基于深度学习的全波形反演初始模型构建方法研究

作     者：孙德辉 

作者单位：东北石油大学 

学位级别：硕士

导师姓名：王云专

授予年度：2023年

学科分类：12[管理学] 081801[工学-矿产普查与勘探] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081802[工学-地球探测与信息技术] 081104[工学-模式识别与智能系统] 08[工学] 0818[工学-地质资源与地质工程] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主      题：深度学习 全波形反演 U-Net 注意力机制 速度建模 

摘      要：在地球物理勘探领域,地下介质中地震波传播速度是需要得到的关键参数之一,而得到精确的初始速度模型则是实现全波形反演成像最重要的先决条件。全波形反演通过全波场参数信息实现了对地质结构的精确恢复,甚至可以应用于复杂地质情况。但是目前全波形反演还不能很好地应用于实际工业当中,主要原因是该方法对初始速度模型有很强的依赖性。当初始速度模型和真实模型存在较大差异时,理论波场与观测波场的匹配容易产生周期跳跃现象。近年来,深度学习在许多领域取得了引人注目的成果,在地震勘探领域,也可用于解决传统方法难以解决的问题。为解决全波形反演对初始速度模型依赖性强的问题,本文利用深度学习技术实现在地震数据上直接建立初始速度模型的方法,并对频率域全波形反演方法以及在实数域数据相似性的全波形反演方法进行了研究。首先,与常规频率域全波形反演结果比较,基于数据相似性的全波形反演方法减小了反演过程中的非线性问题,有效提高了埋深较大地层反演的精度。其次,对U-Net网络进行改进,在U-Net网络基础上加入注意力机制,设计了Attention U-Net网络模型架构,建立地震数据和速度模型之间的映射关系,网络训练后对新输入的地震数据进行速度模型的估计。针对训练集数量较少,导致网络预测精度较低的问题,引入深度迁移学习方法,把预训练模型迁移至其它数据集模型训练中。最后以网络估计的初始模型为基础进行全波形反演。数值实验结果表明,与常规U-Net网络模型相比,本文设计的网络模型具有更好的性能。经过深度迁移学习后的Attention U-Net网络模型的速度建模精度更高,在细节上也重建的比较好,证明了深度迁移学习的有效性和优越性。本文方法对比使用平滑速度模型反演,生成的速度模型的精度更高,说明本文方法建立的初始速度模型的准确度较高,全波形反演也能进一步迭代出更加精确的模型,具有较大的工业应用潜力。