【技术实现步骤摘要】
本专利技术涉及人工智能和地震正演模拟，特别涉及一种深部随机混合介质非平稳模型建模方法、系统及电子设备。
技术介绍
1、反射地震中，地震正演多用于指导数据采集、约束数据处理，并验证解释的准确性。当地面干扰严重、地下构造复杂，将会导致采集数据的信噪比、分辨率相对较低，以及在其他约束资料缺少的情况下，使得对地震剖面解释产生了多解性。
2、通过地震正演模拟，可以模拟地震波在地下介质中的传播行为，合成地震记录。这些合成记录可以提供关于地下地质结构的重要信息，如反射界面的位置、形状和倾角，岩性变化的位置和程度等，并与实际野外观测数据进行对比，从而帮助解释地下地质结构，减少地震数据解释和反演中的多解性问题。通过调整正演模型的岩石物性参数，如速度、密度和衰减等，可以获得与实际观测数据相匹配的合成记录，从而推断出地下地质结构的特征和属性。因此，通过岩石物性参数构建准确的地质模型是进行正演模拟的基础，合成的地震记录是研究地下地质结构的桥梁。
3、地壳结构与物质组成记录着构造-岩浆事件、变质过程和成矿作用留下的各种信息。探测地球深部和物质组成，对理解成矿带和大型矿集区的形成至关重要。其中深反射地震探测技术被公认为探测大陆岩石圈精细结构、大陆基底、上地幔精细结构等深部问题的有效手段，但是在深部探测中由于无法准确的对深部构造进行建模、深部构造复杂以及目前的地震正演建模方法都主要是针对浅部结构，对深部构造研究较弱等原因。深反射勘探很少利用正演模拟来指导约束深反射地震数据的采集、处理和解释。
4、在传统的地球圈层结构、石油
5、近年来，随着计算能力的提高和各行业数据量的剧增，使得人工智能得到了快速发展。其中人工神经网络是根据人脑认知机理形成的一种数学模型，深度学习即深度神经网络，是浅层神经网络的延伸，基于多层人工神经网络的机器学习方法，在输入层和输出层之间有多个隐藏层，是人工智能发展最快的领域。
6、其中生成对抗网络(generative adversarial networks，gan)是goodfellow等在2014年提出的一种生成式模型。gan在结构上受博弈论中的二人零和博弈(即二人的利益之和为零，一方的所得正是另一方的所失)的启发，由生成器和判别器组成，采用深度神级网络构成。生成器捕捉真实数据样本的潜在分布，并生成新的数据样本；判别器是一个二分类器，判别输入是真实数据还是生成的样本。随着生成式对抗网络的发展，不同网络结构的生成对抗网络也被提出来，条件生成对抗网络(conditional gan，cgan)提出在gan的网络结构中加入条件信息，使得gan能够准确地在一个模型中同时训练和生成多种类别的图像，并且根据不同数据集和生成要求，注入条件的方式多种多样;渐进生成对抗网络(progressive growing of gan，pggan)是gan训练过程的扩展，它允许稳定训练能够输出高质量图像的生成器模型，是一种逐步增加生成器和判别器网络结构的生成模型，从非常小的图像开始，并逐步增加成对的网络结构层快，以增加生成器模型的输出大小和判别器的输入大小，通过不断加入成对的网络结构来逐步增大生成图像的大小。
7、目前以深度学习为代表的人工智能技术推动了随机介质模型建模向智能化方向发展。随着深度学习技术在图像识别、语音识别、自然语言处理等领域的成功实施，目前正迅速在地震勘探领域推广，如在全波形反演、地震储层预测、去噪等方法中得到了快速应用，使得深部随机介质模型建模也逐步进入智能化阶段。
8、由此可见，深度学习和随机介质建模在地质及地球物理大数据研究中发挥着重要作用，但目前基于随机介质模型的相关研究多数是建立在谱分解定理和平稳随机介质模型的基础上，且建模效率低，以及这些方法主要针对浅部构造，对地下深部的研究而没有涉及，而且只采用速度这一种岩石物性参数，缺少其他的参数的约束无法更准确的对地下结构进行正演建模。另外实际地球深部介质存在结构参数随空间变化等更复杂的情况，限制了原有方法在地球深部正演模型建模中的应用。
技术实现思路
1、本专利技术的目的是提供一种深部随机混合介质非平稳模型建模方法、系统及电子设备，结合深度学习中的生成对抗网络的延伸方法构建地震勘探中的深部区域加权多尺度的随机混合介质非平稳模型。
2、为实现上述目的，本专利技术提供了如下方案：一种深部随机混合介质非平稳模型建模方法，包括：采用并行算法构建包含不同的结构参数和介质参数的初始随机混合介质非平稳模型的训练数据集；构建mccpgan网络模型；基于所述训练数据集，采用并行算法迭代训练所述mccpgan网络模型；训练过程中，在完成一个阶段的迭代训练后，逐渐增加所述生成器和所述判别器的网络层数；选择不同的结构参数和介质参数，利用训练好的生成器生成深部区域加权多尺度的随机混合介质非平稳模型。
3、为实现上述目的，本专利技术还提供了如下方案：一种深部随机混合介质非平稳模型建模系统，包括：训练数据集构建模块，用于采用并行算法构建包含不同的结构参数和介质参数的初始随机混合介质非平稳模型的训练数据集；模型构建模块，用于构建mccpgan网络模型；训练模块，用于基于所述训练数据集，采用并行算法迭代训练所述mccpgan网络模型；训练过程中，在完成一个阶段的迭代训练后，逐渐增加所述生成器和所述判别器的网络层数；模型生成模块，用于选择不同的结构参数和介质参数，利用训练好的生成器生成深部区域加权多尺度的随机混合介质非平稳模型。
4、为实现上述目的，本专利技术还提供了如下方案：一种电子设备，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行上述的深部随机混合介质非平稳模型建模方法。
5、根据本专利技术提供的具体实施例，本专利技术公开了以下技术效果：
6、（1）本专利技术在构建训练数据集时，不仅采用速度这单一介质参数来建模，还添加了密度这一介质参数，以及引入非平稳的概念来描述地下介质的分布情况，从而构建初始随机混合介质非平稳模型。因此，在利用训练数据集训练mccpgan网络模型的时候，使得mccpgan网络模型能够充分了解地下物性介质参数分布的状态和构造特征，增加了利用本专利技术建模的准确性。
7、（2）本专利技术利用逐渐增加网络结构的方法来增加生成模型的大小和分辨率，这种渐进式的训练方式有助于mccpgan网络模型学习更复杂的特征，并生成更逼真的结果。mccpgan网络模型经过迭代训练完毕后，可以利用较小的模型（训练集中的真实模型）得到符合深部研究要求的模型（即深部区域加本文档来自技高网...
【技术保护点】
1.一种深部随机混合介质非平稳模型建模方法，其特征在于，包括：
2.根据权利要求1所述的深部随机混合介质非平稳模型建模方法，其特征在于，所述初始随机混合介质非平稳模型的表达式为：
3.根据权利要求1所述的深部随机混合介质非平稳模型建模方法，其特征在于，所述MCCPGAN网络模型的训练过程中，所述生成器的输入包括随机噪声和多条件向量，所述多条件向量包括结构参数和介质参数；所述判别器的输入为所述生成器输出的生成模型、所述训练数据集和多条件向量。
4.根据权利要求1所述的深部随机混合介质非平稳模型建模方法，其特征在于，所述MCCPGAN网络模型的目标函数包括生成器目标函数和判别器目标函数；
5.一种深部随机混合介质非平稳模型建模系统，其特征在于，包括：
6.根据权利要求5所述的深部随机混合介质非平稳模型建模系统，其特征在于，所述初始随机混合介质非平稳模型的表达式为：
7.根据权利要求5所述的深部随机混合介质非平稳模型建模系统，其特征在于，所述MCCPGAN网络模型的训练过程中，所述生成器的输入包括随机噪声和多条件向
8.根据权利要求5所述的深部随机混合介质非平稳模型建模系统，其特征在于，所述MCCPGAN网络模型的目标函数包括生成器目标函数和判别器目标函数；
9.一种电子设备，其特征在于，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行权利要求1-4中任一项所述的深部随机混合介质非平稳模型建模方法。
...【技术特征摘要】
1.一种深部随机混合介质非平稳模型建模方法，其特征在于，包括：
2.根据权利要求1所述的深部随机混合介质非平稳模型建模方法，其特征在于，所述初始随机混合介质非平稳模型的表达式为：
3.根据权利要求1所述的深部随机混合介质非平稳模型建模方法，其特征在于，所述mccpgan网络模型的训练过程中，所述生成器的输入包括随机噪声和多条件向量，所述多条件向量包括结构参数和介质参数；所述判别器的输入为所述生成器输出的生成模型、所述训练数据集和多条件向量。
4.根据权利要求1所述的深部随机混合介质非平稳模型建模方法，其特征在于，所述mccpgan网络模型的目标函数包括生成器目标函数和判别器目标函数；
5.一种深部随机混合介质非平稳模型建模系统，其特征在于，包括：
6.根据权利要求5所...
【专利技术属性】
技术研发人员：刘家豪，严加永，陈昌昕，王栩，陈淼，
申请(专利权)人：中国地质科学院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。