CN117289337A - 瑞雷面波反演方法、装置、电子设备及存储介质 - Google Patents

瑞雷面波反演方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN117289337A
CN117289337A CN202311265196.2A CN202311265196A CN117289337A CN 117289337 A CN117289337 A CN 117289337A CN 202311265196 A CN202311265196 A CN 202311265196A CN 117289337 A CN117289337 A CN 117289337A
Authority
CN
China
Prior art keywords
dispersion curve
sample
candidate
earth model
training
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
Application number
CN202311265196.2A
Other languages
English (en)
Other versions
CN117289337B (zh
Inventor
周媛媛
杨晓辉
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.)
Chengdu University of Information Technology
Original Assignee
Chengdu University of Information Technology
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 Chengdu University of Information Technology filed Critical Chengdu University of Information Technology
Priority to CN202311265196.2A priority Critical patent/CN117289337B/zh
Publication of CN117289337A publication Critical patent/CN117289337A/zh
Application granted granted Critical
Publication of CN117289337B publication Critical patent/CN117289337B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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

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

本发明提供的一种瑞雷面波反演方法、装置、电子设备及存储介质，地震勘探技术领域。该方法：获取实测瑞雷面波数据；将实测瑞雷面波数据输入预先训练的地球模型参数估计网络，反演地下介质的目标地球模型参数；其中，用于训练地球模型参数估计网络的每个训练样本包括的样本频散曲线与基于实测瑞雷面波数据获得的实测频散曲线具有相关性，从而使地球模型参数估计网络能准确学习到瑞雷面波反演中的函数关系，提高地下介质的地球模型参数的估计结果的准确性和稳定性。

Description

瑞雷面波反演方法、装置、电子设备及存储介质
技术领域
本发明涉及地震勘探技术领域，具体而言，涉及一种瑞雷面波反演方法、装置、电子设备及存储介质。
背景技术
瑞雷面波反演在地下介质的地球模型参数(例如，层厚、横波速度)估算中得到了广泛应用，其实现过程是从原始地震波数据中提取多模态频散曲线，然后进行反演地下介质的地球模型参数。当前瑞雷面波反演的研究瓶颈在于如何提高地下介质的地球模型参数的估计结果的准确性和稳定性。
发明内容
本发明提供了一种瑞雷面波反演方法、装置、电子设备及存储介质，其能够提高地下介质的地球模型参数的估计结果的准确性和稳定性。
本发明的技术方案可以这样实现：
第一方面，本发明提供一种瑞雷面波反演方法，所述方法包括：
获取实测瑞雷面波数据；
将所述实测瑞雷面波数据输入预先训练的地球模型参数估计网络，反演地下介质的目标地球模型参数；
其中，用于训练所述地球模型参数估计网络的每个训练样本包括的样本频散曲线与基于所述实测瑞雷面波数据获得的实测频散曲线具有相关性。
可选地，所述方法还包括训练所述地球模型参数估计网络的步骤，其包括：
在预先设置的地球模型参数的搜索空间中，生成第一数量个候选样本，候选样本包括的样本频散曲线每个所述候选样本包括地球模型参数样本和样本频散曲线，所述样本频散曲线是基于所述地球模型参数样本正演得到的；
计算每个所述候选样本包括的样本频散曲线与基于所述实测瑞雷面波数据获得的实测频散曲线的平均滑动相关系数；
根据每个所述候选样本包括的样本频散曲线与所述实测频散曲线的平均滑动相关系数，从所有所述候选样本中确定第二数量个训练样本；
利用每个所述训练样本包括的地球模型参数样本和样本频散曲线，训练所述地球模型参数估计网络。
可选地，所述计算每个所述候选样本包括的样本频散曲线与基于所述实测瑞雷面波数据获得的实测频散曲线的平均滑动相关系数的步骤包括：
构建每个所述候选样本包括的样本频散曲线对应的频散曲线向量和所述实测频散曲线对应的频散曲线向量；
针对每个候选样本，从所述候选样本包括的样本频散曲线对应的频散曲线向量和所述实测频散曲线对应的频散曲线向量的第一个相速度点开始，按照预设步长逐次移动滑动窗至所述候选样本包括的样本频散曲线对应的频散曲线向量和所述实测频散曲线对应的频散曲线向量最后一个相速度点；
在每次移动所述滑动窗后，计算所述候选样本包括的样本频散曲线对应的频散曲线向量在所述滑动窗内的相速度点与所述实测频散曲线对应的频散曲线向量在所述滑动窗内的相速度点的相关系数；
根据每次移动所述滑动窗后计算的相关系数，获得所述候选样本包括的样本频散曲线与所述实测频散曲线的平均滑动相关系数。
可选地，所述根据每次移动所述滑动窗后计算的相关系数，获得所述候选样本包括的样本频散曲线与所述实测频散曲线的平均滑动相关系数的步骤包括：
将每次移动所述滑动窗后计算的相关系数的均值作为所述候选样本包括的样本频散曲线与所述实测频散曲线的平均滑动相关系数。
可选地，所述构建每个所述候选样本包括的样本频散曲线对应的频散曲线向量和所述实测频散曲线对应的频散曲线向量的步骤包括：
针对每个所述候选样本，将所述候选样本包括的样本频散曲线包括的多阶子频散曲线从低阶到高阶进行排列；
按照排列顺序，依次将每一阶子频散曲线中的各相速度点作为向量元素，生成所述候选样本包括的样本频散曲线对应的频散曲线向量；
将所述实测频散曲线包括的多阶子频散曲线从低阶到高阶进行排列，并按照排列顺序依次将每一阶子频散曲线中的各相速度点作为向量元素，生成所述实测频散曲线对应的频散曲线向量。
可选地，所述根据每个所述候选样本包括的样本频散曲线与所述实测频散曲线的平均滑动相关系数，从所有所述候选样本中确定第二数量个训练样本的步骤包括：
将每个所述候选样本包括的样本频散曲线与所述实测频散曲线的平均滑动相关系数从大到小排列，按照排列之后的所述平均滑动相关系数依次选取对应的所述候选样本作为训练样本，直至选取的训练样本的个数满足所述第二数量。
第二方面，本发明提供一种瑞雷面波反演装置，所述装置包括：
获取模块，用于获取实测瑞雷面波数据；
反演模块，用于将所述实测瑞雷面波数据输入预先训练的地球模型参数估计网络，反演地下介质的目标地球模型参数；其中，用于训练所述地球模型参数估计网络的每个训练样本包括的样本频散曲线与基于所述实测瑞雷面波数据获得的实测频散曲线具有相关性。
可选地，所述装置还包括训练模块；
所述训练模块用于在预先设置的地球模型参数的搜索空间中，生成第一数量个候选样本，每个所述候选样本包括地球模型参数样本和样本频散曲线，所述样本频散曲线是基于所述地球模型参数样本正演得到的候选样本包括的样本频散曲线；计算每个所述候选样本包括的样本频散曲线与基于所述实测瑞雷面波数据获得的实测频散曲线的平均滑动相关系数；根据每个所述候选样本包括的样本频散曲线与所述实测频散曲线的平均滑动相关系数，从所有所述候选样本中确定第二数量个训练样本；利用每个所述训练样本包括的地球模型参数样本和样本频散曲线，训练所述地球模型参数估计网络。
第三方面，本发明提供一种电子设备，其包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时实现如前述第一方面所述瑞雷面波反演方法。
第四方面，本发明提供一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时实现如前述第一方面所述瑞雷面波反演方法。
相较于现有技术，本发明提供的瑞雷面波反演方法，获取实测瑞雷面波数据；将实测瑞雷面波数据输入预先训练的地球模型参数估计网络，反演地下介质的目标地球模型参数；其中，用于训练地球模型参数估计网络的每个训练样本包括的样本频散曲线与基于实测瑞雷面波数据获得的实测频散曲线具有相关性。由于本发明通过样本频散曲线与基于实测瑞雷面波数据获得的实测频散曲线具有相关性的训练样本对地球模型参数估计网络进行训练，使地球模型参数估计网络能准确学习到瑞雷面波反演中的函数关系，从而提高地下介质的地球模型参数的估计结果的准确性和稳定性。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1为本发明实施例提供的一种瑞雷面波反演方法的流程示意图；
图2为本发明实施例提供的一种频散曲线的示例图；
图3为本发明实施例提供的一种地球模型参数估计网络的训练过程示意图；
图4为本发明实施例提供的一种频散曲线向量的构建过程示例图；
图5为本发明实施例提供的一种平均滑动相关系数的计算过程示例图；
图6为本发明实施例提供的一种瑞雷面波反演方法的数值实验示例图；
图7为本发明实施例提供的一种数值实验结果图一；
图8为本发明实施例提供的一种数值实验结果图二；
图9为本发明实施例提供的一种数值实验结果图三；
图10为本发明实施例提供的一种数值实验结果图四；
图11为本发明实施例提供的一种野外实测数据实验的结果图一；
图12为本发明实施例提供的一种野外实测数据实验的结果图二；
图13为本发明实施例提供的一种瑞雷面波反演装置的功能单元框图；
图14为本发明实施例提供的一种电子设备的结构示意框图。
图标：100-瑞雷面波反演装置；101-获取模块；102-反演模块；103-训练模块；200-电子设备；210-存储器；220-处理器。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作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。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
此外，若出现术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
需要说明的是，在不冲突的情况下，本发明的实施例中的特征可以相互结合。
为了提高地下介质的地球模型参数的估计结果的准确性和稳定性，本发明实施例提供了一种瑞雷面波反演方法，下面将进行详细介绍。
请参照图1，该瑞雷面波反演方法包括步骤S101～S102。
S101，获取实测瑞雷面波数据。
其中，实测瑞雷面波数据是可以通过应用Fourier变换法从采集的地震记录(由人工震源激发)中分离提取出来的。
S102，将实测瑞雷面波数据输入预先训练的地球模型参数估计网络，反演地下介质的目标地球模型参数。
其中，目标地球模型参数可以包括地下介质的层厚和横波速度，用于训练地球模型参数估计网络的每个训练样本包括的样本频散曲线与基于实测瑞雷面波数据获得的实测频散曲线具有相关性。
频散曲线(可以是样本频散曲线，也可以是实测频散曲线)反映了相速度与频率的变化关系，如图2所示，频散曲线包括多阶子频散曲线，每一阶子频散曲线由多个相速度点构成。
下面对地球模型参数估计网络的训练过程进行介绍，请参照图3，该过程包括步骤S201～S204。
S201，在预先设置的地球模型参数的搜索空间中，生成第一数量个候选样本。
其中，每个候选样本包括地球模型参数样本和样本频散曲线，样本频散曲线是基于地球模型参数样本正演得到的。
本发明实施例在预先设置的地球模型参数的搜索空间中随机设置N组地球模型参数向量 (Nθ＝2n-1为向量的参数个数)，其中，n为地下介质的层数，h(i)和/>分别表示第i层地下介质的层厚和横波速度。
可以理解地，每一组地球模型参数向量对应一个候选样本包括的地球模型参数样本，对N个候选样本包括的地球模型参数样本均进行正演，得到N条样本频散曲线。
S202，计算每个候选样本包括的样本频散曲线与基于实测瑞雷面波数据获得的实测频散曲线的平均滑动相关系数。
在可能的实现中，步骤S202可以包括子步骤S202-1～S202-3。
S202-1，构建每个候选样本包括的样本频散曲线对应的频散曲线向量和实测频散曲线对应的频散曲线向量。
其中，“构建每个候选样本包括的样本频散曲线对应的频散曲线向量”的实现过程可以如下：
针对每个候选样本，首先将候选样本包括的样本频散曲线包括的多阶子频散曲线从低阶到高阶进行排列；然后按照排列顺序，依次将每一阶子频散曲线中的各相速度点作为向量元素，生成候选样本包括的样本频散曲线对应的频散曲线向量。
同样地，“构建实测频散曲线对应的频散曲线向量”的实现过程可以为：首先将实测频散曲线包括的多阶子频散曲线从低阶到高阶进行排列；然后，按照排列顺序，依次将每一阶子频散曲线中的各相速度点作为向量元素，生成实测频散曲线对应的频散曲线向量。
如图4所示，对于每一频散曲线(可以是任一样本频散曲线，也可以是实测频散曲线)，从低阶到高阶顺序排列该频散曲线的每一阶子频散曲线中的相速度点，便得到该频散曲线对应的频散曲线向量。
S202-2，针对每个候选样本，从候选样本包括的样本频散曲线对应的频散曲线向量和实测频散曲线对应的频散曲线向量的第一个相速度点开始，按照预设步长逐次移动滑动窗至候选样本包括的样本频散曲线对应的频散曲线向量和实测频散曲线对应的频散曲线向量最后一个相速度点；在每次移动滑动窗后，计算候选样本包括的样本频散曲线对应的频散曲线向量在滑动窗内的相速度点与实测频散曲线对应的频散曲线向量在滑动窗内的相速度点的相关系数。
如图5所示，第i个候选样本包括的样本频散曲线对应的频散曲线向量为实测频散曲线对应的频散曲线向量为其中，N为候选样本的数量，Nv为相速度点的个数。
滑动窗的窗长设置为Nw＝α×Nv，其中，α在0～1之间取值，滑动窗移动的步长设置为一个相速度点。
滑动窗首次移动时，将vR,i的第一个相速度点到第Nw个相速度点组成一个样本序列，将vR的第一个相速度点到第Nw个相速度点组成一个样本序列，计算这两个样本序列的相关系数ci,1。
滑动窗第二次移动时，将vR,i的第二个相速度点到第Nw+1个相速度点组成一个样本序列，将vR的第二个相速度点到第Nw+1个相速度点组成一个样本序列，计算这两个样本序列的相关系数ci,2。
滑动窗第三次移动时，将vR,i的第三个相速度点到第Nw+2个相速度点组成一个样本序列，将vR的第三个相速度点到第Nw+2个相速度点组成一个样本序列，计算这两个样本序列的相关系数ci,3。
以此类推，当滑动窗移动至vR,i和vR的最后一个相速度点时，滑动窗一共移动Nv-Nw+1次，计算得到的相关系数 其中，每次滑动窗移动后相关系数的计算公式可以如下：
v′k＝vi,j+k-1
v″k＝vj+k-1
S202-3，根据每次移动滑动窗后计算的相关系数，获得候选样本包括的样本频散曲线与实测频散曲线的平均滑动相关系数。
在本发明实施例中，可以将每次移动滑动窗后计算的相关系数的均值作为候选样本包括的样本频散曲线与实测频散曲线的平均滑动相关系数。
即如图5所示，第i个候选样本包括的样本频散曲线与实测频散曲线的平均滑动相关系数
可以理解地，针对N个候选样本包括的样本频散曲线，共计可得到N个平均滑动相关系数。
S203，根据每个候选样本包括的样本频散曲线与实测频散曲线的平均滑动相关系数，从所有候选样本中确定第二数量个训练样本。
在可能的实现中，步骤S203的实现过程可以如下：
将每个候选样本包括的样本频散曲线与实测频散曲线的平均滑动相关系数从大到小进行排列，按照排列之后的平均滑动相关系数依次选取对应的所述候选样本作为训练样本，直至选取的训练样本的个数满足第二数量。
可以理解地，平均滑动相关系数的数值大小代表了样本频散曲线与实测频散曲线的相关性大小，即平均滑动相关系数越大，样本频散曲线与实测频散曲线的相关性越大，因此，可以将各样本频散曲线与实测频散曲线的平均滑动相关系数进行降序排列，再平均滑动相关系数取前Nt个平均滑动相关系数对应的候选样本作为训练样本，其中，Nt<N。
S204，利用每个训练样本包括的地球模型参数样本和样本频散曲线，训练地球模型参数估计网络。
其中，每个训练样本包括的样本频散曲线作为输入样本，每个训练样本包括的地球模型参数样本作为输出样本，地球模型参数估计网络从输入样本和输出样本中学习到瑞雷面波反演中的函数关系，从而提高地下介质的地球模型参数的估计结果的准确性和稳定性。
本发明实施例还利用下述实验示例对上述方法做进一步说明。
示例一：基于MATLAB平台进行的数值实验
步骤0：请参照图6，通过下表中的地球模型参数生成如图6(a)所示的理论地震面波数据，经过数据处理得到如图6(b)所示的频散能量图，沿该图高亮区域可以提取如图6(c)所示的实测频散曲线。
步骤1：设计搜索空间，并在搜索空间中随机设置5000组地球模型参数向量(Nθ＝2n-1)，其中，层数为n＝5，h(i)和/>分别表示第i层的层厚和横波速度，得到5000条样本频散曲线，每一条样本频散曲线的相速度点数是每间隔0.5Hz插值得到。
步骤2：选择5000个随机输入-输出样本对，输入样本为构成样本频散曲线的相速度数据集输出样本为地球模型参数数据集
步骤3：计算每条样本频散曲线与实测频散曲线的平均滑动相关系数。首先，构建每条样本频散曲线和理论频散曲线向量。将每一条频散曲线(包括样本平频散曲线和理论频散曲线)从低阶到高阶的顺序排列每一阶子频散曲线中的相速度点，构成一个频散曲线向量，共计构建5000个样本频散曲线的频散曲线向量vR,i和实测频散曲线的频散曲线向量vR；然后，计算vR和vR,i的平均滑动相关系数，设置滑动窗长因子α＝0.2，使滑动窗窗长Nw＝1000，以及滑动窗移动的步长为一个相速度点，选择第i条样本频散曲线和实测频散曲线的频散曲线向量的第一个相速度点到第1000个相速度点组成两个样本序列，计算这两个样本序列的相关系数，以此类推，当直到滑动窗的末尾移动到最后一个相速度点时，一共得到Nv-Nw+1个相关参数，即具体计算公式为：其中，v″k＝vj+k-1，/>计算第i条样本频散曲线与实测频散曲线的平均滑动相关系数：/>针对5000条样本频散曲线和实测频散曲线，共计可得到5000个平均滑动相关系数。
步骤4：将5000个随机输入-输出样本对按照步骤3计算得到的5000个进行降序排序，并选择前500个作为训练样本。
步骤5：使用步骤4确定出的训练样本对宽度学习网络进行训练。
步骤6：使用训练好的宽度学习网络估计地下介质的最优地球模型参数(包括层厚和横波速度)。
图7是使用选择的训练样本得到的一次反演的结果，也就是选用500个样本经过宽度学习网络训练后得到的反演结果，其中，图7(a)表示样本频散曲线与理论频散曲线的对比；图7(b)表示目标函数曲线；图7(c)表示反演的地球模型的层厚和横波速度与前表中的理论地球模型参数的对比。
从图7可知，反演的频散曲线与理论频散曲线拟合良好，目标函数曲线收敛，反演横波速度剖面精度较高。
为了对比本发明实施例提出的方法的有效性，进行了以下三种样本输入情况下的数值模拟。
第一种情况，在原本生成的5000个输入-输出样本对中随机选择500个样本对，进行宽度学习网络训练，并得到如图8所示的结果。
第二种情况，直接将原本随机生成的5000个输入-输出样本对作为宽度学习网络的训练样本，得到如图9所示的结果。
第三种情况，将对应于最小的500个平均滑动相关系数的输入-输出样本对作为宽度学习网络的训练样本，得到如图10所示的结果。
图8、图9、图10中的(a)、(b)、(c)分别表示使用各自选择的训练样本反演得到频散曲线与理论频散曲线的对比、对应的目标函数曲线、反演得到的层厚和横波速度与地球模型参数的对比。
将图8～图10与图7进行对比发现，按照本发明实施例提供的方法得到频散曲线与理论频散曲线拟合得最好，目标函数收敛最快，且反演得到的层厚和横波速度与目标地球模型参数最接近。
示例二：野外实测实验
对野外实测数据进行处理得到如图11(a)所示的实测频散曲线。按照本发明实施例提供的瑞雷面波反演方法，仍在5000个随机输入-输出样本对中选择对应于前500个经过降序排列的平均滑动相关系数的输入-输出样本对，作为宽度学习网络的训练样本，得到了如图11所示的野外实测数据一次反演的结果，其中，图11(a)表示反演得到频散曲线与实测频散曲线的对比；图11(b)表示目标函数曲线；图11(c)表示反演的层厚和横波速度与实际钻孔数据的对比。
从图11可知，无论是主动源频散曲线还是被动源频散曲线均与各自对应的实测频散曲线拟合较好，目标函数值收敛在较小的值，同时，反演得到的横波速度与钻孔剖面匹配良好。
为了对比本发明实施例提供的方法在野外实测实验的有效性，本实施例在原本的5000个输入-输出样本对中随机选择500个输入-输出样本对作为宽度学习网络的训练样本，得到了如图12所示的针对野外实测数据的一次反演结果。对比图11可知，随机选择训练样本的方式得到的频散曲线与实测频散曲面拟合较差，且目标函数曲线收敛值较大，同时，横波速度与实际钻孔剖面值相差较大。
为了执行上述方法实施例及各个可能的实施方式中的相应步骤，下面给出一种瑞雷面波反演装置100的实现方式。
请参照图13，该瑞雷面波反演装置100包括获取模块101，反演模块102和训练模块103。
获取模块101，用于获取实测瑞雷面波数据。
反演模块102，用于将实测瑞雷面波数据输入预先训练的地球模型参数估计网络，反演地下介质的目标地球模型参数；其中，用于训练地球模型参数估计网络的每个训练样本包括的样本频散曲线与基于实测瑞雷面波数据获得的实测频散曲线具有相关性。
训练模块103，用于在预先设置的地球模型参数的搜索空间中，生成第一数量个候选样本，每个候选样本包括地球模型参数样本和样本频散曲线，样本频散曲线是基于地球模型参数样本正演得到的；计算每个候选样本包括的样本频散曲线与基于实测瑞雷面波数据获得的实测频散曲线的平均滑动相关系数；根据每个候选样本包括的样本频散曲线与实测频散曲线的平均滑动相关系数，从所有候选样本中确定第二数量个训练样本；利用每个训练样本包括的地球模型参数样本和样本频散曲线，训练地球模型参数估计网络。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的瑞雷面波反演装置100的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
进一步地，本发明实施例还提供了一种电子设备200，请参照图14，电子设备200可以包括存储器210和处理器220。
其中，处理器220可以是一个通用的中央处理器(Central Processing Unit，CPU)，微处理器，特定应用集成电路(Application-Specific Integrated Circuit，ASIC)，或一个或多个用于控制上述方法实施例提供的瑞雷面波反演方法的程序执行的集成电路。
存储器210可以是ROM或可存储静态信息和指令的其它类型的静态存储设备，RAM或者可存储信息和指令的其它类型的动态存储设备，也可以是电可擦可编程只读存储器(Electrically Erasable Programmabler-Only MEMory，EEPROM)、只读光盘(CompactdiscRead-Only MEMory，CD-ROM)或其它光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其它磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其它介质，但不限于此。存储器210可以是独立存在，通过通信总线与处理器220相连接。存储器210也可以和处理器220集成在一起。其中，存储器210用于存储执行本申请方案的机器可执行指令。处理器220用于执行存储器210中存储的机器可执行指令，以实现上述的方法实施例。
本发明实施例还提供一种包含计算机程序的计算机可读存储介质，计算机程序在被执行时可以用于执行上述的方法实施例提供的瑞雷面波反演方法中的相关操作。
以上，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种瑞雷面波反演方法，其特征在于，所述方法包括：
获取实测瑞雷面波数据；
将所述实测瑞雷面波数据输入预先训练的地球模型参数估计网络，反演地下介质的目标地球模型参数；
其中，用于训练所述地球模型参数估计网络的每个训练样本包括的样本频散曲线与基于所述实测瑞雷面波数据获得的实测频散曲线具有相关性。
2.如权利要求1所述的方法，其特征在于，所述方法还包括训练所述地球模型参数估计网络的步骤，其包括：
在预先设置的地球模型参数的搜索空间中，生成第一数量个候选样本，每个所述候选样本包括地球模型参数样本和样本频散曲线，所述样本频散曲线是基于所述地球模型参数样本正演得到的；
计算每个所述候选样本包括的样本频散曲线与基于所述实测瑞雷面波数据获得的实测频散曲线的平均滑动相关系数；
根据每个所述候选样本包括的样本频散曲线与所述实测频散曲线的平均滑动相关系数，从所有所述候选样本中确定第二数量个训练样本；
利用每个所述训练样本包括的地球模型参数样本和样本频散曲线，训练所述地球模型参数估计网络。
3.如权利要求2所述的方法，其特征在于，所述计算每个所述候选样本包括的样本频散曲线与基于所述实测瑞雷面波数据获得的实测频散曲线的平均滑动相关系数的步骤包括：
构建每个所述候选样本包括的样本频散曲线对应的频散曲线向量和所述实测频散曲线对应的频散曲线向量；
针对每个候选样本，从所述候选样本包括的样本频散曲线对应的频散曲线向量和所述实测频散曲线对应的频散曲线向量的第一个相速度点开始，按照预设步长逐次移动滑动窗至所述候选样本包括的样本频散曲线对应的频散曲线向量和所述实测频散曲线对应的频散曲线向量最后一个相速度点；
在每次移动所述滑动窗后，计算所述候选样本包括的样本频散曲线对应的频散曲线向量在所述滑动窗内的相速度点与所述实测频散曲线对应的频散曲线向量在所述滑动窗内的相速度点的相关系数；
根据每次移动所述滑动窗后计算的相关系数，获得所述候选样本包括的样本频散曲线与所述实测频散曲线的平均滑动相关系数。
4.如权利要求3所述的方法，其特征在于，所述根据每次移动所述滑动窗后计算的相关系数，获得所述候选样本包括的样本频散曲线与所述实测频散曲线的平均滑动相关系数的步骤包括：
将每次移动所述滑动窗后计算的相关系数的均值作为所述候选样本包括的样本频散曲线与所述实测频散曲线的平均滑动相关系数。
5.如权利要求3所述的方法，其特征在于，所述构建每个所述候选样本包括的样本频散曲线对应的频散曲线向量和所述实测频散曲线对应的频散曲线向量的步骤包括：
针对每个所述候选样本，将所述候选样本包括的样本频散曲线包括的多阶子频散曲线从低阶到高阶进行排列；
按照排列顺序，依次将每一阶子频散曲线中的各相速度点作为向量元素，生成所述候选样本包括的样本频散曲线对应的频散曲线向量；
将所述实测频散曲线包括的多阶子频散曲线从低阶到高阶进行排列，并按照排列顺序依次将每一阶子频散曲线中的各相速度点作为向量元素，生成所述实测频散曲线对应的频散曲线向量。
6.如权利要求2所述的方法，其特征在于，所述根据每个所述候选样本包括的样本频散曲线与所述实测频散曲线的平均滑动相关系数，从所有所述候选样本中确定第二数量个训练样本的步骤包括：
将每个所述候选样本包括的样本频散曲线与所述实测频散曲线的平均滑动相关系数从大到小进行排列，按照排列之后的所述平均滑动相关系数依次选取对应的所述候选样本作为训练样本，直至选取的训练样本的个数满足所述第二数量。
7.一种瑞雷面波反演装置，其特征在于，所述装置包括：
获取模块，用于获取实测瑞雷面波数据；
反演模块，用于将所述实测瑞雷面波数据输入预先训练的地球模型参数估计网络，反演地下介质的目标地球模型参数；其中，用于训练所述地球模型参数估计网络的每个训练样本包括的样本频散曲线与基于所述实测瑞雷面波数据获得的实测频散曲线具有相关性。
8.如权利要求7所述的装置，其特征在于，所述装置还包括训练模块；
所述训练模块用于在预先设置的地球模型参数的搜索空间中，生成第一数量个候选样本，每个所述候选样本包括地球模型参数样本和样本频散曲线，所述样本频散曲线是基于所述地球模型参数样本正演得到的；计算每个所述候选样本包括的样本频散曲线与基于所述实测瑞雷面波数据获得的实测频散曲线的平均滑动相关系数；根据每个所述候选样本包括的样本频散曲线与所述实测频散曲线的平均滑动相关系数，从所有所述候选样本中确定第二数量个训练样本；利用每个所述训练样本包括的地球模型参数样本和样本频散曲线，训练所述地球模型参数估计网络。
9.一种电子设备，其特征在于，其包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1～6任一项所述瑞雷面波反演方法。
10.一种计算机可读存储介质，其特征在于，其存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1～6任一项所述瑞雷面波反演方法。
CN202311265196.2A 2023-09-26 2023-09-26 瑞雷面波反演方法、装置、电子设备及存储介质 Active CN117289337B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311265196.2A CN117289337B (zh) 2023-09-26 2023-09-26 瑞雷面波反演方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311265196.2A CN117289337B (zh) 2023-09-26 2023-09-26 瑞雷面波反演方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN117289337A true CN117289337A (zh) 2023-12-26
CN117289337B CN117289337B (zh) 2024-05-10

Family

ID=89251476

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311265196.2A Active CN117289337B (zh) 2023-09-26 2023-09-26 瑞雷面波反演方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN117289337B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000321360A (ja) * 1999-03-08 2000-11-24 Sekisui Chem Co Ltd 地下速度構造推定方法及び地下速度構造推定システム
CN110879412A (zh) * 2019-10-31 2020-03-13 南方科技大学 地下横波速度反演方法、装置、计算设备及存储介质
CN115935142A (zh) * 2022-10-21 2023-04-07 南方科技大学 一种基于短周期密集台阵城市背景噪声的成像方法及装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000321360A (ja) * 1999-03-08 2000-11-24 Sekisui Chem Co Ltd 地下速度構造推定方法及び地下速度構造推定システム
CN110879412A (zh) * 2019-10-31 2020-03-13 南方科技大学 地下横波速度反演方法、装置、计算设备及存储介质
CN115935142A (zh) * 2022-10-21 2023-04-07 南方科技大学 一种基于短周期密集台阵城市背景噪声的成像方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
XINHUA CHEN 等: "Deep learning inversion of Rayleigh-wave dispersion curves with geological constraints for near-surface investigations", GEOPHYS. J. INT., 3 May 2022 (2022-05-03), pages 1 *
贺懿 等: "基于神经网络的面波迭代反演应用研究", 西南石油大学学报(自然科学版), vol. 32, no. 01, 15 February 2010 (2010-02-15), pages 40 - 44 *

Also Published As

Publication number Publication date
CN117289337B (zh) 2024-05-10

Similar Documents

Publication Publication Date Title
Nayek et al. A Gaussian process latent force model for joint input-state estimation in linear structural systems
KR101958674B1 (ko) 시퀀스 재귀 필터링 3차원 변분(3d-var) 기반의 실측 해양 환경 데이터 동화방법
JP6832678B2 (ja) 新規物質探索方法および装置
JP2018132969A (ja) 文章作成装置
CN110717010B (zh) 一种文本处理方法及系统
CN110705041B (zh) 一种基于easi的线性结构工作模态参数识别方法
Khan et al. Novel approach for a van der pol oscillator in the continuous time domain
JP6993909B2 (ja) 連続最適化問題の大域的探索装置及びプログラム
CN111707294B (zh) 基于最优区间估计的行人导航零速区间检测方法和装置
Plasencia et al. Geothermal model calibration using a global minimization algorithm based on finding saddle points and minima of the objective function
CN117289337B (zh) 瑞雷面波反演方法、装置、电子设备及存储介质
Wang et al. Using DTW to measure trajectory distance in grid space
Akçay et al. Power spectrum estimation in innovation models
CN112329304B (zh) 一种连续结构动态载荷区间辨识方法
JP6662715B2 (ja) 予測装置、予測方法及びプログラム
CN104469795B (zh) 基于领域搜索的FARIMA模型Hurst参数估计方法
Darojah et al. The training of feedforward neural network using the unscented Kalman filter for voice classification application
CN115577787A (zh) 量子振幅估计方法、装置、设备以及存储介质
Aoyama et al. Graph index based query-by-example search on a large speech data set
CN112649869A (zh) 基于ga-wnn的储层特征参数预测方法及系统
JP2019095831A (ja) 抽出装置、抽出方法、及び抽出プログラム
Dai Exact simulation for diffusion bridges: An adaptive approach
KR20190023806A (ko) 음원 인덱스를 포함한 음원 데이터베이스의 구축방법 및 이를 이용한 음원의 검색방법
Abeywardena et al. Recursive least square based estimation of MEMS inertial sensor stochastic models
Rodionov Fast rough bounds for the coefficients of the network reliability polynomial

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