[发明专利]一种基于深度学习的沙漠地震勘探随机噪声建模方法

说明书

一种基于深度学习的沙漠地震勘探随机噪声建模方法属信号建模技术领域，本发明建立的深度随机噪声波动方程神经网络由多个随机噪声波动方程神经网络单元叠加而成，每个单元由一个可学习的卷积层和一个符号回归神经网络构成，以随机噪声为输入，首先使用微分卷积核近似微分算子，然后通过符号回归神经网络学习微分项之间的非线性响应，采用拟牛顿优化器逐级更新网络，学习随机噪声长时间的动态变化，最后得到控制随机噪声传播的波动方程解析形式；本发明能够利用少量数据很好地学习沙漠地震勘探随机噪声动力学模型，所模拟的随机噪声与实际复杂随机噪声具有相似的特性。

技术领域

本发明属于信号建模技术领域，具体涉及到利用深度随机噪声波动方程神经网络进行沙漠地震勘探随机噪声的建模方法。

背景技术

在沙漠地震勘探过程中，随机噪声的存在会严重影响有效的地震信号的获取，需要对随机噪声进行性质分析和噪声建模。而随机噪声在地下介质的传播过程就是由一种偏微分方程——波动方程支配的复杂物理过程。Li(2017)等人建立了均匀介质的地震勘探随机噪声理论模型，并分析了噪声源的动力学特征。在此基础上，Feng(2019)等人提出了弱非均匀介质下的随机噪声模型，其中地下介质的弹性参数随着位置变化而变化。由于沙漠地震勘探随机噪声由风噪声和人文噪声等构成，其波场是一个复杂的叠加波场，简单的空间上的叠加无法反映出其内在的物理机制，同时，基于经验模拟的地下介质参数往往过于理想，建立的随机噪声模型不符合实际情况，因此存在很大的提升空间。近些年，深度学习作为机器学习领域的最热点的研究趋势，可以从动态数据中学习其动力学模型。因此，本专利拟使用深度学习算法对沙漠地震勘探随机噪声进行建模，从随机噪声数据中学习到沙漠地震勘探随机噪声传播的动力学模型。

发明内容

本发明的目的用一种新的深度随机噪声波动方程神经网络(RNWENet)来学习沙漠地震勘探随机噪声传播的动力学方程，使用数据驱动的方式进行沙漠地震勘探随机噪声建模。

本发明的基于深度学习的沙漠地震勘探随机噪声建模方法，包括下列步骤：

1.1建立沙漠地震勘探随机噪声源模型：

1.1.1模拟风噪声源：

风噪声是沙漠地震勘探随机噪声的主要组成部分，利用具有采集环境风速的达文波特谱作为风速谱，根据脉动风压谱求出脉动风压作为点源函数，在风作用位置的圆形邻域内设置m个点源函数，令每个点源函数的相位在(0,2π)区间内均匀分布，模拟风吹过地表时产生的风噪声源场M(t,r_m),r_m为所有点源的位置信息；

1.1.2建立风源激励下的非线性波动方程：

沙漠地震勘探随机噪声场表示为风噪声源激励下波动方程的近地表响应；根据各向同性均匀介质下描述风源M(t,r_m)激发的二维噪声场u(t,x,y)动态变化的二阶线性波动方程

其中：c₁,c₂为弹性系数，建立复杂介质下二阶非线性波动方程：

其中：0≤i+j≤2，表示u(t,x,y)的在x方向i阶微分和y方向的j阶微分；F为微分项{u₀₀,u₁₀,u₀₁,u₁₁,u₂₀,u₀₂}的非线性响应；

1.1.3建立时间离散的沙漠地震勘探随机噪声模型：

采用中心差分法以Δt为步长对波动方程进行时间离散，得到时间离散的二阶非线性波动方程：