[发明专利]一种基于域分解的物理驱动深度学习反演方法

说明书

本发明涉及一种基于域分解的物理驱动深度学习反演方法，属于地球物理探测领域。所述方法包括：1）初始化待反演的地下介质模型参数空间范围、空间离散步长、初始化域分解次数；2）对模型参数空间进行离散化；3）对离散化的各元素进行正演计算得到对应的观测数据；4）在当前模型参数空间内对观测数据进行机器学习反演得到当前模型参数空间下的反演结果；5）更新域分解次数；6）选取新的模型参数空间并设定新的空间离散步长；7）返回步骤2）并依次执行其后续步骤，直至反演精度达到预期。该方法避开了传统反演方法中存在的问题，同时在域分解的过程中降低了计算内存消耗，提高了反演精度。

技术领域

本发明涉及一种基于域分解的物理驱动深度学习反演方法，具体是利用地表接收的观测数据对地下介质物性参数进行反演，属于地球物理探测领域。

背景技术

地球物理反演是一种利用观测数据对地下介质物性参数进行求取的技术。传统的反演过程通过不断地正演迭代优化实现对地下介质物性参数的求取。

地表接收到的观测数据d′是由地下介质物性参数m决定的，如图1所示，由地下介质物性参数m对地表观测数据进行模拟得到模拟数据d的过程为地球物理正演过程：d = f（m）；正演过程实现了由地下介质物性参数m对地表模拟数据d的求取。在实际应用中，我们需要利用地表观测数据d′对地下介质物性参数m进行求取，这一过程为地球物理反演过程。传统的地球物理反演通过不断地正演迭代优化实现对地下介质物性参数的求取，普遍采用的最小二乘目标函数如下：；通过对上述目标函数优化求解可得反演结果：。

上述传统的基于正演迭代优化的反演方法存在无法避免的初始模型依赖性、收敛性等问题。

发明内容

本发明所述的一种基于域分解的物理驱动深度学习反演方法，设计目的是解决上述现有技术存在的问题而提出的一种深度学习反演方法，通过构建深度神经网络利用地表观测数据实现了对地下介质物性参数的反演。本发明所提出的方法避开了传统反演方法中存在的问题，同时在域分解的过程中降低了计算内存消耗，提高了反演精度。

本发明是通过如下技术方案来实现的：

一种基于域分解的物理驱动深度学习反演方法，所述方法的主要步骤如下：

（1）获得地下介质模型参数，初始化待反演的地下介质模型参数空间记为M^k，空间离散步长s^k，初始化域分解次数k=1；

（2）对M^k进行离散化得到M^k = [m₁ m₂……m_n]^T；在上述步骤（2）中m_i∈M^k，i∈Z，1≤i≤n；Z表示整数集；n表示对M^k以步长s^k进行离散化得到的样点数；

（3）M^k中各元素进行正演计算，得到对应的观测数据；f(·)为正演算子用于建立从模型参数到观测数据之间的映射关系，包括弹性波方程或声波方程；