[发明专利]基于波动方程驱动的半监督深度学习地震数据反演方法

权利要求书

1.一种基于波动方程驱动的半监督深度学习地震数据反演方法，其特征是：包括以下步骤：

基于地质速度模型建模构建地质模型库，通过波动方程计算对应的地震数据，对数据进行有无标签的分类，构建地震半监督学习数据库；

构造基于深度学习的道卷积-全连接网络，将有标签数据组和无标签数据组的地震数据输入道卷积-全连接网络，得到相应的预测波速模型；

所述道卷积-全连接网络，针对于不同剖面道数据进行卷积和全连接处理，将所有的地震数据通过四组不同的卷积网络层，即分别从共炮点剖面和共检波器剖面，通过多层卷积网络提取共炮点全局特征，共检波器全局特征，共炮点临域特征，共检波器临域特征，同时根据位置编码，即一组序列，位置处标1，非位置处为0，组合得到每一道数据的增强地震道数据；通过多层全连接网络，对每一道增强地震数据进行处理，得到对应的特征图；再通过多个卷积层，对多个特征图进行处理，得到最终的预测模型，即输出结果；

对无标签数据对应的预测模型进一步基于波动方程进行波场模拟，得到预测波速模型对应的预测地震数据；

计算波速损失函数和数据损失函数，综合两个损失函数优化道卷积-全连接网络；

通过道卷积-全连接网络构造地震数据与地质速度模型的映射，根据获取的地震数据得到速度模型图，实现地震数据的反演。

2.如权利要求1所述的一种基于波动方程驱动的半监督深度学习地震数据反演方法，其特征是：构建地震半监督学习数据库包括：

针对多种起伏构造、波速和/或不同层数的地下地质层状波速模型进行数值模型；

对于每一波速模型以固定震源、检波器位置和观测时间进行波场模拟，在检波器位置记录波场数据，得到波速模型对应的地震数据；

对数据以一定比例随机进行分类，分为有标签数据组和无标签数据组，得到地震半监督学习数据库。

3.如权利要求1所述的一种基于波动方程驱动的半监督深度学习地震数据反演方法，其特征是：有标签数据组为包含波速模型-地震数据对；无标签数据组仅包含地震数据。

4.如权利要求1所述的一种基于波动方程驱动的半监督深度学习地震数据反演方法，其特征是：构造基于深度学习的道卷积-全连接网络，对输入的地震数据进行编码预处理，包括对三维地震数据剖面进行特征增强，对于编码后每个单炮单道地震数据进行特征生成，和对于每个特征向量进行解码，分别由编码网络结构、特征生成网络结构和解码网络结构实现。

5.如权利要求4所述的一种基于波动方程驱动的半监督深度学习地震数据反演方法，其特征是：所述编码网络结构包括全局特征、临域信息和位置编码，其中全局特征提取包括两组6层依次级联的卷积结构，临域信息提取包括两组3层依次级联的卷积结构，位置编码则是一组标记震源点和检波器位置的向量；

或，所述特征生成网络结构包括5层全连接层。

6.如权利要求4所述的一种基于波动方程驱动的半监督深度学习地震数据反演方法，其特征是：所述解码网络结构包括3层依次级联的卷积结构，第3层的卷积结构的输出端分别连接4层并行的卷积结构，对4层并行的卷积结构的输出端进行叠加，连接最后1层卷积结构的输入段，最终输出道卷积-全连接网络结果，即预测波速模型。

7.如权利要求1所述的一种基于波动方程驱动的半监督深度学习地震数据反演方法，其特征是：对无标签数据对应的预测模型进行声波场模拟，计算公式依照声波波动方程：

其中，v为预测速度模型，t为波场传播时间，x,y为模型的空间位置，p为压力，即波场；得到测量时间段内检波器位置的波场值，即预测地震数据。