CN118011482A - 基于多深度神经网络的tbm掘进噪声数据成像方法 - Google Patents

Abstract

本发明公开一种基于多深度神经网络的TBM掘进噪声数据成像方法，包括以下步骤：S1、构建掘进噪声实时成像数据库；S2、基于深度学习构建干扰压制网络组件；S3、基于深度学习构建初至波位置预测网络组件；S4、基于深度学习构建智能反演网络组件；S5、TBM掘进噪声数据采集与智能成像；本发明通过设计网络结构使得前序网络组件为后序各网络组件提供高质量数据信息，辅助提升后续组件处理精度，实现自动化的数据噪声压制、围岩波速求取与偏移波速场的构建，并结合互相关干涉与逆时偏移成像算法，实现从掘进噪声观测数据到逆时偏移成像结果的快速处理，形成一套无人工处理环节、兼顾成像效率与成像精度的隧道TBM掘进噪声数据实时智能成像方法。

Description

基于多深度神经网络的TBM掘进噪声数据成像方法

技术领域

本发明属于隧道超前地质预报技术领域，具体涉及一种基于多深度神经网络的TBM掘进噪声数据成像方法。

背景技术

隧道建设面临断层、破碎带、溶洞等不良地质构造，易导致卡机、突水突泥、塌方等灾害事故，威胁隧道工程的安全施工。隧道地震波类超前预报方法具有探测距离远、对岩体中结构面有敏感响应的优势，成为探明隧道掌子面前方岩土介质分布与不良地质赋存状态的重要手段。

隧道TBM滚刀破岩振动噪声源探测是一种噪声源隧道地震波超前预报方法，该方法利用TBM刀盘掘进时振动产生的噪声作为震源，并通过刀盘处检波器记录震源波形数据，布设于隧道边墙的检波器接收振动信号得到掘进噪声观测数据，通过互相关干涉等地震波场特征恢复方法将掘进噪声观测数据恢复成近似于主动源数据的地震波数据，最后采用该数据进行前方波速界面的偏移成像，实现对断层、破碎带与溶洞等不良地质体的定位。由于该方法采用TBM掘进振动噪声作为震源，避免了常规主动源隧道地震波超前预报方法需在TBM掘停期间进行探测的问题，大大提高了探测效率。但受限于现有地震数据处理算法依赖人工经验与算法计算效率问题，目前该方法难以实现实时的较高精度成像，主要包括以下三方面问题：

其一，掘进振动噪声数据的地震波场特征恢复过程中，噪声干扰的剔除依赖处理人员的经验，人工处理效率低，质量受人为因素影响。

其二，在进行地震波场特征恢复后数据的偏移成像时，当前常常采用人工拾取的初至波的波速作为偏移波速即整个地震波场传播过程中的背景波速场。一方面，人工拾取过程存在误差且效率低下；另一方面该方式实际上是以临近隧道边墙检波器布设位置处的围岩波速作为整个波场传播的背景波速，是一种近似过程，不符合实际情况，影响成像定位精度。

其三，若采用常规地震波速全波形反演等方法求取偏移速度模型，将经历耗时较长的反演迭代过程，且由于互相关后数据中存在虚同相轴等相干噪声干扰、反演问题的强非线性与隧道观测空间下小偏移距数据缺少低波数成分的固有问题，常规线性反演方法易陷入局部极值从而产生错误的反演结果。

发明内容

针对上述基于TBM掘进噪声的隧道地震波探测方法在成像精度与成像效率方面存在的问题，本发明提出一种基于多深度神经网络的TBM掘进噪声数据成像方法，本发明结合深度学习将成像流程中造成上述问题的三个关键环节智能化，设计了配套的三个深度神经网络组件：干扰压制网络组件、初至波位置预测网络组件与智能反演网络组件，整套流程中，通过设计网络结构使得前序组件为后序各网络组件提供高质量数据信息，辅助提升后续组件处理精度，实现自动化的数据噪声压制、围岩波速求取与偏移波速场的构建，并结合互相关干涉与逆时偏移成像算法，实现从掘进噪声数据到逆时偏移成像结果的快速处理，形成一套兼顾成像效率与成像精度的隧道TBM掘进噪声数据实时智能成像方法。

为实现上述目的，本发明采用如下技术方案：

一种基于多深度神经网络的TBM掘进噪声数据成像方法，包括以下步骤：

S1、批量构建隧道波速模型，对每一个隧道波速模型，通过数值模拟生成对应的掘进噪声观测数据、TBM刀盘处检波器信号、虚源炮集数据、初至波标签、均一波速模型以及含其它施工噪声的掘进噪声观测数据，形成掘进噪声实时成像数据库；

S2、构建基于深度学习的干扰压制网络组件，并基于步骤S1所述含其它施工噪声的掘进噪声观测数据对该网络组件进行自监督训练，使其能够预测噪声压制后的掘进噪声观测数据；

S3、构建基于深度学习的初至波位置预测网络组件，并基于步骤S1所述虚源炮集数据、初至波标签对该网络组件进行监督学习训练，使其能够预测初至波标签；

S4、构建基于深度学习的智能反演网络组件，将步骤S1所述TBM刀盘处检波器信号与步骤S1所述掘进噪声观测数据各道沿时间轴方向拼接，得到拼接后的掘进噪声数据，并基于该拼接后的掘进噪声数据、步骤S1所述隧道波速模型、步骤S1所述均一波速模型对该网络组件进行监督学习训练，使其能够预测隧道波速模型；

S5、进行实际在建隧道工程TBM掘进噪声源地震波探测与数据采集，得到实测掘进噪声观测数据与实测TBM刀盘处检波器信号，将实测掘进噪声观测数据通过步骤S2所述干扰压制网络组件进行干扰压制，预测出噪声压制后的实测掘进噪声观测数据；该数据经与实测TBM刀盘处检波器信号互相关干涉得到实测虚源炮集数据；

实测虚源炮集数据输入所述初至波位置预测网络组件预测出实测初至波标签，根据实测初至波标签中的初至波斜率计算求得初至波波速；

根据所述初至波波速构建均一波速模型，采用所述均一波速模型、实测TBM刀盘处检波器信号与噪声压制后的实测掘进噪声观测数据各道沿时间轴方向拼接得到的拼接后的实测掘进噪声数据共同作为智能反演网络组件的输入，预测出探测隧道波速模型；

利用实测虚源炮集数据在该探测隧道波速模型上进行逆时偏移成像。

步骤S1中，采用被动源波场正演模拟与常规TBM掘进噪声作为震源的隧道地震波探测观测方式，生成各速度模型对应的掘进噪声观测数据，并采用互相关干涉法生成各掘进噪声观测数据对应的虚源炮集数据；

采用被动源波场正演相同的观测方式进行主动源正演，并根据主动源正演数据标记初至波起跳点位置，生成初至波标签；

采用隧道波速模型中隧道围岩处的波速即初至波波速构建各模型对应的尺寸相同的均一波速模型；此外为各掘进噪声观测数据添加隧道中实测的施工噪声，上述多组相互对应的数据与波速模型形成掘进噪声实时成像数据库。

步骤S2中，所述干扰压制网络组件采用自编码器结构，其中编码器部分由多个空洞卷积层构成，该网络训练过程中输入为掘进噪声实时成像数据库中的含其它施工噪声的掘进噪声观测数据，并采用输入数据作为网络训练的标签数据。

步骤S3中，所述初至波位置预测网络组件训练过程中的输入为步骤S1得到的所述掘进噪声实时成像数据库中各掘进噪声观测数据对应的虚源炮集数据；

网络训练的标签数据为掘进噪声实时成像数据库中与主动源正演数据初至波起跳点位置对应的初至波标签。

步骤S4中，所述智能反演网络组件包括掘进噪声观测数据编码器与波速模型构建网络模块，所述的掘进噪声观测数据编码器由多组空洞卷积层构成，输入为拼接后的掘进噪声数据，输出为一个特征向量v_d；

波速模型构建网络模块的输入为均一波速模型，该网络模块中的各网络层后均拼接一个交叉注意力机制层，各交叉注意力机制层的输入为特征向量v_d与该层之前的网络中间层的输出，智能反演网络组件的网络结构表示为：

其中，d_c表示拼接后的掘进噪声数据，m₀表示均一波速模型；w₃表示智能反演网络组件的网络参数；En_d表示掘进噪声观测数据编码器；VBnet表示波速模型构建网络模块；m表示预测波速模型即偏移波速模型；

其中，所述交叉注意力机制层表示为：

其中，

式中，s_v表示特征向量v_d的长度，W_Q与W_K均为网络参数矩阵，F(m₀,w₃)表示VBnet中交叉注意力机制层前的网络中间层的输出；

采用掘进噪声实时成像数据库中的均一波速模型、拼接后的掘进噪声数据作为输入，隧道波速模型作为标签对智能反演网络组件进行监督学习训练。

与现有技术相比，本发明的有益效果为：

第一.本发明针对当前TBM掘进噪声源地震波隧道探测方法的算法流程中影响数据处理效率的问题，基于深度神经网络将流程中多个环节智能化。各组件构建完成后，整套成像流程中，无反演迭代等较为耗时的计算过程，且将常规探测过程中需要人工处理的流程直接通过算法实现，使得算法效率较传统处理流程将大幅提高，有望实现采集到探测数据后对前方不良地质体的实时成像；

第二.本发明针对当前TBM掘进噪声源地震波隧道探测方法的算法中影响成像精度的问题，即对波速求取过程简化，本发明基于初至波波速和探测数据两方面信息反演波速，以利用均一波速模型提供低波数信息、缓解反演非线性问题，利用掘进噪声数据中丰富的全波形信息提供高频信息以精确恢复隧道掌子面前方波速分布，该过程中引用了交叉注意力机制层，该结构常用于增强两输入序列之间的语义关联，对于波速反演任务而言，均一波速模型这一背景波速场信息与掘进噪声数据中包含的高频振幅变化规律信息，分别对应了波速反演结果中包含的高波数的波速分界面信息与低波数的背景波速场分布信息，挖掘两数据中互补的波速信息与交叉注意力机制匹配，通过深度学习网络直接建立从掘进噪声数据到波速分布的映射，快速获得更准确波速信息，结合通过对掘进噪声观测数据干扰压制后获得的虚源炮集数据，实现更精确的不良地质体成像定位。

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是本发明基于多深度神经网络的TBM掘进噪声数据成像方法流程图；

图2是本发明基于多深度神经网络的TBM掘进噪声数据成像方法架构图；

图3是本发明所用的速度模型与数值模拟生成的掘进噪声观测数据、含噪声的虚源炮集数据、虚源炮集数据与初至波标签示意图；

图4是本发明的预测隧道波速模型与虚源炮集RTM成像结果示意图。

具体实施方式

下面结合说明书附图以及具体实施例对本发明的技术方案做进一步详细说明。

应该指出，以下详细说明都是示例性的，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，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

具体的，本实施例提供的方法流程图如图1所示，基于三个网络组件形成的方法整体架构如图2所示，包括以下步骤：

步骤S1，根据待探测隧道的地质情况构建10000个二维隧道波速模型，波速模型中包含波速发生突变的波速分界面，代表断层、破碎带等不良地质体。模型网格大小dx＝dz＝1m，模型尺寸为z×x＝80×150格，此外，周围设置一圈厚度为20格的海绵吸收边界。隧道被设置于z轴的正中心，隧道宽度为10m；x方向长50m，波速统一设置为340m/s。模型围岩波速范围为1000m/s到5000m/s。并以隧道围岩波速生成各模型对应的同尺寸的均一波速模型。在隧道洞壁上、下各布设一条测线，每条测线包含3个震源点和6个检波点，震源点布设于距离施工掌子面2m到10m的位置，均匀分布,间距为4m。检波器布设于距离施工掌子面11m到31m的位置，间距为4m。掘进噪声观测数据震源加载波形通过雷克子波与随机时间序列褶积获得。采用300Hz雷克子波震源激发，检波器记录的单位时间步长为1ms，总时长为0.4s，采用常密度声波波动方程空间二阶时间二阶有限差分方法，进行正演模拟获取掘进噪声观测数据，尺寸为s×r×t＝3×6×400，并获得TBM刀盘处检波器信号，尺寸为s×r×t＝3×1×400；采用互相关干涉法将噪声数据恢复为虚源炮集，尺寸为s×r×t＝3×6×200，并构建一个虚源炮集数据相同尺寸的三维矩阵，根据与虚源炮集相同观测方式的主动源数据的初至波起跳点位置，小于初至波起跳点时刻的位置，在标签矩阵中相应位置标记为0，大于的在标签矩阵中标记为1，给三维矩阵赋值，得到初至波标签。为各掘进噪声观测数据添加高斯噪声，使各数据信噪比在-10db——15db之间。二维常密度声波方程可表示为：

式中P为压力波场，m为波速模型，s表示震源项。最终得到共10000组二维隧道波速模型与对应的上述各类数据，按照8:1:1分为训练集8000组、验证集1000组与测试集1000组，训练集与验证集用于后续步骤S2、S3、S4三个组件的网络参数训练，测试集用于步骤S5整套方法效果的测试。

当然，在其他实施例中，可以通过其他数据建立多组波速模型。或者在建立模型的过程中，选取的参数可以不采用上述实施例中提供的参数，可以进行变换。

在其他实施例中，对于各波速模型以固定的震源、检波器位置与观测时间进行波场模拟，在检波器位置记录波场数据，得到与地质波速模型对应的地震观测数据。

本实施例数据库中的一个隧道波速模型、围岩波速构建的均一波速模型、与之对应的掘进噪声观测数据、虚源炮集数据、添加噪声后的掘进噪声观测数据与初至波标签如图3所示。

步骤S2，构建干扰压制网络组件，网络训练过程中的输入为掘进噪声实时成像数据库中的含噪声的掘进噪声观测数据，并采用输入数据作为网络训练的标签数据。网络由6组依次级联的空洞卷积层与6组依次级联反卷积层构成。采用数据集中的数据训练干扰压制网络组件，目标函数可表示为：

其中，表示掘进噪声观测数据，同样作为网络训练的标签；w₁表示卷积自编码网络的网络参数；Denoi表示干扰压制网络组件。共开展100轮训练，采用Adam优化器，学习率为1×10^-4，Batchsize为8。该过程基于数据中干扰噪声的无序性、随机分布的特点与空洞卷积自身的图像正则化能力，通过无监督训练实现噪声压制，空洞卷积由于具有相对卷积网络更大的感受野，更适用于长时采样的掘进噪声观测数据。

步骤S3，构建初至波位置预测网络组件，该网络训练过程中的输入为掘进噪声实时成像数据库中各掘进噪声观测数据对应的虚源炮集数据，尺寸为s×r×t＝3×6×200，标签数据为掘进噪声实时成像数据库中的初至波标签，尺寸同样为3×6×200。初至波位置预测网络组件由6组依次级联的空洞卷积层、6组依次级联反卷积层、以及各卷积层与各反卷积层之间的跳跃连接。训练过程目标函数可表示为：

其中，d_v表示输入虚源炮集数据；w₂表示初至波位置预测网络组件的网络参数；FPnet表示初至波位置预测网络组件；表示初至波标签。共开展100轮训练，采用Adam优化器，学习率为5×10^-5，Batchsize为32。

步骤S4，构建智能反演网络组件，将掘进噪声实时成像数据库中TBM刀盘处检波器信号与所述掘进噪声观测数据各道沿时间轴方向拼接，得到拼接后的掘进噪声数据，该网络组件有两个输入，分别为拼接后的掘进噪声数据与其对应的均一波速模型，输出为预测波速模型，即后续偏移成像用到的偏移波速模型，训练的标签采用掘进噪声实时成像数据库中的隧道波速模型。该组件包括掘进噪声观测数据编码器与波速模型构建网络模块，所述的掘进噪声观测数据编码器由多组空洞卷积层构成，掘进噪声观测数据编码器将掘进噪声观测数据压缩为一个特征向量v_d，波速模型构建网络模块中的各网络层后均拼接一个交叉注意力机制层，各交叉注意力机制层的输入为v_d与该层之前的网络中间层的输出，智能反演网络组件的网络结构表示为：

其中，d_c表示拼接后的掘进噪声数据，m₀表示均一波速模型；w₃表示智能反演网络组件的网络参数；En_d表示掘进噪声观测数据编码器；VBnet表示波速模型构建网络模块；m表示预测波速模型即偏移波速模型；

网络训练的目标函数可表示为：

式中，表示标签数据。共开展200轮训练，采用Adam优化器，学习率为1×10^-4，Batchsize为16。

步骤S5，实际应用时，采用本实施例中与生成模拟数据相同的观测方式，进行实际在建隧道工程的TBM掘进噪声数据采集。本实施例采用测试集中的通过数值模拟生成的数据替代实际在建隧道工程的TBM掘进噪声数据，进行整套方法的测试。将测试集中的一组掘进噪声观测数据(图3所示)输入训练好的干扰压制网络组件，输出干扰压制后的数据，并采用处理后的数据与刀盘震源处的检波器数据进行互相关干涉，得到虚源炮集数据，输入初至波位置预测网络组件，预测初至波标签，根据数据中标注出的初至波的斜率，通过下式计算初至波波速：

v＝x_r/x_t

其中x_r为预测数据中检波器r方向坐标轴表示的实际距离，x_t为预测数据中时间刻度t方向坐标轴表示的实际时长。图3所示数据x_r为20m，x_t为20ms，则初至波波速v为1000m/s。得到初至波波速后，构建与训练网络所用的波速模型尺寸相同的均一波速模型。将拼接后的掘进源数据与相应的上述均一波速模型共同输入智能反演网络组件，得到预测波速模型即偏移波速模型。最终采用虚源炮集与偏移波速模型，基于归一化互相关成像条件进行逆时偏移成像(RTM)，实现对隧道前方波速分界面的快速成像：

其中，S为正传波场，R为残差波场逆传播场，I为成像结果，x表示坐标，t表示地震数据的时间步。

对训练集该组数据的整个处理流程总时长在2min以内，得到图4所示的逆时偏移成像结果，结果中较好的反映了掌子面前方波速的分层情况，说明本发明方法可以较准确、快速的定位隧道掌子面前方的不良地质体位置。

本实施例的所用程序基于Python语言中的Pytorch库实现，运行基于4块NVIDIATITAN RTX显卡，48G显存。

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，本发明可采用完全硬件实施例、完全软件实施例、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、CD-ROM、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。

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 (5)

1.一种基于多深度神经网络的TBM掘进噪声数据成像方法，其特征在于，包括以下步骤：

S1、批量构建隧道波速模型，对每一个隧道波速模型，通过数值模拟生成对应的掘进噪声观测数据、TBM刀盘处检波器信号、虚源炮集数据、初至波标签、均一波速模型以及含其它施工噪声的掘进噪声观测数据，形成掘进噪声实时成像数据库；

S2、构建基于深度学习的干扰压制网络组件，并基于步骤S1所述含其它施工噪声的掘进噪声观测数据对该网络组件进行自监督训练，使其能够预测噪声压制后的掘进噪声观测数据；

S3、构建基于深度学习的初至波位置预测网络组件，并基于步骤S1所述虚源炮集数据、初至波标签对该网络组件进行监督学习训练，使其能够预测初至波标签；

S4、构建基于深度学习的智能反演网络组件，将步骤S1所述TBM刀盘处检波器信号与步骤S1所述掘进噪声观测数据各道沿时间轴方向拼接，得到拼接后的掘进噪声数据，并基于该拼接后的掘进噪声数据、步骤S1所述隧道波速模型、步骤S1所述均一波速模型对该网络组件进行监督学习训练，使其能够预测隧道波速模型；

S5、进行实际在建隧道工程TBM掘进噪声源地震波探测与数据采集，得到实测掘进噪声观测数据与实测TBM刀盘处检波器信号，将实测掘进噪声观测数据通过步骤S2所述干扰压制网络组件进行干扰压制，预测出噪声压制后的实测掘进噪声观测数据；该数据经与实测TBM刀盘处检波器信号互相关干涉得到实测虚源炮集数据；

实测虚源炮集数据输入所述初至波位置预测网络组件预测出实测初至波标签，根据实测初至波标签中的初至波斜率计算求得初至波波速；

根据所述初至波波速构建均一波速模型，采用所述均一波速模型、实测TBM刀盘处检波器信号与噪声压制后的实测掘进噪声观测数据各道沿时间轴方向拼接得到的拼接后的实测掘进噪声数据共同作为智能反演网络组件的输入，预测出探测隧道波速模型；

利用实测虚源炮集数据在该探测隧道波速模型上进行逆时偏移成像。

2.根据权利要求1所述的基于多深度神经网络的TBM掘进噪声数据成像方法，其特征在于，步骤S1中，采用被动源波场正演模拟与常规TBM掘进噪声作为震源的隧道地震波探测观测方式，生成各速度模型对应的掘进噪声观测数据，并采用互相关干涉法生成各掘进噪声观测数据对应的虚源炮集数据；

采用被动源波场正演相同的观测方式进行主动源正演，并根据主动源正演数据标记初至波起跳点位置，生成初至波标签；

采用隧道波速模型中隧道围岩处的波速即初至波波速构建各模型对应的尺寸相同的均一波速模型；此外为各掘进噪声观测数据添加隧道中实测的施工噪声，上述多组相互对应的数据与波速模型形成掘进噪声实时成像数据库。

3.根据权利要求1所述的基于多深度神经网络的TBM掘进噪声数据成像方法，其特征在于，步骤S2中，所述干扰压制网络组件采用自编码器结构，其中编码器部分由多个空洞卷积层构成，该网络训练过程中输入为掘进噪声实时成像数据库中的含其它施工噪声的掘进噪声观测数据，并采用输入数据作为网络训练的标签数据。

4.根据权利要求1所述的基于多深度神经网络的TBM掘进噪声数据成像方法，其特征在于，步骤S3中，所述初至波位置预测网络组件训练过程中的输入为步骤S1得到的所述掘进噪声实时成像数据库中各掘进噪声观测数据对应的虚源炮集数据；

网络训练的标签数据为掘进噪声实时成像数据库中与主动源正演数据初至波起跳点位置对应的初至波标签。

5.根据权利要求1所述的基于多深度神经网络的TBM掘进噪声数据成像方法，其特征在于，步骤S4中，所述智能反演网络组件包括掘进噪声观测数据编码器与波速模型构建网络模块，所述的掘进噪声观测数据编码器由多组空洞卷积层构成，输入为拼接后的掘进噪声数据，输出为一个特征向量v_d；

波速模型构建网络模块的输入为均一波速模型，该网络模块中的各网络层后均拼接一个交叉注意力机制层，各交叉注意力机制层的输入为特征向量v_d与该层之前的网络中间层的输出，智能反演网络组件的网络结构表示为：

其中，d_c表示拼接后的掘进噪声数据，m₀表示均一波速模型；w₃表示智能反演网络组件的网络参数；En_d表示掘进噪声观测数据编码器；VBnet表示波速模型构建网络模块；m表示预测波速模型即偏移波速模型；

其中，所述交叉注意力机制层表示为：

其中，

式中，s_v表示特征向量v_d的长度，W_Q与W_K均为网络参数矩阵，F(m₀,w₃)表示VBnet中交叉注意力机制层前的网络中间层的输出；

采用掘进噪声实时成像数据库中的均一波速模型、拼接后的掘进噪声数据作为输入，隧道波速模型作为标签对智能反演网络组件进行监督学习训练。