【技术实现步骤摘要】
基于卷积神经网络深度学习的反射波形反演方法和系统
[0001]本专利技术涉及地震速度分析
，尤其是涉及一种基于卷积神经网络深度学习的反射波形反演方法和系统。
技术介绍
[0002]全波形反演(Full Waveform Inversion，FWI)可以看作是走时层析和偏移技术的组合。然而，传统的FWI无法准确估计更深地层的背景速度模型。通过分离层析成像和偏移分量，反射波形反演(Reflection waveform inversion，RWI)能够有效地利用走时层析分量来更新更深地层的背景速度模型。现有技术中，一般利用卷积神经网络(Convolutional Neural Networks，CNN)对背景速度模型进行预测，但是传统用于预测速度模型的CNN仅仅是经过一次训练和一次预测过程，因而得到的预测结果与真实速度模型误差依然较大。
技术实现思路
[0003]有鉴于此，本专利技术的目的在于提供一种基于卷积神经网络深度学习的反射波形反演方法和系统，以缓解现有技术中存在的预测的速度模型不准确的技术问题。
【技术保护点】
【技术特征摘要】
1.一种基于卷积神经网络深度学习的反射波形反演方法，其特征在于，包括：对原始地震数据进行预处理，得到初始速度模型；区块化步骤：通过将所述初始速度模型区块化为空间相关且连接不相交的特征集，创建速度模型基；基于所述速度模型基，生成训练集；所述训练集包括训练速度模型集和逆时偏移图像集；所述逆时偏移图像集为对所述训练速度模型集进行逆时偏移成像得到的图像集；基于所述训练集对预设卷积神经网络进行训练，得到训练之后的卷积神经网络；以所述初始速度模型和初始逆时偏移图像作为输入，利用所述训练之后的卷积神经网络进行预测，得到预测速度模型；所述初始逆时偏移图像为对所述初始速度模型进行逆时偏移成像得到的图像；判断基于所述预测速度模型正演模拟的地震数据，与所述原始地震数据之间的误差是否小于预设阈值；如果否，则将预测速度模型作为新的初始速度模型，并返回执行所述区块化步骤。2.根据权利要求1所述的方法，其特征在于，所述区块化步骤包括：基于k均值聚类，将所述初始速度模型的网格点划分为两个不相交的聚类簇；分别确定每个聚类簇中网格点的最大空间相连区域，得到两个相连区域；基于网格点与所述两个相连区域的曼哈顿距离，将所述初始速度模型区块化为空间相关且连接不相交的两个子模型；对所述两个子模型分别进行递归区块化处理，得到所述特征集；基于所述特征集，创建所述速度模型基。3.根据权利要求2所述的方法，其特征在于，基于网格点与所述两个相连区域的曼哈顿距离，将所述初始速度模型区块化为空间相关且连接不相交的两个子模型，包括：将所述初始速度模型的网格点划分为三个区域，分别为所述两个相连区域和第三区域；所述第三区域为所述初始速度模型的网格点中除所述两个相连区域内的网格点之外的所有网格点组成的区域；分别计算所述第三区域内的每个网格点与所述两个相连区域的曼哈顿距离；将所述第三区域内的网格点合并到曼哈顿距离最小的相连区域，得到所述两个子模型。4.根据权利要求1所述的方法，其特征在于，基于所述速度模型基，生成训练集，包括：基于所述速度模型基的每个分量中速度的平均值和方差，创建所述训练速度模型集；对所述训练速度模型集中的每个训练速度模型进行逆时偏移成像，得到所述逆时偏移图像集；将所述训练速度模型集和所述逆时偏移图像集作为所述训练集。5.根据权利要求1所述的方法，其特征在于，基于所述训练集对预设卷积神经网络进行训练，包括：基于所述训练集并通过迭代最小化目标损失函数的方式，对所述预设卷积神经网络进行训练；其中，所述目标损失函数包括：
G是所述预设卷积神经网络，w为所述预设卷积神经网络...
【专利技术属性】
技术研发人员：王彦飞，吴毓朗，
申请(专利权)人：中国科学院地质与地球物理研究所，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。