[发明专利]一种基于神经网络的面波成像联合反演方法

说明书

本发明公开了一种基于神经网络的面波成像联合反演方法，包括，构建深度学习神经网络模型，用于根据瑞雷面波相速度频散和ZH振幅比获得地下一维速度结构；获取训练集，基于多个参数设定模型空间，在所述模型空间中，生成多个一维模型；基于一维模型的横波速度、纵波速度和密度得到瑞雷面波相速度频散和ZH振幅比；利用所述训练集对所述深度学习神经网络模型进行训练，并使用训练后的深度学习神经网络模型根据观测所得的瑞雷面波相速度频散和ZH振幅比对地下横波速度进行联合反演。本发明可有效提高计算速度，并实现了多参数联合反演，浅部成像精度更高；且允许输入数据存在缺失和异常；还可以给出结果的误差估计。

技术领域

本发明涉及面波层析成像技术领域，更具体的说是涉及一种基于神经网络的面波成像联合反演方法。

背景技术

面波层析成像广泛应用于地球内部结构探测、地震深部孕震环境研究、以及地球物理勘探等工作中。

目前，面波层析成像大多使用线性的最小二乘法、非线性的贝叶斯-马尔可夫链蒙特卡罗等算法进行反演。

其中最小二乘法反演的基本原理是通过最小化误差平方和来确定模型参数。实际运用中，通常会先假设一个模型，将观测数据与模型预测数据进行比较，计算误差平方和，然后通过调整模型参数使误差平方和最小化，从而得到最优解。该种方法对于初始模型依赖性很强，迭代过程中容易陷入局部极小值，而无法获得全局最优解。

非线性的贝叶斯-马尔可夫链蒙特卡罗算法的反演方法基本原理是将反演问题转化为概率统计问题，将未知参数视为随机变量，并建立相应的概率模型；根据先验知识或经验，对未知参数进行描述，建立先验概率分布；计算观测量和模拟模型之间的误差，并将其加入到概率模型中；利用贝叶斯公式更新参数概率分布，得到后验分布，即考虑观测数据后的概率分布；利用马尔可夫链蒙特卡罗构造采样算法，生成符合后验分布的随机样本；对生成的样本进行分析和统计，得到未知参数的概率分布，包括均值、方差、置信区间等信息。上述非线性方法不太依赖于初始模型，能够获得全局最优解，但其计算量较大，计算非常耗时。

近年来有研究学者将深度学习应用于面波反演研究，一般利用观测或理论的面波频散数据与其对应的一维横波速度模型对神经网络进行训练，学习面波频散与速度模型之间的非线性关系，从而使得神经网络能够将面波频散反演为横波速度模型。

但该种方法只利用面波群速度和/或相速度进行反演，无法综合多种数据集对地壳不同深度的速度结构进行约束，且成像精度有限。

因此，有必要发展基于深度学习的联合反演方法，以解决上述问题。

发明内容

有鉴于此，本发明提供了一种基于神经网络的面波成像联合反演方法，目的在于，在减弱反演对初始模型的依赖性和加快反演计算速度的基础上，能够对多种数据集进行联合反演，从而得到更加精细的反演结果。

为了实现上述目的，本发明采用如下技术方案：

一种基于神经网络的面波成像联合反演方法，包括如下步骤：

构建深度学习神经网络模型，用于根据瑞雷面波相速度频散和ZH振幅比获得地下一维速度结构；其中，瑞雷面波的质点运动轨迹是一个椭圆，本发明ZH振幅比是指其垂向与横向振幅的比值；

获取训练集，基于多个参数设定模型空间，在所述模型空间中，生成多个一维模型；基于一维模型的横波速度、纵波速度和密度得到瑞雷面波相速度频散和ZH振幅比；

利用所述训练集对所述深度学习神经网络模型进行训练，并使用训练后的深度学习神经网络模型根据观测所得的瑞雷面波相速度频散和ZH振幅比对地下横波速度进行联合反演。

作为优选，所述深度学习神经网络模型，包括两个独立的双向门控循环网络，分别用于提取瑞雷面波相速度频散和ZH振幅比的特征；以及