基于隧道三维地震波数据潜在空间特征的波速反演方法与流程

本发明属于隧道超前地质预报，具体涉及一种基于隧道三维地震观测数据潜在空间特征提取的波速反演方法。

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、隧道建设面临断层、破碎带、溶洞等不良地质构造，易导致卡机、突水突泥、塌方等灾害事故，威胁隧道工程的安全施工。隧道地震波探测具有探测距离远、对岩体中结构面有敏感响应的优势，成为探明隧道掌子面前方岩土介质分布与不良地质赋存状态的重要手段。其中掌子面前方波速分布的准确求取是不良地质体准确定位与成像的前提。

3、地震波速反演是通过地震观测数据反推介质波速分布的过程，该过程是欠定的，反演过程易陷入局部极小值，严重影响反演结果准确性，加之隧道环境下观测空间狭窄，观测数据偏移距小、有效信息少，使得反演非线性程度高，不适定性强；此外，目前大多隧道波速反演方法针对二维波场传播的情况，最终仅可获得二维波速分布，实际情况下地震波在三维空间中传播，隧道二维波速反演结果的准确度与置信度低于三维反演，但三维反演数据量大，非线性程度更高，反演过程难收敛，严重影响波速反演效果。深度学习在数据降维处理、高分辨率成像等方面展现出强大的性能，深度神经网络具有强大的非线性拟合能力，可从高维寻优，为高精度的地震波速反演提供思路。现有的基于深度学习的隧道反演方法研究多针对二维情况，缺少三维波速成像方法的相关研究。

4、实现隧道掌子面前方高精度的三维波速成像仍存在以下两个难题：

5、其一，三维隧道地震数据相较二维地震数据参数量大大提高，数据中包含信息冗余，导致三维地震波波形反演非线性程度高，反演过程不易收敛，实际工程应用时反演鲁棒性差。

6、其二，隧道地震观测数据相较于地表数据的观测空间狭小，偏移距小，数据中包含的有效反射波信息少，导致反演准确度低、收敛性差，尤其是对应远距离信息的一些高波数成分较少，导致随探测距离增大波速反演准确度大大降低，如何保证反演算法鲁棒性同时兼顾反演精度。

技术实现思路

1、本发明的目的是提供一种基于隧道三维地震波数据潜在空间特征的波速反演方法，鉴于卷积自编码网络的数据关键特征提取能力，对三维隧道地震观测数据进行处理获得其潜在空间特征，实现数据融合，保留关键特征，提高算法收敛性；构建三维速度模型表征神经网络，搭建从潜在空间特征到速度模型的映射关系，并在实际探测时，将反演迭代更新的目标由速度模型转换为表征速度模型的更高维的网络参数，在高维空间中反演更易收敛；采用潜在空间特征构建目标函数，并在不同反演训练阶段采用潜在空间特征中的不同参数计算目标函数，实现隧道远距离波速的更准确刻画，同时方法符合多尺度反演思想，提高反演算法的收敛性与准确性。

2、为实现上述目的，本发明采用如下技术方案：

3、一种基于隧道三维地震波数据潜在空间特征的波速反演方法，包括以下步骤：

4、采用三维观测方式进行隧道地震波探测采集地震观测数据，并根据待探测隧道的地质情况构建多个三维波速模型，通过数值模拟正演求取与波速模型对应的地震观测数据(尺寸为s1×r1×t1，炮数、检波器数、时间刻度分别用s、r、t表示)。利用采集到的多组探测数据、上述数值模拟得到的地震观测数据与三维波速模型形成隧道探测三维地震数据库；

5、搭建深度学习卷积自编码网络，包括编码器与解码器两个模块，该网络可表示为：

6、

7、其中表示输入地震观测数据，同样作为网络训练的标签；encoder表示编码器模块；decoder表示编码器模块；wa表示卷积自编码网络的网络参数；l表示潜在空间特征；d表示网络的输出。以隧道探测三维地震数据库中的地震观测数据作为卷积自编码网络的输入与标签，进行网络参数的训练，训练过程的目标函数可表示为：

8、

9、将隧道探测三维地震数据库中与三维波速模型对应的地震观测数据分别输入训练好的卷积自编码网络的编码器模块，由编码器输出潜在空间特征(尺寸为s2×r2×t2)。潜在空间特征为一个尺寸小于输入三维地震观测数据的多通道特征矩阵(s2≤s1,r2＝r1,t2＜t1,s2×r2×t2＜s1×r1×t1)，由于卷积网络提取特征具有平移不变性与一定的形状不变性，潜在空间特征有望保留地震观测数据中形态较明显的同相轴结构信息，由此对于每个三维波速模型可得到一个潜在空间特征，潜在空间特征可理解为将三维地震观测数据进行数据融合、降维与关键信息提取后得到的结果，该过程可表示为：

10、

11、其中表示训练完成后不再更新的卷积自编码网络参数。构建三维速度模型表征神经网络n，三维波速模型表征神经网络的输入为潜在空间特征l，输出为三维波速模型m，可表示为：

12、m＝n(wm；l),

13、其中wm表示三维速度模型表征神经网络的网络参数。利用隧道探测三维地震数据库中三维波速模型作为标签，相对应的潜在空间特征作为输入，采用监督学习的方式训练三维速度模型表征神经网络，目标函数可表示为：

14、

15、其中m~为三维波速模型标签，采用三维观测方式在隧道中对待探测区域进行地震观测数据采集，并进行基于网络的三维隧道地震波速反演，该过程包括：将采集到的数据输入训练好的卷积自编码网络的编码器模块，同样得到其相应的潜在空间特征；以潜在空间特征作为三维速度模型表征神经网络的输入，此时可直接预测得到一个三维波速模型，对三维波速模型进行正演，采用与隧道中数据采集过程中同样的三维观测方式记录地震波，得到模拟地震观测数据；采用模拟地震观测数据的潜在空间特征与探测数据的潜在空间特征计算目标函数，再次更新三维速度模型表征神经网络，目标表示为：

16、

17、其中f(.)表示地震波正演后记录的地震观测数据；δwm表示三维速度模型表征神经网络在该训练过程中网络参数的更新量，最后由网络输出新的三维波速模型，再循环该步骤，实现反演迭代。

18、随上述迭代进行，在迭代初期，首先采用一部分t接近0的几排数据对应的潜在空间特征中的参数计算目标函数，随迭代进行逐渐增大采用数据的t范围，采用潜在空间特征中更多排的数据计算目标函数，直至采用整个潜在空间特征计算目标函数。并在反演迭代最后阶段，直接采用模拟地震观测数据与探测数据计算目标函数更新反演模型，最终得到隧道掌子面前方探测区域的三维波速分布。

19、作为可选择的实施方式，观测系统采用沿隧道轴线对称的方式布置，一组震源与检波器沿直线布置，构成一个测线，震源位于最靠近掌子面的位置，上下左右四个边墙均分别布设一个测线，沿隧道轴线呈中心对称。根据实际地质情况构建相应的三维地质波速模型时，对于各地质波速模型进行三维波动方程有限差分正演模拟，在检波器位置记录波场数据，得到与地质波速模型对应的地震观测数据。

20、作为可选择的实施方式，在卷积自编码网络中每个卷积层或反卷积层后方插入一个空间注意力层(sam)，提升自编码网络对输入数据的编译能力。空间注意力层为卷积注意力机制(cbam)中的一个重要模块。针对本发明的三维波速反演任务，将原空间注意力层中的二维卷积修改为三维卷积，形成三维空间注意力层。

21、作为进一步限定的实施方式，所述的卷积自编码网络包括编码器与解码器两个模块，所述的编码器包括5组依次级联的三维卷积层与三维空间注意力层，所述的特征解码器包括5组依次级联的三维反卷积层与三维空间注意力层。三维空间注意力层可增强对数据中同相轴形态等图像结构信息的提取能力。地震观测数据被输入到编码器后，由编码器输出潜在空间特征，潜在空间特征输入特征解码器后，由特征解码器输出尺寸与输入数据完全相同的预测地震观测数据。

22、作为可选择的实施方式，三维速度模型表征神经网络包括基于多transformer编码的编码模块与模型重构解码模块两部分。transformer网络模型可并行编码自然语言序列中不同字段的语义，被广泛的用于自然语言处理任务中。由于潜在空间特征来源于由多组时间序列组成的地震观测数据，使它的各时间刻度t对应的特征参数之间的关系为临近特征参数关联大、位置距离较远特征参数关联小，这一特点使其十分接近一个自然语言序列，适配于transformer网络模型。为了将与地震观测数据(时间-空间域数据)有对应关系的潜在空间特征重构成和速度模型(空间域数据)有对应关系的特征矩阵，本发明构建了基于多transformer编码的编码模块，由4层依次级联的transformer编码器组成，它的输出与输入的数据量大小一致，输出后被重组成与输入一致的形状。模型重构解码模块将编码模块输出的特征矩阵重构成速度模型，由5个依次级联的三维反卷积层构成。

23、作为可选择的实施方式，反演过程中的波场正演采用三维声波波动方程有限差分法，并基于深度学习卷积运算的方式实现，其中卷积核为三维二阶离散拉普拉斯算子，以速度模型作为波场振动传播的介质，每个时间步采用三维二阶离散拉普拉斯算子与整个波场卷积。该方式使得在反演过程中可通过反向传播算法实现梯度的自动求取与回传。

24、作为可选择的实施方式，隧道探测数据的反演迭代过程共分为四个阶段(stageⅰ～ⅳ)，每阶段可进行数十轮或数百轮迭代直至当前阶段目标函数收敛。第一个阶段采用时间刻度t从0开始约1/3的潜在空间特征参数计算目标函数；第二个阶段进一步采用包含上一阶段参数的时间刻度t从0开始约2/3的潜在空间特征参数计算目标函数；第三个阶段采用整个潜在空间特征计算目标函数；第四阶段采用整个地震观测数据计算目标函数。时间刻度t较小处的多排数据对应的潜在空间特征参数包含更多的直达波信息，该信息的反演近似于初至波反演，包含更多的低波数成分信息与临近隧道掌子面处的波速信息，能更好的刻画临近掌子面处的波速分布与整个反演区域的大致波速分布，反演过程易收敛；更大的时间刻度对应的潜在空间特征参数包含更多的反射波信息，对应更远探测距离处的波速分布信息与更多的高波数成分信息，在优先反演小时间刻度特征参数获得较准确的临近掌子面处的波速分布与探测区域整体波速分布的基础上，再进行上述特征参数的反演，将有助于提高远距离波速分布的反演成像准确度与整体波速反演精度。整体而言，由于潜在空间特征为地震观测数据降维后得到的特征，可视为地震观测数据中提取出的低频特征，对应速度模型中的大尺度构造，以其计算目标函数易收敛，反演算法鲁棒性好，在上述目标函数收敛的基础上进一步采用全部地震观测数据计算目标函数，实现波速分布高精度刻画，符合多尺度波形反演的思想，上述过程的目标函数可具体表示为：

25、

26、其中：

27、

28、与现有技术相比，本发明的有益效果为：

29、本发明针对三维隧道地震观测数据体量大、信息冗余导致反演非线性程度极高，难以收敛的问题，利用卷积自编码网络实现了对三维隧道地震观测数据的特征融合与提取，获得潜在空间特征，并利用其替代后续反演过程中的地震观测数据，提高三维隧道地震波反演的收敛性与实际应用的鲁棒性。

30、本发明针对隧道地震观测数据波速反演不易收敛的问题，构建了三维速度模型表征神经网络，从高维参数空间寻优提高反演的收敛性；进一步针对隧道地震观测数据反演远距离波速反演不准确的问题，基于潜在空间特征构建目标函数，并提出相应的多阶段的反演策略，提高对远距离波速分布刻画的准确度与整体波速反演精度。

31、为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。