[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

说明书

本公开提供了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，能够实现对部分地震数据缺少对应地质模型情况下的深度学习反演网络，首先针对叠前地震数据特征采用道卷积‑全连接网络，对地震数据进行增强，并通过提取特征图并最终得到地质波速模型，完成地震数据与地下多层介质模型的映射关系；同时在网络结构中加入了波动方程，对无对应地质模型的地震数据，以数据损失函数替代波速损失函数，引入了物理规律，并实现了半监督学习策略。通过半监督深度学习地震数据反演网络，提高了在有标签数据较少时深度学习网络反演效果。

技术领域

本公开属于地球物理勘探领域，涉及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。

背景技术

本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。

地震法作为最常用的地球物理勘探方法之一，被广泛应用于石油勘探和煤田、金属矿藏探测等，具有广阔的应用前景。地震法的主要原理基于波场传播，将多个检波器布置于地表，通过多次激发人工震源产生波场并在地下介质中传播，当遇到地下介质波阻抗变化产生反射或折射返回地面，位于地面的检波器记录传播至地面的震动信息，通过成像或反演方法处理地震数据，以获取地下介质的分布信息。其中反演方法可以提高地震分辨率，得到更为准确的地下构造信息，提高对地下介质的评价能力，逐渐成为地震数据处理中不可获取的一部分。

目前最常用的地震数据反演方法为全波形反演，针对叠前地震数据，利用其中包含的波场运动学和动力学信息，可以完成对地下构造的高精度刻画。尽管全波形反演方法已经发展了多年，仍然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涌现，地球物理领域已经逐步开始利用深度学习方法解决数据处理，反演成像等问题，提供了新的解决方法。

实现地震深度学习反演存在以下两个难题：

第一，不同于深度学习解决传统图像处理方面的问题，地震数据和地质模型间的对应关系较为复杂，地震数据为多个检波器在一定时间段内测得的时序数据，而地质模型则为空间模型，二者对应关系弱，难以采用传统深度学习方法进行有效映射。

第二，深度学习作为一种数据驱动的算法，依赖于海量数据支持，需要基于大量数据-标签对提取数据和标签中的对应关系，即有监督深度学习的方法，完成数据之间的映射。而对于地震数据而言，由于难以获取地下介质的信息，无法得到所有地震数据的对应标签，不能满足有监督深度学习的条件。此外，这种基于数据驱动的算法，缺少物理意义的支持，方法的泛化性有限。

发明内容

本公开为了解决上述问题，提出了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，本公开针对地震数据特性构建道卷积-全连接网络，针对部分地震数据无对应地质模型的问题，利用波动方程计算数据损失函数以替代常用的波速损失函数，以获得地下波速模型，提高了叠前地震数据反演效果和泛化性。

根据一些实施例，本公开采用如下技术方案：

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，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；

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。