一种基于UNet的接收函数与面波频散联合反演方法

一种基于unet的接收函数与面波频散联合反演方法
技术领域
1.本发明属于地球探测技术领域，具体涉及一种基于unet的接收函数与面波频散联合反演方法。


背景技术：

2.接收函数是一种类似反射地震学的用于探测台站下方地壳以及上地幔结构的技术。一般来说，远震体波包含了震源时间函数以及传播路径上介质属性影响的综合效应，接收函数的目的就是去除震源时间函数和仪器的影响，获取来自于台站下方的p-sv转换震相，这些震相包含了岩石圈内的主要不连续界面的速度信息。相比其它地震学方法，接收函数仅需要单个地震台站就可以实现测深。因此，接收函数被广泛应用于岩石圈结构探测以及莫霍面形态的研究。
3.接收函数的反演被普遍认为具有较强的非唯一性，这导致了接收函数对地下绝对速度的约束较弱，反演对初始模型的依赖很强。面波频散能够很好的反应地下地质体的整体地震波速度值，却不能很好的反演出地质体的界面位置；接收函数则恰恰相反，它能够很好的反应台站下方界面的位置，却缺乏对绝对速度的约束能力，这种不敏感来源于速度和深度的trade-off性质，即浅部的低速结构和深部的高速结构具有几乎相同的接收函数响应，且同时反演拥有不同慢度的接收函数不足以消除在深度上的速度不确定性。因此面波与接收函数联合反演有其天然的合理性，通过对同一个台站联合反演其接收函数和面波频散，实现二者优势互补，能够更好的约束台站下方的s波速度信息。
4.神经网络算法是深度学习的主要内容之一。近年来，利用神经网络技术对地球物理数据的反演有大量的应用。这些应用主要集中在地震勘探领域、电磁勘探以及天然地震方面的研究。尽管机器学习已经被广泛应用于地球物理各种单一方法的反演之中，但目前利用深度学习技术对接收函数与面波频散联合反演还没有系统性的研究。监督学习方法利用正演算法得到的大量数据集，可以建立数据到模型之间的有效映射，从而完成反演，这种思路在深度学习反演中被广泛应用并产生大量的成果。更重要的是，同样的神经网络框架容易迁移到不同的数据集，即使两种数据来自完全不同的领域。这种属性使得我们可以构建相同的神经网络模型用于多种数据的联合反演，例如接收函数与面波频散联合反演。


技术实现要素：

5.本发明为了解决上述问题，提出了一种基于unet的接收函数与面波频散联合反演方法。
6.本发明的技术方案是：一种基于unet的接收函数与面波频散联合反演方法包括以下步骤：
7.s1：构建速度模型，并进行正演计算，得到训练数据集；
8.s2：构建unet，利用训练数据集进行训练，并将待反演的接收函数和面波频散数据作为unet的输入，得到地壳及上地幔的速度结构。
9.进一步地，步骤s1包括以下子步骤：
10.s11：构建包含上地壳、中地壳、下地壳和上地幔的四层速度模型；
11.s12：对四层速度模型插值，得到第一数据集和第二数据集；
12.s13：对第一数据集和第二数据集进行接收函数和面波频散的正演计算，得到训练数据集。
13.进一步地，步骤s12中，在速度模型的扰动为10％时，对四层速度模型进行插值，得到第一数据集。
14.进一步地，步骤s12中，在速度模型的扰动为20％时，将每层速度模型分为两个子层，得到八层速度模型，并对八层速度模型进行插值，得到第二数据集。
15.进一步地，步骤s2中，unet包括17个卷积层、3个池化层和3个转置卷积层。
16.进一步地，步骤s2中，elu函数为unet的卷积层的激活函数。
17.进一步地，步骤s2中，训练过程中unet的目标函数的计算公式为：
[0018][0019]
其中，n表示训练样本的总数，mi表示第i个样本对应标签，d(
·
)表示由深度学习实现的反演算子，di表示输入数据，θ表示unet反向传播中需要更新的超参数。
[0020]
本发明的有益效果是：本发明提出的基于unet的接收函数与面波频散联合反演方法，可以减小反演中的非唯一性，提高反演效率以及稳定性，并探索深度学习方法在联合反演中的适用性，可以作为常规反演的替代，改善了常规反演的缺陷，为地球物理实时反演解释奠定基础。
附图说明
[0021]
图1为接收函数与面波频散联合反演方法的流程图；
[0022]
图2为用于unet训练的合成一维层状壳幔模型示意图；
[0023]
图3为用于联合反演的深度学习模型的框架；
[0024]
图4(a)为训练过程中的损失函数的演化示意图；
[0025]
图4(b)为训练过程中部分测试集的预测结果与标签残差直方图；
[0026]
图5为unet预测结果以及不确定性估计示意图。
具体实施方式
[0027]
下面结合附图对本发明的实施例作进一步的说明。
[0028]
正演计算：基于地球速度模型，利用地震波传播理论计算得到接收函数和面波频散数据的过程。
[0029]
如图1所示，本发明提供了一种基于unet网络的接收函数与面波频散联合反演方法，包括以下步骤：
[0030]
s1：构建速度模型，并进行正演计算，得到训练数据集；
[0031]
s2：构建unet，利用训练数据集进行训练，并将待反演的接收函数和面波频散数据作为unet的输入，得到地壳及上地幔的速度结构。
[0032]
在本发明实施例中，步骤s1包括以下子步骤：
[0033]
s11：构建包含上地壳、中地壳、下地壳和上地幔的四层速度模型；
[0034]
s12：对四层速度模型插值，得到第一数据集和第二数据集；
[0035]
s13：对第一数据集和第二数据集进行接收函数和面波频散的正演计算，得到训练数据集。
[0036]
步骤s11-步骤s13为速度模型的构建方法。
[0037]
在本发明实施例中，步骤s12中，在速度模型的扰动为10％时，对四层速度模型进行插值，得到第一数据集。
[0038]
在本发明实施例中，步骤s12中，在速度模型的扰动为20％时，将每层速度模型分为两个子层，得到八层速度模型，并对八层速度模型进行插值，得到第二数据集。
[0039]
在本发明实施例中，对于任意神经网络模型，训练数据集都在模型性能的优化中占有核心地位，其包含了模型需要学习的特征，很大程度上决定了预测效果。当数据足够优秀时，模型的参数空间具有较大的弹性。在一定的模型超参数空间内，尽管设定不同的模型参数，训练结果的精度差异是较小的。
[0040]
对于地球物理反演来说，训练数据的核心问题在于如何设定一个合理且尽可能完备的地质模型集。在本发明中，训练数据集是在标准一维层状地球模型的基础之上生成大量模型，并通过正演得到的接收函数波形。如图2所示，首先建立包含上、中、下地壳和上地幔的基本四层速度模型，上地壳的s波速度vs随深度的变化而逐渐变化，其余各层的速度在标准地球参考模型基础之上，在给定的扰动r(10％)范围内随机变化。相应的p波速度v
p
根据固定比值v
p
/vs＝1.73计算得到，密度由经验关系ρ＝0.77+0.32vs得到；然后对每一个四层模型进行插值，得到最后的80层模型，其层厚为0.75km，一共生成10000个模型作为第一数据集，这些模型使得网络学习最基本的壳幔结构特征。为了提高模型预测复杂速度结构的能力，将r的值扩大到20％，再将基本的四层模型扩展为八层，即每一层分成两个子层，每层的速度与深度均在r范围内随机变化，并对每一个八层模型进行插值，得到最后的80层模型，一共生成了40000个这样的模型作为第二数据集。
[0041]
本发明使用地震学计算机程序包对这些模型进行接收函数和面波频散的正演计算(即已知速度模型求解观测响应)。接收函数有效时窗为p波震相到达前5秒和到达后的25秒，每个接收函数共300个采样点，采样频率为10hz。在模型的正演计算中，射线参数设置为从0.04到0.075的随机值，以提高模型的泛化能力。面波频散的周期范围取10～40s；频点个数一共16个，设定为等间隔。最后将300个接收函数和16个频散数据插值到80个采样点，作为unet的两个输入。
[0042]
在本发明实施例中，步骤s2中，unet包括17个卷积层、3个池化层和3个转置卷积层。
[0043]
在本发明实施例中，步骤s2中，elu函数为unet的卷积层的激活函数。
[0044]
在本发明实施例中，步骤s2中，训练过程中unet的目标函数的计算公式为：
[0045]
[0046]
其中，n表示训练样本的总数，mi表示第i个样本对应标签，d(
·
)表示由深度学习实现的反演算子，di表示输入数据，θ表示unet反向传播中需要更新的超参数。
[0047]
用于联合反演的深度模型的框架与单独反演接收函数的框架如图3所示。网络左右各4层，一共包含17个卷积层，3个池化层，3个转置卷积层。由于接收函数数据中存在大量负数，选取elu激活函数作用于卷积层的输出，该激活函数能够避免负值部分的信息损失以及梯度消失。卷积操作之后使用了batch_normilization对数据进行标准化，以进一步防止梯度消失或梯度爆炸现象，同时可以增加正则化效果。
[0048]
之所以可以将接收函数和面波频散当作两个平行的输入通道，是因为这两种数据从不同角度反映了模型的真实规律。就像一张图片的输入可以由三个代表不同像素的通道组成，每个通道包含了图片的部分特征。
[0049]
图4(a)展示了训练过程中的损失函数的演化，可以看出与接收函数的单独反演类似，联合反演的训练集和测试集的误差随着迭代次数的增加逐渐下降，最终都低于0.001，这说明了模型能够很好的学习到训练集中的特征。图4(b)中显示了部分测试集的预测结果与标签的残差，直方图呈正态分布，极大值几乎位于0处，表明了残余误差的最小二乘假设和算法的良好性能，也说明联合反演可以很好地约束vs绝对速度值。
[0050]
unet模型训练好之后，将新的接收函数和面波频散数据作为输入，网络通过正向传播可以快速可给出输出的地壳速度模型，即预测结果。
[0051]
为了说明所提出的反演方案的有效性和适用性，如图5所示，本发明展示了来自测试数据集的多个合成模型反演结果，depth是深度，vs是s波速度，粗线表示真实模型，带小圆点标记的粗线表示预测结果，即对观测数据施加10％随机噪声估计的100个模型(细线表示)的平均值。对“观测”的接收函数施加了10％的随机噪声，从而进一步估计了反演的不确定性。扰动δr服从均匀分布δr～u(-σ,+σ)，其中σ是每个点对应的不确定性。每个模型对应着100个扰动的接收函数波形和面波频散曲线，一起作为u-net的输入可以对1d横波速度结构进行预测。其中预测的模型形成一个窄带，表明u-net具有一定的抗噪能力，且可以较好地预测地下vs分布。
[0052]
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。