本發(fā)明屬于勘探地球物理學(xué)領(lǐng)域，尤其涉及一種基于bi-lstm網(wǎng)絡(luò)頻散曲線反演方法、介質(zhì)和設(shè)備。

背景技術(shù)：

1、近地表勘探是地球物理勘探的一個(gè)重要研究方向，其目的為獲得淺地層的結(jié)構(gòu)特征及縱、橫波速度等物性參數(shù)，相比于應(yīng)用在油氣勘探領(lǐng)域的深層地球物理勘探方法，近地表勘探主要被應(yīng)用于低降速帶測(cè)定、工程物探等領(lǐng)域，是目前解決工程建設(shè)問(wèn)題最直接、有效的辦法，利用面波勘探法來(lái)獲得淺地表橫波速度結(jié)構(gòu)是一大研究方向。

2、目前，面波多道分析方法在淺地表橫波速度結(jié)構(gòu)調(diào)查中有著廣泛的應(yīng)用，其基本工作流程為對(duì)記錄進(jìn)行變換獲得頻散能量圖，并拾取出頻散曲線，最后對(duì)頻散曲線進(jìn)行反演獲得速度模型。頻散曲線的反演優(yōu)化算法眾多，主要包括最小二乘法、遺傳算法、快速模擬退火法、熱浴模擬退火法、粒子群算法、混合全局優(yōu)化算法、布谷鳥(niǎo)搜索算法、基于最速下降法的波動(dòng)方程頻散曲線反演算法，以及預(yù)條件截?cái)嗯ｎD方法等。然而，上述方法往往依賴于初始模型和先驗(yàn)條件，并且計(jì)算速度往往較低。

3、隨著人工智能的發(fā)展，深度學(xué)習(xí)方法在自然語(yǔ)言理解、視覺(jué)目標(biāo)識(shí)別等許多領(lǐng)域都發(fā)揮了很大的作用，越來(lái)越多的學(xué)者開(kāi)始使用深度學(xué)習(xí)方法解決地球物理問(wèn)題。近些年，國(guó)內(nèi)外專家學(xué)者開(kāi)始逐漸將深度學(xué)習(xí)方法應(yīng)用到頻散曲線反演當(dāng)中。目前，現(xiàn)有的進(jìn)行頻散曲線智能反演的神經(jīng)網(wǎng)絡(luò)主要為常規(guī)的lstm網(wǎng)絡(luò)，但是該網(wǎng)絡(luò)往往只能獲得過(guò)去的信息，然而，對(duì)于實(shí)際中的序列數(shù)據(jù)，某一時(shí)刻的信息往往不止和過(guò)去時(shí)刻的信息有所關(guān)聯(lián)，還和未來(lái)時(shí)刻的信息有所關(guān)聯(lián)，即對(duì)數(shù)據(jù)進(jìn)行處理時(shí)，往往不只需要過(guò)去的信息，還需要未來(lái)的信息，故需要一種能夠同時(shí)獲得過(guò)去時(shí)刻和未來(lái)時(shí)刻的網(wǎng)絡(luò)。

4、此外，現(xiàn)有的基于深度學(xué)習(xí)的頻散曲線智能反演技術(shù)往往直接使用預(yù)測(cè)速度模型與真實(shí)速度模型之間的損失來(lái)進(jìn)行反向傳播并更新網(wǎng)絡(luò)參數(shù)，它們?cè)谟?xùn)練過(guò)程中缺少物理約束，且強(qiáng)烈依賴于真實(shí)速度模型，這樣會(huì)造成網(wǎng)絡(luò)的泛化性差和預(yù)測(cè)精度不高。

技術(shù)實(shí)現(xiàn)思路

1、針對(duì)現(xiàn)有技術(shù)的不足，本發(fā)明提供了一種新的基于bi-lstm網(wǎng)絡(luò)頻散曲線反演方法。

2、本發(fā)明是這樣實(shí)現(xiàn)的，一種基于bi-lstm網(wǎng)絡(luò)頻散曲線反演方法，所述方法包括以下步驟：

3、第一步、構(gòu)建bi-lstm網(wǎng)絡(luò)模型；將兩個(gè)獨(dú)立的、不同方向的常規(guī)lstm網(wǎng)絡(luò)拼接在一起作為主體網(wǎng)絡(luò)單元，并將兩個(gè)網(wǎng)絡(luò)各自的輸出進(jìn)行拼接作為最終輸出，網(wǎng)絡(luò)中的lstm單元由遺忘門，輸入門，輸出門與細(xì)胞狀態(tài)組成；

4、這種設(shè)計(jì)，使得網(wǎng)絡(luò)可以同時(shí)獲取過(guò)去時(shí)刻的上文信息與未來(lái)時(shí)刻的下文信息，既可以解決傳統(tǒng)循環(huán)神經(jīng)網(wǎng)絡(luò)長(zhǎng)期依賴性差的問(wèn)題，也可以更好的提取序列數(shù)據(jù)中的特征；

5、第二步、設(shè)計(jì)橫波速度模型并正演獲得瑞雷面波基階頻散曲線，獲得瑞雷面波基階頻散曲線作為數(shù)據(jù)集的輸入，從而為下一步網(wǎng)絡(luò)模型的訓(xùn)練構(gòu)建特征豐富的數(shù)據(jù)集；

6、進(jìn)一步，所述的橫波速度模型包括遞增速度模型，含高速硬夾層的速度模型或含低速軟夾層的速度模型。

7、第三步、使用相應(yīng)設(shè)備獲得勘探數(shù)據(jù)，對(duì)數(shù)據(jù)集進(jìn)行預(yù)處理，并將數(shù)據(jù)集按照20:1的比例劃分為訓(xùn)練集和測(cè)試集；

8、第四步、使用訓(xùn)練集對(duì)第一步構(gòu)建的網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練；先使用傳統(tǒng)的均方損失函數(shù)訓(xùn)練獲得預(yù)訓(xùn)練網(wǎng)絡(luò)模型，再使用改進(jìn)型均方損失函數(shù)基于預(yù)訓(xùn)練網(wǎng)絡(luò)模型繼續(xù)訓(xùn)練對(duì)網(wǎng)絡(luò)模型進(jìn)行微調(diào)；所述改進(jìn)型均方損失函數(shù)可表示為：

9、?；

10、?；

11、為真實(shí)橫波速度模型，為預(yù)測(cè)橫波速度模型，n為一個(gè)批次內(nèi)的樣本對(duì)數(shù)量，為輸入基階頻散曲線，為使用預(yù)測(cè)出的橫波速度模型正演出的基階頻散曲線，表示權(quán)重。

12、進(jìn)一步，所述傳統(tǒng)的均方損失函數(shù)可以表示為：

13、；

14、其中，為真實(shí)橫波速度模型，為預(yù)測(cè)橫波速度模型，n為一個(gè)批次內(nèi)的樣本對(duì)數(shù)量。

15、第五步、使用模擬測(cè)試集與實(shí)際數(shù)據(jù)對(duì)訓(xùn)練好的網(wǎng)絡(luò)模型進(jìn)行測(cè)試或處理。

16、本發(fā)明還提供一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，所述計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)存儲(chǔ)有計(jì)算機(jī)程序，所述計(jì)算機(jī)程序適用于由處理器加載并執(zhí)行所述基于bi-lstm網(wǎng)絡(luò)頻散曲線反演方法。

17、本發(fā)明還提供一種計(jì)算機(jī)設(shè)備，所述設(shè)備包括存儲(chǔ)器和處理器，所述存儲(chǔ)器存儲(chǔ)有計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被所述處理器執(zhí)行時(shí)，使得所述處理器執(zhí)行所述基于bi-lstm網(wǎng)絡(luò)頻散曲線反演方法。

18、本發(fā)明與現(xiàn)有技術(shù)相比的有益效果：

19、本發(fā)明研發(fā)了一種基于bi-lstm網(wǎng)絡(luò)頻散曲線反演方法，所述方法能夠高效率、高精度的實(shí)現(xiàn)瑞雷面波基階頻散曲線反演；

20、本發(fā)明創(chuàng)新性的將bi-lstm網(wǎng)絡(luò)應(yīng)用到頻散曲線智能反演過(guò)程中，此網(wǎng)絡(luò)將兩個(gè)獨(dú)立的、不同方向的常規(guī)lstm網(wǎng)絡(luò)拼接在一起，并將兩個(gè)網(wǎng)絡(luò)各自的輸出進(jìn)行拼接作為最終輸出，網(wǎng)絡(luò)中的lstm單元由遺忘門，輸入門，輸出門與細(xì)胞狀態(tài)組成。通過(guò)這種設(shè)計(jì)，使得網(wǎng)絡(luò)可以同時(shí)獲取過(guò)去時(shí)刻的上文信息與未來(lái)時(shí)刻的下文信息，既可以解決傳統(tǒng)循環(huán)神經(jīng)網(wǎng)絡(luò)的長(zhǎng)期依賴性差的問(wèn)題，也可以更好的提取序列數(shù)據(jù)中的特征。

21、此外，本發(fā)明在訓(xùn)練過(guò)程中引入了物理約束，將真實(shí)頻散曲線作為輸入，通過(guò)網(wǎng)絡(luò)預(yù)測(cè)出橫波速度模型，再利用橫波速度模型正演出頻散曲線，求得其與輸入頻散曲線的誤差，并將其以權(quán)重的方式引入到損失函數(shù)中作為物理約束，從而提高了網(wǎng)絡(luò)的預(yù)測(cè)精度和穩(wěn)定性。通過(guò)這種創(chuàng)新，本發(fā)明克服了傳統(tǒng)智能頻散曲線反演方法缺乏物理約束的不足，從而提高了訓(xùn)練過(guò)程的可解釋性與網(wǎng)絡(luò)的預(yù)測(cè)精度，同時(shí)，這種創(chuàng)新也使得本發(fā)明擺脫了傳統(tǒng)頻散曲線智能反演方法嚴(yán)重依賴于初始速度模型以及效率較低的缺點(diǎn)。

22、本發(fā)明對(duì)于速度遞增模型，含高速硬夾層速度模型以及含低速軟夾層速度模型3種情況下的淺地表速度模型均有良好的反演效果，能夠?qū)崿F(xiàn)高精度頻散曲線反演，可進(jìn)行面波數(shù)據(jù)的高效處理，從而為淺地表勘探提供有效的指導(dǎo)和幫助。

技術(shù)特征：

1.一種基于bi-lstm網(wǎng)絡(luò)頻散曲線反演方法，其特征在于，所述方法包括以下步驟：

2.根據(jù)權(quán)利要求1所述的一種基于bi-lstm網(wǎng)絡(luò)頻散曲線反演方法，其特征在于，所述的橫波速度模型包括遞增速度模型，含高速硬夾層的速度模型或含低速軟夾層的速度模型。

3.根據(jù)權(quán)利要求1所述的一種基于bi-lstm網(wǎng)絡(luò)頻散曲線反演方法，其特征在于，所述傳統(tǒng)的均方損失函數(shù)可以表示為：

4.一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其特征在于，所述計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)存儲(chǔ)有計(jì)算機(jī)程序，所述計(jì)算機(jī)程序適用于由處理器加載并執(zhí)行權(quán)利要求1-3任何一項(xiàng)所述的基于bi-lstm網(wǎng)絡(luò)頻散曲線反演方法。

5.一種計(jì)算機(jī)設(shè)備，其特征在于，所述設(shè)備包括存儲(chǔ)器和處理器，所述存儲(chǔ)器存儲(chǔ)有計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被所述處理器執(zhí)行時(shí)，使得所述處理器執(zhí)行權(quán)利要求1-3任何一項(xiàng)所述的基于bi-lstm網(wǎng)絡(luò)頻散曲線反演方法。

技術(shù)總結(jié)
本發(fā)明涉及基于Bi?LSTM網(wǎng)絡(luò)頻散曲線反演方法、介質(zhì)和設(shè)備，屬于地球物理勘探數(shù)據(jù)處理技術(shù)領(lǐng)域。該方法首先構(gòu)建Bi?LSTM網(wǎng)絡(luò)，該網(wǎng)絡(luò)將兩個(gè)獨(dú)立的、不同方向的常規(guī)LSTM網(wǎng)絡(luò)拼接在一起作為主體網(wǎng)絡(luò)單元，并將這兩個(gè)網(wǎng)絡(luò)各自的輸出進(jìn)行拼接作為最終輸出，這使得網(wǎng)絡(luò)可以同時(shí)獲取過(guò)去時(shí)刻的上文信息與未來(lái)時(shí)刻的下文信息，從而使其在處理序列數(shù)據(jù)時(shí)具有更好的效果。此外，本發(fā)明在訓(xùn)練過(guò)程中引入了物理約束，首先將真實(shí)頻散曲線作為輸入，通過(guò)網(wǎng)絡(luò)預(yù)測(cè)出橫波速度模型，再利用橫波速度模型正演出頻散曲線，將兩個(gè)頻散曲線的差以權(quán)重的方式引入到損失函數(shù)中作為物理約束，提升了網(wǎng)絡(luò)的預(yù)測(cè)精度和穩(wěn)定性。

技術(shù)研發(fā)人員：徐秀剛,許文德,管文峰
受保護(hù)的技術(shù)使用者：中國(guó)海洋大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2025/1/2