基于深度学习约束的电法与地震联合反演方法技术

本发明专利技术提供一种基于深度学习约束的电法与地震联合反演方法

【技术实现步骤摘要】
基于深度学习约束的电法与地震联合反演方法、存储介质


[0001]本专利技术属于地球物理勘探
，具体涉及一种基于深度学习约束的电法与地震联合反演方法
、
存储介质
。

技术介绍

[0002]地震和电阻率探测方法作为两种最常用的地球物理勘探方法，被广泛应用于工程勘察
、
水文地质
、
环境调查
、
资源勘探等领域
。
电阻率方法探测范围广，对低阻体反应灵敏，野外施工方式灵活，但是存在纵向分辨率不高，对异常体的边界刻画不好的问题
。
相较于电阻率法，地震探测方法探测精度高
、
分辨率高
、
能比较好的对地下精细结构进行刻画，但是受到低波数成分缺失影响导致深部地层波速分布难以恢复，反演结果失真
。
因此，针对地震和电法联合反演的研究较多
。
相比于单一方法反演，联合反演通过充分发挥各种地球物理方法的优势并且弥补各自的不足来减少反演结果的多解性，提高反演结果的准确性
。
[0003]据专利技术人了解，目前最常用的联合反演方法大多是基于岩石物性关系或者结构相似性的，前者理论基础是在某些特定地质环境下，物性参数之间可以通过物理表达式或者经验公式建立起联系
。
后者是利用待反演的物性参数的边界位置具有相似性，通过在结构上建立物性参数之间的联系，使得反演结果向不同物性参数所反映的共同边界变化，常用方法是使用交叉梯度做结构约束
>。
但传统联合反演方法为了得到符合先验信息的模型，需要多次迭代进行反演和解释，耗时严重且缺乏灵活性
。
近年来，深度学习在计算机视觉和图像处理领域出色的表现使其成为一项非常有吸引力的技术，已经广泛地应用于地球物理反演问题，但目前一般用于单一探测方法的反演问题，尚未有研究利用深度学习网络约束代替传统交叉梯度约束实现联合反演
。
[0004]实现在联合反演过程中引入深度学习方法存在以下两个难题：第一，传统联合反演使用交叉梯度函数作为结构约束，使两种地球物理模型在结构上趋于一致，在传统联合反演中引入深度学习的首要问题是如何通过深度学习方法来代替交叉梯度作为结构约束，引导网络参数做有意义的更新，从而对输入和输出之间复杂的映射关系进行建模，最终构建直接的端对端的映射关系
。
[0005]第二，由于在联合反演中，不同的探测方法的物性参数具有不同的敏感性，其反演的分辨率不尽相同，如何设计网络结构来深度提取各物理模型的特征并合理的融合多种物性参数的优势，是使用深度学习方法解决联合反演问题的重要问题
。

技术实现思路

[0006]因此，本专利技术要解决的技术问题在于提供一种基于深度学习约束的电法与地震联合反演方法
、
存储介质，用深度学习方法作结构约束，通过神经网络构建地震和电阻率独立反演模型与真实模型之间的对应关系，有效集成不同物理探测方式提供的特征信息，融合具有不同分辨率敏感性的探测方式的优势，实现更为精准的反演过程
。
[0007]为了解决上述问题，本专利技术提供一种基于深度学习约束的电法与地震联合反演方
法，包括如下步骤：
S100
，通过计算机数值模拟构建地质异常体模型，基于所述异常体模型进行电阻率正反演数值计算构建电阻率数据库，并基于所述异常体模型进行地震波速正反演数值计算构建地震波速数据库；
S200
，使用构建的所述电阻率数据库及地震波速数据库训练构建形成的电阻率
/
地震波速联合反演网络，所述电阻率
/
地震波速联合反演网络为双通道神经网络
FeatIntNet
；
S300
，基于所述电阻率
/
地震波速联合反演网络的输出结果计算目标函数，采用所述目标函数优化所述电阻率
/
地震波速联合反演网络，得到优化后的联合反演网络；
S400
，将测试数据输入所述优化后的联合反演网络，得到所述优化后的联合反演网络的输出结果
。
[0008]在一些实施方式中，所述目标函数包括数据不匹配项
MSE
，
,
其中，
DC、S
代表电阻率和地震波速，为神经网络输出的预测值，为真实模型值，
α
p
是各物理模型相应权重
。
[0009]在一些实施方式中，所述目标函数还包括边缘检测共线约束项
Ledge
，，其中，
m
DC
、m
S
分别代表所述双通道神经网络输出的直流电阻率模型和地震波速模型，为通过
Laplace
变换构建的边缘检测算子
。
[0010]在一些实施方式中，所述目标函数还包括正则化项，，其中，
λ
为光滑正则项的权重因子， Epoch
为网络训练总次数，
epoch
为当前训练次数，取值为
1,2
，
…
，
Epoch。
[0011]在一些实施方式中，所述目标函数
L
为：
。
[0012]本专利技术还提供一种基于深度学习约束的电法与地震联合反演装置，包括：数据库构建单元，用于通过计算机数值模拟构建地质异常体模型，基于所述异常体模型进行电阻率正反演数值计算构建电阻率数据库，并基于所述异常体模型进行地震波速正反演数值计算构建地震波速数据库；神经网络训练单元，用于使用构建的所述电阻率数据库及地震波速数据库训练构建形成的电阻率
/
地震波速联合反演网络，所述电阻率
/
地震波速联合反演网络为双通道神经网络
FeatIntNet
；
神经网络优化单元，用于基于所述电阻率
/
地震波速联合反演网络的输出结果计算目标函数，采用所述目标函数优化所述电阻率
/
地震波速联合反演网络，得到优化后的联合反演网络；测试输出单元，用于将测试数据输入所述优化后的联合反演网络，得到所述优化后的联合反演网络的输出结果
。
[0013]在一些实施方式中，所述目标函数包括数据不匹配项
MSE
，，其中，
DC、S
代表电阻率和地震波速，为神经网络输出的预测值，为真实模型值，
α
p
是各物理模型相应权重
。
[0014]在一些实施方式中，所述目标函数还包括边缘检测共线约束项
Ledge
，，其中，
m
DC
、m
S
分别代表所述双通道神经网络输出的直流电阻率模型和地震波速模型，为通过
Laplace
变换构建的边缘检测算子
。
[0015]在一些实施方式中，所本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于深度学习约束的电法与地震联合反演方法，其特征在于，包括如下步骤：
S100
，通过计算机数值模拟构建地质异常体模型，基于所述异常体模型进行电阻率正反演数值计算构建电阻率数据库，并基于所述异常体模型进行地震波速正反演数值计算构建地震波速数据库；
S200
，使用构建的所述电阻率数据库及地震波速数据库训练构建形成的电阻率
/
地震波速联合反演网络，所述电阻率
/
地震波速联合反演网络为双通道神经网络
FeatIntNet
；
S300
，基于所述电阻率
/
地震波速联合反演网络的输出结果计算目标函数，采用所述目标函数优化所述电阻率
/
地震波速联合反演网络，得到优化后的联合反演网络；
S400
，将测试数据输入所述优化后的联合反演网络，得到所述优化后的联合反演网络的输出结果
。2.
根据权利要求1所述的电法与地震联合反演方法，其特征在于，所述目标函数包括数据不匹配项
MSE
，，其中，
DC、S
代表电阻率和地震波速，为神经网络输出的预测值，为真实模型值，
α
p
是各物理模型相应权重
。3.
根据权利要求2所述的电法与地震联合反演方法，其特征在于，所述目标函数还包括边缘检测共线约束项
Ledge
，，其中，
m
DC
、m
S
分别代表所述双通道神经网络输出的直流电阻率模型和地震波速模型，为通过
Laplace
变换构建的边缘检测算子
。4.
根据权利要求3所述的电法与地震联合反演方法，其特征在于，所述目标函数还包括正则化项，，其中，
λ
为光滑正则项的权重因子， Epoch
为网络训练总次数，
epoch
为当前训练次数，取值为
1,2
，
…
，
Epoch。5.
根据权利要求4所述的电法与地震联合反演方法，其特征在于，所述目标函数
L
为：
。6.<...

【专利技术属性】
技术研发人员：李术才，任玉晓，刘斌，刘本超，李开元，
申请(专利权)人：山东大学，
类型：发明
国别省市：