本发明涉及地球物理勘探，具体涉及一种基于u-net网络的智能化盲反褶积技术，利用闭环深度学习网络框架实现稀疏系数和地震子波的反演，可用于石油地球物理勘探地震数据处理过程中的提高分辨率处理和地表一致性反褶积处理。
背景技术：
1、反褶积是地震数据处理中的重要技术，可用于提高地震资料分辨率，校正地震数据中的地表因素，实现地表一致性处理，以及消除短周期鸣震和其他多次波干扰等。反褶积技术以褶积模型为基础，由观测的反射地震信号推测地层反射系数。由于地震子波未知，且相邻反射的地震波重叠，地震子波难以准确提取，因此，常规反褶积大都是在一定的假设前提下进行的，而这样的反褶积处理存在适应性和保幅性较差的风险。
2、盲反褶积是一种地震数据处理方法，它基于反射系数序列的随机性和非高斯性，利用独立分量分析进行盲反褶积处理。这种方法弱化了对子波和反射系数的先验条件，克服了传统反褶积方法对最小相位子波和高斯白噪反射系数假设的依赖。盲反褶积无需其他假设条件，将地震子波和反射系数均作为反演对象，通过交替求解，达到同时反演子波和反射系数的目的，可有效缓子波估计不准确、受噪声影响大等问题。
3、深度学习算法能够自动挖掘数据特征，具有强大的特征提取和非线性映射能力，通过大量数据不断优化网络模型，网络训练完成即可用于批量数据处理，基于人工智能的地震数据处理具有广阔的应用前景。但地震数据处理领域有标签的专业数据少，单纯靠纯数据驱动建立的网络模型大都存在适用性弱、稳定性差的问题。闭环神经网络，使用闭环一致性损失函数约束网络模型中的正演、反演过程，可以引入物理方程约束，使得无标签数据参与网络模型训练，提高网络模型的推广应用能力。
4、基于上述问题，结合盲反褶积思想和闭环神经网络框架，开发了智能化盲反褶积技术，降低对地震子波求取精度的要求，减少人工干预，提高反褶积技术的适应性和智能化水平，更好地服务于高分辨率地震资料处理和地表一致性反褶积。
技术实现思路
1、本发明的目的是结合盲反褶积思想与闭环深度学习网络框架形成一项智能化盲反褶积技术，同时实现对稀疏系数和地震子波的反演，减少人工干预，并在神经网络构建中引入物理方程约束减少多解性，提高网络稳定性，保证处理精度，为地震高保真成像和解释提供更加可靠的数据。
2、为实现上述目的，本发明提供一种盲反褶积模型，包括：
3、神经网络，用于预测稀疏系数；
4、卷积网络，用于所述将神经网络预测的稀疏系数与表征地震子波的卷积核进行一维卷积得到合成地震数据。
5、进一步地，所述神经网络为u-net网络模型，输入为地震数据，输出为稀疏系数；
6、所述卷积网络包括一个一维卷积层，卷积核长度与初始子波长度一致，卷积核的权重为初始子波的振幅。
7、进一步地，将合成地震数据与真实地震数据的l2范数定义为损失函数，并利用adam算法通过最小化损失函数更新网络模型。
8、根据本发明的另一方面，提供一种盲反褶积模型的训练方法，采用分步交替策略进行盲反褶积模型的训练：
9、首先固定卷积网络的一维卷积核的权重，通过最小化损失函数更新神经网络模型权重，网络训练n个周期后，固定神经网络模型权重，更新卷积网络的一维卷积核权重，网络训练m个周期后，再重复上述训练策略，直至损失函数值趋于稳定。
10、根据本发明的另一方面，提供一种基于人工智能的盲反褶积方法，利用所述的盲反褶积模型，包括：
11、将地震数据输入所述的盲反褶积模型，得到稀疏系数；
12、当面向提高分辨率处理时，对神经网络输出的稀疏系数进行低通滤波，得到高分辨率处理后的合成地震数据；
13、当面向地表一致性反褶积处理时，首先由各个地震数据上的估计子波得到统计子波，再与神经网络预测的稀疏系数褶积，得到地表一致性反褶积处理后的合成地震数据。
14、根据本发明的另一方面，提供一种基于人工智能的盲反褶积方法，包括：
15、初始子波选取，根据实际地震数据特征选取相应类型的子波；
16、网络模型搭建，搭建u-net网络模型，输入为地震数据，输出为稀疏系数，u-net网络输出层后接一个一维卷积层，卷积核长度与初始子波长度一致，卷积核的权重为初始子波的振幅；
17、网络模型训练，将所述一维卷积层之后的输出与实际地震数据的l2范数作为损失函数，选取优化器与网络训练参数，采用分步交替策略进行网络模型训练；
18、盲反褶积处理，将地震数据输入到上述训练好的网络模型得到合成地震数据。
19、进一步地，所述网络模型训练包括：
20、固定表征地震子波的一维卷积核的权重，通过最小化损失函数更新u-net模型权重，网络训练n个周期后，固定u-net模型权重，更新一维卷积核权重，网络训练m个周期后，再重复上述训练策略，直至损失函数值趋于稳定。
21、进一步地，所述盲反褶积处理包括：
22、高分辨率处理，对u-net网络输出的稀疏系数进行低通滤波，得到高分辨率处理后的合成地震数据；
23、地表一致性反褶积处理，对不同地震道提取的地震子波进行统计处理，得到统计子波，然后将统计子波与u-net网络预测的稀疏系数褶积，得到重构的地震记录，得到地表一致性反褶积处理的合成地震数据。
24、根据本发明的另一方面，提供一种电子设备，所述电子设备包括：
25、存储器，存储有可执行指令；
26、处理器，所述处理器运行所述存储器中的所述可执行指令，以实现所述的基于人工智能的盲反褶积方法。
27、根据本发明的另一方面，提供一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现任一项所述的基于人工智能的盲反褶积方法。
28、本发明提供了一种基于人工智能的盲反褶积技术。与现有技术相比，本发明的有益效果是：通过闭环神经网络和盲反褶积思想实现智能化盲反褶积，减少了人工干预，尤其是避免了传统方法中对地震子波提取精度的要求，具有一定的保幅性，可用于地表一致性反褶积和高分辨率处理。
1.一种盲反褶积模型，其特征在于，包括：
2.根据权利要求1所述的盲反褶积模型，其特征在于，所述神经网络为u-net网络模型，输入为地震数据，输出为稀疏系数；
3.根据权利要求2所述的盲反褶积模型，其特征在于，将合成地震数据与真实地震数据的l2范数定义为损失函数，并利用adam算法通过最小化损失函数更新网络模型。
4.一种如权利要求1-3任一所述的盲反褶积模型的训练方法，其特征在于，采用分步交替策略进行盲反褶积模型的训练：
5.一种基于人工智能的盲反褶积方法，其特征在于，利用权利要求1-3任一所述的盲反褶积模型，包括：
6.一种基于人工智能的盲反褶积方法，其特征在于，包括：
7.根据权利要求6所述的基于人工智能的盲反褶积方法，其特征在于，所述网络模型训练包括：
8.根据权利要求6所述的基于人工智能的盲反褶积方法，其特征在于，所述盲反褶积处理包括：
9.一种电子设备，其特征在于，所述电子设备包括：
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求6-8任一项所述的基于人工智能的盲反褶积方法。