本發(fā)明涉及地震勘探，具體地涉及一種基于人工智能的全波形反演方法、一種基于人工智能的全波形反演裝置以及一種計(jì)算機(jī)設(shè)備。
背景技術(shù)：
1、隨著地球物理勘探技術(shù)的發(fā)展，全波形反演已成為地下構(gòu)造建模成像的重要手段，它可以實(shí)現(xiàn)速度場的高分辨率反演，相對于傳統(tǒng)技術(shù)對復(fù)雜構(gòu)造建模具有優(yōu)勢。地下介質(zhì)包含的各類速度異常體(如鹽丘)的邊界識別一直是全波形反演的難點(diǎn)。
2、對于尺度較大的速度異常體，傳統(tǒng)的全波形反演方法需要上千次迭代才能把這種特殊地質(zhì)體的邊界刻畫出來。應(yīng)用人工智能可以加快全波形反演的速度，通過對人工智能模型進(jìn)行訓(xùn)練，將地震數(shù)據(jù)與速度異常體的速度場之間形成配對，通過模型的迭代訓(xùn)練將速度異常體的邊界預(yù)測出來，再進(jìn)行全局性的波形反演計(jì)算。但是，上述的全波形反演方法存在以下問題：直接對人工智能模型進(jìn)行訓(xùn)練得到的數(shù)據(jù)僅僅是反映出了速度異常體(如鹽丘)，而實(shí)際上的真實(shí)數(shù)據(jù)既有速度異常體的數(shù)據(jù)又有速度異常體周圍的沉積巖(圍鹽)，這些沉積巖也有大量的反射數(shù)據(jù)。采用現(xiàn)有方法訓(xùn)練出來的模型泛化性差、應(yīng)用效率低，無法準(zhǔn)確識別出速度異常體的邊界，因?yàn)樗俣犬惓ｓw周圍的沉積巖速度反射數(shù)據(jù)是干擾。
技術(shù)實(shí)現(xiàn)思路
1、為了解決現(xiàn)有技術(shù)缺陷，本發(fā)明提供一種基于人工智能的全波形反演方法，提高全波形反演的應(yīng)用效率，提高人工智能模型在全波形反演的泛化性。
2、本發(fā)明一方面提供一種基于人工智能的全波形反演方法，包括：
3、利用不同地質(zhì)構(gòu)造的地質(zhì)資料對人工智能模型進(jìn)行訓(xùn)練，得到速度異常體識別模型；
4、基于地震觀測數(shù)據(jù)構(gòu)建初始速度模型，該初始速度模型中有速度異常體的初始輪廓；
5、利用初始速度模型針對速度異常體以外的沉積巖速度進(jìn)行反演，得到沉積巖速度反演模型；
6、計(jì)算沉積巖速度的真實(shí)數(shù)據(jù)與沉積巖速度反演模型的正演數(shù)據(jù)的殘差；
7、將所述殘差輸入速度異常體識別模型，識別出速度異常體的邊界范圍；
8、將識別的速度異常體集成到沉積巖速度反演模型中，利用集成的速度反演模型進(jìn)行全波形反演。
9、本發(fā)明實(shí)施例中，所述利用不同地質(zhì)構(gòu)造的地質(zhì)資料對人工智能模型進(jìn)行訓(xùn)練，得到速度異常體識別模型，包括：構(gòu)建不同地質(zhì)構(gòu)造的數(shù)值模型，該數(shù)值模型含有多種形狀的速度異常體；針對不同地質(zhì)構(gòu)造的數(shù)值模型設(shè)計(jì)觀測系統(tǒng)并開展正演，產(chǎn)生正演地震數(shù)據(jù)；基于正演地震數(shù)據(jù)構(gòu)建訓(xùn)練數(shù)據(jù)集；利用訓(xùn)練數(shù)據(jù)集對人工智能模型進(jìn)行訓(xùn)練，得到速度異常體識別模型。
10、本發(fā)明實(shí)施例中，所述構(gòu)建不同地質(zhì)構(gòu)造的數(shù)值模型，包括：利用公開模型裁剪得到多個二維速度模型，將多個二維速度模型作為不同地質(zhì)構(gòu)造的數(shù)值模型。
11、本發(fā)明實(shí)施例中，所述針對不同地質(zhì)構(gòu)造的數(shù)值模型設(shè)計(jì)觀測系統(tǒng)并開展正演，包括：利用多個二維速度模型在不同坐標(biāo)位置進(jìn)行正演。
12、本發(fā)明實(shí)施例中，所述基于地震觀測數(shù)據(jù)構(gòu)建初始速度模型，包括：
13、針對公開模型設(shè)計(jì)觀測系統(tǒng)并開展正演，產(chǎn)生正演地震數(shù)據(jù)；
14、對正演地震數(shù)據(jù)進(jìn)行預(yù)處理；
15、基于預(yù)處理的正演地震數(shù)據(jù)構(gòu)建初始速度模型。
16、本發(fā)明實(shí)施例中，所述利用初始速度模型針對速度異常體以外的沉積巖速度進(jìn)行反演，包括：根據(jù)預(yù)設(shè)的反演梯度權(quán)重針對速度異常體以外的沉積巖速度進(jìn)行反演。
17、本發(fā)明實(shí)施例中，所述基于人工智能的全波形反演方法還包括：
18、根據(jù)預(yù)設(shè)的定量指標(biāo)對全波形反演結(jié)果進(jìn)行不確定性分析，以評估各類地質(zhì)信息的符合程度。
19、本發(fā)明實(shí)施例中，所述人工智能模型為全卷積神經(jīng)網(wǎng)絡(luò)或深度卷積神經(jīng)網(wǎng)絡(luò)。
20、本發(fā)明另一方面提供一種基于人工智能的全波形反演裝置，包括：速度異常體識別模型以及用于全波形反演的速度反演模型；
21、所述速度異常體識別模型是基于不同地質(zhì)構(gòu)造的地質(zhì)資料對人工智能模型進(jìn)行訓(xùn)練得到的；
22、所述速度反演模型是通過以下方式得到的：
23、基于地震觀測數(shù)據(jù)構(gòu)建初始速度模型，該初始速度模型中有速度異常體的初始輪廓；
24、利用初始速度模型針對速度異常體以外的沉積巖速度進(jìn)行反演，得到沉積巖速度反演模型；
25、計(jì)算沉積巖速度的真實(shí)數(shù)據(jù)與沉積巖速度反演模型的正演數(shù)據(jù)的殘差；
26、將所述殘差輸入速度異常體識別模型，識別出速度異常體的邊界范圍；
27、將識別的速度異常體集成到沉積巖速度反演模型中，得到集成的速度反演模型。
28、本發(fā)明還提供一種計(jì)算機(jī)設(shè)備，包括：存儲器、處理器以及計(jì)算機(jī)程序，該計(jì)算機(jī)程序存儲在存儲器中，并被配置為由處理器執(zhí)行以實(shí)現(xiàn)上述的基于人工智能的全波形反演方法。
29、本發(fā)明利用觀測數(shù)據(jù)快速建立速度異常體識別模型和初始速度模型，提高全波形反演的應(yīng)用效率，利用真實(shí)數(shù)據(jù)與正演數(shù)據(jù)的殘差代替觀測數(shù)據(jù)對速度異常體識別模型進(jìn)行訓(xùn)練，快速、準(zhǔn)確地刻畫出速度異常體的邊界范圍，將速度異常體識別難題轉(zhuǎn)化為對殘差的分析問題，提高人工智能模型的泛化性，可以快速識別出尺度較大的速度異常體。本方法通過分階段反演與深度學(xué)習(xí)的人工智能模型相結(jié)合，預(yù)先對地層進(jìn)行約束反演，即對速度異常體以外的沉積巖速度進(jìn)行反演，可以大幅減少后續(xù)對速度異常體邊界識別的難度，提高機(jī)器學(xué)習(xí)效果。
30、本發(fā)明技術(shù)方案的其它特征和優(yōu)點(diǎn)將在下文的具體實(shí)施方式部分予以詳細(xì)說明。
1.一種基于人工智能的全波形反演方法，其特征在于，包括：
2.根據(jù)權(quán)利要求1所述的基于人工智能的全波形反演方法，其特征在于，所述利用不同地質(zhì)構(gòu)造的地質(zhì)資料對人工智能模型進(jìn)行訓(xùn)練，得到速度異常體識別模型，包括：
3.根據(jù)權(quán)利要求2所述的基于人工智能的全波形反演方法，其特征在于，所述構(gòu)建不同地質(zhì)構(gòu)造的數(shù)值模型，包括：
4.根據(jù)權(quán)利要求3所述的基于人工智能的全波形反演方法，其特征在于，所述針對不同地質(zhì)構(gòu)造的數(shù)值模型設(shè)計(jì)觀測系統(tǒng)并開展正演，包括：
5.根據(jù)權(quán)利要求1所述的基于人工智能的全波形反演方法，其特征在于，所述基于地震觀測數(shù)據(jù)構(gòu)建初始速度模型，包括：
6.根據(jù)權(quán)利要求1所述的基于人工智能的全波形反演方法，其特征在于，所述利用初始速度模型針對速度異常體以外的沉積巖速度進(jìn)行反演，包括：
7.根據(jù)權(quán)利要求1所述的基于人工智能的全波形反演方法，其特征在于，所述方法還包括：
8.根據(jù)權(quán)利要求1所述的基于人工智能的全波形反演方法，其特征在于，所述人工智能模型為全卷積神經(jīng)網(wǎng)絡(luò)或深度卷積神經(jīng)網(wǎng)絡(luò)。
9.一種基于人工智能的全波形反演裝置，其特征在于，包括：速度異常體識別模型以及用于全波形反演的速度反演模型；
10.一種計(jì)算機(jī)設(shè)備，其特征在于，包括：