数据与智能优化双驱动的深度学习地震波阻抗反演方法与流程

技术特征：
1.数据与智能优化双驱动的深度学习地震波阻抗反演方法，其特征在于，包括以下步骤：s1、从叠后地震道数据中选取数据并分成叠后地震数据sei1和叠后地震数据sei2，利用多组变异差分进化方法对叠后地震数据sei1进行波阻抗模型反演，获取对应的ai模型；s2、基于u
‑
net网络的结构，利用python搭建具有两个输入通道和一个输出通道的深度学习网络；s3、利用步骤s1中进行反演的地震数据和反演得到的ai模型对步骤s2中搭建的深度学习网络进行预训练；s4、利用步骤s3中预训练的深度学习网络对步骤s1的叠后地震数据sei2进行ai模型预测；s5、将步骤s4中网络预测的ai模型嵌入mmde算法的变异算子中，加速引导mmde算法收敛至最优解ai模型；s6、将步骤s5中得到的最优解ai模型以及其对应的地震数据构成的数据集，对步骤s3中预训练的深度学习网络进行优调；s7、利用步骤s6中优调后的深度学习网络进行ai模型反演，实现替代全局优化方法进行阻抗反演。2.根据权利要求1所述的方法，其特征在于，步骤s1中，利用多组变异差分进化方法对叠后地震数据sei1进行波阻抗模型反演具体为：s101、在搜索空间内产生包含np个d维初始化个体的种群；s102、对种群中的每一个个体进行变异操作，为种群中的每一个个体生成一个变异向量s103、对种群中的每一个个体进行交叉操作，通过将当前个体与其对应的变异向量融合，生成迹向量s104、对种群中的每一个个体进行选择操作，通过比较当前个体和对应的迹向量选择其中更好地一个向量作为新的个体，参与下一次迭代；s105、判断是否满足算法结束条件，若满足，则结束；否则，跳回s102，继续迭代至收敛，迭代过程完成后，种群中的最佳个体将被示为优化问题的最优ai模型解。3.根据权利要求2所述的方法，其特征在于，步骤s105中，通过计算观测地震数据与由种群中每一个个体所代表的ai模型计算的合成地震数据误差衡量是否满足预先设定的收敛条件的，合成地震数据具体为：
其中，d
i
、w
i
、r
i
和i
i
分别为地震数据d、子波w、反射系数序列r和ai模型i的第i个元素；v
i
和ρ
i
分别为第i个水平层的速度和密度。4.根据权利要求2所述的方法，其特征在于，步骤s105中，最大的迭代次数设置为150次。5.根据权利要求1所述的方法，其特征在于，步骤s2中，搭建的深度学习网络参数化表示为：其中，d
obs,n
表示第n个观测的地震道数据样本；i
init,n
表示第n个观测的地震道数据样本对应的低频阻抗趋势；表示网络预测的第n个观测的地震道数据样本对应的ai模型；表示每一层二维卷积层；表示全连接层；σ(
·
)表示relu激活函数；mp
(
·
)表示最大池化层；表示每一层上采样卷积层；concat(
·
,
·
)表示将两部分特征进行拼接的操作。6.根据权利要求1所述的方法，其特征在于，步骤s3中，深度学习网络的15层卷积层、1层全连接层和3层上卷积层中所有的可训练参数为：其中，θ指代整个深度学习网络的可训练参数；θ
i
为第i层卷积层的权重参数，θ
d
为全连接层的权重参数，为第i层上采样卷积层的权重参数。7.根据权利要求6所述的方法，其特征在于，网络训练采用的损失函数表示为：其中，d
obs,n
表示第n个观测的地震道数据样本；i
init,n
表示第n个观测的地震道数据样本对应的低频阻抗趋势；表示网络预测的第n个观测的地震道数据样本对应的ai模型；i
inv,n
表示网络预测的第n个观测的地震道数据样本对应的真实的ai模型。8.根据权利要求6所述的方法，其特征在于，网络训练采用的优化器为adam，学习速率为0.0001，网络的批训练个数设置为128，网络一共训练500次。9.根据权利要求1所述的方法，其特征在于，步骤s5中，变异操作融入深度学习网络预测的ai模型表示为：其中，表示第一阶段预训练的网络预测的ai模型的第j个分量；为第g次迭代中第i个个体对应的变异向量的第j个分量，lf
j
为为衡量个体中第j个分量优劣的局部失配函数，f
m
为变异算子，和为两个变异候选向量的第j个分量，f为变异因子，和分别为两个变异候选向量第j个分量的局部损失值。

技术总结
本发明公开了一种数据与智能优化双驱动的深度学习地震波阻抗反演方法，利用全局优化方法对一部分叠后地震数据进行波阻抗反演，并用反演所得数据预训练深度学习网络学习由地震数据到波阻抗的映射关系；利用预训练好的网络引导全局优化方法反演另一部分地震数据的波阻抗数据，加速其收敛到最优解，并用获取的最优解对深度学习网络进行优调；用优调后的深度学习网络，高效实现大规模三维地震数据的波阻抗模型反演。本发明极大地提升了波阻抗模型的反演效率，在计算成本可承担的情况下，实现了使全局优化方法在大规模波阻抗反演问题中的应用成为可能这一巨大突破。的应用成为可能这一巨大突破。


技术研发人员：高照奇 杨唯 高静怀 张金淼 杨涛 王清振 丁继才 姜秀娣 孙文博 赵小龙
受保护的技术使用者：西安交通大学
技术研发日：2021.08.27
技术公布日：2021/12/2