基于深度学习的TBM破岩震源地震波场特征恢复方法及系统技术方案

本发明专利技术属于地球物理勘探领域，提供了一种基于深度学习的TBM破岩震源地震波场特征恢复方法及系统。其中，基于深度学习的TBM破岩震源地震波场特征恢复方法包括：获取破岩震源原始信号和先导信号，得到TBM破岩震源数值模拟数据；经基于深度学习的波场特征恢复网络，将TBM破岩震源数值模拟数据转化成经过波场特征恢复后的脉冲震源地震记录；其中，基于深度学习的波场特征恢复网络包括前处理层与深层神经网络层；前处理层用于将破岩震源原始信号和先导信号进行逐道卷积并对卷积输出进行分段叠加；前处理层的输出与时间信息约束矩阵、同相轴信息约束矩阵组成三通道数据，再输入至深层神经网络层。

【技术实现步骤摘要】
基于深度学习的TBM破岩震源地震波场特征恢复方法及系统
本专利技术属于地球物理勘探领域，尤其涉及一种基于深度学习的TBM破岩震源地震波场特征恢复方法及系统。
技术介绍
本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术。破岩震源超前探测方法是一种利用隧道掘进机(Tunnelboringmachine，TBM)掘进时产生的破岩振动作为震源来探测前方异常体的预报方法。该方法能够在TBM掘进过程中同时进行探测并快速得到数据处理结果，因此十分契合TBM快速掘进的需求。由于破岩振动波场具有时间连续、不可控等特征，有效反射信息难以直接识别，因此需要通过干涉处理来恢复真实波场特征。据专利技术人了解，目前破岩震源地震波场恢复主要采用互相关干涉方法，将连续杂乱的破岩信号恢复为类似脉冲震源的脉冲信号，在此基础上进行后续数据处理。然而互相关过程中会引入新的噪声导致有效信号无法准确识别，给后续成像带来假异常、强干扰等问题，已经成为制约破岩震源方法进一步推广应用的瓶颈。因此，亟需提出一种能有效解决破岩震源地震波场特征恢复问题的新方法。近年来，人工智能技术不断取得突破，其中深度学习方法具有强大的非线性函数拟合能力，为地球物理领域模型空间与数据空间的对应关系挖掘提供了可能。目前，已经在地震和电法勘探领域数据-模型反演、信号识别、数据处理等问题上取得了较好的应用效果。专利技术人发现，实现破岩震源深度学习地震波场特征恢复方法存在以下两个难题：(1)深度学习在解决波场特征恢复问题时的适用性问题。深度学习领域现有的网络架构大多用于解决计算机视觉、语音识别以及自然语言处理问题，这和破岩震源波场信息特征恢复问题具有较大差别。对于波场特征恢复训练所需数据体量上明显大于常规深度学习问题，而且在输入端数据所代表的特征意义方面也差异较大。同时，地震数据时间、空间变化特性与深度神经网络参数的权值共享属性之间存在不兼容问题。(2)由模拟数据到数据波场特征恢复的过渡问题。波场特征恢复方法最终目的是在TBM隧道掘进现场的实际落地与应用，而在现场的实际工程应用中存在大量的随机环境噪声和不规则机械噪声，实际数据的复杂程度远高于模拟数据，仅仅依靠对数值模拟数据进行波场恢复的网络参数重新进行训练是远远不够的。
技术实现思路
为了解决上述至少一个问题，本专利技术的第一个方面提供一种基于深度学习的TBM破岩震源地震波场特征恢复方法及系统，其在网络中加入了根据地震数据特征建立的波场时间信息矩阵和同相轴信息加权矩阵，得到了较好的破岩震源波场特征恢复效果。为了实现上述目的，本专利技术采用如下技术方案：本专利技术的第一个方面提供一种基于深度学习的TBM破岩震源地震波场特征恢复方法。在一个或多个实施例中，一种基于深度学习的TBM破岩震源地震波场特征恢复方法，包括：获取破岩震源原始信号和先导信号，得到TBM破岩震源数值模拟数据；经基于深度学习的波场特征恢复网络，将TBM破岩震源数值模拟数据转化成经过波场特征恢复后的脉冲震源地震记录；其中，基于深度学习的波场特征恢复网络包括前处理层与深层神经网络层；前处理层用于将破岩震源原始信号和先导信号进行逐道卷积并对卷积输出进行分段叠加；前处理层的输出与时间信息约束矩阵、同相轴信息约束矩阵组成三通道数据，再输入至深层神经网络层。本专利技术的第二个方面提供一种基于深度学习的TBM破岩震源地震波场特征恢复系统。在一个或多个实施例中，一种基于深度学习的TBM破岩震源地震波场特征恢复系统，包括：信号获取模块，其用于获取破岩震源原始信号和先导信号，得到TBM破岩震源数值模拟数据；特征恢复模块，其用于经基于深度学习的波场特征恢复网络，将TBM破岩震源数值模拟数据转化成经过波场特征恢复后的脉冲震源地震记录；其中，基于深度学习的波场特征恢复网络包括前处理层与深层神经网络层；前处理层用于将破岩震源原始信号和先导信号进行逐道卷积并对卷积输出进行分段叠加；前处理层的输出与时间信息约束矩阵、同相轴信息约束矩阵组成三通道数据，再输入至深层神经网络层。本专利技术的第三个方面提供一种计算机可读存储介质。在一个或多个实施例中，一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述所述的基于深度学习的TBM破岩震源地震波场特征恢复方法中的步骤。本专利技术的第四个方面提供一种计算机设备。在一个或多个实施例中，一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述所述的基于深度学习的TBM破岩震源地震波场特征恢复方法中的步骤。与现有技术相比，本专利技术的有益效果是：本专利技术针对传统地震波场特征恢复互相关干涉方法会引入新的噪声、结果分辨率低、异常体刻画精度不够的问题，提出了基于深度学习的TBM破岩震源地震波场特征恢复方法。它利用大数据的优势，从数据驱动的角度利用海量数据所提供的信息充分学习地震数据的分布规律和同相轴特征，建立TBM破岩震源数值模拟数据到波场特征恢复后的脉冲震源地震记录的非线性映射，完成输入数据从低频到高频、从低分辨率到高分辨率的转换，解决了传统互相关方法中会引入新的噪声的问题。本专利技术针对原始U-Net神经网络对于地震深层数据的刻画效果差、输出模糊性高等问题，在破岩震源波场特征恢复问题中构建有效的信息约束有助于引导神经网络充分挖掘深层反射信息，本公开提出了针对地震数据特征的恢复网络改进方法，从输入数据端和损失函数端分别建立包含波场时间信息和同相轴信息的多通道权重矩阵，改善网络对于深部信息的特征提取能力，有效提高恢复结果的精度。本专利技术针对隧道噪声影响波场恢复效果的问题，采用基于迁移学习的微调操作在无真实噪声数据训练好的网络参数基础上进一步对含真实噪声数据进行恢复，高效率的实现含噪数据的去噪和波场信息恢复双重目的。本专利技术针对传统波场特征恢复质量评价指标如均方误差无法准确反映地震数据存在的特征的问题，从误差统计以及人眼视觉系统两个角度进行波场特征恢复质量的评价指标设计，基于两组数据间误差统计的评价指标侧重评价地震数据的振幅分布特性，基于人眼视觉系统的评价指标利用人类观察物体时的真实视觉特性对图像不同区域进行加权校正，并在此基础上引入地震数据特有的深度特征，考虑到了地震观测数据的固有特点，能够有效反映出破岩震源波场恢复的整体质量。附图说明构成本专利技术的一部分的说明书附图用来提供对本专利技术的进一步理解，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。图1是本专利技术实施例的基于深度学习的TBM破岩震源地震波场特征恢复方法流程图；图2是本专利技术实施例的基于深度学习的波场特征恢复网络示意图；图3是本专利技术实施例的三通道信息矩阵示意图；图4是本专利技术实施例的球面波扩散示意图；图5(a)是本专利技术实施例中所建立数据库中单层地质模型；图5(b)是本专利技术实施例中所建立数据库中双层地质模型；...

【技术保护点】
1.一种基于深度学习的TBM破岩震源地震波场特征恢复方法，其特征在于，包括：/n获取破岩震源原始信号和先导信号，得到TBM破岩震源数值模拟数据；/n经基于深度学习的波场特征恢复网络，将TBM破岩震源数值模拟数据转化成经过波场特征恢复后的脉冲震源地震记录；/n其中，基于深度学习的波场特征恢复网络包括前处理层与深层神经网络层；前处理层用于将破岩震源原始信号和先导信号进行逐道卷积并对卷积输出进行分段叠加；前处理层的输出与时间信息约束矩阵、同相轴信息约束矩阵组成三通道数据，再输入至深层神经网络层。/n

【技术特征摘要】
1.一种基于深度学习的TBM破岩震源地震波场特征恢复方法，其特征在于，包括：
获取破岩震源原始信号和先导信号，得到TBM破岩震源数值模拟数据；
经基于深度学习的波场特征恢复网络，将TBM破岩震源数值模拟数据转化成经过波场特征恢复后的脉冲震源地震记录；
其中，基于深度学习的波场特征恢复网络包括前处理层与深层神经网络层；前处理层用于将破岩震源原始信号和先导信号进行逐道卷积并对卷积输出进行分段叠加；前处理层的输出与时间信息约束矩阵、同相轴信息约束矩阵组成三通道数据，再输入至深层神经网络层。


2.如权利要求1所述的基于深度学习的TBM破岩震源地震波场特征恢复方法，其特征在于，时间信息约束矩阵中的数据每一行元素的值等于该行的行数。


3.如权利要求1所述的基于深度学习的TBM破岩震源地震波场特征恢复方法，其特征在于，同相轴信息约束矩阵基于振幅自动增益控制方法AGC实现。


4.如权利要求1所述的基于深度学习的TBM破岩震源地震波场特征恢复方法，其特征在于，所述深层神经网络层包括压缩通道与扩展通道两部分。


5.如权利要求4所述的基于深度学习的TBM破岩震源地震波场特征恢复方法，其特征在于，压缩通道包括四个卷积层和四个最大池化层，对各卷积层的输出进行ReLU运算，其中四个卷积层与四个最大池化层间隔排布；
或，扩展通道包含四个卷积层、四个反卷积层和两个全连接层组成，对各卷积层的输出进行ReLU运算，其中四个卷积层与四个反卷积层间隔排布，两个全连接层拼接在最后。


6.如权利要求1所述的基于深度学习的TBM破岩震源地震波场特征恢复方法，其特征在于，所述基于深度学习的波场特征恢复网络的训练过程为：

【专利技术属性】
技术研发人员：许新骥，王清扬，蒋鹏，高雪池，岳景杭，周鹏飞，马川义，杨森林，
申请(专利权)人：山东大学，山东高速集团有限公司，
类型：发明
国别省市：山东;37