[发明专利]一种基于深度学习的瑞雷波频散曲线反演方法

说明书

本发明提供了一种基于深度学习的瑞雷波频散曲线反演方法及应用，包括对瑞雷波进行地震数据采集、采集的地震数据叠加形成频散曲线能量图、在能量谱中提取频散曲线、反演频散曲线以获取地下各层的剪切波速。基于本发明的技术方案进行的地球物理反演，其数据集具备足量性、多样性，网络结构更具普遍性、泛化性，反演精度在浅层包括地层分界处都较为精确，且可以反演出比传统反演方法更深的地层情况。通过采用本方法对频散曲线进行反演的瑞雷面波勘探技术，在便捷性、勘探深度和精确度方面都更加优良。

技术领域

本发明涉及瑞雷波频散曲线的反演技术领域，特别地涉及一种基于深度学习的瑞雷波频散曲线反演方法。

背景技术

在现代工业中，出于对活动空间以及地下资源等的需求，人类对于近地表地下空间需要有更加广泛和准确的认知。在各种对地层情况的研究当中，瑞雷波因为具有采集简便、衰减小、信噪比高、抗干扰能力强、面波速度与横波速度相近等优点以及其独有的，在层状介质中的频散特性,可作为研究近地表地下空间的重要工具。利用瑞雷波研究近地表的方法主要包括对瑞雷波进行地震数据采集，叠加形成频散曲线能量谱，在能量谱中提取频散曲线，反演频散曲线以获取地下各层的剪切波速四个步骤。

在上述过程中，反演频散曲线的方法主要包括在线性反演中应用较广最小二乘(LM)方法、阻尼最小二乘方法(DLS)和Occam算法等；在非线性反演中，模拟退火法及其改进算法、遗传算法、粒子群算法等在内的全局优化算法较为常用。但传统算法普遍存在的计算量大、效率低及精确度差的问题。

由于近年来AI技术的强有力发展，包括深度学习等方法被广泛研究并应用于非线性反演，所以可以将该新型的反演方法运用于上述的反演瑞雷波频散曲线的过程。

发明内容

针对上述现有技术中的问题，本申请提出了一种基于深度学习的瑞雷波频散曲线反演方法，是常用的瑞雷波勘探步骤：对瑞雷波进行地震数据采集，采集的地震数据叠加形成频散曲线能量图，在能量谱中提取频散曲线，反演频散曲线以获取地下各层的剪切波速中反演方法的改良。

优选地，对瑞雷波进行地震数据采集，是通过在地面上击锤的方法制造人工震源，再通过检波器接受震源发生的地震波来获取地震信息。

优选地，利用深度学习的方法在能量谱中提取频散曲线。

优选地，反演频散曲线的具体步骤包括：搭建用于反演的深度学习网络、建立由地层数据组成的数据集用于训练网络、训练深度学习网络并验证。

优选地，用于反演的深度学习网络包括卷积神经网络、深度置信网络、循环神经网络及生成对抗网络中的至少一种。

优选地，进行关于瑞雷波的数据模型建立，并以此来训练学习网络；在进行数据构建时，根据对大自然中的多种模型种类的总结，设置不同情况模型所占比例。

优选地，将大自然中的地层模型分为逐层递增、从某层开始发生异常并延续、某几层发生突变三种情况，并根据所述三种情况设置数据集类型。

优选地，将所述三种情况进行合理配比时引入了马尔科夫决策理论，通过马尔科夫决策理论决定出发生异常情况的某一层或几层，为所述一层或几层赋予新的横波波速来控制其变化。

优选地，所述深度学习网络为CNN-LSTM混合网络结构，网络结构运行包括训练数据和测试网络两个部分；在开始时将样本数据库随机分为训练数据和测试数据两组，对应比例为10：1；在训练前，需要将输入和输出值通过激活函数进行标准化，使其变化在[0，1]范围内；激活函数包括sigmoid函数、tanh函数和ReLH函数，数学表达式如下：

f_sigmoid(x)＝1/(1+e^-x)

f_tanh(x)＝(e^x-e^-x)/(e^x+e^-x)