 25
- 238000001514 detection method Methods 0.000 claims description 12
- 238000010276 construction Methods 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 8
- 239000013598 vector Substances 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 4
- 239000010410 layer Substances 0.000 description 17
- 238000010586 diagram Methods 0.000 description 7
- 239000002356 single layer Substances 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000004260 weight control Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013277 forecasting method Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- G01V1/282—Application of seismic models, synthetic seismograms
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Remote Sensing (AREA)
- General Physics & Mathematics (AREA)
- Geophysics (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geology (AREA)
- Environmental & Geological Engineering (AREA)
- Acoustics & Sound (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开了一种基于深度学习的隧道全波形反演优化方法及系统,包括:构建初始波速模型;通过正演模拟计算得到真实检波器观测方式下的梯度值;基于所述梯度值以及训练好的基于深度学习的隧道梯度优化网络,得到虚拟检波器观测方式下的梯度值;基于虚拟检波器观测方式下的梯度值对初始波速模型进行更新;重复上述过程,直到满足迭代收敛条件,得到界面优化反演结果;基于所述界面优化反演结果,以及训练好的基于深度学习的隧道波速模型重建网络,得到预测波速优化反演结果。本发明针对隧道全波形反演结果波速不准确的问题,提出了隧道波速模型重建网络方法,对全波形反演波速进行重构,获得较准确波速信息。
Description
技术领域
本发明涉及地球物理勘探技术领域,尤其涉及一种基于深度学习的隧道全波形反演优化方法及系统。
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。
隧道建设过程中可能会出现的突水突泥、塌方等地质灾害频发,严重影响隧道施工安全和进度。开展施工期隧道超前探测,提前探明掌子面前方不良地质体的分布情况是保障隧道施工安全的有效手段。
近年来,地球物理勘探方法在隧道超前探测中得到越来越广泛的应用。其中,地震波法因其对界面敏感且探测距离远,已成为最为常用的隧道地质探测方法之一。基于地震波法的隧道超前预报方法,通过成像获得界面位置及形态信息,而隧道界面位置准确性依赖隧道前方波速的较准确预测。因此需开展适用于隧道环境的地震波速获取方法研究。
全波形反演方法是目前国际上公认的能对地震波速进行较准确求取的反演方法。但由于该方法采用局部优化算法,若反演的初始模型设置不合理,初始模型模型中的大尺度构造信息不准确,极易导致反演陷入局部极小值,造成周波跳跃现象。此外,地震波类方法的探测精度受观测系统布置影响较大,地震观测系统的偏移距大小与覆盖次数决定了探测距离与反演精度。特别是在隧道地震波全波形反演时,隧道中观测系统的偏移距更小,数据信息量更少,反演更易陷入局部极值,波速求取的准确度与断层、破碎带等不良地质体的定位精度较差。
目前实现隧道全波形反演存在以下两个难题:
第一,隧道全波形反演界面准确性问题。当前隧道的全波形反演方法在隧道环境下中无法对地质界面进行准确刻画。传统全波形反演难以应用于隧道探测数据,隧道探测观测系统偏移距小,反演问题多解性强,造成反演结果中反射波界面的形态与位置不准确,其反演结果在较大偏移距处表现为弧状伪影,如何实现隧道小偏移距观测条件下反射界面的准确预测是提高隧道反演精度的关键。
第二,隧道全波形反演波速准确性问题。当前的全波形反演方法在隧道环境下中无法对地震波波速进行准确求取。由于观测数据中的有效反射信号少,反演中主要对界面区域波速进行更新,其它区域波速难以有效更新。如何获取准确的隧道波速模型成为隧道波速反演必须要解决的问题。
发明内容
为了解决上述问题,本发明提出了一种基于深度学习的隧道全波形反演优化方法及系统,针对隧道全波形反演界面准确性问题建立了隧道梯度优化网络方法,针对隧道全波形反演波速准确性问题提出了隧道波速模型重建网络,对隧道全波形反演波速结果进行优化,获得了与真实界面对应性较好的反演结果。
在一些实施方式中,采用如下技术方案:
一种基于深度学习的隧道全波形反演优化方法,包括:
构建初始波速模型;
通过正演模拟计算得到真实检波器观测方式下的梯度值;基于所述梯度值以及训练好的基于深度学习的隧道梯度优化网络,得到虚拟检波器观测方式下的梯度值;基于虚拟检波器观测方式下的梯度值对初始波速模型进行更新;重复上述过程,直到满足迭代收敛条件,得到界面优化反演结果;
基于所述界面优化反演结果,以及训练好的基于深度学习的隧道波速模型重建网络,得到预测波速优化反演结果。
可选地,所述真实检波器观测方式为在掌子面后方隧道边墙两侧激发震源,在震源后方、隧道边墙两侧布设检波器进行观测的方式;
所述虚拟检波器观测方式为在掌子面后方隧道边墙两侧激发震源,在隧道掌子面所在平面等距布设检波器进行观测的方式。
可选地,对基于深度学习的隧道梯度优化网络进行训练的过程包括:
针对实际探测中遇到的不同地质界面,分别生成相对应的地震波速模型;
对于每一种波速模型使,分别计算真实观测方式和虚拟观测方式下的梯度,形成梯队数据对,作为训练隧道梯度优化网络的数据集,对隧道梯度优化网络进行训练。
可选地,对隧道梯度优化网络进行训练时,计算梯度损失函数,更新隧道梯度优化网络参数,所述梯度损失函数具体为:
其中,f(xi)表示第i次迭代隧道梯度优化网络映射计算,xi表示第i次迭代的网络输入,yi表示i次迭代的网络预期输出标签,N为迭代次数。
可选地,分别计算真实观测方式和虚拟观测方式下的梯度,具体过程为:
基于波速模型,通过正演模拟求取真实观测方式下的地震数据记录;然后计算真实观测方式下的损失函数和梯度值;
基于波速模型,通过正演模拟求取虚拟观测方式下的地震数据记录;然后计算虚拟观测方式下的损失函数和梯度值。
可选地,所述基于深度学习的隧道波速模型重建网络包括编码器与解码器,对于网络输入的深度学习界面优化反演结果,通过编码器进行特征提取,获得其界面幅值及界面间位置信息中包含的真实模型波速信息,将数据编码为设定长度的向量,然后通过解码器对包含编码器提取信息的向量进行解码,获得波速优化反演结果。
可选地,构建界面优化反演结果与真实波速的数据对,作为训练隧道波速模型重建网络的数据集,对隧道波速模型重建网络进行训练。
可选地,对隧道波速模型重建网络进行训练时,计算波速损失函数,更新隧道波速模型重建网络参数,所述波速损失函数具体为:
其中,和Vi分别为波速优化结果和真实波速,对于第i对数据,x(k,r)和y(k,r)是两个相关的局部窗由k和r确定,k是从0到H×W的整数,r是对应不同尺度的常数;对于每个r有一个与之对应的λr权重控制相似性函数的重要性。
在另一些实施方式中,采用如下技术方案:
一种基于深度学习的隧道全波形反演优化系统,包括:
初始波速模型构建模块,用于构建初始波速模型;
波速模型优化反演模块,用于通过正演模拟计算得到真实检波器观测方式下的梯度值;基于所述梯度值以及训练好的基于深度学习的隧道梯度优化网络,得到虚拟检波器观测方式下的梯度值;基于虚拟检波器观测方式下的梯度值对初始波速模型进行更新;重复上述过程,直到满足迭代收敛条件,得到界面优化反演结果;
波速优化反演模块,用于基于所述界面优化反演结果,以及训练好的基于深度学习的隧道波速模型重建网络,得到预测波速优化反演结果。
在另一些实施方式中,采用如下技术方案:
一种终端设备,其包括处理器和存储器,处理器用于实现各指令;存储器用于存储多条指令,所述指令适于由处理器加载并执行上述的基于深度学习的隧道全波形反演优化方法。
与现有技术相比,本发明的有益效果是:
(1)本发明针对隧道地震波全波形反演界面不准确的问题,提出了虚拟观测方式思路,获得了界面形态准确的反演梯度;建立了隧道梯度优化网络,学习真实观测方式与虚拟观测方式反演梯度间的映射关系;将提出的梯度优化网络嵌入隧道全波形反演迭代流程中,实时优化反演梯度,获得了准确的反演界面。
(2)本发明针对隧道全波形反演结果波速不准确的问题,提出了隧道波速模型重建网络方法,对全波形反演波速进行重构,获得较准确波速信息。
本发明的其他特征和附加方面的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,或通过本方面的实践了解到。
附图说明
图1为本发明实施例中的基于深度学习的隧道全波形反演优化方法流程图;
图2为本发明实施例中的隧道梯度优化网络过程示意图;
图3为本发明实施例中的隧道梯度优化网络结构示意图;
图4为本发明实施例中的隧道波速模型重建网络过程示意图;
图5为本发明实施例中的隧道波速模型重建网络结构示意图;
图6为本发明实施例中的界面优化全波形反演结果示意图;
图7(a)和(b)为本发明实施例中的真实波速模型和波速优化反演结果示意图。
具体实施方式
应该指出,以下详细说明都是例示性的,旨在对本申请提供进一步的说明。除非另有指明,本发明使用的所有技术和科学术语具有与本申请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申请的示例性实施方式。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。
实施例一
在一个或多个实施方式中,公开了一种基于深度学习的隧道全波形反演优化方法,结合图1,具体包括如下过程:
(1)构建初始波速模型;
(2)界面优化反演过程,本实施例中,将隧道梯度优化网络嵌入全波形反演流程中,将每次迭代计算得到的反演梯度带入隧道梯度优化网络进行优化,使用优化后的梯度进行全波形反演更新,实现隧道全波形反演界面优化,具体过程如下:
(2-1)通过正演模拟计算得到真实检波器观测方式下的梯度值;
(2-2)基于所述梯度值以及训练好的基于深度学习的隧道梯度优化网络,得到虚拟检波器观测方式下的梯度值;
本实施例中,构建基于深度学习的隧道梯度优化网络,将真实观测方式梯度输入隧道梯度优化网络,得到相应的预测虚拟观测方式梯度。其中,真实检波器观测方式为现有常用隧道观测方式,即掌子面后方隧道边墙两侧激发震源,在震源后方、隧道边墙两侧布设检波器,其偏移距约为隧道宽度;虚拟检波器观测方式类似地表地震勘探方法,即震源位置与真实检波器观测方式一致,在隧道掌子面所在平面等距布设一列检波器,其偏移距为布设检波器列长度。
结合图3,基于深度学习的隧道梯度优化网络结构为全卷积神经网络,编码网络和解码网络均由卷积网络组成。首先将网络输入编码为一个高维向量,通过5×3的卷积核进行下采样,然后采用局部跳跃连接提取特征,最后通过上采样解码还原为网络输出。
本实施例将所有的真实检波器梯度输入网络,通过卷积层、残差卷积层、反卷积层、卷积加激活函数层,最终输出梯度优化网络结果,即预测的虚拟检波器梯度。
结合图2,对于基于深度学习的隧道梯度优化网络的优化过程具体如下:
根据隧道真实地质特点,针对实际探测中遇到的单层界面、双层界面、三层界面等地质界面,分别生成相对应的各类波速模型;
对于每一种波速模型,通过正演模拟求取真实观测方式和虚拟观测方式下的地震记录,分别计算真实观测方式和虚拟观测方式下的损失函数和梯度值,形成真实观测方式和虚拟观测方式下的梯度数据对;对梯度数据对以一定比例分为训练集与验证集,得到梯度优化网络数据库。
本实施例的数据库包含24000组梯度数据对用于训练,包含单层界面模型、双层界面模型、三层界面模型和断层模型,各6000组。数据集分配情况为20000组训练集,2000组验证集和2000组测试集。
利用数据库中的数据对隧道梯度优化网络进行训练,训练过程中计算梯度的均方误差损失函数(MSE),更新隧道梯度优化网络;通过隧道梯度优化网络构造真实观测方式梯度到虚拟观测方式梯度的映射,根据获取的真实观测方式梯度得到虚拟观测方式梯度,实现梯度优化。
其中,均方误差损失函数具体为:
其中,f(xi)表示第i次迭代隧道梯度优化网络映射计算,xi表示第i次迭代的网络输入,yi表示i次迭代的网络预期输出标签,N为迭代次数。
(2-3)基于虚拟检波器观测方式下的梯度值对初始波速模型进行更新;
(2-4)重复上述过程,直到满足迭代收敛条件,得到界面优化反演结果。
本实施例中,将隧道梯度优化网络嵌入全波形反演流程中,将每次迭代计算得到的反演梯度带入隧道梯度优化网络进行优化,使用优化后的梯度进行全波形反演更新,实现隧道全波形反演界面优化,生成深度学习界面优化反演结果;图6给出了界面优化全波形反演结果示意图。
(3)基于所述界面优化反演结果,以及训练好的基于深度学习的隧道波速模型重建网络,得到预测波速优化反演结果。
具体地,基于深度学习的隧道波速模型重建网络结构如图5所示,为全卷积神经网络,包括编码器与解码器,对于网络输入的深度学习界面优化反演结果,通过编码器进行特征提取,获得其界面幅值及界面间位置信息中包含的真实模型波速信息,最终将数据编码为长度1024的向量,而后通过解码器对包含编码器提取信息的向量进行解码,获得波速优化反演结果。
本实施例中将深度学习界面优化反演结果输入网络,通过四个下采样层、池化层、四个上采样层、跳跃连接,卷积层,最终输出预测的波速优化结果。其中,下采样层与池化层属于编码器,上采样层与跳跃连接属于解码器。
结合图4,对于隧道波速模型重建网络的训练过程具体包括:
构建反演结果和真实波速数据对,生成波速模型重建网络数据库;本实施例的数据库包含13600组梯度数据对用于训练,包含单层界面模型、双层界面模型、三层界面模型和断层模型,各3400组。数据集分配情况为12000组训练集,800组验证集和800组测试集。
利用数据库中的数据库中的数据对波速模型重建网络进行训练,训练过程中,对波速优化结果与真实波速模型计算波速损失函数,计算公式为:
其中,和Vi分别是波速优化结果和真实波速模型,对于第i对数据,x(k,r)和y(k,r)是两个相关的局部窗由k和r确定。其中,k是从0到H×W的整数,r是对应不同尺度的常数(如r=1是尺度1,r=2是尺度2)。
对于每个r有一个与之对应的λr权重控制相似性函数的重要性。最终通过损失函数更新波速模型重建网络的参数。
通过波速模型重建网络构造深度学习界面优化反演结果与波速优化反演结果的映射,图7(a)和(b)分别给出了真实波速模型和波速优化反演结果示意图,可以看出,通过可视化对比,波速优化反演结果与真实波速模型基本一致,说明此方法可以有效提取波速信息。
本实施例中,通过隧道波速模型重建网络构造深度学习界面优化反演结果与波速优化反演结果的映射,根据获取的深度学习界面优化反演结果得到波速优化反演结果,实现隧道全波形反演波速优化。
实施例二
在一个或多个实施方式中,公开了一种基于深度学习的隧道全波形反演优化系统,具体包括:
初始波速模型构建模块,用于构建初始波速模型;
波速模型优化反演模块,用于通过正演模拟计算得到真实检波器观测方式下的梯度值;基于所述梯度值以及训练好的基于深度学习的隧道梯度优化网络,得到虚拟检波器观测方式下的梯度值;基于虚拟检波器观测方式下的梯度值对初始波速模型进行更新;重复上述过程,直到满足迭代收敛条件,得到界面优化反演结果;
波速优化反演模块,用于基于所述界面优化反演结果,以及训练好的基于深度学习的隧道波速模型重建网络,得到预测波速优化反演结果。
需要说明的是,上述各模块的具体实现方式已经在实施例一中进行了详细的说明,此处不再详述。
实施例三
在一个或多个实施方式中,公开了一种终端设备,包括服务器,所述服务器包括存储器、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,所述处理器执行所述程序时实现实施例一中的基于深度学习的隧道全波形反演优化方法。为了简洁,在此不再赘述。
应理解,本实施例中,处理器可以是中央处理单元CPU,处理器还可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC,现成可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器可以包括只读存储器和随机存取存储器,并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如,存储器还可以存储设备类型的信息。
在实现过程中,上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。
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 (6)
1.一种基于深度学习的隧道全波形反演优化方法,其特征在于,包括:
构建初始波速模型;
通过正演模拟计算得到真实检波器观测方式下的梯度值;基于所述梯度值以及训练好的基于深度学习的隧道梯度优化网络,得到虚拟检波器观测方式下的梯度值;基于虚拟检波器观测方式下的梯度值对初始波速模型进行更新;重复上述过程,直到满足迭代收敛条件,得到界面优化反演结果;
其中,所述真实检波器观测方式为在掌子面后方隧道边墙两侧激发震源,在震源后方、隧道边墙两侧布设检波器进行观测的方式;所述虚拟检波器观测方式为在掌子面后方隧道边墙两侧激发震源,在隧道掌子面所在平面等距布设检波器进行观测的方式;
基于所述界面优化反演结果,以及训练好的基于深度学习的隧道波速模型重建网络,得到预测波速优化反演结果;
对基于深度学习的隧道梯度优化网络进行训练的过程包括:
针对实际探测中遇到的不同地质界面,分别生成相对应的地震波速模型;
对于每一种波速模型使,分别计算真实观测方式和虚拟观测方式下的梯度,形成梯队数据对,作为训练隧道梯度优化网络的数据集,对隧道梯度优化网络进行训练;对隧道梯度优化网络进行训练时,计算梯度损失函数,更新隧道梯度优化网络参数,所述梯度损失函数具体为:
其中,表示第i次迭代隧道梯度优化网络映射计算,/>表示第i次迭代的网络输入,/>表示i次迭代的网络预期输出标签,/>为迭代次数;
分别计算真实观测方式和虚拟观测方式下的梯度,具体过程为:
基于波速模型,通过正演模拟求取真实观测方式下的地震数据记录;然后计算真实观测方式下的损失函数和梯度值;
基于波速模型,通过正演模拟求取虚拟观测方式下的地震数据记录;然后计算虚拟观测方式下的损失函数和梯度值。
2.如权利要求1所述的一种基于深度学习的隧道全波形反演优化方法,其特征在于,所述基于深度学习的隧道波速模型重建网络包括编码器与解码器,对于网络输入的深度学习界面优化反演结果,通过编码器进行特征提取,获得其界面幅值及界面间位置信息中包含的真实模型波速信息,将数据编码为设定长度的向量,然后通过解码器对包含编码器提取信息的向量进行解码,获得波速优化反演结果。
3.如权利要求1所述的一种基于深度学习的隧道全波形反演优化方法,其特征在于,构建界面优化反演结果与真实波速的数据对,作为训练隧道波速模型重建网络的数据集,对隧道波速模型重建网络进行训练。
4.如权利要求3所述的一种基于深度学习的隧道全波形反演优化方法,其特征在于,对隧道波速模型重建网络进行训练时,计算波速损失函数,更新隧道波速模型重建网络参数,所述波速损失函数具体为:
其中,和/>分别为波速优化结果和真实波速,对于第i对数据,/>和/>是两个相关的局部窗由/>和/>确定,/>是从0到H×W的整数,/>是对应不同尺度的常数;对于每个/>有一个与之对应的/>权重控制相似性函数的重要性。
5.一种基于深度学习的隧道全波形反演优化系统,其特征在于,包括:
初始波速模型构建模块,用于构建初始波速模型;
波速模型优化反演模块,用于通过正演模拟计算得到真实检波器观测方式下的梯度值;基于所述梯度值以及训练好的基于深度学习的隧道梯度优化网络,得到虚拟检波器观测方式下的梯度值;基于虚拟检波器观测方式下的梯度值对初始波速模型进行更新;重复上述过程,直到满足迭代收敛条件,得到界面优化反演结果;
其中,所述真实检波器观测方式为在掌子面后方隧道边墙两侧激发震源,在震源后方、隧道边墙两侧布设检波器进行观测的方式;所述虚拟检波器观测方式为在掌子面后方隧道边墙两侧激发震源,在隧道掌子面所在平面等距布设检波器进行观测的方式;
波速优化反演模块,用于基于所述界面优化反演结果,以及训练好的基于深度学习的隧道波速模型重建网络,得到预测波速优化反演结果;
对基于深度学习的隧道梯度优化网络进行训练的过程包括:
针对实际探测中遇到的不同地质界面,分别生成相对应的地震波速模型;
对于每一种波速模型使,分别计算真实观测方式和虚拟观测方式下的梯度,形成梯队数据对,作为训练隧道梯度优化网络的数据集,对隧道梯度优化网络进行训练;对隧道梯度优化网络进行训练时,计算梯度损失函数,更新隧道梯度优化网络参数,所述梯度损失函数具体为:
其中,表示第i次迭代隧道梯度优化网络映射计算,/>表示第i次迭代的网络输入,/>表示i次迭代的网络预期输出标签,/>为迭代次数;
分别计算真实观测方式和虚拟观测方式下的梯度,具体过程为:
基于波速模型,通过正演模拟求取真实观测方式下的地震数据记录;然后计算真实观测方式下的损失函数和梯度值;
基于波速模型,通过正演模拟求取虚拟观测方式下的地震数据记录;然后计算虚拟观测方式下的损失函数和梯度值。
6.一种终端设备,其包括处理器和存储器,处理器用于实现各指令;存储器用于存储多条指令,其特征在于,所述指令适于由处理器加载并执行权利要求1-4任一项所述的基于深度学习的隧道全波形反演优化方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210933015.8A CN115480306B (zh) | 2022-08-04 | 2022-08-04 | 一种基于深度学习的隧道全波形反演优化方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210933015.8A CN115480306B (zh) | 2022-08-04 | 2022-08-04 | 一种基于深度学习的隧道全波形反演优化方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115480306A CN115480306A (zh) | 2022-12-16 |
CN115480306B true CN115480306B (zh) | 2024-04-26 |
Family
ID=84422331
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210933015.8A Active CN115480306B (zh) | 2022-08-04 | 2022-08-04 | 一种基于深度学习的隧道全波形反演优化方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115480306B (zh) |
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 |
CN114035228A (zh) * | 2021-11-19 | 2022-02-11 | 山东大学 | 一种基于深度学习的隧道地震波速反演方法及系统 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10459096B2 (en) * | 2016-07-13 | 2019-10-29 | Exxonmobil Upstream Research Company | Joint full wavefield inversion of P-wave velocity and attenuation using an efficient first order optimization |
CN107203002B (zh) * | 2017-06-12 | 2019-05-24 | 中国科学院地质与地球物理研究所 | 反演速度模型的建立方法和地下结构的像的获得方法 |
US11940531B2 (en) * | 2020-04-17 | 2024-03-26 | The Trustees Of Princeton University | Crosstalk-free source encoding for ultrasound tomography |
-
2022
- 2022-08-04 CN CN202210933015.8A patent/CN115480306B/zh active Active
Patent 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 |
CN114035228A (zh) * | 2021-11-19 | 2022-02-11 | 山东大学 | 一种基于深度学习的隧道地震波速反演方法及系统 |
Non-Patent Citations (2)
Title |
---|
反射波全波形反演;姚刚;吴迪;;中国科学:地球科学;20171020(第10期);全文 * |
透射地震层析成像中射线追踪技术;刘盛东, 李承华, 杨伟;淮南工业学院学报(自然科学版);19990330(第01期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN115480306A (zh) | 2022-12-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106526674B (zh) | 一种三维全波形反演能量加权梯度预处理方法 | |
CN111562611B (zh) | 基于波动方程驱动的半监督深度学习地震数据反演方法 | |
BRPI0713864A2 (pt) | método, e aparelho de computação | |
CN105842732A (zh) | 多道稀疏反射系数的反演方法及系统 | |
US20230376751A1 (en) | Pretraining system and method for seismic data processing using machine learning | |
CN115659848B (zh) | 一种基于深度学习网络快速预测二维盆地基底界面的方法 | |
KR20170118185A (ko) | 다중반사파 없는 데이터 세트를 생성하는 다단식 전 파동장 역산 프로세스 | |
US11733413B2 (en) | Method and system for super resolution least-squares reverse time migration | |
Wang et al. | Seismic velocity inversion transformer | |
Mousavi et al. | Applications of deep neural networks in exploration seismology: A technical survey | |
CA2412995C (en) | Seismic survey system | |
US11119233B2 (en) | Method for estimating elastic parameters of subsoil | |
CN113341459B (zh) | 基于机器学习和动力学计算融合的地震定位方法与设备 | |
CN115480306B (zh) | 一种基于深度学习的隧道全波形反演优化方法及系统 | |
CN112444850B (zh) | 地震资料速度建模方法、存储介质及计算设备 | |
CN116224265A (zh) | 探地雷达数据反演方法、装置、计算机设备及存储介质 | |
CN116090352A (zh) | 一种基于门循环单元和注意力机制的全波形反演方法 | |
CN111208568B (zh) | 一种时间域多尺度全波形反演方法及系统 | |
CN113050163A (zh) | 一种振幅、相位信息可调节的全波形反演方法及装置 | |
US11860324B2 (en) | System and method for 3D seismic velocity estimation | |
Fu et al. | Inversion of Rayleigh Wave Dispersion Curves via Long Short‐Term Memory Combined with Particle Swarm Optimization | |
Verdel et al. | Non-linear Gaussian beam tomography-a new method capable of determining highly complex velocity models | |
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 | |
LIU et al. | Quantitative Assessment of Solutions and its Application for Inversion of Seismic Tomography image | |
CN117214948A (zh) | 一种提高复杂构造成像的井约束速度建模方法及装置 |
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 |