[发明专利]一种煤矿井下二维矿震成像训练数据集生成方法

说明书

本发明提供了一种煤矿井下二维矿震成像训练数据集生成方法，包括以下步骤：确定目标区域网格剖分参数和震源、检波器参数；确定小波分解尺度；确定目标区域小波系数向量格式；确定目标区域小波系数上、下限及取样间隔；确定矩阵WaCofMtrPa分裂倍数；根据分裂倍数NWCMP对WaCofMtrPa进行分解；根据WaCofMtrPaClus生成所有可能的WaCofMtr，通过正演获得地震记录；该方法能提供一种在一个已知的模型空间S中选择可代表模型空间特征的有限数量模型的方法。

技术领域

本发明涉及一种煤矿井下二维矿震成像训练数据集生成方法。

背景技术

矿震成像可用于获取煤矿井下目标区域的地质构造、应力分布等信息，是井下灾害预测、预报的基础技术。目前的矿震成像思路是将成像问题等价于一个多目标最优化问题，即找到一个最优的目标区域模型表示向量s使得目标函数||d_True-d_Theo||₂最小，其中d_True为实测地震记录，d_Theo为理论地震记录，s和d_Theo之间关系为d_Theo＝F(s)，F为常密度声波方程、变密度声波方程等正演手段。由于s的维数通常较高，其每个维度可取值的变化范围也很大，因此整个模型空间S(即所有可能的模型表示构成的空间)将非常庞大，这意味着即使用局部最优化方法在模型空间中寻优，计算用时也是很可观的。例如，将目标区域剖分为1000×1000的网格，每个网格中波速范围仅有v₁和v₂2种可能，则模型空间将由2^1000000个可能值构成。

与目前的矿震成像思路不同的是，基于神经网络的矿震成像先使用大量已知的d_True、s对对网络进行训练以建立d_True和s间的映射关系，训练完成后再输入新的实测地震记录以获得成像结果。与传统方法相比，基于神经网络的矿震成像无需进行正演计算及迭代寻优，因此其反演速度极快，是一种较有前景的反演手段。但是，基于神经网络的矿震成像能否获得正确的结果取决于训练数据集的质量，即大量正确的可代表模型空间特征的d_True、s对，在实际情况下，目标区域的地质结构及应力分布情况难以直接获得，因此大量高质量训练数据集并不容易获得，目前普遍的做法是在模型空间中选择部分模型进行正演，将正演所得理论地震记录d_Theo当作真实地震记录d_True来对神经网络进行训练。显然，从S中选出的模型数量要尽可能地少，同时还要尽可能多地代表S的特征，而直接在S中选择模型无法调和数量与质量这对矛盾(例如上段所述示例，即使每网格波速仅设置2个可能值，选出的模型数量也将达到2^1000000个)。

发明内容

针对上述现有技术存在的问题，本发明提供一种煤矿井下二维矿震成像训练数据集生成方法，该方法能提供一种在一个已知的模型空间S中选择可代表模型空间特征的有限数量模型的方法。

为了实现上述目的，本发明提供一种煤矿井下二维矿震成像训练数据集生成方法，包括以下步骤：

步骤1：确定目标区域网格剖分参数和震源、检波器参数；

选定正方形目标区域，剖分为m×m的网格，其中m＝2ⁿ，n为大于0的整数；记剖分完成后的波速分布矩阵为VS，VS中的每个元素代表目标区域网格中的波速，同一网格中的波速值相同，记震源位置、子波参数、检波器位置等参数为SSP；

步骤2：确定小波分解尺度；

记小波分解尺度为WaDeSca，WaDeSca满足1≤WaDeSca≤n且为整数，选用与消失矩为1的Daubechies小波等价的Haar小波作为小波分解的基；

步骤3：确定目标区域小波系数向量格式；