一种基于深度学习的主被动源地震数据联合反演方法技术

本发明专利技术一种基于深度学习的主被动源地震数据联合反演方法，包括在训练和测试模型上，收集收据集；进行合成地震数据的模拟；建立具有双输入的神经网络结构；降采样后变换、嵌入处理，进行特征提取；提取浅层、中层和深层的特征，提供一个多尺度的特征空间；应用卷积层，提取和精炼上述特征并调整维度，主动源和被动源的多级特征分别进行融合；进行神经网络训练。本发明专利技术通过深度学习技术，成功实现了被动地震数据与主动源数据的高级特征融合；深度学习模型能学习复杂的地震数据表示，将两种类型的数据有机地结合，提高了反演模型对地下结构的理解和表达能力；这种融合使得模型能更全面、更准确地捕捉地下介质的特征，包括复杂的地质层次和介质变化。

【技术实现步骤摘要】

本专利技术属于地震勘探，具体涉及一种基于深度学习的主动源与被动源数据联合的速度反演方法。

技术介绍

1、地震速度反演在地球物理勘探中扮演着关键角色，其为理解地下构造、油气储层分布以及地质灾害监测提供了重要信息。传统的走时层析和偏移速度分析是常见的速度反演方法，但其存在速度估计精度较低，对偏移结果的准确性产生负面影响的问题，从而降低了解释结果的可靠性。

2、全波形反演(full wave inversion,fwi)作为一种高精度建模方法，通过匹配全波场信息在地球内部产生更准确的速度估计。然而，实际应用中fwi常常遇到周期跳跃现象，导致反演过程陷入局部最小值。因此，依赖相对准确的初始模型和观测数据中的低频信息基于此，被动源数据中所含的丰富低频信息成为全波形反演中的重要补充。

3、为有效应对周期跳跃的问题，目前采用的串联反演策略首先通过被动源地震数据进行全波形反演，将其结果作为主动源全波形反演的初始模型。这一策略的目标是在反演过程中更好地探索模型的空间，有效缓解周期跳跃问题的影响。此外，频率外推插值方法的引入进一步提高了对地震记录中低频本文档来自技高网...

【技术保护点】

1.一种基于深度学习的主被动源地震数据联合反演方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于深度学习的主被动源地震数据联合反演方法，其特征在于：步骤A，训练模型来自3-D SEG/EAGE Overthrust模型中截取的多个2-D模型；从3-DSEG/EAGE Overthrust模型中截取10个结构与训练模型不同的2-D模型，并将其用作测试模型。

3.根据权利要求2所述的一种基于深度学习的主被动源地震数据联合反演方法，其特征在于：训练模型总共有10000个训练模型，每个模型的尺寸为1280×640m。

4.根据权利要求1所述的一...

【技术特征摘要】

1.一种基于深度学习的主被动源地震数据联合反演方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于深度学习的主被动源地震数据联合反演方法，其特征在于：步骤a，训练模型来自3-d seg/eage overthrust模型中截取的多个2-d模型；从3-dseg/eage overthrust模型中截取10个结构与训练模型不同的2-d模型，并将其用作测试模型。

3.根据权利要求2所述的一种基于深度学习的主被动源地震数据联合反演方法，其特征在于：训练模型总共有10000个训练模型，每个模型的尺寸为1280×640m。

4.根据权利要求1所述的一种基于深度学习的主被动源地震数据联合反演方法，其特征在于：步骤b，在生成被动源的重构记录时，需要确保虚拟源的位置与主动源记录时的震源位置完全匹配。

5.根据权利要求1所述的一种基于深度学习的主被动源地震数据联合反演方法，其特征在于：步骤c，双输入神经网络架构两个并行的编码部分分别执行主动源数据与被动源数据的特征提取任务，解码部分执行特征融合及速度建模任务分别，两个并行的...

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