一种基于深度学习的隧道全波形反演优化方法及系统技术方案

本发明专利技术公开了一种基于深度学习的隧道全波形反演优化方法及系统，包括：构建初始波速模型；通过正演模拟计算得到真实检波器观测方式下的梯度值；基于所述梯度值以及训练好的基于深度学习的隧道梯度优化网络，得到虚拟检波器观测方式下的梯度值；基于虚拟检波器观测方式下的梯度值对初始波速模型进行更新；重复上述过程，直到满足迭代收敛条件，得到界面优化反演结果；基于所述界面优化反演结果，以及训练好的基于深度学习的隧道波速模型重建网络，得到预测波速优化反演结果。本发明专利技术针对隧道全波形反演结果波速不准确的问题，提出了隧道波速模型重建网络方法，对全波形反演波速进行重构，获得较准确波速信息。获得较准确波速信息。获得较准确波速信息。

【技术实现步骤摘要】
一种基于深度学习的隧道全波形反演优化方法及系统


[0001]本专利技术涉及地球物理勘探
，尤其涉及一种基于深度学习的隧道全波形反演优化方法及系统。

技术介绍

[0002]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。
[0003]隧道建设过程中可能会出现的突水突泥、塌方等地质灾害频发，严重影响隧道施工安全和进度。开展施工期隧道超前探测，提前探明掌子面前方不良地质体的分布情况是保障隧道施工安全的有效手段。
[0004]近年来，地球物理勘探方法在隧道超前探测中得到越来越广泛的应用。其中，地震波法因其对界面敏感且探测距离远，已成为最为常用的隧道地质探测方法之一。基于地震波法的隧道超前预报方法，通过成像获得界面位置及形态信息，而隧道界面位置准确性依赖隧道前方波速的较准确预测。因此需开展适用于隧道环境的地震波速获取方法研究。
[0005]全波形反演方法是目前国际上公认的能对地震波速进行较准确求取的反演方法。但由于该方法采用局部优化算法，若反演的初始模型设置不合理，初始模型模型中的大尺度构造信息不本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的隧道全波形反演优化方法，其特征在于，包括：构建初始波速模型；通过正演模拟计算得到真实检波器观测方式下的梯度值；基于所述梯度值以及训练好的基于深度学习的隧道梯度优化网络，得到虚拟检波器观测方式下的梯度值；基于虚拟检波器观测方式下的梯度值对初始波速模型进行更新；重复上述过程，直到满足迭代收敛条件，得到界面优化反演结果；基于所述界面优化反演结果，以及训练好的基于深度学习的隧道波速模型重建网络，得到预测波速优化反演结果。2.如权利要求1所述的一种基于深度学习的隧道全波形反演优化方法，其特征在于，所述真实检波器观测方式为在掌子面后方隧道边墙两侧激发震源，在震源后方、隧道边墙两侧布设检波器进行观测的方式；所述虚拟检波器观测方式为在掌子面后方隧道边墙两侧激发震源，在隧道掌子面所在平面等距布设检波器进行观测的方式。3.如权利要求1所述的一种基于深度学习的隧道全波形反演优化方法，其特征在于，对基于深度学习的隧道梯度优化网络进行训练的过程包括：针对实际探测中遇到的不同地质界面，分别生成相对应的地震波速模型；对于每一种波速模型使，分别计算真实观测方式和虚拟观测方式下的梯度，形成梯队数据对，作为训练隧道梯度优化网络的数据集，对隧道梯度优化网络进行训练。4.如权利要求3所述的一种基于深度学习的隧道全波形反演优化方法，其特征在于，对隧道梯度优化网络进行训练时，计算梯度损失函数，更新隧道梯度优化网络参数，所述梯度损失函数具体为：其中，f(x
i
)表示第i次迭代隧道梯度优化网络映射计算，x
i
表示第i次迭代的网络输入，y
i
表示i次迭代的网络预期输出标签，N为迭代次数。5.如权利要求3所述的一种基于深度学习的隧道全波形反演优化方法，其特征在于，分别计算真实观测方式和虚拟观测方式下的梯度，具体过程为：基于波速模型，通过正演模拟求取真实观测方式下的地震数据记录；然后计算真实观测方式下的损失函数和梯度值；基于波速模型，通过正演模拟求取虚拟观测方式下的地震数据记录；然后计算虚拟观测方式下的损失函数和梯度值。6.如权利要求1所述的一...

【专利技术属性】
技术研发人员：蒋鹏，郭诗雨，任玉晓，曹帅，李铎，杨森林，王清扬，
申请(专利权)人：山东大学，
类型：发明
国别省市：