CN115951405A - 一种基于稀疏化卷积和自适应矩估计的速度变化成像方法 - Google Patents
一种基于稀疏化卷积和自适应矩估计的速度变化成像方法 Download PDFInfo
- Publication number
- CN115951405A CN115951405A CN202310215419.8A CN202310215419A CN115951405A CN 115951405 A CN115951405 A CN 115951405A CN 202310215419 A CN202310215419 A CN 202310215419A CN 115951405 A CN115951405 A CN 115951405A
- Authority
- CN
- China
- Prior art keywords
- speed change
- model
- function
- convolution
- theoretical
- 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.)
- Granted
Links
- 230000008859 change Effects 0.000 title claims abstract description 60
- 238000003384 imaging method Methods 0.000 title claims abstract description 20
- 230000003044 adaptive effect Effects 0.000 title claims abstract description 16
- 239000011159 matrix material Substances 0.000 claims abstract description 18
- 238000000034 method Methods 0.000 claims abstract description 17
- 238000013528 artificial neural network Methods 0.000 claims abstract description 10
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 9
- 238000004364 calculation method Methods 0.000 claims abstract description 6
- 230000009466 transformation Effects 0.000 claims abstract description 6
- 230000006870 function Effects 0.000 claims description 53
- 238000013527 convolutional neural network Methods 0.000 claims description 5
- 238000013459 approach Methods 0.000 claims description 3
- 239000010410 layer Substances 0.000 claims description 3
- 239000002356 single layer Substances 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 9
- 238000012544 monitoring process Methods 0.000 description 4
- 238000011478 gradient descent method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000009792 diffusion process Methods 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000005305 interferometry Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于稀疏化卷积和自适应矩估计的速度变化成像方法,包括:采集速度数据,通过干涉法获取多重散射波的概率传播函数,对函数进行干涉计算,获得实际观测量;基于概率传播函数,通过散射模型获得散射波概率分布时空函数,计算理论观测值矩阵;根据速度数据利用稀疏化卷积神经网络构建速度变化模型,获得拟反演速度变化初始模型;根据速度变化初始模型对理论观测值矩阵进行线性变换获得理论观测量;根据理论观测量和实际观测量构建代价函数;采用自适应动量矩迭代算法最小化代价函数,获得最优速度变化模型。本发明使用稀疏化的卷积对速度变化进行建模,从而避免迭代求解过程中多解性问题,减少先验信息使用,得到更加精确的结果。
Description
技术领域
本发明涉及勘探监测技术领域,更具体的说是涉及一种基于稀疏化卷积和自适应矩估计的速度变化成像方法。
背景技术
速度变化成像可以用于地球物理勘探、滑坡灾害预警、城市监测、尾矿监测、结构健康监测等工作中。
目前速度变化成像广泛使用基于矩阵变换、梯度或者概率的迭代算法进行反演。这些方法均使得后验分布最大化。在此过程中有4个关键步骤:第一速度变化模型的参数化,即对二维、三维速度变化进行离散化,以进行后续计算;第二正演计算,根据给定的速度变化模型计算正演参数y;第三构建迭代策略,即衡量观测值d与正演值y之间的接近程度,在最大化后验中,通常会加入先验以防止多解性问题;第四选择优化方法,这可以使用线性的矩阵变换、梯度迭代和蒙特卡洛算法进行。在迭代过程中,第一步和第三步是获得精确解的关键步骤:在速度结构建模中,由于观测值较少、射线网格未覆盖等问题,导致求解过程通常都是欠定的,这使得在构建迭代策略中会加入先验信息以避免多解性问题,通常使用的先验信息为:模型平滑假设、正态分布假设等。这些假设均会降低反演分辨率,带来额外的偏差。
其中,m为空间离散单元网格的速度变化,Z为归一化常数,p(m)称为先验,称为似然。为使得概率函数P取得极值,就是求解先验和似然的极大值。首先似然函数通常假设理论观测值与真实值差符合均值为0的正态分布:
其中,m为反演速度变化网格,为速度变化观测值,为标准差,极大化高斯分布假设下的似然函数等价于最小二乘法。加入速度m先验分布p(m)可以纠正数据偏差,比如传统方法使用的l2正则化等价于速度结构先验符均值为0的正态分布。
另外为保证速度变化模型的平滑性也会假设速度梯度符合均值为0的高斯分布:
其中为求速度变化网格的梯度。极大化P的分布可以使用梯度下降法、蒙特卡洛方法等。以上思路的成像方法面临两个问题:第一,真实数据的先验分布p(m)是未知的,不合理的先验分布会带来误差,而目前指定的先验分布均是固定的;第二,基于梯度的迭代算分可能出现迭代发散问题。
因此,如何避免速度成像迭代求解过程中的多解性问题,提高精确度是本领域技术人员亟需解决的问题。
发明内容
有鉴于此,本发明提供了一种基于稀疏化卷积和自适应矩估计的速度变化成像方法,使用稀疏化的卷积对速度变化进行建模,从而避免迭代求解过程中多解性问题,减少先验信息使用,得到更加精确的结果。
为了实现上述目的,本发明采用如下技术方案:
一种基于稀疏化卷积和自适应矩估计的速度变化成像方法,包括以下步骤:
步骤1:采集研究区域的速度数据;根据速度数据通过干涉法获取多重散射波的概率传播函数,对概率传播函数进行干涉计算,获得速度变化的实际观测量;
步骤2:基于概率传播函数,通过散射模型获得散射波概率分布时空函数,根据散射波概率分布时空函数计算获得理论观测值矩阵;
步骤3:根据速度数据利用稀疏化卷积神经网络构建速度变化模型,获得研究区域拟反演速度变化初始模型;
步骤4:根据拟反演速度变化初始模型对理论观测值分布矩阵进行线性变换获得理论观测量;
步骤5:根据理论观测量和实际观测量构建代价函数;
步骤6:采用自适应动量矩迭代算法最小化代价函数,获得最优速度变化模型。
可选的,速度变化模型建模中使用一层或者多层卷积,卷积核为w,卷积速度图为s;
速度变化模型采用单层卷积神经网络进行建模,卷积步长为1/S,其中卷积步长S为正整数,速度变化模型表达式为:
或者速度变化模型采用多层卷积神经网络进行建模,表示为:
速度变化模型约束表示为:
优选的,步骤4中获得理论观测量的表达式为:
其中,m为拟反演速度变化;G表示理论观测值分布矩阵;d表示理论观测量。
优选的,代价函数表达式为:
优选的,自适应动量矩迭代算法最小化代价函数的过程为:
步骤61:计算代价函数梯度,表达式为:
步骤62:计算的代价函数梯度为:
步骤63:计算代价函数梯度的指数平均值,表达式为:
步骤64:计算待机函数梯度平方的加权平均值,表达式为:
步骤65:对指数平均值和加权平均值进行修正,表达式为:
步骤66:返回步骤61,令迭代次数t加1,当代价函数loss不发生变化时终止迭代,此时w,s即为所需要的值;
经由上述的技术方案可知,与现有技术相比,本发明公开提供了一种基于稀疏化卷积和自适应矩估计的速度变化成像方法,采用稀疏化卷积神经网络对速度变化构建速度模型,充分发挥了深度学习模型稀疏化优势,实现高精度反演,并利用自适应动量矩迭代求解最小化代价函数,获得速度变化,优化了迭代算法使得迭代更加稳定,从而避免迭代求解过程中多解性问题,减少先验信息使用,得到更加精确的结果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例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,下面描述中的附图仅仅是本发明的实施例,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,还可以根据提供的附图获得其他的附图。
图1附图为本发明提供的基于稀疏化卷积神经网络的速度变化参数化过程示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅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。
本发明实施例公开了一种基于稀疏化卷积和自适应矩估计的速度变化成像方法,包括以下步骤:
S2:根据速度数据利用多重散射波的概率传播函数获得理论观测值分布矩阵:基于概率传播函数,通过散射模型获得,I为散射波概率分布时空函数,是高灵敏度地震设备位置信息,其中是介质内部位置坐标变量,t为时间变量;散射模型是通过物理的经典热力学传播扩散模型获得;通过I计算理论观测值矩阵G;G矩阵获得为,u为积分变量,是介质离散后的单元网格体积,t是传播时间,是高灵敏度地震设备采集速度的不同位置:
S3:速度变化模型建模中使用一层卷积,卷积核为w,卷积速度图为s,构建速度变化模型,获得拟反演速度变化初始模型表达式为:
S4:根据拟反演速度变化初始模型对理论观测值矩阵G进行线性变换获得理论观测量:
S5:根据理论观测量和实际观测量构建代价函数:
S6:迭代使得代价函数loss取得极小值;
S61:计算代价函数梯度,表达式为:
S62:如果正则化系数不为0,则代价函数梯度为:
S63:计算代价函数梯度的指数平均值,表达式为:
S64:计算待机函数梯度平方的加权平均值,表达式为:
S65:对指数平均值和加权平均值进行修正,表达式为:
S66:如果loss继续减少,则再次进入S61循环进行迭代,迭代次数t加1;当loss不发生变化时终止迭代,此时w,s即为所需要的值;
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (6)
1.一种基于稀疏化卷积和自适应矩估计的速度变化成像方法,其特征在于,包括以下步骤:
步骤1:采集速度数据,根据速度数据通过干涉法获取多重散射波的概率传播函数,对概率传播函数进行干涉计算,获得速度变化的实际观测量;
步骤2:基于概率传播函数,通过散射模型获得散射波概率分布时空函数,根据散射波概率分布时空函数计算获得理论观测值矩阵;
步骤3:根据速度数据利用稀疏化卷积神经网络构建速度变化模型,获得拟反演速度变化初始模型;
步骤4:根据拟反演速度变化初始模型对理论观测值矩阵进行线性变换获得理论观测量;
步骤5:根据理论观测量和实际观测量构建代价函数;
步骤6:采用自适应动量矩迭代算法最小化代价函数,获得最优速度变化模型。
6.根据权利要求3所述的一种基于稀疏化卷积和自适应矩估计的速度变化成像方法,其特征在于,自适应动量矩迭代算法最小化代价函数的过程为:
步骤61:计算代价函数梯度,表达式为:
步骤62:计算的代价函数梯度为:
步骤63:计算代价函数梯度的指数平均值,表达式为:
步骤64:计算待机函数梯度平方的加权平均值,表达式为:
步骤65:对指数平均值和加权平均值进行修正,表达式为:
步骤66:返回步骤61,令迭代次数t加1,当代价函数loss不发生变化时终止迭代;
步骤67:根据迭代终止时的w和s通过速度变化模型计算获得最优速度变化模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310215419.8A CN115951405B (zh) | 2023-03-08 | 2023-03-08 | 一种基于稀疏化卷积和自适应矩估计的速度变化成像方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310215419.8A CN115951405B (zh) | 2023-03-08 | 2023-03-08 | 一种基于稀疏化卷积和自适应矩估计的速度变化成像方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115951405A true CN115951405A (zh) | 2023-04-11 |
CN115951405B CN115951405B (zh) | 2023-05-09 |
Family
ID=85892959
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310215419.8A Active CN115951405B (zh) | 2023-03-08 | 2023-03-08 | 一种基于稀疏化卷积和自适应矩估计的速度变化成像方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115951405B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100135115A1 (en) * | 2008-12-03 | 2010-06-03 | Chevron U.S.A. Inc. | Multiple anisotropic parameter inversion for a tti earth model |
KR20120107879A (ko) * | 2011-03-22 | 2012-10-04 | 서울대학교산학협력단 | 장파장 속도 모델링에 의한 지하 구조의 영상화 장치 및 방법 |
CN105549079A (zh) * | 2016-01-12 | 2016-05-04 | 中国矿业大学(北京) | 一种地球物理参数的全波形反演模型的建立方法和装置 |
CN110187384A (zh) * | 2019-06-19 | 2019-08-30 | 湖南科技大学 | 贝叶斯时移地震差异反演方法及装置 |
CN111239819A (zh) * | 2020-02-12 | 2020-06-05 | 西安理工大学 | 一种基于地震道属性分析的带极性直接包络反演方法 |
CN111665556A (zh) * | 2019-03-07 | 2020-09-15 | 中普宝信(北京)科技有限公司 | 地层声波传播速度模型构建方法 |
CN113762481A (zh) * | 2021-09-13 | 2021-12-07 | 中国地震局地球物理研究所 | 一种基于深度学习的层析成像方法及系统 |
-
2023
- 2023-03-08 CN CN202310215419.8A patent/CN115951405B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100135115A1 (en) * | 2008-12-03 | 2010-06-03 | Chevron U.S.A. Inc. | Multiple anisotropic parameter inversion for a tti earth model |
KR20120107879A (ko) * | 2011-03-22 | 2012-10-04 | 서울대학교산학협력단 | 장파장 속도 모델링에 의한 지하 구조의 영상화 장치 및 방법 |
CN105549079A (zh) * | 2016-01-12 | 2016-05-04 | 中国矿业大学(北京) | 一种地球物理参数的全波形反演模型的建立方法和装置 |
CN111665556A (zh) * | 2019-03-07 | 2020-09-15 | 中普宝信(北京)科技有限公司 | 地层声波传播速度模型构建方法 |
CN110187384A (zh) * | 2019-06-19 | 2019-08-30 | 湖南科技大学 | 贝叶斯时移地震差异反演方法及装置 |
CN111239819A (zh) * | 2020-02-12 | 2020-06-05 | 西安理工大学 | 一种基于地震道属性分析的带极性直接包络反演方法 |
CN113762481A (zh) * | 2021-09-13 | 2021-12-07 | 中国地震局地球物理研究所 | 一种基于深度学习的层析成像方法及系统 |
Non-Patent Citations (1)
Title |
---|
成景旺 等: "频率域反射波全波形速度反演", 地球科学(中国地质大学学报) * |
Also Published As
Publication number | Publication date |
---|---|
CN115951405B (zh) | 2023-05-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Iakovlev et al. | Learning continuous-time pdes from sparse data with graph neural networks | |
Galbally et al. | Non‐linear model reduction for uncertainty quantification in large‐scale inverse problems | |
Peng et al. | Unsteady reduced-order model of flow over cylinders based on convolutional and deconvolutional neural network structure | |
Jona Lasinio et al. | Discussing the “big n problem” | |
Chung et al. | Efficient generalized Golub–Kahan based methods for dynamic inverse problems | |
Chung et al. | Designing optimal spectral filters for inverse problems | |
US11526760B2 (en) | Training system for artificial neural networks having a global weight constrainer | |
CN109636912A (zh) | 应用于三维声呐图像重构的四面体剖分有限元插值方法 | |
Branicki et al. | An adaptive method for computing invariant manifolds in non-autonomous, three-dimensional dynamical systems | |
Fung et al. | An uncertainty-weighted asynchronous ADMM method for parallel PDE parameter estimation | |
Khamdamov et al. | Algorithms of multidimensional signals processing based on cubic basis splines for information systems and processes | |
Xu et al. | Robust resistance to noise and outliers: Screened Poisson Surface Reconstruction using adaptive kernel density estimation | |
Zhang et al. | DRVN (deep random vortex network): A new physics-informed machine learning method for simulating and inferring incompressible fluid flows | |
Mesri et al. | Automatic coarsening of three dimensional anisotropic unstructured meshes for multigrid applications | |
Jia et al. | Recursive linearization method for inverse medium scattering problems with complex mixture Gaussian error learning | |
CN115951405A (zh) | 一种基于稀疏化卷积和自适应矩估计的速度变化成像方法 | |
CN111158059A (zh) | 基于三次b样条函数的重力反演方法 | |
Hauenstein et al. | Descriptions and evaluations of methods for determining surface curvature in volumetric data | |
Siripatana et al. | Bayesian inference of spatially varying Manning’sn coefficients in an idealized coastal ocean model using a generalized Karhunen-Loève expansion and polynomial chaos | |
Petrakis et al. | Non-parametric approximations for anisotropy estimation in two-dimensional differentiable Gaussian random fields | |
Shimelevich et al. | 3D neural network inversion of field geoelectric data with calculating posterior estimates | |
CN114155354A (zh) | 基于图卷积网络的电容层析成像重建方法与装置 | |
Zou et al. | Constraint-based beautification and dimensioning of 3D polyhedral models reconstructed from 2D sketches | |
Zhang et al. | Lévy gradient descent: Augmented random search for geophysical inverse problems | |
Dou et al. | Determination of the solution of a stochastic parabolic equation by the terminal value |
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 |