[发明专利]一种基于全卷积神经网络的地震波阻抗薄层反演方法

权利要求书

1.一种基于全卷积神经网络的地震波阻抗薄层反演方法，其特征在于，包括以下步骤：

S1：从正演数据中提取地震模型数据和对应的波阻抗中取出部分用作样本对；

S2：搭建全卷积神经网络，并给定一组超参数；

所述全卷积神经网络包括循环三次的卷积层、dropout层、激活层、池化层、批量标准化层，最后还有一次反卷积层和激活层；

S3：将样本对进行归一化以及打乱随机取样的预处理之后输入到全卷积神经网络中；

S4：让全卷积神经网络执行一个时期数epoch，得到训练时间、损失值以及训练出来的反演模型；

S5：将需要进行波阻抗反演的地震数据输入到训练出来的反演模型中，输出预测波阻抗反演结果；预测得到波阻抗与原始波阻抗对比，与此同时观察训练得到该反演模型的损失值以及时间，从而反映得到的反演模型的好坏，如果好，保存该反演模型；如果差，返回步骤S2调参重新训练。

2.根据权利要求1所述的一种基于全卷积神经网络的地震波阻抗薄层反演方法，其特征在于，所述超参数包括训练次数、批样本数量、学习率、丢弃率、权重衰减系数、优化器动量、卷积核尺寸。

3.根据权利要求2所述的一种基于全卷积神经网络的地震波阻抗薄层反演方法，其特征在于，上述超参数中，学习率范围为[1e^-3，1e^-2]；丢弃率调整范围为[0.1,0.5]，权重衰减系数调整范围为[0,1e^-4]。

4.根据权利要求1所述的一种基于全卷积神经网络的地震波阻抗薄层反演方法，其特征在于，上述步骤S3中，归一化具体公式：

其中：x^*为归一化后的值；x为原始数据；max原始数据中的最大值；min为原始数据中的最小值。

5.根据权利要求1所述的一种基于全卷积神经网络的地震波阻抗薄层反演方法，其特征在于，上述步骤S4中，本文使用的损失函数为MSE损失函数，具体公式为：

其中：L表示损失值，n为样本的个数，y_i是预测值，是标签值。

6.根据权利要求1所述的一种基于全卷积神经网络的地震波阻抗薄层反演方法，其特征在于，在所述步骤S5中，预测的具体过程如下：

首先，加载训练好的反演模型，将一条线的地震数据转换三维的张量输入到上述训练好的反演模型中，预测得到三维张量的波阻抗数据，将波阻抗数据绘成图，得到预测波阻抗的剖面；

然后，将预测得到的波阻抗与原始波阻抗进行对比，若能较好地反映地层厚度变化信息，且精度较高，即保存模型和损失值；若不能较好地反映地层厚度变化信息或者精度不高，则返回调参重新训练得到新的模型。

7.根据权利要求1所述的一种基于全卷积神经网络的地震波阻抗薄层反演方法，其特征在于，上述全卷积神经网络的深度与输入地震样本的尺寸大小有关，可以通过输入地震样本的尺寸大小改动网络的结构；根据输入地震样本的尺寸大小改动网络结构，其中样本大小具体和采样点数、采样时间和道数有关，数据大，即可增加多个卷积层、反卷积层等网络层。