[发明专利]LSTM面波反演方法、装置及介质

说明书

本发明公开了一种LSTM面波反演方法、装置及介质，所述方法包括确定待反演工区模糊地层参数区间；根据所述模糊地层参数区间，随机生成不同模型，利用广义反射‑透射系数法计算各个模型的理论面波频散曲线，构建出训练样本数据对；对所述训练样本数据对进行预处理；构建基于FHLV损失函数的LSTM网络，基于预处理后的训练样本数据对，对LSTM网络进行训练并保存训练好的模型；利用无监督学习对实际频散成像数据进行自动拾取频散曲线，利用所述训练好的模型对统一维度大小后的频散曲线进行预测，得到近地表横波速度模型。本发明改善了处理效率和反演精度，适宜于大规模数据处理。

技术领域

本发明属于近地表勘探地震资料处理领域，具体的说，涉及一种LSTM面波反演方法、装置及介质。

背景技术

面波分析方法被广泛用于建立近地表横波速度结构。不管是主动源还是被动源面波分析方法，都是通过反演面波频散曲线获取近地表地横波速度结构。面波频散曲线的反演是一个典型的高度非线性、多参数、多极值的地球物理反演问题。目前常用的面波频散曲线反演方法大致分为两大类，一类为局部线性化方法，如最小二乘法、阻尼最小二乘反演等；由于层状介质中瑞雷波的正演频散方程是非线性函数，因此当选取的初始模型不当时，此类局部线性化方法很难找到目标函数的全局最优解。另一类为全局非线性优化方法，常用的有遗传算法和模拟退火反演等。这类算法可以在一定程度上避免局部线性化反演方法对初始模型的依赖，然而在实际应用中局部搜索能力不强且耗时较长。因此，面波反演方法需要在新的领域中探索。

目前各种传统面波频散曲线反演方法都有一定的使用局限性。深度学习具有解决许多非线性问题的能力，近年来，机器学习和深度学习应用于各种地球物理研究问题时已经显示出了极大的潜力，在一些任务中提供自动化性能。因此，为了解决传统面波勘探中反演效率低下、反演效果不佳等问题，提出了一种基于FHLV损失函数的LSTM面波反演方法，改善了处理效率和反演精度，适宜于大规模数据处理。

发明内容

本发明的目的在于克服背景技术所提出的技术问题，提出了一种LSTM面波反演方法、装置及介质。具体为单个数据需求者产生感知数据需求，多个数据拥有者竞争参与共享任务资格的情形。在该方法中，采用区块链技术，解决可信第三方带来的信任问题。基于逆向拍卖模型设计激励机制，帮助矿工筛选出不理性报价的数据拥有者，减少后续验证数据质量等级的工作量，提升了激励模型的性能。采用softmax回归算法计算感知数据的质量等级。最后通过数据拥有者报价和数据的质量等级计算数据的价值，根据不同的数据价值进行报酬分配，鼓励数据拥有者上传价格合理、高质可靠的数据。

本发明的具体技术方案如下：

根据本发明的第一方面，提供了一种LSTM面波反演方法，所述方法包括：

确定待反演工区模糊地层参数区间；

根据所述模糊地层参数区间，随机生成不同模型，利用广义反射-透射系数法计算各个模型的理论面波频散曲线，构建出训练样本数据对；

对所述训练样本数据对进行预处理；

构建基于FHLV损失函数的LSTM网络，基于预处理后的训练样本数据对，对LSTM网络进行训练并保存训练好的模型；

利用无监督学习对实际频散成像数据进行自动拾取频散曲线，利用所述训练好的模型对统一维度大小后的频散曲线进行预测，得到近地表横波速度模型。

进一步地，利用已知测井信息或根据已有反演方法确定待反演工区模糊地层参数区间。