一种基于制造技术

本发明专利技术适用于地震勘探技术领域，提供了一种基于

【技术实现步骤摘要】
一种基于MDUNETR的短时被动源地震数据直接重构方法


[0001]本专利技术属于地震勘探
，尤其涉及一种基于
MDUNETR
的短时被动源地震数据直接重构方法
。

技术介绍

[0002]地震干涉技术能够将被动噪声源信号被转换为确定的有效信号，并利用这些重建信号对地下介质进行成像及反演，然而，传统地震干涉法通常基于一些理论假设：如被动震源面需要足够宽的空间分布范围来与自由地表构成闭合结构，并包裹全部的检波器阵列来保证波场的弥散性，即介质不能仅从一侧得到照明；且闭合结构内的介质应该是无损耗的
。
尽管后续发展了基于卷积互易定理的逐道反褶积与多维反褶积方法，来缓解震源的各向异性分布与耗散介质的影响，但在被动源地震干涉理论中，还存在着一项重要的积分项：记录时间
。
每一种被动源地震干涉技术均需要足够长时间的观测记录使检索的格林函数能够收敛
。
尽管从数学角度上来看，长时间地震记录参与计算能够增强对物理事件的统计，但从实际计算角度上来看，从长时间观测记录中检索物理事件意味着计算成本的成倍增加，而且会失去对地下介质变化监测的即时性
。
[0003]而深度学习方法在地震干涉领域中能够克服传统方法的局限性，具备自动特征学习
、
鲁棒性
、
非线性建模能力和高效处理等优势
。
它们为地震数据处理和地下结构研究提供了新的可能性和潜力
。
由于深度学习模型具有强大的非线性建模能力和大量可调节的参数，它们可以在训练过程中自动学习和优化不同层次的特征表示
。
这种自动学习的特性使得深度学习模型能够从大量的地震数据中提取和表示地下结构的复杂特征，进而提高地震干涉结果的准确性和可靠性
。
现有深度学习技术可从短时段的重构结果预测得到长时段的重构结果，但仍需要依赖互相关运算
。
[0004]因此，针对以上现状，迫切需要开发一种基于
MDUNETR
的短时被动源地震数据直接重构方法，以克服当前实际应用中的不足
。

技术实现思路

[0005]针对现有技术存在的不足，本专利技术实施例的目的在于提供一种基于
MDUNETR
的短时被动源地震数据直接重构方法，以解决上述
技术介绍
中的问题
。
[0006]为实现上述目的，本专利技术提供如下技术方案：
[0007]一种基于
MDUNETR
的短时被动源地震数据直接重构方法，包括如下步骤：
[0008]步骤一
、
被动源地震数据模拟：建立复杂介质速度模型，并定义模拟范围及其边界条件，设定震源相关参数，采用有限差分法的数值方法，模拟地震波在地下介质中的传播情况，得到数值模拟结果；
[0009]步骤二
、
制作训练数据集：采用地震干涉法对步骤一中的数值模拟结果进行处理，得到重构结果并作为标签；
[0010]步骤三
、
构建
MDUNETR
网络模型：采用跳跃连接将
Transformer
编码模块中提取的
特征输入基于
CNN
的解码器模块，并且在解码部分加入多尺度特征密集融合方法，用于实现多尺度特征的重用并得到构建的
MDUNETR
网络模型；
[0011]步骤四
、
模型训练：采用步骤二中训练数据集对步骤三中构建的模型进行训练，随机抽取
80
％作为训练集，剩余
20
％作为验证集
。
[0012]作为本专利技术进一步的技术方案，在步骤一中，复杂介质速度模型包括地层的速度
、
密度和衰减属性
。
[0013]作为本专利技术进一步的技术方案，在步骤二中，输入的数据包括短时段被动源噪声数据和虚震源位置数据，标签数据包括相应虚震源位置的长时段被动源地震记录的相关重构结果，并将标签数据与输入数据对应
。
[0014]作为本专利技术进一步的技术方案，在步骤二中，对步骤一中的数值模拟结果进行处理的具体方法为：
[0015]截取短时段被动源噪声数据，结果作为网络输入的一部分；
[0016]采用地震干涉法对长时段被动源地震记录进行互相关重构，结果作为网络的标签；
[0017]准备
2880
组数据，使用
Min
‑
Max scaling
归一化方法，对原始数据进行线性变换
,
使得结果映射到
[0,1]，输入网络进行训练；
[0018]下式为噪声源互相关型地震干涉法时间域计算公式：
[0019][0020]C(x
B
,x
A
,t)
＝
u(x
B
,t)*u(x
A
,
‑
t)。
[0021]其中，
G(x
B
,x
A
,t)
是均匀无损声学介质中
x
A
和
x
B
位置之间的格林函数，
±
t
表示格林函数的因果和非因果部分，
N(t)
表示虚拟震源子波，
u(x
B
,t)
与
u(x
A
,
‑
t)
代表检波器
x
A
与
x
B
接收到的信号
。
[0022]作为本专利技术进一步的技术方案，在步骤三中，构建
MDUNETR
网络模型的具体步骤如下：
[0023]步骤
a、
将虚震源位置表示为一个向量，并将其与噪声数据进行拼接操作，形成扩展的输入数据，大小为
H
×
W
×2；
[0024]步骤
b、
采用基于
Vit
算法的编码模块，先将图像进行转化，图像切块部分会将输入图像切分为一系列大小相等的图像块，每个小图像块的大小为
P
×
P
×2，将
H
×
W
×2的图像变为一个
N
×
(P2×
2)
的序列，序列中包含
N
＝
H
×
W/P2个图像块，将输入图像转换为一个一维序列，每个图像块都对应着一个向量，在
Transformer
结构中，输入一个二维的矩阵，矩阵的形状可以表示为
(N,D)
，
N
是序列的长度，
D
是序列中每个向量的维度；
[0025]步骤
c、
采用输入嵌本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于
MDUNETR
的短时被动源地震数据直接重构方法，其特征在于，包括如下步骤：步骤一
、
被动源地震数据模拟：建立复杂介质速度模型，并定义模拟范围及其边界条件，设定震源相关参数，采用有限差分法的数值方法，模拟地震波在地下介质中的传播情况，得到数值模拟结果；步骤二
、
制作训练数据集：采用地震干涉法对步骤一中的数值模拟结果进行处理，得到重构结果并作为标签；步骤三
、
构建
MDUNETR
网络模型：采用跳跃连接将
Transformer
编码模块中提取的特征输入基于
CNN
的解码器模块，并且在解码部分加入多尺度特征密集融合方法，用于实现多尺度特征的重用并得到构建的
MDUNETR
网络模型；步骤四
、
模型训练：采用步骤二中训练数据集对步骤三中构建的模型进行训练，随机抽取
80
％作为训练集，剩余
20
％作为验证集
。2.
根据权利要求1所述的基于
MDUNETR
的短时被动源地震数据直接重构方法，其特征在于，在步骤一中，复杂介质速度模型包括地层的速度
、
密度和衰减属性
。3.
根据权利要求1所述的基于
MDUNETR
的短时被动源地震数据直接重构方法，其特征在于，在步骤二中，输入的数据包括短时段被动源噪声数据和虚震源位置数据，标签数据包括相应虚震源位置的长时段被动源地震记录的相关重构结果
。4.
根据权利要求1所述的基于
MDUNETR
的短时被动源地震数据直接重构方法，其特征在于，在步骤二中，对步骤一中的数值模拟结果进行处理的具体方法为：截取短时段被动源噪声数据，结果作为网络输入的一部分；采用地震干涉法对长时段被动源地震记录进行互相关重构，结果作为网络的标签；准备
2880
组数据，使用
Min
‑
Max scaling
归一化方法，对原始数据进行线性变换
,
使得结果映射到
[0,1]
，输入网络进行训练；下式为噪声源互相关型地震干涉法时间域计算公式：
C(x
B
,x
A
,t)
＝
u(x
B
,t)*u(x
A
,
‑
t)。
其中，
G(x
B
,x
A
,t)
是均匀无损声学介质中
x
A
和
x
B
位置之间的格林函数，
±
t
表示格林函数的因果和非因果部分，
N(t)
表示虚拟震源子波，
u(x
B
,t)
与
u(x
A
,
‑
t)
代表检波器
x
A
与
x
B
接收到的信号
。5.
根据权利要求1所述的基于
MDUNETR
的短时被动源地震数据直接重构方法，其特征在于，在步骤三中，构建
MDUNETR
网络模型的具体步骤如下：步骤
a、
将虚震源位置表示为一个向量，并将其与噪声数据进行拼接操作，形成扩展的输入数据，大小为
H
×
W
×2；步骤
b、
采用基于
Vit
算法...

【专利技术属性】
技术研发人员：马丽芸，韩立国，封强，尚旭佳，曾靖雯，
申请(专利权)人：吉林大学，
类型：发明
国别省市：