一种大地电磁-地震波初至时的联合反演方法

文档序号:26001310发布日期:2021-07-23 21:18阅读:143来源:国知局
一种大地电磁-地震波初至时的联合反演方法

本方法涉及地球物理反演成像技术领域,尤其涉及一种基于属性融合的深度学习大地电磁-地震波初至时联合反演方法。



背景技术:

地质模型具有多种地球物理特性,为了解地下结构,可以采用不同探测方法进行估算。例如,可以利用大地电磁数据推断地下电阻率分布,用地震波初至时数据推断地下速度场。由于两种方法对地下结构的分辨率和敏感度的差异,分别用大地电磁和地震波初至时方法对同一测区进行反演,得到的结果可能不同。这给地球物理数据解释带来了许多挑战。

由于电磁和地震波数据包含地下结构的互补信息,与单独反演相比,两种数据联合反演可以进一步限制模型搜索空间,使反演出来的电阻率和速度有更多的相似结构,从而完成两种模型的交叉验证。目前的联合反演主要有两种框架:一种基于岩石物理关系,另一种基于结构相似性。在第一个框架中,两个属性之间的相关性是通过经验方程建立的。我们可以找到速度和电阻率之间的直接关系,或者通过archie或waxman-smits方程和gassmann方程将电阻率和速度转换为孔隙度和流体饱和度。基于该方法已经完成了许多工作并显示出良好的性能。但是,关系的构建依赖于经验方程式中的预定义系数,需要根据不同情况进行选定。此外,这种方式不能考虑速度和电阻率之间的统计相关性。第二个框架假设不同的勘测方法反演出的模型应具备公共边界,通过对目标函数施加结构相似性约束,使待反演速度和电阻率结构一致。这样的约束条件包括交叉梯度,交互式正则化等。对于交叉梯度,速度和电阻率的边界(如果存在)将指向相同的位置和方向,但是它并没有在所有地方强制施加相同的结构。对于交互式正则化,将根据其中一个物理模型的边界强加一个物理模型的边界。基于结构相似性的联合反演无法利用先验电阻率-速度的统计规律去约束反演过程。此外,这两种框架不能直接建立反演输出的模型和真实模型的联系,也不能帮助反演跳出局部极小值。

现有技术中是基于映射法进行联合反演:

1、映射法用神经网络,训练的是真实模型的电阻率图像到速度图像,或速度图像到电阻率图像的映射,主要是融入两种模态的结构和物性数值的对应关系,其中,神经网络输入和输出只能是电阻率或速度中的一种,在构建训练集时只需要真实模型,不需要进行单独反演,需要训练两个神经网络;

2、映射法采用单通道cnn,输入-输出为电阻率-速度或速度-电阻率;

3、映射法直接涉及电阻率-速度的相互映射关系,需要每次迭代对电阻率和速度图像交替更新;其中,映射法在每次迭代生成电阻率(速度)图像后,将图像放入训练好的所述的两个神经网络之一,得到参考的速度(电阻率)图像,作为下一回合速度(电阻率)单独迭代的参考;

本方法是利用深度学习辅助大地电磁和地震波初至时联合反演的新方法。我们利用深度神经网络来学习反演结果和真实模型之间的非线性映射关系,从而使得反演得到的电阻率和速度模型不但有较高的结构相似性和物性对应关系,而且对真实模型的结构刻画更准确,且更接近全局最小值,便于进行更好地进行地球物理解释。



技术实现要素:

本申请旨在至少在一定程度上解决相关技术中的技术问题之一。

为此,本申请的第一个目的在于提出一种大地电磁-地震波初至时的联合反演方法,以实现。

本申请的第一种大地电磁-地震波初至时的联合反演。

本申请的第三个目的在于提出一种计算机设备。

为达上述目的,本申请第一方面实施例提出了一种大地电磁-地震波初至时的联合反演方法,包括:

构建训练集,所述训练集包括反演结果的电阻率图像、反演结果的速度图像、真实模型的电阻率图像和真实模型的速度图像;

通过神经网络对电阻率图像和速度图像进行联合训练,以得到所述反演结果的电阻率图像和所述反演结果的速度图像到所述真实模型的电阻率图像和所述真实模型的速度图像的非线性映射;

根据所述反演结果的电阻率图像和所述反演结果的速度图像到所述真实模型的电阻率图像和所述真实模型的速度图像的非线性映射,获取大地电磁-地震波初至时反演的参考模型;以及

在参考模型的约束下,同时更新所述电阻率图像和所述速度图像,以进行大地电磁-地震波初至时的联合反演。

本申请实施例的方法,一种大地电磁-地震波初至时的联合反演方法,主要是基于属性融合法来实现,包括:

属性融合法采用深度神经网络,训练从单独反演给出的电阻率图像和速度图像,到真实模型的电阻率图像和速度图像的非线性映射,以自动提取两模态单独反演过程融入的先验信息。这里神经网络的输出和输入都既有电阻率图像,又有速度图像,在构建训练集时需要对每个case进行一次单独反演,只需要训练一个神经网络。其中,神经网络输入输出不仅可以是电阻率,速度图像,也包含电阻率、速度图像进行数学变换后的图像;

属性融合法采用双通道-双通道cnn,分别输入输出电阻率、速度;

属性融合法由于不直接涉及电阻率-速度的相互映射关系,因此每次迭代对电阻率和速度图像同时更新;

属性融合法在优化过程的每次迭代将上次迭代生成的电阻率和速度图像同时输入到之前训练好的神经网络,同时得到参考的电阻率和速度图像,作为下一回合迭代的电阻率、速度单独优化的参考。

本申请较现有技术具有如下优点:

1、反演得到的电阻率和速度模型具有较好的结构相似性且边界更准确;

2、使目标函数跳出局部极小值;

3、具有较高的泛化能力。

在本申请实施例中,在构建所述训练集时,分别对所述电阻率图像和速度图像进行单独反演,用反演后得到的最终电阻率图像和最终速度图像与真实电阻率图像和速度图像构建训练集。

在本申请实施例中,所述神经网络为卷积神经网络,其中,所述卷积神经网络为双通道-双通道cnn。

在本申请实施例中,所述通过所述参考模型进行大地电磁-地震波初至时的联合反演中,所述联合反演的目标函数为:

其中,ρ为待反演电阻率,s为待反演慢度(速度的倒数),d为待反演区间,f为求解大地电磁正问题的前向算子,g为求解地震波正问题的前向算子,dobs为大地电磁测量数据,tobs为地震波初至时测量数据,ρref和sref为当前模型经输入到神经网络的非线性映射输出,r(ρ)和r(s)为描述模型光滑程度的正则项,α、λ、γ为调节权重的系数。

在本申请实施例中,通过迭代方法极小化目标泛函。

为达上述目的,本申请第二方面实施例提出了一种大地电磁-地震波初至时的联合反演,包括:

构建模块,用于构建训练集,所述训练集包括反演结果的电阻率图像、反演结果的速度图像、真实模型的电阻率图像和真实模型的速度图像;

训练模块,用于通过神经网络分别对所述电阻率图像和所述速度图像进行联合训练,以得到所述反演结果的电阻率图像和所述反演结果的速度图像到所述真实模型的电阻率图像和所述真实模型的速度图像的非线性映射;

获取模块,用于根据所述反演结果的电阻率图像和所述反演结果的速度图像到所述真实模型的电阻率图像和所述真实模型的速度图像的非线性映射,获取大地电磁-地震波初至时反演的参考模型;以及

反演模块,用于在参考模型的约束下,同时更新所述电阻率图像和所述速度图像,以进行大地电磁-地震波初至时的联合反演。

本申请实施例的方法,通过基于属性融合法来实现,本申请较现有技术具有如下优点:

1、反演得到的电阻率和速度模型具有较好的结构相似性且边界更准确;

2、使目标函数跳出局部极小值;

3、具有较高的泛化能力。

在本申请实施例中,在所述构建模块中,在构建所述训练集时,分别对所述电阻率图像和速度图像进行单独反演,用反演后得到的最终电阻率图像和最终速度图像与真实电阻率图像和速度图像构建训练集。

在本申请实施例中,所述通过所述参考模型进行大地电磁-地震波初至时的联合反演中,所述联合反演的目标函数为:

其中,ρ为待反演电阻率,s为待反演慢度(速度的倒数),d为待反演区间,f为求解大地电磁正问题的前向算子,g为求解地震波正问题的前向算子,dobs为大地电磁测量数据,tobs为地震波初至时测量数据,ρref和sref为当前模型经输入到神经网络的非线性映射输出,r(ρ)和r(s)为描述模型光滑程度的正则项,α、λ、γ为调节权重的系数。

在本申请实施例中,所述装置还包括处理模块,用于利用迭代方法极小化所述目标泛函。

为达上述目的,本申请第三方面实施例提出了一种计算机设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时,实现本申请的第一方面实施例和第二方面实施例所述的方法。

本申请附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本申请的实践了解到。

附图说明

本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:

图1为本申请实施例所提供的一种大地电磁-地震波初至时的联合反演方法的流程示意图;

图2为本申请实施例所提供的验证本申请构建的仿真重建电阻率和速度模型,其中,左图为仿真重建电阻率模型,右图为仿真重建速度模型;

图3为本申请实施例所提供的训练集中的其中一组样例,左图为输入的电阻率模型,右图为输入的速度模型;

图4为本申请实施例所提供的训练集中的另一组样例,左图为图3输入的电阻率模型对应的电阻率输出标签,右图为图3输入的速度模型对应的速度输出标签;

图5为本申请实施例所提供的以本申请所述方法得到的仿真数据的联合反演结果;以及

图6为本申请实施例所提供的非本申请所述方法得到的仿真数据的单独反演结果。

具体实施方式

下面详细描述本申请的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本申请,而不能理解为对本申请的限制。

下面参考附图描述本申请实施例的一种大地电磁-地震波初至时的联合反演方法和装置。

图1为本申请实施例所提供的一种大地电磁-地震波初至时的联合反演方法的流程示意图。

针对这一问题,本申请实施例提供了一种大地电磁-地震波初至时的联合反演方法,以实现大地电磁-地震波初至时的联合反演,如图1所示,该方法包括以下步骤:

构建训练集,所述训练集包括反演结果的电阻率图像、反演结果的速度图像、真实模型的电阻率图像和真实模型的速度图像;

通过神经网络对电阻率图像和速度图像进行联合训练,以得到所述反演结果的电阻率图像和所述反演结果的速度图像到所述真实模型的电阻率图像和所述真实模型的速度图像的非线性映射;

根据所述反演结果的电阻率图像和所述反演结果的速度图像到所述真实模型的电阻率图像和所述真实模型的速度图像的非线性映射,获取大地电磁-地震波初至时反演的参考模型;以及

在参考模型的约束下,同时更新所述电阻率图像和所述速度图像,以进行大地电磁-地震波初至时的联合反演。

本申请实施例的方法,一种大地电磁-地震波初至时的联合反演方法,主要是基于属性融合法来实现,包括:

属性融合法采用深度神经网络,训练从单独反演给出的电阻率图像和速度图像,到真实模型的电阻率图像和速度图像的非线性映射,以自动提取两模态单独反演过程融入的先验信息。这里神经网络的输出和输入都既有电阻率图像,又有速度图像,在构建训练集时需要对每个case进行一次单独反演,只需要训练一个神经网络。其中,神经网络输入输出不仅可以是电阻率,速度图像,也包含电阻率、速度图像进行数学变换后的图像;

属性融合法采用双通道-双通道cnn,分别输入输出电阻率、速度;

属性融合法由于不直接涉及电阻率-速度的相互映射关系,因此每次迭代对电阻率和速度图像同时更新;

属性融合法在优化过程的每次迭代将上次迭代生成的电阻率和速度图像同时输入到之前训练好的神经网络,同时得到参考的电阻率和速度图像,作为下一回合迭代的电阻率、速度单独优化的参考。

本申请较现有技术具有如下优点:

1、反演得到的电阻率和速度模型具有较好的结构相似性且边界更准确;

2、使目标函数跳出局部极小值;

3、具有较高的泛化能力。

在本申请实施例中,在构建所述训练集时,分别对所述电阻率图像和速度图像进行单独反演,用反演后得到的最终电阻率图像和最终速度图像与真实电阻率图像和速度图像构建训练集。

在本申请实施例中,所述神经网络为卷积神经网络,其中,所述卷积神经网络为双通道-双通道cnn。

在本申请实施例中,所述通过所述参考模型进行大地电磁-地震波初至时的联合反演中,所述联合反演的目标函数为:

其中,ρ为待反演电阻率,s为待反演慢度(速度的倒数),d为待反演区间,f为求解大地电磁正问题的前向算子,g为求解地震波正问题的前向算子,dobs为大地电磁测量数据,tobs为地震波初至时测量数据,ρref和sref为当前模型经输入到神经网络的非线性映射输出,r(ρ)和r(s)为描述模型光滑程度的正则项,α、λ、γ为调节权重的系数。

在本申请实施例中,通过迭代方法极小化目标泛函。

为达上述目的,本申请第二方面实施例提出了一种大地电磁-地震波初至时的联合反演,包括:

构建模块,用于构建训练集,所述训练集包括反演结果的电阻率图像、反演结果的速度图像、真实模型的电阻率图像和真实模型的速度图像;

训练模块,用于通过神经网络分别对所述电阻率图像和所述速度图像进行联合训练,以得到所述反演结果的电阻率图像和所述反演结果的速度图像到所述真实模型的电阻率图像和所述真实模型的速度图像的非线性映射;

获取模块,用于根据所述反演结果的电阻率图像和所述反演结果的速度图像到所述真实模型的电阻率图像和所述真实模型的速度图像的非线性映射,获取大地电磁-地震波初至时反演的参考模型;以及

反演模块,用于在参考模型的约束下,同时更新所述电阻率图像和所述速度图像,以进行大地电磁-地震波初至时的联合反演。

本申请实施例的方法,通过基于属性融合法来实现,本申请较现有技术具有如下优点:

1、反演得到的电阻率和速度模型具有较好的结构相似性且边界更准确;

2、使目标函数跳出局部极小值;

3、具有较高的泛化能力。

在本申请实施例中,在所述构建模块中,在构建所述训练集时,分别对所述电阻率图像和速度图像进行单独反演,用反演后得到的最终电阻率图像和最终速度图像与真实电阻率图像和速度图像构建训练集。

在本申请实施例中,所述通过所述参考模型进行大地电磁-地震波初至时的联合反演中,所述联合反演的目标函数为:

其中,ρ为待反演电阻率,s为待反演慢度(速度的倒数),d为待反演区间,f为求解大地电磁正问题的前向算子,g为求解地震波正问题的前向算子,dobs为大地电磁测量数据,tobs为地震波初至时测量数据,ρref和sref为当前模型经输入到神经网络的非线性映射输出,r(ρ)和r(s)为描述模型光滑程度的正则项,α、λ、γ为调节权重的系数。

在本申请实施例中,所述装置还包括处理模块,用于利用迭代方法极小化所述目标泛函。

为了使本领域技术人员更好的理解本申请,本申请实施例提供了另一种大地电磁-地震波初至时的联合反演方法。

下面参考附图描述本申请实施例的方法和装置。

图1为本申请实施例所提供的一种大地电磁-地震波初至时的联合反演方法的流程示意图;

一种基于属性融合的深度学习大地电磁-地震波初至时联合反演方法,目标函数具有如下形式:

其中,ρref,sref=nρ,s(ρ0,s0),ρ为待反演电阻率,s为待反演慢度(速度的倒数),f为求解大地电磁正问题的前向算子,g为求解地震波正问题的前向算子,dobs为大地电磁测量数据,tobs为地震波初至时测量数据。nρ,s为训练后的神经网络,完成从当前的电阻率和速度模型到参考电阻率和速度模型的非线性映射。ρ0和s0为当前的电阻率和速度模型,ρref和sref为当前模型经神经网络的非线性映射输出。r(ρ)和r(s)为描述模型光滑程度的正则项,α、λ和γ为调节各项的系数;

在本申请实施例中,通过迭代方法极小化目标泛函ljoint(ρ,s)。

在本申请实施例中,所述的以反演最终输出的电阻率、速度场模型(或对其进行变换后的模型)为输入,真实的电阻率、速度场模型(或对其进行变换后的模型)为输出的训练集。这里的变换指处于更好提取训练集信息、方便训练等目的针对电阻率或速度场模型进行的数学运算,包括但不限于取梯度、重采样等。

在本申请实施例中,所述的输入为反演最终电阻率和速度场,输出为经映射后的电阻率和速度场的神经网络nρ,s包括各种结构。

在本申请实施例中,所述的正则项r(ρ)、r(s)包括各种形式。

在本申请实施例中,所述的极小化目标泛函的方法包括各种极小化方法。

进一步地,在r(ρ)、r(s)使用最平滑约束时,联合反演的目标函数具体写为

其中pref,sref=nρ,s(ρ0,s0),分别代表水平方同和垂直方向的梯度算子,d为待反演区间。

进一步地,使用高斯牛顿法同时对电阻率ρ和速度s进行更新,在第k步迭代时,目标函数变为

其中ρk,ref,sk,ref=nρ,s(ρk-1,sk-1)

进一步地,分别令上式对电阻率和速度的微扰量δρ,δs等于0,可得

其中,式中jρ,js分别为大地电磁和地震波正问题的雅可比矩阵。

进一步地,待反演模型按照下述两公式进行更新。

ρk=ρk-1+vρδρk

sk=sk-1+νsδsk

其中,vρ,νs为更新步长,由线性搜索方式得到。

图2为本申请实施例所提供的为验证本申请基于属性融合法的大地电磁-地震波初至时的联合反演方法构建的仿真重建电阻率和速度模型,其中,左图为仿真重建电阻率模型,右图为仿真重建速度模型,如图2所示,本申请实施例通过仿真重建电阻率和速度模型用来产生理论数据,并对其施加5%的噪声;

图3为本申请实施例所提供的本申请的训练集中的其中一组样例,左图为输入的电阻率模型,右图为输入的速度模型;图4为本申请实施例所提供的本申请的训练集中的另一组样例,左图为图3输入的电阻率模型对应的电阻率输出标签,右图为图3输入的速度模型对应的速度输出标签;如图3和图4所示,本申请实施例通过训练集用来训练的电阻率-速度单独反演模型与真实模型。

图5为本申请实施例所提供的以本申请所述方法得到的仿真数据的联合反演结果,图6为本申请实施例所提供的非本申请所述方法得到的仿真数据的单独反演结果;如图5和图6所示,可以看出以本申请实施例所述方法得到的仿真数据的联合反演结果,结果中的电阻率和速度模型具有较好的结构相似性且边界更准确。

需要说明的是,前述对一种大地电磁-地震波初至时的联合反演方法实施例的解释说明也适用于该实施例的一种大地电磁-地震波初至时的联合反演,此处不再赘述。

为了实现上述实施例,本申请实施例还提出了一种计算机设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序。

在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。

流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本申请的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本申请的实施例所属技术领域的技术人员所理解。

在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(ram),只读存储器(rom),可擦除可编辑只读存储器(eprom或闪速存储器),光纤装置,以及便携式光盘只读存储器(cdrom)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。

应当理解,本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如,如果用硬件来实现和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(pga),现场可编程门阵列(fpga)等。

本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。

此外,在本申请各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。

上述提到的存储介质可以是只读存储器,磁盘或光盘等。尽管上面已经示出和描述了本申请的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本申请的限制,本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。

当前第1页1 2 
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1