基于多任务学习的弹性波多参数双驱动反演方法及系统

本发明属于地球物理勘探领域，尤其涉及一种基于多任务学习的弹性波多参数双驱动反演方法及系统。

背景技术：

1、本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

2、地震勘探方法是一种重要的地球物理勘探手段，广泛应用于油气资源勘察、工程地质勘察、区域地质研究和地壳研究等领域。地震勘探方法通过布置于地表的震源激发地震波，当地震波遇到地质界面时，即发生反射和透射现象，利用布置于地表的检波器接收反射信号，获得原始地震数据。地震波在地下介质中的传播遵循弹性波波动方程，地下介质的纵波速度、横波速度以及密度等弹性参数分布会影响弹性波场的特征。通过数据处理、反演或成像等方法，可以实现对地下介质分布情况的预测。其中地震数据反演是一种重要的地震资料分析方法，能够利用观测数据反推地下介质弹性参数的分布情况，从而为探测目标的圈定提供指导。

3、据发明人了解，目前最有效的弹性波多参数反演方法为全波形反演方法，是一种线性反演方法，通过迭代优化观测数据与模拟数据的差值，从而实现对地下介质的纵波速度、横波速度以及密度分布的预测。但该方法存在严重依赖初始模型、容易陷入局部最优和计算效率较低等问题，有待进一步改进。近年来随着深度学习方法的兴起，深度学习方法凭借强大的非线性拟合能力，受到地球物理领域的广泛研究，被大量用于解决地震数据的反演问题，但在目前的研究中该方法存在以下问题：(1)目前绝大多数研究基于声波数据，是对弹性波数据的一种简化；(2)少数针对弹性波数据开展了研究，但存在着直接应用图像领域的网络结构，未针对弹性波数据与弹性参数模型特征进行设计；(3)仅依靠深度学习网络的数据挖掘能力，忽视了弹性波传播所遵循的物理规律，导致网络泛化能力弱。

技术实现思路

1、为了解决上述背景技术中存在的技术问题，本发明提供一种基于多任务学习的弹性波多参数双驱动反演方法及系统，其利用深度神经网络较准确拟合弹性数据到弹性参数之间的映射关系，实现了对地下介质的弹性参数准确成像。

2、为了实现上述目的，本发明采用如下技术方案：

3、本发明的第一个方面提供一种基于多任务学习的弹性波多参数双驱动反演方法。

4、获取真实弹性参数模型及其相应的真实弹性波数据；其中，真实弹性参数模型包括纵波速度模型、横波速度模型和密度模型；

5、采用基于多任务学习的弹性波多参数反演网络，学习真实弹性波数据与真实弹性参数模型之间的映射关系，得到预测弹性参数模型；

6、采用正演计算网络，结合确定的弹性波波动方程，计算预测弹性参数模型对应的弹性波数据；

7、计算联合损失函数，优化基于多任务学习的弹性波多参数反演网络；

8、基于优化后的基于多任务学习的弹性波多参数反演网络，根据获取的弹性波数据，得到地下介质纵波波速、横波波速以及密度模型图，实现地震数据反演。

9、进一步地，所述基于多任务学习的弹性波多参数反演网络包括：编码器和三个解码器，其中，三个解码器以串联形式连接在编码器后方。

10、更进一步地，所述采用基于多任务学习的弹性波多参数反演网络的具体过程包括：

11、采用编码器提取真实弹性波数据中的单道弹性波数据特征、单道弹性波数据邻域特征和全局信息，获得共享特征；

12、将共享特征输入第一解码器中，预测纵波速度模型；

13、将预测得到的纵波速度模型拼接到共享特征上，并输入第二解码器，预测横波速度模型；

14、将预测得到的纵波速度模型和横波波速模型拼接到共享特征上，并输入第三解码器，预测密度模型。

15、本发明的第二个方面提供一种基于多任务学习的弹性波多参数双驱动反演系统。

16、基于多任务学习的弹性波多参数双驱动反演系统，包括：

17、数据获取模块，其被配置为：获取真实弹性参数模型及其相应的真实弹性波数据；其中，真实弹性参数模型包括纵波速度模型、横波速度模型和密度模型；

18、反演模块，其被配置为：采用基于多任务学习的弹性波多参数反演网络，学习真实弹性波数据与真实弹性参数模型之间的映射关系，得到预测弹性参数模型；

19、正演计算模块，其被配置为：采用正演计算网络，结合确定的弹性波波动方程，计算预测弹性参数模型对应的弹性波数据；

20、损失优化模块，其被配置为：计算联合损失函数，优化基于多任务学习的弹性波多参数反演网络；

21、测试模块，其被配置为：基于优化后的基于多任务学习的弹性波多参数反演网络，根据获取的弹性波数据，得到地下介质纵波波速、横波波速以及密度模型图，实现地震数据反演。

22、本发明的第三个方面提供一种计算机可读存储介质。

23、一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述第一个方面所述的基于多任务学习的弹性波多参数双驱动反演方法中的步骤。

24、本发明的第四个方面提供一种计算机设备。

25、一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述第一个方面所述的基于多任务学习的弹性波多参数双驱动反演方法中的步骤。

26、与现有技术相比，本发明的有益效果是：

27、本发明针对弹性波多参数反演问题，提出了以深度学习强大数据挖掘能力和弹性波波动方程物理规律相结合的双驱动反演思路，依据弹性参数模型反演任务具有关联性，采用多任务学习思想解决弹性参数反演问题。同时考虑弹性参数间存在一定函数关系，建立了一种串联结构的解码结构，并加入跳跃结构，将浅层预测结果作为深层任务的输入，用帮助深层任务的较准确实现。同时针对单独采用深度学习网络泛化性不强的问题，加入了正演计算网络，为网络提供物理规律引导，利用深度神经网络较准确拟合弹性数据到弹性参数之间的映射关系，实现了对地下介质的弹性参数准确成像。同传统的全波形反演方法相比，本发明在反演结果准确率上，大幅提高，波速准确率高，地质结构准确；同仅由数据驱动的反演方法相比，提出的双驱动反演方法能够进一步提升局部结构的反演准确率。

28、本发明针对弹性参数模型(纵波、横波和密度)的重建任务存在一定相似性的特征提出了利用多任务学习方法与双驱动优化思想解决弹性波多参数反演问题的思路，大量实验研究证明，弹性参数之间存在着一定的映射关系，因此设计了串联的模型解码结构，由简单到复杂地，依次重建纵波模型、横波模型和密度模型。为进一步提升网络预测效果，加入了跳跃性结构，通过该结构将浅层的预测结果，作为先验特征用于帮助其他弹性参数的重建。同时引入了弹性波波动方程，用于计算预测弹性参数对应的弹性波数据，从而利用数据损失项，实现物理规律对网络的引导。

29、本发明附加方面的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，或通过本发明的实践了解到。

技术特征：

1.基于多任务学习的弹性波多参数双驱动反演方法，其特征在于，包括：

2.根据权利要求1所述的基于多任务学习的弹性波多参数双驱动反演方法，其特征在于，所述基于多任务学习的弹性波多参数反演网络包括：编码器和三个解码器，其中，三个解码器以串联形式连接在编码器后方。

3.根据权利要求2所述的基于多任务学习的弹性波多参数双驱动反演方法，其特征在于，所述采用基于多任务学习的弹性波多参数反演网络的具体过程包括：

4.根据权利要求1所述的基于多任务学习的弹性波多参数双驱动反演方法，其特征在于，所述正演计算网络包括正演参数设置层、震源设置层和正演计算层，所述正演参数设置层用于定义包括正演模拟的模型大小、空间采样率、时间采样率、采样时长、吸收边界参数和震源主频；所述震源设置层用于生成震源子波；所述正演计算层，包含若干个卷积层，每个卷积层包含六个卷积操作，用于计算二维弹性波波动方程，模拟震源在弹性参数模型中的传播规律。

5.根据权利要求1所述的基于多任务学习的弹性波多参数双驱动反演方法，其特征在于，所述联合损失函数为：

6.根据权利要求5所述的基于多任务学习的弹性波多参数双驱动反演方法，其特征在于，所述模型损失函数为：

7.根据权利要求5所述的基于多任务学习的弹性波多参数双驱动反演方法，其特征在于，所述数据项损失函数采用均方差损失函数。

8.基于多任务学习的弹性波多参数双驱动反演系统，其特征在于，包括：

9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一项所述的基于多任务学习的弹性波多参数双驱动反演方法中的步骤。

10.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7中任一项所述的基于多任务学习的弹性波多参数双驱动反演方法中的步骤。

技术总结
本发明属于地球物理勘探领域，提供了一种基于多任务学习的弹性波多参数双驱动反演方法及系统。方法包括，获取真实弹性参数模型及其相应的真实弹性波数据；其中，真实弹性参数模型包括纵波速度模型、横波速度模型和密度模型；采用基于多任务学习的弹性波多参数反演网络，学习真实弹性波数据与真实弹性参数模型之间的映射关系，得到预测弹性参数模型；采用正演计算网络，结合确定的弹性波波动方程，计算预测弹性参数模型对应的弹性波数据；计算联合损失函数，优化基于多任务学习的弹性波多参数反演网络；基于优化后的基于多任务学习的弹性波多参数反演网络，根据获取的弹性波数据，得到地下介质纵波波速、横波波速和密度模型图，实现地震数据反演。

技术研发人员：蒋鹏,李铎,任玉晓,杨森林,陈磊
受保护的技术使用者：山东大学
技术研发日：
技术公布日：2024/1/16