共查询到20条相似文献，搜索用时 31 毫秒
1.
重力数据的密度界面反演是位场数据解释中的一项主要工作，在区域构造演化、深部莫霍面确定等领域的研究中发挥重要作用.近年来，数据驱动的深度学习方法广泛地应用在地球物理数据处理与反演中，本文提出一种基于深度学习U-net网络的重力数据密度界面反演方法.首先，对半椭球体界面模型进行随机抽取和组合进而形成地下起伏界面数据集，并基于Parker正演理论对界面数据集进行重力异常正演计算，为深度学习网络模型的训练提供特征完备的数据源；其次，设计了基于U-net网络模型的深度学习界面反演算法，在传统的损失函数基础上增加光滑损失项和过拟合抑制项，提高重力界面反演结果的光滑性和收敛效率；最后通过测试样本集进行反演预测，验证建立深度学习网络模型的泛化性.本文通过理论模型和实际数据试验分析了本文方法在密度界面反演中的有效性和实用性，基于改进损失函数约束的深度学习界面反演方法有效地提高了密度界面反演的收敛效率和计算稳定性. 相似文献
2.
3.
基于GA-BP理论的储层视裂缝密度地震非线性反演方法 总被引：2，自引：7，他引：2
基于GA-BP理论,将自适应遗传算法与人工神经网络技术(BP算法)有机地相结合,形成了一种储层裂缝自适应遗传-神经网络反演方法.这种新的方法是由编码、适应度函数、遗传操作及混合智能学习等组成,即在成像测井裂缝密度数据约束下,通过对目标问题进行编码(称染色体),然后对染色体进行选择、交叉和变异等遗传操作,使染色体不断进化,从而快速获得全局最优解.在反演执行过程中,利用地震数据和成像测井裂缝密度数据之间的非线性映射关系建立训练样本,将GA算法与BP算法有机地结合,优化三层前向网络参数;或将GA与ANFIS相结合,优化ANFIS网络参数.并采用GA算法与TS算法(Tabu Search)相结合的自适应混合学习算法,该学习算法自始至终将GA和BP两种算法按一定的概率比例进行,其概率自适应变化,以达到混合算法的均衡.这种混合算法提高了网络的收敛速度和精度.我们分别利用两个研究地区的6井和1井成像测井裂缝密度数据与地震数据之间的非线性映射关系建立训练样本,对过这两口井的测线的地震数据进行反演,获得了视裂缝密度剖面,视裂缝密度剖面上裂缝分布特征符合沉积相分布特征和岩石力学性质的变化特征.这种视裂缝密度剖面含有储层裂缝的定量信息,其误差可为油气勘探开发实际要求所允许.因此,这种新的方法优于只能作裂缝定性分析的常规裂缝地震预测方法,具有广阔的应用前景. 相似文献
4.
基于L2范数的常规全波形反演目标函数是一个强非线性泛函，在反演过程中容易陷入局部极小值.本文提出归一化能量谱目标函数来缓解全波形反演过程中的强非线性问题，同时能够有效地缓解噪声和震源子波不准等因素的影响.能量谱目标函数是通过匹配观测数据与模拟数据随频率分布的能量信息来实现最小二乘反演的，其忽略了地震数据波形与相位变化的细节特征，这在反演的过程中能够有效缓解波形匹配错位等问题.数值测试结果表明，基于归一化能量谱目标函数在构建初始速度模型、抗噪性和缓解震源子波依赖等方面都优于归一化全波形反演目标函数.金属矿模型测试结果表明，即使地震数据缺失低频分量，基于归一化能量谱目标函数的全波形反演方法在像金属矿这样的强散射介质反演问题上同样具有一定的优势. 相似文献
5.
本文以提高地震数据的成像质量为目标,提出一种智能的卷积神经网络降噪框架,从带有噪声的地震数据中自适应地学习地震信号。为了加速网络训练和避免训练时出现梯度消失现象,我们在网络中加入残差学习和批标准化的方法,并采用了ReLU激活函数和Adam优化算法优化网络。此外,Marmousi和F3数据集被用来对网络进行训练和测试,经过充分训练的网络不仅能在学习中保留地震数据特征,而且能去除随机噪声。首先充分地训练网络,从中提取出随机噪声,并保留学习到的地震数据特征,之后通过重建地震数据估算测试集中的波形特征。合成记录和实际数据的处理结果显示了深度卷积神经网络在随机噪声压制任务中的潜力,并通过实验验证表明了深度卷积神经网络框架有很好的去噪效果。 相似文献
6.
地球物理反演问题具有病态性、不适定性,传统的线性反演方法面临着次优逼近和初始模型选择等挑战,为了提高磁场数据反演的精度,受深度学习卓越的非线性映射能力的启发,本文提出了一种基于全卷积神经网络的磁异常及磁梯度异常反演方法.文中首先提出了一种基于网格点几何格架的磁异常及磁梯度异常的空间域快速正演算法,这为本文全卷积神经网络反演算法的实现奠定了基础;随后对大量不同剩余磁化强度模型进行正演计算获得样本数据集,将正演数据作为输入层,磁化强度模型作为输出层,并基于U-net网络结构设计了一种端到端的网络结构(MagInvNet),再对该网络结构进行监督学习与参数优化;最后进行反演预测.三组模型试验表明,MagInvNet网络能够快速准确识别出磁异常体的位置与形状,并且能够准确的反演出异常体磁化强度的大小,对于含噪声数据,其反演结果的质量不会降低.本文最后利用安徽霍邱铁矿的航磁数据验证了文中方法的有效性. 相似文献
7.
《应用地球物理》2016,(2)
针对传统神经网络在电阻率成像反演中存在的过拟合和易陷入局部极值等问题,提出了一种基于剪枝贝叶斯神经网络(PBNN)的非线性反演算法和一种基于K-medoids聚类的样本设计方法。在基于K-medoids聚类的样本设计方法中,利用观测数据的聚类结果提供先验信息构造神经网络的训练样本,从而有针对性地指导神经网络的训练过程;剪枝贝叶斯神经网络是在贝叶斯正则化的基础上,通过评估各隐节点对反演结果的影响来自适应确定神经网络的隐层结构,根据小样本条件下训练样本的先验分布特征,选择了基于广义平均的超参数αk来引导剪枝过程。通过与地球物理领域内其它常用的自适应正则化方法相比较,验证了本文算法的有效性。理论数据和实测数据反演的结果表明:该方法能够较好地抑制神经网络训练过程中噪声的影响,提高网络的泛化能力,其反演结果优于BPNN反演、RBFNN反演和RRBFNN反演以及传统的最小二乘反演。 相似文献
8.
9.
本文利用Extrapolation Tikhonov正则化算法处理重力梯度数据三维密度反演的线性不适定问题。与Tikhonov正则化方法相比,Extrapolation Tikhonov正则化方法减小了因正则化参数的引入而带来的反演结果误差,提高了预测数据与观测数据之间的拟合精度。同时为了消除位场数据反演时位置函数快速衰减对反演结果的影响,本文提出了基于重力梯度全张量特征向量法的深度加权函数,模型试验证明了该深度加权函数能有效识别异常体密度分布特征。对澳大利亚Kauring地区实测重力梯度数据进行反演,并和已有研究成果对比分析。结果表明该反演方法能够较好的获取地下异常体的密度分布信息。 相似文献
10.
通过合成地震图的计算,本文系统地分析研究了S波接收函数的运动学及动力学特征,并在接收函数非线性复谱比反演方法的基础上,进一步发展了基于贝叶斯理论的P波和S波接收函数的非线性联合反演方法.
利用本文发展的P波和S波接收函数的非线性联合反演方法和沿独库公路布设的由51个宽频带流动地震台站组成的地震台阵记录的远震体波波形数据得到了中国境内天山300 km深度范围地壳上地幔的P波和S波速度结构,得到了中国境内天山的岩石圈结构和造山动力学模型的一些新认识. 相似文献
11.
由于自然条件限制和人为因素的影响，实际采集得到的地震数据往往会出现地震道数据缺失的情况，会对后续的地震数据处理和解释制造困难，需要对地震数据进行重建.而传统地震数据重建方法通常存在着重建效果受先验条件约束、超参数选择需要人工干预、自动化程度低等问题.于是人们将目光投向发展迅速的深度学习领域，截至今日已经有不少深度学习方法应用于地震数据重建领域以解决上述地震数据重建过程中的问题.本文将着重分析具有代表性的深度学习地震数据重建方法，分别基于卷积神经网络、循环神经网络、卷积自编码器、生成对抗性网络.通过重建结果残差对比图，重建结果信噪比分析等方法对深度学习地震数据重建方法的优势和不足进行深入探讨.并进一步阐述深度学习地震数据重建方法的研究现状、方法优势、存在的问题以及未来发展趋势，对现今的深度学习重建方法进行总结和展望. 相似文献
12.
利用Ｓｈａｍｗａｙ和Ｄｅｒ的多道最大或然性反褶积原理，讨论了从单台三分量远震Ｐ波波形中分离接收函数径向与垂向分量复谱比的方法．根据Ｔａｒａｎｔｏｌａ的波形反演理论发展了接收函数复谱比的非线性反演方法．本文的反演方法除了拟合接收函数的复谱比之外，还需拟合时间域中接收函数垂向与径向分量的初至振幅比．合成波形数据反演的结果表明本文方法的反演结果不依赖初始模型．利用该方法和ＣＤＳＮ台网兰州台记录的宽频带远震Ｐ波波形数据，研究了该台站的接收函数及其随方位角的变化．接收函数复谱比非线性反演给出了该台站下方１４０ｋｍ深度岩石层的Ｓ波速度结构，得到兰州台下方地壳厚度为５４ｋｓ，岩石层厚度为９４ｋｍ． 相似文献
13.
三维密度反演是地球物理领域的研究热点,而在大数据及人工智能发展的时代背景下如何快速高效地实现重力数据反演显得更为重要.传统反演方法通常需要存储大型系数矩阵,内存占用大,耗费时间长,同时为约束反演结果而加入的正则化约束项参数难以确定;深度学习可以不依赖先验信息,也不需要计算及存储系数矩阵,使得计算效率大大提高.基于此,本文提出了一种基于UNet++网络的重力异常反演方法.首先将UNet++网络中部分参数进行更改：选择在输入数据绝对值较大时梯度更稳定的LeakyReLU作为激活函数;加入了Batch Normalization层,增强了网络的收敛速度及稳定性.然后为了提高网络的全局最优化能力,引入了基于余弦退火的学习率更新策略,使用梯度的一阶以及二阶矩估计的Adam最优化算法,利用数据集与标签集进行网络训练,实现了重力异常的三维密度反演.通过实验验证了UNet++、LeakyReLU更快速稳定的收敛能力,而余弦退火学习率更新策略具有更强的全局寻优能力.含噪模型实验及实际数据反演结果进一步证明该方法的正确性和有效性,及其良好的泛化能力与抗噪能力. 相似文献
14.
在地震勘探采集到的地震数据中不可避免的存在随机噪声，而高信噪比的地震数据是地震资料反演和解释的基础.因此随机噪声压制一直是地震资料处理中的重要工作.近些年来，随着深度学习技术的发展，基于卷积神经网络的地震数据去噪方法已经取得了丰硕的成果.常规的监督学习策略需要获取无噪数据作为标签，然而从实际地震数据中获取无噪数据只能通过传统去噪方法进行预处理，以此方法构建标签数据的监督学习去噪网络必然受构建数据集的去噪方法影响.针对此问题，本文提出了一种基于Noise-to-Noise自监督学习的地震数据去噪方法，该方法通过对实际地震数据添加不同等级的噪声构建训练数据集，仅需要含噪地震数据即可训练去噪网络.合成数据测试和实际数据测试表明，本文方法可以有效去除地震数据中的随机噪声，性能优于受数据集构建方法所限的监督学习去噪方法和传统去噪方法. 相似文献
15.
16.
远震接收函数中包含了大量台站下方速度间断面所产生的Ps转换波及其多次反射波的信息,被广泛应用于反演精细的地壳及上地幔速度结构.但当地壳结构复杂如存在沉积层或高速层时,转换波和多次波震相的到时和振幅发生变化,从而导致接收函数反演存在强非唯一性.深度学习作为一种高效的特征提取方法,能够建立接收函数与横波速度在空间上的映射关系.因此,利用全球模型数据以及高质量观测接收函数建立样本库,设计了利用接收函数预测横波速度的卷积神经网络.测试集结果表明,合成数据预测的横波速度与模型拟合程度较高,在实际数据检测中预测横波速度结果与全局反演的结果基本一致,预测的横波速度间断面与传统H-κ叠加结果也基本一致.利用该方法对琉球海沟地区海底地震数据的接收函数进行反演,获得了台站下方横波速度精细结构,进一步获得了该地区更为精细的地壳结构特征.测试实验及应用表明利用卷积神经网络预测台站下方横波速度的深度学习方法不仅计算效率高,且具有较高的可靠性. 相似文献
17.
地震波传播的复杂性所引起的地震反演中强烈的非线性问题是目前全波形反演在技术上遇到的最大难题,了解全波形反演中不同的目标函数随不同物性参数的不同摄动尺度的变化性态,对选择合理的反演方法和反演策略具有重要意义.本文参照Jannane等对波形反演目标函数性态的分析方法,通过变密度声波方程,分析了多种地震数据子集的不同目标函数随物性参数的摄动尺度的变化关系,重点分析了它们的非线性程度,为进行分步骤、分尺度全波形反演方法和反演策略的选择提供了理论指导. 相似文献
18.
《地球物理学进展》2020,(4)
地震数据重建是一个不适定的反问题,通常采用正则化方法求解.正则化方法需要人工建模,建模的准确性会影响重建结果,此类方法还存在计算代价高的问题.为克服正则化方法存在的问题,本文使用深度卷积神经网络实现了端到端的地震数据重建.此方法是基于数据驱动的,直接从数据中学习输入与输出的映射关系,无需人工建模,经过训练的网络可直接用于非完整数据的重建工作.数值实验分别使用模拟数据和实际数据并与传统正则化方法对比验证深度卷积神经网络方法的有效性.实验结果表明,深度卷积神经网络方法的计算代价主要在于网络的训练阶段,数据重建阶段仅需花费极短的时间,与传统正则化方法相比,对于缺道50%的地震数据,深度卷积神经网络方法的重建结果质量更高,速度更快. 相似文献
19.
《应用地球物理》2019,(4)
叠前深度偏移的广泛应用产生了大量的深度域地震数据,提供了深度域地震处理的数据基础,并为探索直接基于深度域地震数据的储层弹性参数反演提供了可能性。由于深度域地震子波存在与速度密切相关的特征,直接提取深度域地震子波存在困难,本文将深度域速度变换与脊回归方法结合,实现了深度域地震子波的确定性提取,将提取的深度域常速地震子波构建成依赖速度的空变地震子波,基于加权叠加思想,提出了深度域地震记录合成方法。再结合非线性共轭梯度算法,建立了基于深度域地震数据和模型驱动的深度域叠前波阻抗反演流程,不再进行额外的时间域和深度域之间的数据转换。深度域合成地震数据与实际地震资料的叠前波阻抗反演取得了较好的结果,表明该方法是可行的。该方法可作为深度域正演分析和叠前弹性参数反演的基础方法,为深度域反演方法的稳定性、精度和效率的进一步研究创造了条件。 相似文献
20.
在复杂的地表环境，地震勘探采集到的实际地震资料信噪比较低，分辨率较差，接收的噪声能量较强，与有效信号存在频谱的重叠.常规的消噪手段很难在保证有效信号幅值的同时，还兼顾噪声压制的效果.本文采用基于分数阶最优控制(Fractional Optimal Control)理论建立的深度学习神经网络——FOCNet来压制地震数据噪声，并恢复微弱同相轴.不同于传统深度学习网络(DCNN)算法大多为基于经验的网络设计，FOCNet具有坚实的数理基础，它从动态系统的最优控制角度阐述了网络的原理，并采用长期记忆的方式增强了网络的稳定性，提高了系统对噪声的消减能力.针对地震数据有效信号在低频带与噪声重叠严重，且FOCNet对数据中、高频信息保留更好这一情况，本文提出了一种基于理想时频分析与FOCNet相结合的算法(TF-FOCNet)来压制地震噪声，提取有效信号.该算法通过理想时频分析，针对性的提取信噪重叠的低频目标数据成分，并与数据的中、高频成分一起送入网络中进行处理并融合，完成噪声的压制，增强了低频信息的保留能力.模拟及实际的实验结果验证了算法在随机噪声、面波压制及微弱信号恢复上的有效性和优越性. 相似文献