[发明专利]数据与智能优化双驱动的深度学习地震波阻抗反演方法

权利要求书

1.数据与智能优化双驱动的深度学习地震波阻抗反演方法，其特征在于，包括以下步骤：

S1、从叠后地震道数据中选取数据并分成叠后地震数据sei₁和叠后地震数据sei₂，利用多组变异差分进化方法对叠后地震数据sei₁进行波阻抗模型反演，获取对应的AI模型；

S2、基于U-Net网络的结构，利用Python搭建具有两个输入通道和一个输出通道的深度学习网络；

S3、利用步骤S1中进行反演的地震数据和反演得到的AI模型对步骤S2中搭建的深度学习网络进行预训练；

S4、利用步骤S3中预训练的深度学习网络对步骤S1的叠后地震数据sei₂进行AI模型预测；

S5、将步骤S4中网络预测的AI模型嵌入MMDE算法的变异算子中，加速引导MMDE算法收敛至最优解AI模型；

S6、将步骤S5中得到的最优解AI模型以及其对应的地震数据构成的数据集，对步骤S3中预训练的深度学习网络进行优调；

S7、利用步骤S6中优调后的深度学习网络进行AI模型反演，实现替代全局优化方法进行阻抗反演。

2.根据权利要求1所述的方法，其特征在于，步骤S1中，利用多组变异差分进化方法对叠后地震数据sei₁进行波阻抗模型反演具体为：

S101、在搜索空间内产生包含NP个D维初始化个体的种群；

S102、对种群中的每一个个体进行变异操作，为种群中的每一个个体生成一个变异向量V_i^G；

S103、对种群中的每一个个体进行交叉操作，通过将当前个体与其对应的变异向量V_i^G融合，生成迹向量

S104、对种群中的每一个个体进行选择操作，通过比较当前个体和对应的迹向量选择其中更好地一个向量作为新的个体，参与下一次迭代；

S105、判断是否满足算法结束条件，若满足，则结束；否则，跳回S102，继续迭代至收敛，迭代过程完成后，种群中的最佳个体将被示为优化问题的最优AI模型解。

3.根据权利要求2所述的方法，其特征在于，步骤S105中，通过计算观测地震数据与由种群中每一个个体所代表的AI模型计算的合成地震数据误差衡量是否满足预先设定的收敛条件的，合成地震数据具体为：

R_q＝0,q＝N

I_q＝V_q·ρ_q,q＝1,2,...,N

其中，D_q、R_q和I_q分别为地震数据D、反射系数序列R和AI模型I的第q个元素；W_n为子波W的第n个元素；V_q和ρ_q分别为第q个水平层的速度和密度。

4.根据权利要求2所述的方法，其特征在于，步骤S105中，最大的迭代次数设置为150次。

5.根据权利要求1所述的方法，其特征在于，步骤S2中，搭建的深度学习网络参数化表示为：

其中，f_l表示地震道数据经过网络各层操作处理后的中间输出特征图，l＝1,2,...,10，g₁为初始低频阻抗数据经过网络全连接层后的输出数据，D_obs,n表示第n个观测的地震道数据样本；I_init,n表示第n个观测的地震道数据样本对应的低频阻抗趋势；表示网络预测的第n个观测的地震道数据样本对应的AI模型；表示每一层二维卷积层；表示全连接层；σ(·)表示ReLU激活函数；MP(·)表示最大池化层；表示每一层上采样卷积层；concat(·,·)表示将两部分特征进行拼接的操作。