基于条件变分自编码的地壳模型构造方法技术

本发明专利技术公开了一种基于条件变分自编码的地壳模型构造方法，把群速度和相速度同时作为输入，把理论地壳模型作为输出，对多个理论地壳模型进行训练和测试，从而构造出深度神经网络CVAE；再采用这些神经网络对观测群速度和相速度进行反演而得到实际地壳模型。CVAE网络的特点于在输出层重构输入数据，在隐含层学到输入数据的压缩表示，通过学习获得的可表征样本集深层特征的新的表达形式。这种表达形式一方面具有较少的冗余信息，另一方面能够有效地反映输入数据的特性，可以大大提高预测模型的准确度和鲁棒性。深度CVAE神经网络对地壳厚度、速度及密度的估计可广泛应用于沉积矿产、特别是油气资源研究与战略预测、寻找、勘探和开采中。

Crustal model construction method based on conditional variational self coding

【技术实现步骤摘要】
基于条件变分自编码的地壳模型构造方法
本专利技术涉及一种地壳模型构造方法，尤其涉及一种基于条件变分自编码的地壳模型构造方法。
技术介绍
中国是世界上地质最复杂的大陆之一，它是由众多微陆块及其间的褶皱带或造山带组合，经长期演化而形成的复合大陆。受太平洋板块、欧亚板块、菲律宾板块及印度板块的相互作用与影响，中新生代以来东亚地区表现出复杂的构造特征。上述过程导致了复杂的壳幔结构，探测研究区的壳幔结构，将对认识和理解该区的地质演化和可能地球动力学模式提供重要的深部约束(滕吉文,2002；杨文采,2017)。地壳模型探测与模型图的编制，不仅在研究岩石圈地壳细结构及沉积盆地形成与演化动力学有重要学术价值，而且在沉积矿产、特别是油气资源研究与战略预测、寻找、勘探和开采有广泛的实际意义。前人采用人工地震探测、重力、地震波成像等手段获取了中国大陆及邻区的地壳厚度分布(Sunetal.,2008；Guoetal.,2012；Stolketal.,2013；ChenY,2010)，但是上述不同方法得到的地壳模型结果仍存在一定的争议(YLi，2014)。面波频散是研究地壳上地幔结构的有力工具，大多数研究致力于用面波频散获得地下s波速度结构，极少数研究利用面波频散获得莫霍面深度分布。计算地壳模型的方法可以归纳为两类：一是基于模型驱动的方法、二是基于数据驱动的方法。基于模型驱动的方法考虑地壳模型和地震面波频散之间的物理关系，其研究结果严重依赖于初始模型的选择以及问题的线性化处理，而基于数据驱动神经网络方法可以用面波频散反演地壳模型，例如eieretal.(2007)采用神经网络方法测定面波频散曲线从而建立地壳模型，基于浅层、只考虑反演过程的BP网络，对反演关系的约束较差以及特征提取性能不佳。另外：由于地球物理具有多尺度、多时段、多精度、多比例尺和多解性等特点，这就造成了观测数据与研究对象的本质之间的对应关系具有非线性特征，人工神经网络方法适合地球物理信息的提取和非线性处理。基于数据驱动的人工神经网络是一种高度非线性系统，可以模拟任意函数，它是解决此类复杂非线性映射问题的有效手段，特别适用于参数变量和目标函数之间没有数学表达式的复杂反问题。
技术实现思路
本专利技术的目的就在于提供一种解决上述问题，把群速度和相速度同时作为输入，把地壳模型作为输出，对多个理论模型进行训练和测试，从而构造出深度神经网络CVAE，再采用这些神经网络对观测群速度和相速度进行反演而得到地壳模型，从而大大提高预测模型的准确度和鲁棒性的基于条件变分自编码的地壳模型构造方法。为了实现上述目的，本专利技术采用的技术方案是这样的：一种基于条件变分自编码的地壳模型构造方法，包括以下步骤：(1)基于地球AK135模型进行随机采样，得到多个初始地壳模型，并利用初始地壳模型计算对应的相速度和群速度，分别构建成一数据集；(11)将地球AK135模型的沉积层和地壳，从上到下分为S层，最上层为第一层；(12)根据AK135模型对第一层的物性参数进行随机采样得到模型参数pk1，pk1表示第1层物性参数k的值，所述物性参数k包括初始层厚度h、初始P波层速度α、初始S波层速度β或初始层密度ρ，采用下式对每个物性参数k(k＝h，α，β，ρ)进行归一化处理，得到归一化模型参数yk1，所述yk1为分别与h、α、β、ρ对应的四个值；(13)按照第一层中得到归一化模型参数yk1的方法，得到其余S-1层的归一化模型参数，每层分别对应四个值，共得到N＝4S个值，将N个值组合成向量，构成一初始地壳模型y1＝(y1，y2，..，yN)；(14)根据面波频散理论，计算该初始地壳模型y1在T个周期的相速度和群速度，并组合成一速度向量x1＝(x1，x2，..，xT)；(15)重复步骤(12)-(14)，得到M个初始地壳模型和M个速度向量，分别构建为一数据集，记为Y＝{y1，y2，...，yi，...，yM}，X＝{x1，x2，...，xi，...，xM}；(16)将数据集X和Y分别分成训练集、验证集和测试集，并从训练集中选取数据用于训练；(2)建立一CVAE神经网络并训练；建立一CVAE神经网络，将速度向量xi作为网络输入，其对应的初始地球初始地壳模型yi和xi的重构作为网络输出，通过梯度下降法来训练CVAE神经网络，训练过程中，改变网络参数以同时满足下列条件a、b，得到训练好的CVAE神经网络；条件a：条件b：CVAE神经网络学习得到正态分布的均值μ和方差σ2，满足N(μ，σ2)接近N(y，1)；(3)计算地壳模型；预设一组周期，并观测到这些周期的瑞利面波相速度和群速度，将每组相速度和群速度组合成一实际速度向量，将所有实际速度向量构成实际速度向量集合X′，作为输入送入训练好的CVAE神经网络中，得到输出记为Y′，将Y′中的元素分别进行步骤(13)的逆归一化处理，得到每层的实际模型参数。作为优选：所述M＝300000，s＝6，N＝24，T＝20。作为优选：步骤(2)中，建立一CVAE神经网络具体为：(21)所述CVAE神经网络包括编码器和解码器；编码器和解码器均包括输入层、中间层、输出层；(22)建立一CVAE编码器；含n层中间层的编码器的深度编码函数为h；h＝fn(...f2(W(2)f1(W(1)x)+b(1))+b(2)+….)+b(n))其中，W(1)表示连接输入层与中间层的权重，b(1)表示输入层的偏置项，f1(x)表示编码激活函数，W(k)(k＝2，..，n)表示中间第k-1层与中间第k层的权重，b(k)表示中间第k-1层与中间第k层的偏置项，fk(x)表示第k个中间层编码激活函数；输入层和隐含层的激活函数为ReLU(h)＝max(0，h)；输出层的激活函数为编码器的损失函数包括KL损失函数J1和拟合损失函数J2；(23)建立一CVAE解码器含n层中间层的解码器的解码函数为h′；h′＝gm(…g2(W′(2)g1(W′(1)x)+b′(1))+b′(2)+….)+b′(m))(3)式中，W＇(1)表示连接解码器输入层与中间层的权重，b′(1)表示解码器输入层的偏置项，g1(x)表示编码激活函数，W′(k)(k＝2，..，n)表示中间k-1层与中间k层的权重，b′(k)表示中间k-1层与中间k层的偏置项，gk(x)表示第k个中间层解码激活函数；输入层和隐含层的激活函数为ReLU(h′)＝max(0，h′)；输出层的激活函数为解码器的重构损失函数为J3；(24)通过下式计算参数W、b、W′、b′；J(W，b，W′，b′；x)＝λ1×J1+λ2×J2+λ3×J3其中，λ1、λ2、λ3分别为损失函数J1、J2、J3的权重系数，使用梯度下降算法优化J(W，b，W′，b′；x)，使其值最小，该最小值对应的W、b、W′、b′为调本文档来自技高网...

【技术保护点】
1.一种基于条件变分自编码的地壳模型构造方法，其特征在于：包括以下步骤：/n(1)基于地球AK135模型进行随机采样，得到多个初始地壳模型，并利用初始地壳模型计算对应的相速度和群速度，分别构建成一数据集；/n(11)将地球AK135模型的沉积层和地壳，从上到下分为S层，最上层为第一层；/n(12)根据AK135模型对第一层的物性参数进行随机采样得到模型参数p

【技术特征摘要】
1.一种基于条件变分自编码的地壳模型构造方法，其特征在于：包括以下步骤：
(1)基于地球AK135模型进行随机采样，得到多个初始地壳模型，并利用初始地壳模型计算对应的相速度和群速度，分别构建成一数据集；
(11)将地球AK135模型的沉积层和地壳，从上到下分为S层，最上层为第一层；
(12)根据AK135模型对第一层的物性参数进行随机采样得到模型参数pk1，pk1表示第1层物性参数k的值，所述物性参数k包括初始层厚度h、初始P波层速度α、初始S波层速度β或初始层密度ρ，采用下式对每个物性参数k(k＝h,α,β,ρ)进行归一化处理，得到归一化模型参数yk1，所述yk1为分别与h、α、β、ρ对应的四个值；



(13)按照第一层中得到归一化模型参数yk1的方法，得到其余S-1层的归一化模型参数，每层分别对应四个值，共得到N＝4S个值，将N个值组合成向量，构成一初始地壳模型y1＝(y1,y2,..,yN)；
(14)根据面波频散理论，计算该初始地壳模型y1在T个周期的相速度和群速度，并组合成一速度向量x1＝(x1,x2,..,xT)；
(15)重复步骤(12)-(14)，得到M个初始地壳模型和M个速度向量，分别构建为一数据集，记为Y＝{y1,y2,…,yi,…,yM}，X＝{x1,x2,…,xi,…,xM}；
(16)将数据集X和Y分别分成训练集、验证集和测试集，并从训练集中选取数据用于训练；
(2)建立一CVAE神经网络并训练；
建立一CVAE神经网络，将速度向量xi作为网络输入，其对应的初始地球初始地壳模型yi和xi的重构作为网络输出，通过梯度下降法来训练CVAE神经网络，训练过程中，改变网络参数以同时满足下列条件a、b，得到训练好的CVAE神经网络；
条件a：
条件b：CVAE神经网络学习得到正态分布的均值μ和方差σ2，满足N(μ，σ2)接近N(y，1)；
(3)计算地壳模型；
预设一组周期，并观测到这些周期的瑞利面波相速度和群速度，将每组相速度和群速度组合成一实际速度向量，将所有实际速度向量构成实际速度向量集合X′，作为输入送入训练好的CVAE神经网络中，得到输出记为Y′，将Y′中的元素分别进行步骤(13)的逆归一化处理，得到每层的实际模型参数。
...

【专利技术属性】
技术研发人员：程先琼，
申请(专利权)人：成都理工大学，
类型：发明
国别省市：四川;51