一种基于CNN的频率域低频拓展多尺度全波形反演方法技术

本发明专利技术公开了一种基于CNN的频率域低频拓展多尺度全波形反演方法，具体涉及地球物理技术领域。本发明专利技术根据先验地质信息建立工区层速度模型后，基于离散余弦变换向工区层速度模型中加入随机扰动生成多个速度模型，分别利用各速度模型进行频率域地震记录正演模拟获取多个单频点的地震记录，通过对各单频点地震数据进行切分生成样本数据，利用样本数据训练构建的卷积神经网络模型，并利用训练后的卷积神经网络模型根据高频地震波场数据预测低频地震波场数据，将预测的低频地震波场数据与高频地震波场数据相结合形成宽频地震数据进行多尺度全波形反演。本发明专利技术有效避免了多尺度全波形反演易于陷入局部极小值的问题，实现了对反演速度模型的准确获取。速度模型的准确获取。速度模型的准确获取。

【技术实现步骤摘要】
一种基于CNN的频率域低频拓展多尺度全波形反演方法


[0001]本专利技术涉及地球物理
，具体涉及一种基于CNN的频率域低频拓展多尺度全波形反演方法。

技术介绍

[0002]全波形反演作为一种利用地震数据获得地下介质速度模型的有效工具，低频数据对反演的收敛性非常重要。但是，现阶段受硬件设备以及采集成本的限制，实际陆域地震数据中低频成分较少，常规陆域地震数据有效频率往往仅在5Hz以上。从5Hz频率地震数据开始反演对于地震数据的全波形反演来说难度较大，反演往往易于陷入局部极小值，无法得到正确的速度模型。深度学习作为解决非线性关系的有效工具，已经从数据重构、处理、反演及解释方面广泛应用于地震勘探领域，例如地震数据缺失道补全、地震初至拾取、地震数据低频拓展、速度反演、断裂识别等。
[0003]因此，亟需将深度学习应用于全波形反演中拓宽低频地震数据获取宽频地震数据，提出一种基于CNN的频率域低频拓展多尺度全波形反演方法。

技术实现思路

[0004]本专利技术针对因实际陆域地震数据中低频成分较少导致全波形反演时无法准确获取速度模型的问题，提出了一种基于CNN的频率域低频拓展多尺度全波形反演方法，有效避免了多尺度全波形反演陷入局部极小值，实现了对反演速度模型的准确获取，提高了多尺度全波形速度反演的精度。
[0005]本专利技术采用以下的技术方案：
[0006]一种基于CNN的频率域低频拓展多尺度全波形反演方法，具体包括以下步骤：
[0007]步骤1，根据区域的先验地质信息建立工区层速度模型，基于离散余弦变换向工区层速度模型中加入随机扰动生成多个速度模型，分别利用各速度模型进行频率域地震记录正演模拟生成频率域地震正演记录，获得多个单频点的地震记录，通过对各单频点地震数据进行切分生成样本数据；
[0008]步骤2，基于深度学习平台构建卷积神经网络模型；
[0009]步骤3，将训练集和验证集输入卷积神经网络模型中，通过对卷积神经网络模型进行训练调整卷积神经网络模型的权重和偏差，得到训练后的卷积神经网络模型；
[0010]步骤4，利用训练后的卷积神经网络模型进行低频预测，将频率域地震波场数据中的高频地震波场数据输入训练后的卷积神经网络模型中，利用训练后的卷积神经网络模型预测频率域地震波场数据中各单频点的低频地震波场数据；
[0011]步骤5，利用预测得到的频率域地震波场数据中各单频点的低频地震波场数据结合高频地震波场数据构建由低频到高频的宽频地震数据，利用宽频地震数据进行多尺度全波形反演，得到基于频率域低频拓展的多尺度全波形反演结果。
[0012]优选地，所述步骤1中，具体包括以下步骤：
[0013]步骤1.1，根据区域的先验地质信息建立工区层速度模型；
[0014]步骤1.2，基于离散余弦变换向工区层速度模型中加入随机扰动，得到加入随机扰动的速度模型；
[0015]步骤1.3，多次重复步骤1.2，生成多个加入随机扰动的速度模型；
[0016]步骤1.4，利用各速度模型进行频率域地震记录正演模拟生成频率域地震正演记录，获得多个单频点的地震记录，根据频率将单频点地震记录划分为高频部分和低频部分，将单频点地震记录的高频部分和低频部分等间距切分后，利用各单频点地震切分后的高频部分作为训练数据形成训练集，将各单频点地震切分后的低频部分作为标签数据形成验证集。
[0017]优选地，所述步骤1.2中，具体包括以下步骤：
[0018]步骤1.2.1，对工区层速度模型进行离散余弦变换得到DCT矩阵，如公式(1)所示：
[0019][0020]其中，
[0021][0022]式中，DCT
kl
为离散余弦变换后的工区层速度模型；c
k
、c
l
均为归一化常数；M为工区层速度模型离散网格中的纵向网格数量，N为工区层速度模型离散网格中的横向网格数量；m为工区层速度模型离散网格中纵向网格的序号，0≤m≤M
‑
1且m为整数，n为工区层速度模型离散网格中横向网格的序号，0≤n≤N
‑
1且n为整数；k、l均为系数，0≤k≤M
‑
1且k为整数，0≤l≤N
‑
1且l为整数；
[0023]步骤1.2.2，对DCT矩阵进行归一化处理，利用归一化后的DCT矩阵生成Φ矩阵，Φ矩阵中包括M
×
N个向量化的DCT矩阵，如公式(3)所示：
[0024]Φ＝[DCT1(:) DCT2(:)...DCT
M
×
N
(:)]ꢀꢀꢀꢀ
(3)
[0025]式中，DCT
M
×
N
(:)为第M
×
N个向量化的DCT矩阵；
[0026]对Φ矩阵离散后得到DCT系数矩阵的计算公式，如公式(4)所示：
[0027][0028]式中，m为模型参数，为DCT系数矩阵；
[0029]对Φ矩阵中DCT矩阵特征值进行SVD分解，计算得到DCT系数矩阵如公式(5)所示：
[0030][0031]式中，λ为由Φ矩阵特征值组成的对角矩阵，u为奇异值第一分解矩阵，v为奇异值第二分解矩阵，T为转置矩阵；
[0032]步骤1.2.3，在DCT系数矩阵中加入一个服从正态分布的随机数产生随机扰动，
生成加入随机扰动的DCT系数矩阵，如公式(6)所示：
[0033][0034]式中，为随机扰动；
[0035]步骤1.2.4，将加入随机扰动的DCT系数矩阵和Φ矩阵相乘，得到加入随机扰动的速度模型，如公式(7)所示：
[0036][0037]式中，m
p
为加入随机扰动的速度模型。
[0038]优选地，所述步骤1.4中，单频点地震高频部分的频率为5
‑
10Hz、低频部分的频率为0.1
‑
5Hz。
[0039]优选地，所述步骤2中，卷积神经网络内包括第一卷积层、第二卷积层、第三卷积层、第四卷积层、Flatten层、第一全连接层和第二全连接层；
[0040]所述第一卷积层、第二卷积层、第三卷积层、第四卷积层后均设置有一个BN层和一个Max_Pooling层；
[0041]所述第一卷积层内设有16个3
×
3的卷积核，第二卷积层内设有32个3
×
3的卷积核，第三卷积层内设有64个3
×
3的卷积核，第四卷积层内设有128个3
×
3的卷积核，卷积步长为1；
[0042]所述Max_Pooling层内设置有2
×
2的卷积核，池化步长为2；
[0043]所述Flatten层用于压平地震记录形成一维数据。
[0044]优选地，所述步骤3中，具体包括以下步骤：
[0045]步骤3.1，根据训练集和验证集，在训练集和本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于CNN的频率域低频拓展多尺度全波形反演方法，其特征在于，具体包括以下步骤：步骤1，根据区域的先验地质信息建立工区层速度模型，基于离散余弦变换向工区层速度模型中加入随机扰动生成多个速度模型，分别利用各速度模型进行频率域地震记录正演模拟生成频率域地震正演记录，获得多个单频点的地震记录，通过对各单频点地震数据进行切分生成样本数据；步骤2，基于深度学习平台构建卷积神经网络模型；步骤3，将训练集和验证集输入卷积神经网络模型中，通过对卷积神经网络模型进行训练调整卷积神经网络模型的权重和偏差，得到训练后的卷积神经网络模型；步骤4，利用训练后的卷积神经网络模型进行低频预测，将频率域地震波场数据中的高频地震波场数据输入训练后的卷积神经网络模型中，利用训练后的卷积神经网络模型预测频率域地震波场数据中各单频点的低频地震波场数据；步骤5，利用预测得到的频率域地震波场数据中各单频点的低频地震波场数据结合高频地震波场数据构建由低频到高频的宽频地震数据，利用宽频地震数据进行多尺度全波形反演，得到基于频率域低频拓展的多尺度全波形反演结果。2.根据权利要求1所述的基于CNN的频率域低频拓展多尺度全波形反演方法，其特征在于，所述步骤1中，具体包括以下步骤：步骤1.1，根据区域的先验地质信息建立工区层速度模型；步骤1.2，基于离散余弦变换向工区层速度模型中加入随机扰动，得到加入随机扰动的速度模型；步骤1.3，多次重复步骤1.2，生成多个加入随机扰动的速度模型；步骤1.4，利用各速度模型进行频率域地震记录正演模拟生成频率域地震正演记录，获得多个单频点的地震记录，根据频率将单频点地震记录划分为高频部分和低频部分，将单频点地震记录的高频部分和低频部分等间距切分后，利用各单频点地震切分后的高频部分作为训练数据形成训练集，将各单频点地震切分后的低频部分作为标签数据形成验证集。3.根据权利要求2所述的基于CNN的频率域低频拓展多尺度全波形反演方法，其特征在于，所述步骤1.2中，具体包括以下步骤：步骤1.2.1，对工区层速度模型进行离散余弦变换得到DCT矩阵，如公式(1)所示：其中，式中，DCT
kl
为离散余弦变换后的工区层速度模型；c
k
、c
l
均为归一化常数；M为工区层速度模型离散网格中的纵向网格数量，N为工区层速度模型离散网格中的横向网格数量；m为
工区层速度模型离散网格中纵向网格的序号，0≤m≤M
‑
1且m为整数，n为工区层速度模型离散网格中横向网格的序号，0≤n≤N
‑
1且n为整数；k、l均为系数，0≤k≤M
‑
1且k为整数，0≤l≤N
‑
1且l为整数；步骤1.2.2，对DCT矩阵进行归一化处理，利用归一化后的DCT矩阵生成Φ矩阵，Φ矩阵中包括M
×
N个向量化的DCT矩阵，如公式(3)所示：Φ＝[DCT1(:) DCT2(:) ... DCT
M
×
N
(:)]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)式中，DCT
M
×
N
(:)为第M
×
N个向量化的DCT矩阵；对Φ矩阵离散后得到DCT系数矩阵的计算公式，如公式(4)所示：式中，m为模型参数，为DCT系数矩阵；对Φ矩阵中DCT矩阵特征值进行SVD分解，计算得到DCT系数矩阵如公式(5)所示：式中，λ为由Φ矩阵特征值组成的对角矩阵，u为奇异值第一分解矩阵，v为奇异值第二分解矩阵，T为转置矩阵；步骤1.2.3，在DCT系数矩阵中加入一个服从正态分布的随机数产生随机扰动，生成加入随机扰动的DCT系数矩阵如公式(6)所示：式中，为随机扰动；步骤1.2.4，将加入随机扰动的DCT系数矩阵和Φ矩阵相乘，得到加入随机扰动的速...

【专利技术属性】
技术研发人员：王凯，王小江，刘建勋，乔汉青，张凯，王通，张鹏辉，
申请(专利权)人：中国地质科学院地球物理地球化学勘查研究所，
类型：发明
国别省市：