[发明专利]基于深度学习的大地电磁-地震波初至时联合反演方法

说明书

本申请公开了一种基于深度学习的大地电磁‑地震波初至时联合反演方法，其中，方法包括：通过深度神经网络训练电阻率模型与速度模型的映射；根据神经网络的输出得到大地电磁或地震波初至时反演的参考模型；交替更新电阻率或速度，并通过参考模型进行大地电磁‑地震波初至时的联合反演。本申请实施例的基于深度学习的大地电磁‑地震波初至时联合反演方法，能够将电阻率‑速度的先验统计规律融合到联合反演中，并且反演得到的电阻率和速度模型具有较好的结构相似性，具有较高的泛化能力。

技术领域

本申请涉及地球物理反演成像技术领域，特别涉及一种基于深度学习的大地电磁-地震波初至时联合反演方法。

背景技术

地质模型具有多种地球物理特性。为了表征地下结构，需要使用不同的勘探方法来估算这些性质。例如，可以利用大地电磁场推断出地下电阻率，用地震波数据推测地下速度场。由于该两种方法具有不同的分辨率，并且对地下结构的敏感度不同，因此对同一测区分别进行大地电磁或地震波反演，得到的结构可能会不一致，这给地球物理数据解释带来了许多挑战。

鉴于电磁和地震数据包含地下结构的互补信息，与单独的反演相比，两种数据联合反演可以进一步限制模型搜索空间，使反演出来的电阻率和速度有更多的相似结构，从而完成两种模型的交叉验证。目前的联合反演主要有两种框架：一种基于岩石物理关系，另一种基于结构相似性。在第一个框架中，两个属性之间的相关性是通过经验方程建立的。通过找到速度和电阻率之间的直接关系，或者通过Archie或Waxman-Smits方程和Gassmann方程将电阻率和速度转换为孔隙度和流体饱和度。

然而，虽然基于该方法已经完成了许多工作并显示出良好的性能。但是，关系的构建依赖于经验方程式中的预定义系数，需要根据不同情况进行选定。此外，这种方式不能考虑速度和电阻率之间的统计相关性。第二个框架假设不同的勘测方法反演出的模型应具备公共边界，通过对目标函数施加结构相似性约束，使待反演速度和电阻率结构一致。这样的约束条件包括交叉梯度，交互式正则化等。对于交叉梯度，速度和电阻率的边界(如果存在)将指向相同的位置和方向，但是它并没有在所有地方强制施加相同的结构；对于交互式正则化，将根据其中一个物理模型的边界强加一个物理模型的边界；基于结构相似性的联合反演无法利用先验电阻率-速度的统计规律去约束反演过程，有待解决。

申请内容

本发明旨在至少在一定程度上解决相关技术中的技术问题之一。

为此，本发明的第一目的在于提出一种基于深度学习的大地电磁-地震波初至时联合反演方法，能够将电阻率-速度的先验统计规律融合到联合反演中，并且反演得到的电阻率和速度模型具有较好的结构相似性，具有较高的泛化能力。

本发明的第二个目的在于提出一种基于深度学习的大地电磁-地震波初至时联合反演装置。

本发明的第三个目的在于提出一种电子设备。

本发明的第四个目的在于提出一种计算机可读存储介质。

为达到上述目的，本申请第一方面实施例提供一种基于深度学习的大地电磁-地震波初至时联合反演方法，包括以下步骤：

通过深度神经网络训练电阻率模型与速度模型的映射；

根据所述神经网络的输出得到大地电磁或地震波初至时反演的参考模型；以及

交替更新电阻率或速度，并通过所述参考模型进行大地电磁-地震波初至时的联合反演。

另外，根据本发明上述实施例的基于深度学习的大地电磁-地震波初至时联合反演方法还可以具有以下附加的技术特征：

可选地，联合反演的目标函数为：