一种地震面波与接收函数的联合反演方法及装置制造方法及图纸

本申请实施例提供了一种地震面波与接收函数的联合反演方法及装置，其中，方法包括：获取待反演的面波频散数据和接收函数数据；将待反演的面波频散数据和接收函数数据，输入预设的神经网络模型，得到对待反演的面波频散数据和接收函数数据反演得到的横波速度模型；神经网络模型中的第一神经网络模块提取输入的面波频散数据中的特征，得到第一特征；第二神经网络模块提取输入的接收函数数据中的特征，得到第二特征；特征融合模块对第一特征与第二特征进行融合；输出模块依据融合特征，输出横波速度模型。本申请在保证反演得到的横波速度模型的准确性的前提下，可以提高对大规模待反演数据的联合反演效率。

【技术实现步骤摘要】
一种地震面波与接收函数的联合反演方法及装置
本申请涉及数据处理领域，尤其涉及一种地震面波与接收函数的联合反演方法及装置。
技术介绍
面波通常具有频散特征，其传播的速度随频率的变化而变化，同时对地下采样的深度也随着频率减小而增加，因此其频散信息可以用来有效地约束地下结构。接收函数对台站下方地壳上地幔间断面结构敏感，广泛用来反演精细的横波速度结构。由于单独利用面波频散或体波接收函数数据反演存在明显不足，因此联合两种数据可以弥补单一数据反演的缺点，同时可以提高反演结果的可靠性。目前，联合反演方法包括：线性联合反演与非线性联合反演。但是，现有的联合反演方法，由于受初始速度模型的影响，或者，反演比较耗时等原因，导致联合反演的效率低。
技术实现思路
本申请提供了一种地震面波与接收函数的联合反演方法及装置，目的在于解决联合反演效率低的问题。为了实现上述目的，本申请提供了以下技术方案：本申请提供了一种地震面波与接收函数的联合反演方法，包括：获取待反演的面波频散数据和接收函数数据；将所述待反演的面波频散数据和接收函数数据，输入预设的神经网络模型，得到对所述待反演的面波频散数据和接收函数数据反演得到的横波速度模型；所述神经网络模型包括：第一神经网络模块、第二神经网络模块、特征融合模块和输出模块；所述第一神经网络模块，用于提取输入的面波频散数据中的特征，得到第一特征；所述第二神经网络模块，用于提取输入的接收函数数据中的特征，得到第二特征；所述特征融合模块，用于对所述第一特征与所述第二特征进行融合；所述输出模块，用于依据融合特征，输出横波速度模型。可选的，所述预设的神经网络模型是通过对预先构建的神经网络模型完成训练后得到；对预先构建的神经网络模型进行训练的过程，包括：获取训练数据集；所述训练数据集包括：多组样本以及每组样本对应的样本标签；其中，一组样本包括：预先采集的面波频散数据和接收函数数据；样本标签为预先采集的横波速度模型；采用所述训练数据集，对所述预先构建的神经网络模型进行训练，得到所述预设的神经网络模型。可选的，所述面波数据为瑞雷波相或群速度的频散曲线数据。可选的，所述输出模块为全连接层。本申请还提供了一种地震面波与接收函数的联合反演装置，包括：获取模块，用于获取待反演的面波频散数据和接收函数数据；输入模块，用于将所述待反演的面波频散数据和接收函数数据，输入预设的神经网络模型，得到对所述待反演的面波频散数据和接收函数数据反演得到的横波速度模型；所述神经网络模型包括：第一神经网络模块、第二神经网络模块、特征融合模块和输出模块；所述第一神经网络模块，用于提取输入的面波频散数据中的特征，得到第一特征；所述第二神经网络模块，用于提取输入的接收函数数据中的特征，得到第二特征；所述特征融合模块，用于对所述第一特征与所述第二特征进行融合；所述输出模块，用于依据融合特征，输出横波速度模型。可选的，所述预设的神经网络模型是通过对预先构建的神经网络模型完成训练后得到；所述装置还包括：训练模块，用于对预先构建的神经网络模型进行训练；所述训练模块，具体用于获取训练数据集；所述训练数据集包括：多组样本以及每组样本对应的样本标签；其中，一组样本包括：预先采集的面波频散数据和接收函数数据；样本标签为预先采集的横波速度模型；采用所述训练数据集，对所述预先构建的神经网络模型进行训练，得到所述预设的神经网络模型。可选的，所述面波数据为瑞雷波相或群速度的频散曲线数据。可选的，所述输出模块为全连接层。本申请还提供了一种存储介质，所述存储介质包括存储的程序，其中，所述程序执行上述任一所述的震面波与接收函数的联合反演方法。本申请还提供了一种设备，所述设备包括至少一个处理器、以及与所述处理器连接的至少一个存储器、总线；其中，所述处理器、所述存储器通过所述总线完成相互间的通信；所述处理器用于调用所述存储器中的程序指令，以执行上述任一所述的震面波与接收函数的联合反演方法。本申请所述的地震面波与接收函数的联合反演方法及装置，获取待反演的面波频散数据和接收函数数据；将待反演的面波频散数据和接收函数数据，输入预设的神经网络模型，得到对待反演的面波频散数据和接收函数数据反演得到的横波速度模型。由于本申请是通过神经网络模型对待反演的面波频散数据和接收函数数据进行联合反演，得到横波速度模型。由于神经网络模型的计算速度快，因此，可以提高联合反演的效率。此外，本申请在采用神经网络模型进行联合反演的过程中，神经网络模型包括：第一神经网络模块、第二神经网络模块、融合模块和输出模块，其中，第一神经网络模块提取输入的面波频散数据中的特征，得到第一特征；第二神经网络模块提取输入的接收函数数据中的特征，得到第二特征；并采用特征融合模块对第一特征与第二特征进行融合，使得融合得到的特征包含两方面特征的丰富信息，进而，输出模块依据融合特征，输出的横波速度模型具有较高的准确性。综上所述，本申请在保证反演得到的横波速度模型的准确性的前提下，可以提高对大规模待反演数据的联合反演效率。附图说明为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本申请实施例提供的对预先构建的神经网络模型进行训练的过程示意图；图2为本申请实施例公开的预先构建的神经网络模型的结构示意图；图3(a)为本申请实施例公开的第一神经网络模块的结构示意图；图3(b)为本申请实施例公开的第二神经网络模块的结构示意图；图4为本申请实施例公开的训练数据集示意图；图5为本申请实施例公开的训练后的第一神经网络模型在预设的测试数据集上测试结果示意图；图6为本申请实施例公开的训练后的第二神经网络模型在预设的测试数据集上测试结果示意图；图7为本申请实施例公开的训练后的神经网络模型在预设的测试数据集上测试结果示意图；图8为本申请实施例公开的一种地震面波与接收函数的联合反演方法的流程图；图9为本申请实施例公开的一种地震面波与接收函数的联合反演装置的结构示意图；图10为本申请实施例公开的一种设备的结构示意图。具体实施方式下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。图1为本申请实施例提供的对预先构建的神经网络模型进行训练，得到预设的神经网络模型的过程。在本申请实施例中，预先构建的神经网络模型如图2所示，包括：第本文档来自技高网...

【技术保护点】
1.一种地震面波与接收函数的联合反演方法，其特征在于，包括：/n获取待反演的面波频散数据和接收函数数据；/n将所述待反演的面波频散数据和接收函数数据，输入预设的神经网络模型，得到对所述待反演的面波频散数据和接收函数数据反演得到的横波速度模型；/n所述神经网络模型包括：第一神经网络模块、第二神经网络模块、特征融合模块和输出模块；所述第一神经网络模块，用于提取输入的面波频散数据中的特征，得到第一特征；所述第二神经网络模块，用于提取输入的接收函数数据中的特征，得到第二特征；所述特征融合模块，用于对所述第一特征与所述第二特征进行融合；所述输出模块，用于依据融合特征，输出横波速度模型。/n

【技术特征摘要】
1.一种地震面波与接收函数的联合反演方法，其特征在于，包括：
获取待反演的面波频散数据和接收函数数据；
将所述待反演的面波频散数据和接收函数数据，输入预设的神经网络模型，得到对所述待反演的面波频散数据和接收函数数据反演得到的横波速度模型；
所述神经网络模型包括：第一神经网络模块、第二神经网络模块、特征融合模块和输出模块；所述第一神经网络模块，用于提取输入的面波频散数据中的特征，得到第一特征；所述第二神经网络模块，用于提取输入的接收函数数据中的特征，得到第二特征；所述特征融合模块，用于对所述第一特征与所述第二特征进行融合；所述输出模块，用于依据融合特征，输出横波速度模型。


2.根据权利要求1所述的方法，其特征在于，所述预设的神经网络模型是通过对预先构建的神经网络模型完成训练后得到；
对预先构建的神经网络模型进行训练的过程，包括：
获取训练数据集；所述训练数据集包括：多组样本以及每组样本对应的样本标签；其中，一组样本包括：预先采集的面波频散数据和接收函数数据；样本标签为预先采集的横波速度模型；
采用所述训练数据集，对所述预先构建的神经网络模型进行训练，得到所述预设的神经网络模型。


3.根据权利要求1～3任意一项所述的方法，其特征在于，所述面波数据为瑞雷波相或群速度的频散曲线数据。


4.根据权利要求2所述的方法，其特征在于，所述输出模块为全连接层。


5.一种地震面波与接收函数的联合反演装置，其特征在于，包括：
获取模块，用于获取待反演的面波频散数据和接收函数数据；
输入模块，用于将所述待反演的面波频散数据和接收函数数据，输入预设的神经网络模型，得到对所述待反演的面波频散数据和接收函...

【专利技术属性】
技术研发人员：胡景，韩守诚，张海江，
申请(专利权)人：中国科学技术大学，
类型：发明
国别省市：安徽;34