一种基于物理信息神经网络的背景噪声程函成像方法技术

本发明专利技术公开了一种基于物理信息神经网络的背景噪声程函成像方法，该方法包括获取原始地震数据；互相关原始地震数据中的背景噪声，得到走时数据；构建人工神经网络，基于程函方程构建包含物理约束的损失函数，并将损失函数添加至人工神经网络；基于训练数据训练人工神经网络，得到初始神经网络模型；获取目标区域的目标地震数据，基于初始神经网络模型处理目标地震数据，得到目标区域的地下速度结构信息。本申请实现了运用物理信息神经网络结构的思想结合程函成像可以有效避免非线性反演中的迭代过程，并且一次训练就可以直接获得期望的地震波速度参数。的地震波速度参数。的地震波速度参数。

【技术实现步骤摘要】
一种基于物理信息神经网络的背景噪声程函成像方法


[0001]本申请涉及地震层析成像
，具体而言，涉及一种基于物理信息神经网络的背景噪声程函成像方法。

技术介绍

[0002]地震层析成像是指利用穿过物体内部的物理信号（例如：声波或者电磁波）来认识地球内部结构的一种方法，该方法的优势是能在不损害物体本身的情况下探知其几何形态或者物性参数。在地震学领域，层析成像方法可以恢复地下介质的速度、各向异性、衰减系数等参数，是直观了解地下结构的重要工具，在局部、区域和全球等不同尺度的成像上均有广泛运用。
[0003]其中，地震背景噪声程函层析成像随着密集阵列的发展逐渐成为噪声成像的重要工具。基于程函方程的背景噪声层析成像，是将每个台站视为虚拟“震源”，该“震源”和其他台站之间的走时面都可以被求取。程函方程直观地构建了地震波速度和传播方向与空间梯度的关系，避免了常规意义上的正演和反演过程。但是，经典的程函成像使用线性的插值算法来重建台站对之间的走时曲面，以估计程函方程中的速度值，这种插值方法往往损失了台站对之间的速度细节。而且经典程函成像需要采集所有台站对之间的互相关走时信息，使用数据量较大，在密集台阵地震记录信息量剧增的情况下比较消耗计算机的储存空间。

技术实现思路

[0004]为了解决上述问题，本申请实施例提供了一种基于物理信息神经网络的背景噪声程函成像方法。
[0005]第一方面，本申请实施例提供了一种基于物理信息神经网络的背景噪声程函成像方法，所述方法包括：获取原始地震数据，并对所述原始地震数据进行第一预处理；互相关所述原始地震数据中的背景噪声，得到至少一组台站对之间的走时数据；构建人工神经网络，基于程函方程构建包含物理约束的损失函数，并将所述损失函数添加至所述人工神经网络；对训练数据进行第二预处理后，基于所述训练数据训练所述人工神经网络，得到初始神经网络模型，所述训练数据包括所述原始地震数据和走时数据；获取目标区域的目标地震数据，基于所述初始神经网络模型处理所述目标地震数据，得到所述目标区域的地下速度结构信息。
[0006]优选的，所述对所述原始地震数据进行第一预处理，包括：依次对所述原始地震数据进行格式转换、去均值、去仪器响应、数据重采样以及滤波。
[0007]优选的，所述互相关所述原始地震数据中的背景噪声，得到至少一组台站对之间的走时数据，包括：
基于频段划分所述原始地震数据，分别对各所述频段的所述原始地震数据中的背景噪声进行互相关，得到至少一组台站对之间的走时数据。
[0008]优选的，所述对训练数据进行第二预处理，包括：基于墨卡托投影将地理坐标系转换为笛卡尔坐标系；对训练数据进行标准化处理和归一化处理；基于各台站间的台站距离和所述输入数据的数据分布进行坐标系网格划分。
[0009]优选的，所述初始神经网络模型包括走时神经网络和速度神经网络；所述获取目标区域的目标地震数据，基于所述初始神经网络模型处理所述目标地震数据，得到所述目标区域的地下速度结构信息，包括：获取目标区域的目标地震数据，基于所述走时神经网络和速度神经网络分别处理所述目标地震数据，得到目标走时数据和目标速度数据；基于所述目标走时数据和目标速度数据生成所述目标区域的地下速度结构信息。
[0010]第二方面，本申请实施例提供了一种基于物理信息神经网络的背景噪声程函成像装置，所述装置包括：获取模块，用于获取原始地震数据，并对所述原始地震数据进行第一预处理；互相关模块，用于互相关所述原始地震数据中的背景噪声，得到至少一组台站对之间的走时数据；构建模块，用于构建人工神经网络，基于程函方程构建包含物理约束的损失函数，并将所述损失函数添加至所述人工神经网络；训练模块，用于对训练数据进行第二预处理后，基于所述训练数据训练所述人工神经网络，得到初始神经网络模型，所述训练数据包括所述原始地震数据和走时数据；预测模块，用于获取目标区域的目标地震数据，基于所述初始神经网络模型处理所述目标地震数据，得到所述目标区域的地下速度结构信息。
[0011]第三方面，本申请实施例提供了一种电子设备，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计算机程序时实现如第一方面或第一方面的任意一种可能的实现方式提供的方法的步骤。
[0012]第四方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面或第一方面的任意一种可能的实现方式提供的方法。
[0013]本专利技术的有益效果为：1.运用物理信息神经网络结构的思想结合程函成像可以有效避免非线性反演中的迭代过程，并且一次训练就可以直接获得期望的地震波速度参数。
[0014]2. 仅需少量走时数据就可以实现训练网络和预测速度的过程，不需要将所有台站视为震源进行互相关，减少了数据储存量。
[0015]3. 在利用走时数据蕴含的信息反演速度结构的过程中，添加了程函方程和边界条件进行物理约束，对已知信息利用更充分；恢复走时面的过程中利用神经网络非线性系统能更准确地获得台站间速度细节。
[0016]4. 程函方程和神经网络的结合充分利用了已知的地震波传播规律，有效避免神经网络学习到由于观测数据存在误差带来的虚假信息，使得结果更可靠。
附图说明
[0017]为了更清楚地说明本申请实施例中的技术方案，下面将对实施例中所需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。
[0018]图1为本申请实施例提供的一种基于物理信息神经网络的背景噪声程函成像方法的流程示意图；图2为本申请实施例提供的一种基于物理信息神经网络的背景噪声程函成像装置的结构示意图；图3为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
[0019]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。
[0020]在下述介绍中，术语“第一”、“第二”仅为用于描述的目的，而不能理解为指示或暗示相对重要性。下述介绍提供了本申请的多个实施例，不同实施例之间可以替换或者合并组合，因此本申请也可认为包含所记载的相同和/或不同实施例的所有可能组合。因而，如果一个实施例包含特征A、B、C，另一个实施例包含特征B、D，那么本申请也应视为包括含有A、B、C、D的一个或多个所有其他可能的组合的实施例，尽管该实施例可能并未在以下内容中有明确的文字记载。
[0021]下面的描述提供了示例，并且不对权利要求书中阐述的范围、适用性或示例进行限制。可以在不脱离本申请内容的范围的情况下，对描述的元素的功能和布置做出改变。各个示例可以适当省略、替代或添加各种过程或组件。例如所描述的方法可以以所描述的顺序不同的顺序来执行，并且可以添加、省略或组合各种步骤。此外，可以将关于一些示例描述的特征组合到其他示例中。
[0022]参见图本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于物理信息神经网络的背景噪声程函成像方法，其特征在于，所述方法包括：获取原始地震数据，并对所述原始地震数据进行第一预处理；互相关所述原始地震数据中的背景噪声，得到至少一组台站对之间的走时数据；构建人工神经网络，基于程函方程构建包含物理约束的损失函数，并将所述损失函数添加至所述人工神经网络；对训练数据进行第二预处理后，基于所述训练数据训练所述人工神经网络，得到初始神经网络模型，所述训练数据包括所述原始地震数据和走时数据；获取目标区域的目标地震数据，基于所述初始神经网络模型处理所述目标地震数据，得到所述目标区域的地下速度结构信息。2.根据权利要求1所述的方法，其特征在于，所述对所述原始地震数据进行第一预处理，包括：依次对所述原始地震数据进行格式转换、去均值、去仪器响应、数据重采样以及滤波。3.根据权利要求1所述的方法，其特征在于，所述互相关所述原始地震数据中的背景噪声，得到至少一组台站对之间的走时数据，包括：基于频段划分所述原始地震数据，分别对各所述频段的所述原始地震数据中的背景噪声进行互相关，得到至少一组台站对之间的走时数据。4.根据权利要求1所述的方法，其特征在于，所述对训练数据进行第二预处理，包括：基于墨卡托投影将地理坐标系转换为笛卡尔坐标系；对训练数据进行标准化处理和归一化处理；基于各台站间的台站距离和所述输入数据的数据分布进行坐标系网格划分。5.根据权利要求1所述的方法，其特征在于，所述初始神经网络模型包括走时神经网络和速度神经网络；所述获取目标区域的...

【专利技术属性】
技术研发人员：陈云鹏，郭震，陈永顺，罗彬，谭俊卿，吴晓阳，任鹏飞，蔡巍，
申请(专利权)人：南方科技大学，
类型：发明
国别省市：