CN117130054A - 基于多任务学习的弹性波多参数双驱动反演方法及系统 - Google Patents
基于多任务学习的弹性波多参数双驱动反演方法及系统 Download PDFInfo
- Publication number
- CN117130054A CN117130054A CN202310919336.7A CN202310919336A CN117130054A CN 117130054 A CN117130054 A CN 117130054A CN 202310919336 A CN202310919336 A CN 202310919336A CN 117130054 A CN117130054 A CN 117130054A
- Authority
- CN
- China
- Prior art keywords
- parameter
- model
- elastic
- elastic wave
- inversion
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 58
- 230000006870 function Effects 0.000 claims abstract description 37
- 238000010586 diagram Methods 0.000 claims abstract description 18
- 238000013507 mapping Methods 0.000 claims abstract description 14
- 238000004590 computer program Methods 0.000 claims description 14
- 238000003860 storage Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 6
- 230000009977 dual effect Effects 0.000 claims description 5
- 238000004088 simulation Methods 0.000 claims description 4
- 238000010521 absorption reaction Methods 0.000 claims description 2
- 238000009826 distribution Methods 0.000 description 9
- 238000013135 deep learning Methods 0.000 description 8
- 238000012549 training Methods 0.000 description 7
- 238000007418 data mining Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 238000013461 design Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005293 physical law Methods 0.000 description 1
- 238000012795 verification Methods 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
- G01V1/306—Analysis for determining physical properties of the subsurface, e.g. impedance, porosity or attenuation profiles
-
- 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
- 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
-
- 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
- G01V2210/6224—Density
-
- 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
- G01V2210/66—Subsurface modeling
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Acoustics & Sound (AREA)
- Environmental & Geological Engineering (AREA)
- Geology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Geophysics (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明属于地球物理勘探领域,提供了一种基于多任务学习的弹性波多参数双驱动反演方法及系统。方法包括,获取真实弹性参数模型及其相应的真实弹性波数据;其中,真实弹性参数模型包括纵波速度模型、横波速度模型和密度模型;采用基于多任务学习的弹性波多参数反演网络,学习真实弹性波数据与真实弹性参数模型之间的映射关系,得到预测弹性参数模型;采用正演计算网络,结合确定的弹性波波动方程,计算预测弹性参数模型对应的弹性波数据;计算联合损失函数,优化基于多任务学习的弹性波多参数反演网络;基于优化后的基于多任务学习的弹性波多参数反演网络,根据获取的弹性波数据,得到地下介质纵波波速、横波波速和密度模型图,实现地震数据反演。
Description
技术领域
本发明属于地球物理勘探领域,尤其涉及一种基于多任务学习的弹性波多参数双驱动反演方法及系统。
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。
地震勘探方法是一种重要的地球物理勘探手段,广泛应用于油气资源勘察、工程地质勘察、区域地质研究和地壳研究等领域。地震勘探方法通过布置于地表的震源激发地震波,当地震波遇到地质界面时,即发生反射和透射现象,利用布置于地表的检波器接收反射信号,获得原始地震数据。地震波在地下介质中的传播遵循弹性波波动方程,地下介质的纵波速度、横波速度以及密度等弹性参数分布会影响弹性波场的特征。通过数据处理、反演或成像等方法,可以实现对地下介质分布情况的预测。其中地震数据反演是一种重要的地震资料分析方法,能够利用观测数据反推地下介质弹性参数的分布情况,从而为探测目标的圈定提供指导。
据发明人了解,目前最有效的弹性波多参数反演方法为全波形反演方法,是一种线性反演方法,通过迭代优化观测数据与模拟数据的差值,从而实现对地下介质的纵波速度、横波速度以及密度分布的预测。但该方法存在严重依赖初始模型、容易陷入局部最优和计算效率较低等问题,有待进一步改进。近年来随着深度学习方法的兴起,深度学习方法凭借强大的非线性拟合能力,受到地球物理领域的广泛研究,被大量用于解决地震数据的反演问题,但在目前的研究中该方法存在以下问题:(1)目前绝大多数研究基于声波数据,是对弹性波数据的一种简化;(2)少数针对弹性波数据开展了研究,但存在着直接应用图像领域的网络结构,未针对弹性波数据与弹性参数模型特征进行设计;(3)仅依靠深度学习网络的数据挖掘能力,忽视了弹性波传播所遵循的物理规律,导致网络泛化能力弱。
发明内容
为了解决上述背景技术中存在的技术问题,本发明提供一种基于多任务学习的弹性波多参数双驱动反演方法及系统,其利用深度神经网络较准确拟合弹性数据到弹性参数之间的映射关系,实现了对地下介质的弹性参数准确成像。
为了实现上述目的,本发明采用如下技术方案:
本发明的第一个方面提供一种基于多任务学习的弹性波多参数双驱动反演方法。
获取真实弹性参数模型及其相应的真实弹性波数据;其中,真实弹性参数模型包括纵波速度模型、横波速度模型和密度模型;
采用基于多任务学习的弹性波多参数反演网络,学习真实弹性波数据与真实弹性参数模型之间的映射关系,得到预测弹性参数模型;
采用正演计算网络,结合确定的弹性波波动方程,计算预测弹性参数模型对应的弹性波数据;
计算联合损失函数,优化基于多任务学习的弹性波多参数反演网络;
基于优化后的基于多任务学习的弹性波多参数反演网络,根据获取的弹性波数据,得到地下介质纵波波速、横波波速以及密度模型图,实现地震数据反演。
进一步地,所述基于多任务学习的弹性波多参数反演网络包括:编码器和三个解码器,其中,三个解码器以串联形式连接在编码器后方。
更进一步地,所述采用基于多任务学习的弹性波多参数反演网络的具体过程包括:
采用编码器提取真实弹性波数据中的单道弹性波数据特征、单道弹性波数据邻域特征和全局信息,获得共享特征;
将共享特征输入第一解码器中,预测纵波速度模型;
将预测得到的纵波速度模型拼接到共享特征上,并输入第二解码器,预测横波速度模型;
将预测得到的纵波速度模型和横波波速模型拼接到共享特征上,并输入第三解码器,预测密度模型。
本发明的第二个方面提供一种基于多任务学习的弹性波多参数双驱动反演系统。
基于多任务学习的弹性波多参数双驱动反演系统,包括:
数据获取模块,其被配置为:获取真实弹性参数模型及其相应的真实弹性波数据;其中,真实弹性参数模型包括纵波速度模型、横波速度模型和密度模型;
反演模块,其被配置为:采用基于多任务学习的弹性波多参数反演网络,学习真实弹性波数据与真实弹性参数模型之间的映射关系,得到预测弹性参数模型;
正演计算模块,其被配置为:采用正演计算网络,结合确定的弹性波波动方程,计算预测弹性参数模型对应的弹性波数据;
损失优化模块,其被配置为:计算联合损失函数,优化基于多任务学习的弹性波多参数反演网络;
测试模块,其被配置为:基于优化后的基于多任务学习的弹性波多参数反演网络,根据获取的弹性波数据,得到地下介质纵波波速、横波波速以及密度模型图,实现地震数据反演。
本发明的第三个方面提供一种计算机可读存储介质。
一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述第一个方面所述的基于多任务学习的弹性波多参数双驱动反演方法中的步骤。
本发明的第四个方面提供一种计算机设备。
一种计算机设备,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,所述处理器执行所述程序时实现如上述第一个方面所述的基于多任务学习的弹性波多参数双驱动反演方法中的步骤。
与现有技术相比,本发明的有益效果是:
本发明针对弹性波多参数反演问题,提出了以深度学习强大数据挖掘能力和弹性波波动方程物理规律相结合的双驱动反演思路,依据弹性参数模型反演任务具有关联性,采用多任务学习思想解决弹性参数反演问题。同时考虑弹性参数间存在一定函数关系,建立了一种串联结构的解码结构,并加入跳跃结构,将浅层预测结果作为深层任务的输入,用帮助深层任务的较准确实现。同时针对单独采用深度学习网络泛化性不强的问题,加入了正演计算网络,为网络提供物理规律引导,利用深度神经网络较准确拟合弹性数据到弹性参数之间的映射关系,实现了对地下介质的弹性参数准确成像。同传统的全波形反演方法相比,本发明在反演结果准确率上,大幅提高,波速准确率高,地质结构准确;同仅由数据驱动的反演方法相比,提出的双驱动反演方法能够进一步提升局部结构的反演准确率。
本发明针对弹性参数模型(纵波、横波和密度)的重建任务存在一定相似性的特征提出了利用多任务学习方法与双驱动优化思想解决弹性波多参数反演问题的思路,大量实验研究证明,弹性参数之间存在着一定的映射关系,因此设计了串联的模型解码结构,由简单到复杂地,依次重建纵波模型、横波模型和密度模型。为进一步提升网络预测效果,加入了跳跃性结构,通过该结构将浅层的预测结果,作为先验特征用于帮助其他弹性参数的重建。同时引入了弹性波波动方程,用于计算预测弹性参数对应的弹性波数据,从而利用数据损失项,实现物理规律对网络的引导。
本发明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,或通过本发明的实践了解到。
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为本发明实施例一中基于多任务学习的弹性波多参数双驱动反演方法流程图;
图2为本发明实施例一中基于多任务学习的弹性波多参数双驱动反演网络结构图;
图3是本发明实施例一中的基于多任务学习的弹性波多参数双驱动反演网络测试结果。
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。
需要注意的是,附图中的流程图和框图示出了根据本公开的各种实施例的方法和系统的可能实现的体系架构、功能和操作。应当注意,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,所述模块、程序段、或代码的一部分可以包括一个或多个用于实现各个实施例中所规定的逻辑功能的可执行指令。也应当注意,在有些作为备选的实现中,方框中所标注的功能也可以按照不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,或者它们有时也可以按照相反的顺序执行,这取决于所涉及的功能。同样应当注意的是,流程图和/或框图中的每个方框、以及流程图和/或框图中的方框的组合,可以使用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以使用专用硬件与计算机指令的组合来实现。
专业术语解释:
多任务学习:是一种机器学习思想,通过使用包含在相关任务的领域知识来改善网络泛化性能。
弹性波多参数反演方法:是地震反演领域的一类问题。将地震波视为一种在地层中的传播弹性波动,其传播规律受纵波波速、横波波速和密度的分布有关,即已知震源和弹性参数分布,即可计算任意时刻弹性波场的传播状态,即正演。弹性波多参数反演即是利用弹性波数据来反向求解纵波波速、横波波速和密度分布的过程。
双驱动:在这里特指利用深度学习的数据挖掘能力和弹性波动方程的物理规律共同引导深度学习网络对于弹性波数据和弹性参数分布的映射关系的学习。
实施例一
本实施例提供了一种基于多任务学习的弹性波多参数双驱动反演方法,本实施例以该方法应用于服务器进行举例说明,可以理解的是,该方法也可以应用于终端,还可以应用于包括终端和服务器和系统,并通过终端和服务器的交互实现。服务器可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务器、云通信、中间件服务、域名服务、安全服务CDN、以及大数据和人工智能平台等基础云计算服务的云服务器。终端可以是智能手机、平板电脑、笔记本电脑、台式计算机等,但并不局限于此。终端以及服务器可以通过有线或无线通信方式进行直接或间接地连接,本申请在此不做限制。本实施例中,该方法包括以下步骤:
获取真实弹性参数模型及其相应的真实弹性波数据;其中,真实弹性参数模型包括纵波速度模型、横波速度模型和密度模型;
采用基于多任务学习的弹性波多参数反演网络,学习真实弹性波数据与真实弹性参数模型之间的映射关系,得到预测弹性参数模型;
采用正演计算网络,结合确定的弹性波波动方程,计算预测弹性参数模型对应的弹性波数据;
计算联合损失函数,优化基于多任务学习的弹性波多参数反演网络;
基于优化后的基于多任务学习的弹性波多参数反演网络,根据获取的弹性波数据,得到地下介质纵波波速、横波波速以及密度模型图,实现地震数据反演。
本实施例的具体方案采用以下内容实现,如图1所示:
步骤S1,通过计算机数值模拟训练数据库,所述数据库包括包括2维层状地质模型(纵波模型、横波模型以及密度模型),以及相应的弹性波模拟数据;
本实例的方法主要针对层状模型及断层模型,主要包含两种类型,层状模型、断层模型,均包含2~5层介质,不同层的介质间弹性参数具有区别,总体来说,由浅层至深层,弹性参数依次增加;
本实施例的弹性参数模型的基础设置如下:纵波速度在1500~4000m/s间随机生成,横波和密度模型由下式计算生成:
vs=0.804vp-856+α,
其中vp、vs、ρ分别为纵波速度、横波速度以及密度,α和β为介于-300~300m/s和-200~200kg/m3的随机数。弹性参数模型大小为100×100网格,网格大小为5m,模拟区域大小为500m×500m,地表上平均分布32个测点,20个震源点,震源采用10Hz的雷克子波,以2000Hz的采样率,采集1.1s的信号,得到数据大小为2×20×32×2200。进一步考虑到,实际弹性参数并不严格满足经验公式,加入了随机扰动因子,从而生成最终的弹性参数模型。
步骤S2,如图2所示,构造能够利用弹性波数据依次预测纵波模型、横波模型以及密度的串联结构基于多任务学习的弹性波多参数双驱动反演网络SquInvPlusFcNet;
本实施例中通过双驱动的训练方式实现反演弹性参数模型,该网络主要由两部分组成:反演模块和正演计算模块。反演模块,即基于多任务学习的弹性波多参数反演网络为网络的主体模块,包含大量可学习的参数,可以利用大数据挖掘能力学习弹性波数据与弹性参数模型之间的映射关系;正演计算网络为网络学习的引导模块,利用确定的弹性波波动方程物理规律计算弹性参数模型对应的弹性波数据,可以利用物理规律引导网络的学习过程,增强其泛化性能,避免网络仅依靠统计规律陷入局部最小,此模块无可训练参数。
具体设计如下:①基于多任务学习思想,构建了能够利用弹性波数据依次预测纵波模型、横波模型以及密度的基于多任务学习的弹性波多参数反演网络SquInvNet(Squential Inversion Network),②进一步实现了弹性波二维波动方程的正演计算网络FcNet(Forward Computation Network)。最终将两个网络进行融合,实现数据挖掘和物理规律的双驱动优化,形成基于多任务学习的弹性波多参数双驱动反演网络SquInvPlusFcNet,随机抽取一组弹性波数据-弹性参数模型数据对,输入到SquInvPlusFcNet进行训练,输出预测结果。
针对数据库中的弹性波数据,采用二维弹性波波动方程的有限差分格式进行正演模拟,获得每个模型相应的弹性波数据。由此构建了训练样本对。最后,将数据集按10:1:1的比例随机分为训练集、验证集和测试集。
具体地,如图2所示,构造能够利用弹性波数据依次预测纵波模型、横波模型以及密度的基于多任务学习的弹性波多参数双驱动反演网络SquInvPlusFcNet,针对于反演网络,其主要由两部分组成:编码器(Encoder)和3个解码器(Decoder)。编码器部分为共享层(Shared layer),通过压缩输入数据尺寸和扩充数据通道数两种方式提取弹性波数据的高层语义信息特征(共享特征),获取单道弹性波数据特征及其邻域特征、全局信息。本实施例中使用6个conv-down块来组成编码器,每个conv-down块包含2个卷积层,每个卷积层包含1个卷积操作、1个归一化操作以及ReLU激活函数,通过卷积操作逐步将数据变换到更高的维度,获得高维数据表征的全局信息。而解码器把编码器得到的全局信息进行上采样操作,最终得到与真实弹性参数尺寸相同的预测结果,针对弹性波多参数反演任务,设计了3个串联的解码结构,过程中,通过短路连接(shortcut)将编码层获取的低层的局部信息引入到解码过程,将全局信息和局部信息结合保证解码结果细节信息不丢失。解码器由3个conv-up块组成,每个conv-up块包含2个反卷积层,每个反卷积层包含1个反卷积操作、1个归一化操作以及ReLU激活函数。如图2所示,3个解码器依次相连,并在其中设置了跳跃结构,能够将浅层的预测结果作为特征输入到深层解码器中,引导深层解码的输出结果,依次预测纵波速度模型、横波速度模型以及密度模型。
针对正演计算模块,由参数初始化设置模块和2200个卷积层组成,每个卷积层包含6个卷积操作,用于计算二维弹性波波动方程,卷积操作的参数按照二维弹性波波动方程参数设定,无可训练参数。
针对正演计算模块,包含正演参数设置层、震源设置层和正演计算层。正演参数设置层用于定义正演模拟的模型大小、空间采样率、时间采样率、采样时长、吸收边界参数、震源主频等;震源设置层用于生成震源子波;正演计算层,包含2200层卷积层,每个卷积层包含6个卷积操作,用于计算二维弹性波波动方程,模拟震源在弹性参数模型中的传播规律,卷积操作的参数按照二维弹性波波动方程参数设定,无可训练参数。
将SquInvNet、FcNet进行串联,SquInvNet的输出做为FcNet的输入,从而实现基于多任务学习的弹性波多参数双驱动反演网络SquInvPlusFcNet的构建。
步骤S3,如图1所示,针对反演模块和正演计算模块,分别设计损失函数,包括:①模型损失项,即网络输出预测弹性参数模型与真实弹性参数模型之间的误差;②数据损失项,即网络预测结果经正演计算的弹性波数据与真实弹性波数据之间的误差。在进行梯度回传时,由于模型损失项和数据损失项通常不在一个量级上,需对两损失项设定一定的权重,随后再进行损失回传,模型损失项和数据损失项共同优化弹性波多参数反演网络SquInvPlusFcNet;
本实例中在模型项损失函数上选择了均方差损失和结构相似相指数,分别用来衡量预测模型和真实模型在波速和地质结构上的相似性,型项损失函数如下:
其中,为弹性参数预测模型,mi为真实弹性参数模型。H,W为模型的大小,x(k,r)和y(k,r)是用于求解结构相似性指数的窗函数,中心点位k,大小为r。由于纵波速度、横波速度以及密度的重建任务具有一定的相似性,因此三个子任务均采用上述联合损失函数,且三个任务的损失函数权重一致。
针对数据损失项,采用回归问题常用的均方差损失(MSE)惩罚计算弹性数据相对于真实弹性数据的误差。
将模型损失和数据损失按下式计算,获得联合损失函数。
其中J、Jm、Jd分别为联合损失函数、模型项损失函数和数据项损失函数,epoch为计算轮数,arctan(·)为反三角函数。
步骤S4,如图1所示,训练SquInvPlusFcNet网络。
本实施例中主要网络参数和硬件条件为:采用4片NVIDIA A100进行并行计算。基于PyTorch框架搭建网络,Adam优化器批处理量(batchsize)为8,学习率(learning rate)为0.0005,学习算法在整个训练数据集中的工作次数(epoch)为200。
步骤S5,SquInvPlusFcNet网络中的正演网络,用于为反演网络的学习提供引导,加入物理规律,使其更具泛化性。而反演网络,用于学习弹性波数据和弹性参数之间的映射关系,因此在测试时,仅采用SquInvNet进行预测。图3为提出的双驱动反演网络预测结果和全波形反演以及单独数据驱动的预测结果对比图。对比传统反演结果,该方法反演精度高,波速及地质结构预测准确,同时对比数据驱动的预测结果,其在结构与波速准确度上进一步得到了提升。
通过SquInvPlusFcNet网络建立弹性波数据与地下介质的弹性参数模型的映射关系,在网络推理阶段,即可将FcNet模块去掉,直接采用SquInvNet进行推理,得到预测的弹性参数分布情况。
实施例二
本实施例提供了一种基于多任务学习的弹性波多参数双驱动反演系统。
基于多任务学习的弹性波多参数双驱动反演系统,包括:
数据获取模块,其被配置为:获取真实弹性参数模型及其相应的真实弹性波数据;其中,真实弹性参数模型包括纵波速度模型、横波速度模型和密度模型;
反演模块,其被配置为:采用基于多任务学习的弹性波多参数反演网络,学习真实弹性波数据与真实弹性参数模型之间的映射关系,得到预测弹性参数模型;
正演计算模块,其被配置为:采用正演计算网络,结合确定的弹性波波动方程,计算预测弹性参数模型对应的弹性波数据;
损失优化模块,其被配置为:计算联合损失函数,优化基于多任务学习的弹性波多参数反演网络;
测试模块,其被配置为:基于优化后的基于多任务学习的弹性波多参数反演网络,根据获取的弹性波数据,得到地下介质纵波波速、横波波速以及密度模型图,实现地震数据反演。
此处需要说明的是,上述数据获取模块、反演模块、正演计算模块、损失优化模块和测试模块与实施例一中的步骤所实现的示例和应用场景相同,但不限于上述实施例一所公开的内容。需要说明的是,上述模块作为系统的一部分可以在诸如一组计算机可执行指令的计算机系统中执行。
实施例三
本实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述实施例一所述的基于多任务学习的弹性波多参数双驱动反演方法中的步骤。
实施例四
本实施例提供了一种计算机设备,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,所述处理器执行所述程序时实现如上述实施例一所述的基于多任务学习的弹性波多参数双驱动反演方法中的步骤。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(RandomAccessMemory,RAM)等。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.基于多任务学习的弹性波多参数双驱动反演方法,其特征在于,包括:
获取真实弹性参数模型及其相应的真实弹性波数据;其中,真实弹性参数模型包括纵波速度模型、横波速度模型和密度模型;
采用基于多任务学习的弹性波多参数反演网络,学习真实弹性波数据与真实弹性参数模型之间的映射关系,得到预测弹性参数模型;
采用正演计算网络,结合确定的弹性波波动方程,计算预测弹性参数模型对应的弹性波数据;
计算联合损失函数,优化基于多任务学习的弹性波多参数反演网络;
基于优化后的基于多任务学习的弹性波多参数反演网络,根据获取的弹性波数据,得到地下介质纵波波速、横波波速以及密度模型图,实现地震数据反演。
2.根据权利要求1所述的基于多任务学习的弹性波多参数双驱动反演方法,其特征在于,所述基于多任务学习的弹性波多参数反演网络包括:编码器和三个解码器,其中,三个解码器以串联形式连接在编码器后方。
3.根据权利要求2所述的基于多任务学习的弹性波多参数双驱动反演方法,其特征在于,所述采用基于多任务学习的弹性波多参数反演网络的具体过程包括:
采用编码器提取真实弹性波数据中的单道弹性波数据特征、单道弹性波数据邻域特征和全局信息,获得共享特征;
将共享特征输入第一解码器中,预测纵波速度模型;
将预测得到的纵波速度模型拼接到共享特征上,并输入第二解码器,预测横波速度模型;
将预测得到的纵波速度模型和横波波速模型拼接到共享特征上,并输入第三解码器,预测密度模型。
4.根据权利要求1所述的基于多任务学习的弹性波多参数双驱动反演方法,其特征在于,所述正演计算网络包括正演参数设置层、震源设置层和正演计算层,所述正演参数设置层用于定义包括正演模拟的模型大小、空间采样率、时间采样率、采样时长、吸收边界参数和震源主频;所述震源设置层用于生成震源子波;所述正演计算层,包含若干个卷积层,每个卷积层包含六个卷积操作,用于计算二维弹性波波动方程,模拟震源在弹性参数模型中的传播规律。
5.根据权利要求1所述的基于多任务学习的弹性波多参数双驱动反演方法,其特征在于,所述联合损失函数为:
其中J、Jm、Jd分别为联合损失函数、模型项损失函数和数据项损失函数,epoch为计算轮数,arctan(·)为反三角函数。
6.根据权利要求5所述的基于多任务学习的弹性波多参数双驱动反演方法,其特征在于,所述模型损失函数为:
其中,为弹性参数预测模型,mi为真实弹性参数模型;H、W为模型的大小,x(k,r)和y(k,r)是用于求解结构相似性指数的窗函数,中心点为k,大小为r。
7.根据权利要求5所述的基于多任务学习的弹性波多参数双驱动反演方法,其特征在于,所述数据项损失函数采用均方差损失函数。
8.基于多任务学习的弹性波多参数双驱动反演系统,其特征在于,包括:
数据获取模块,其被配置为:获取真实弹性参数模型及其相应的真实弹性波数据;其中,真实弹性参数模型包括纵波速度模型、横波速度模型和密度模型;
反演模块,其被配置为:采用基于多任务学习的弹性波多参数反演网络,学习真实弹性波数据与真实弹性参数模型之间的映射关系,得到预测弹性参数模型;
正演计算模块,其被配置为:采用正演计算网络,结合确定的弹性波波动方程,计算预测弹性参数模型对应的弹性波数据;
损失优化模块,其被配置为:计算联合损失函数,优化基于多任务学习的弹性波多参数反演网络;
测试模块,其被配置为:基于优化后的基于多任务学习的弹性波多参数反演网络,根据获取的弹性波数据,得到地下介质纵波波速、横波波速以及密度模型图,实现地震数据反演。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-7中任一项所述的基于多任务学习的弹性波多参数双驱动反演方法中的步骤。
10.一种计算机设备,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,其特征在于,所述处理器执行所述程序时实现如权利要求1-7中任一项所述的基于多任务学习的弹性波多参数双驱动反演方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310919336.7A CN117130054A (zh) | 2023-07-25 | 2023-07-25 | 基于多任务学习的弹性波多参数双驱动反演方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310919336.7A CN117130054A (zh) | 2023-07-25 | 2023-07-25 | 基于多任务学习的弹性波多参数双驱动反演方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117130054A true CN117130054A (zh) | 2023-11-28 |
Family
ID=88860729
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310919336.7A Pending CN117130054A (zh) | 2023-07-25 | 2023-07-25 | 基于多任务学习的弹性波多参数双驱动反演方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117130054A (zh) |
-
2023
- 2023-07-25 CN CN202310919336.7A patent/CN117130054A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Mo et al. | Deep convolutional encoder‐decoder networks for uncertainty quantification of dynamic multiphase flow in heterogeneous media | |
Aleardi et al. | 1D elastic full‐waveform inversion and uncertainty estimation by means of a hybrid genetic algorithm–Gibbs sampler approach | |
US11828894B2 (en) | Multi-scale unsupervised seismic velocity inversion method based on autoencoder for observation data | |
Yang et al. | Rapid seismic waveform modeling and inversion with neural operators | |
CN102854528A (zh) | 粒子群优化算法叠前非线性反演方法 | |
CN114780739B (zh) | 基于时间图卷积网络的时序知识图谱补全方法及系统 | |
Wang et al. | Data-driven S-wave velocity prediction method via a deep-learning-based deep convolutional gated recurrent unit fusion network | |
CN112231974B (zh) | 基于深度学习的tbm破岩震源地震波场特征恢复方法及系统 | |
CN110954950A (zh) | 地下横波速度反演方法、装置、计算设备及存储介质 | |
SONG et al. | Big data intelligent platform and application analysis for oil and gas resource development | |
Liu et al. | Physics-driven self-supervised learning system for seismic velocity inversion | |
EP2956804B1 (en) | Method of modelling a subsurface volume | |
CN116776734A (zh) | 基于物理约束神经网络的地震速度反演方法 | |
Cheng et al. | Meta-Processing: A robust framework for multi-tasks seismic processing | |
CN106662665B (zh) | 用于更快速的交错网格处理的重新排序的插值和卷积 | |
Sheng et al. | Arrival-time picking of microseismic events based on MSNet | |
Li et al. | A comprehensive review of seismic inversion based on neural networks | |
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 | |
Cao et al. | Accelerating 2D and 3D frequency-domain seismic wave modeling through interpolating frequency-domain wavefields by deep learning | |
Falola et al. | Rapid High-Fidelity Forecasting for Geological Carbon Storage Using Neural Operator and Transfer Learning | |
CN116927771A (zh) | 一种预测页岩储层总有机碳数据的方法、装置、设备及介质 | |
CN117130054A (zh) | 基于多任务学习的弹性波多参数双驱动反演方法及系统 | |
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 | |
Exterkoetter et al. | Feature extraction in time-lapse seismic using deep learning for data assimilation | |
CN115685314A (zh) | 一种地震储层物性参数预测方法及装置 |
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 |