神经网络反演方法、装置、电子设备及介质与流程

1.本发明涉及地震勘探领域，更具体地，涉及一种神经网络反演方法、装置、电子设备及介质。


背景技术：

2.地震成像最为关键的因素在于速度模型的准确性。目前的速度建模方法有很多类，包括利用井资料插值，基于走时的层析成像，以及利用地震波形和能量的全波形反演等。其中，全波形反演技术从原理上最为完备，具体步骤为，首先给定一个初始的速度模型，然后通过正演计算得到地震道集，根据其与实际地震记录的差异进行模型更新，迭代得到最终的地下结构。这种方法理论上能够获得更加精确的地下速度信息，但是其运算量十分巨大，且依赖于初始模型的准确性，隐含着不少人工计算过程。为了提高运算的效率，也有学者提出利用神经网络的技术，直接从地震道集数据出发得到地下速度模型，其背后是利用机器学习的思想，通过地震模型本身和正演得到的地震道集进行深度学习训练，最后得到一个算子，从而实现地震道集直接到速度模型的计算。这种技术在模型数据上具有较好的效果，但是在实际资料上往往不够理想。而实际数据往往缺乏可靠的地下速度信息作为标签，也难以应用于神经网络的训练上。
3.因此，有必要开发一种基于传统迭代反演的神经网络反演方法、装置、电子设备及介质。
4.公开于本发明背景技术部分的信息仅仅旨在加深对本发明的一般背景技术的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域技术人员所公知的现有技术。


技术实现要素：

5.本发明提出了一种神经网络反演方法、装置、电子设备及介质，其能够通过对神经网络不断进行优化，可以快速准确得到目标区域的地下结构。
6.第一方面，本公开实施例提供了一种神经网络反演方法，包括：
7.建立基本训练集，构建初始神经网络；
8.针对所述初始神经网络进行神经网络参数更新，获得优化神经网络；
9.针对目标地震波道集，通过所述优化神经网络，反演获得初始地下结构模型；
10.针对所述初始地下结构模型进行全波形反演，比较反演结果与已知全波形反演结果的误差，调节所述优化神经网络，获得最终神经网络；
11.通过所述最终神经网络进行反演。
12.优选地，针对所述初始神经网络进行神经网络参数更新，获得优化神经网络包括：
13.将所述基本训练集的数据输入至所述初始神经网络，获得输出数据；
14.计算所述输出数据与地下结构模型的误差，进行神经网络参数更新，获得优化神经网络。
15.优选地，针对所述初始地下结构模型进行全波形反演，比较反演结果与已知全波形反演结果的误差，调节所述优化神经网络，获得最终神经网络包括：
16.针对所述初始地下结构模型进行全波形反演，获得初始反演结果；
17.计算所述初始反演结果与已知全波形反演结果的误差，进行神经网络参数更新，调节所述优化神经网络，若所述误差小于设定阈值，则获得最终神经网络。
18.优选地，通过公式(1)进行神经网络参数更新：
19.loss＝λ1|o-m|1+λ2|o-m|2ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
20.其中，loss为神经网络输出差值，o为神经网络输出，m为地下结构模型，λ1与λ2为权重系数。
21.优选地，还包括：
22.更换所述目标地震波道集，以所述最终神经网络为优化神经网络，对神经网络重复进行学习优化，提高反演精度。
23.作为本公开实施例的一种具体实现方式，
24.第二方面，本公开实施例还提供了一种神经网络反演装置，包括：
25.初始神经网络构建模块，建立基本训练集，构建初始神经网络；
26.优化神经网络构建模块，针对所述初始神经网络进行神经网络参数更新，获得优化神经网络；
27.地下结构模型反演模块，针对目标地震波道集，通过所述优化神经网络，反演获得初始地下结构模型；
28.最终神经网络构建模块，针对所述初始地下结构模型进行全波形反演，比较反演结果与已知全波形反演结果的误差，调节所述优化神经网络，获得最终神经网络；
29.反演模块，通过所述最终神经网络进行反演。
30.优选地，针对所述初始神经网络进行神经网络参数更新，获得优化神经网络包括：
31.将所述基本训练集的数据输入至所述初始神经网络，获得输出数据；
32.计算所述输出数据与地下结构模型的误差，进行神经网络参数更新，获得优化神经网络。
33.优选地，针对所述初始地下结构模型进行全波形反演，比较反演结果与已知全波形反演结果的误差，调节所述优化神经网络，获得最终神经网络包括：
34.针对所述初始地下结构模型进行全波形反演，获得初始反演结果；
35.计算所述初始反演结果与已知全波形反演结果的误差，进行神经网络参数更新，调节所述优化神经网络，若所述误差小于设定阈值，则获得最终神经网络。
36.优选地，通过公式(1)进行神经网络参数更新：
37.loss＝λ1|o-m|1+λ2|o-m|2ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
38.其中，loss为神经网络输出差值，o为神经网络输出，m为地下结构模型，λ1与λ2为权重系数。
39.优选地，还包括：
40.更换所述目标地震波道集，以所述最终神经网络为优化神经网络，对神经网络重复进行学习优化，提高反演精度。
41.第三方面，本公开实施例还提供了一种电子设备，该电子设备包括：
42.存储器，存储有可执行指令；
43.处理器，所述处理器运行所述存储器中的所述可执行指令，以实现所述的神经网络反演方法。
44.第四方面，本公开实施例还提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现所述的神经网络反演方法。
45.本发明的方法和装置具有其它的特性和优点，这些特性和优点从并入本文中的附图和随后的具体实施方式中将是显而易见的，或者将在并入本文中的附图和随后的具体实施方式中进行详细陈述，这些附图和具体实施方式共同用于解释本发明的特定原理。
附图说明
46.通过结合附图对本发明示例性实施例进行更详细的描述，本发明的上述以及其它目的、特征和优势将变得更加明显，其中，在本发明示例性实施例中，相同的参考标号通常代表相同部件。
47.图1示出了根据本发明的一个实施例的神经网络反演方法的步骤的流程图。
48.图2示出了根据本发明的一个实施例的实际地震波道集的示意图。
49.图3示出了根据本发明的一个实施例的人工参与得到的地下结构信息的示意图。
50.图4示出了根据本发明的一个实施例的优化神经网络反演结果的示意图。
51.图5示出了根据本发明的一个实施例的目标地震波道集的示意图。
52.图6示出了根据本发明的一个实施例的目标地震波道集在优化神经网络反演结果的示意图。
53.图7示出了根据本发明的一个实施例的全波形反演结果的示意图。
54.图8示出了根据本发明的一个实施例的最终神经网络反演结果的示意图。
55.图9示出了根据本发明的一个实施例的新的地震波道集的示意图。
56.图10示出了根据本发明的一个实施例的新的地震波道集在最终神经网络反演结果的示意图。
57.图11示出了根据本发明的一个实施例的一种神经网络反演装置的框图。
58.附图标记说明：
59.201、初始神经网络构建模块；202、优化神经网络构建模块；203、地下结构模型反演模块；204、最终神经网络构建模块；205、反演模块。
具体实施方式
60.下面将更详细地描述本发明的优选实施方式。虽然以下描述了本发明的优选实施方式，然而应该理解，可以以各种形式实现本发明而不应被这里阐述的实施方式所限制。
61.本发明提供一种神经网络反演方法，包括：
62.建立基本训练集，构建初始神经网络。
63.具体地，使用部分正演合成数据或部分以往已经进行初始地下结构分析的实际数据，让地震波道集与初始地下结构模型组成一一对应的数据集，建立基本训练集，用于稍后的训练。
64.构建初始神经网络，神经网络的结构选择为卷积神经网络，根据数据的类型可以
选择二维卷积或者三维卷积，通过卷积不断得到地震波道集的特征信息，然后对这些特征信息通过反卷积层得到对应的地下结构信息；此时神经网络内参数初始化为随机，与波动传播没有关系，因而使用合成数据也可以提供地震波记录与地下结构之间的关系，来训练神经网络。
65.针对初始神经网络进行神经网络参数更新，获得优化神经网络；在一个示例中，针对初始神经网络进行神经网络参数更新，获得优化神经网络包括：将基本训练集的数据输入至初始神经网络，获得输出数据；计算输出数据与地下结构模型的误差，进行神经网络参数更新，获得优化神经网络。
66.在一个示例中，通过公式(1)进行神经网络参数更新：
67.loss＝λ1|o-m|1+λ2|o-m|2ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
68.其中，loss为神经网络输出差值，o为神经网络输出，m为地下结构模型，λ1与λ2为权重系数，λ1+λ2＝1。
69.具体地，将基本训练集的数据输入至初始神经网络，获得输出数据；计算输出数据与地下结构模型的误差，通过公式(1)进行神经网络参数更新，获得优化神经网络。当loss足够小，认为神经网络的输出与地下结构模型m相近，得到一个初步训练的神经网络。认为这个神经网络已经具备了反演简单地下结构的能力，其反演结果可以当做传统迭代方法的初始模型。
70.针对目标地震波道集，通过优化神经网络，反演获得初始地下结构模型。
71.具体地，使用优化神经网络，反演目标地震波道集对应的初始地下结构模型。这里的地震波道集的初始模型就不再由人工给出，而是使用训练后的神经网络对地震波道集的输出，减少了人工干预。
72.针对初始地下结构模型进行全波形反演，比较反演结果与已知全波形反演结果的误差，调节优化神经网络，获得最终神经网络；在一个示例中，针对初始地下结构模型进行全波形反演，比较反演结果与已知全波形反演结果的误差，调节优化神经网络，获得最终神经网络包括：针对初始地下结构模型进行全波形反演，获得初始反演结果；计算初始反演结果与已知全波形反演结果的误差，进行神经网络参数更新，调节优化神经网络，若误差小于设定阈值，则获得最终神经网络。
73.在一个示例中，还包括：更换目标地震波道集，以最终神经网络为优化神经网络，对神经网络重复进行学习优化，提高反演精度。
74.具体地，针对初始地下结构模型进行全波形反演，获得初始反演结果；计算初始反演结果与已知全波形反演结果的误差，通过公式(1)进行神经网络参数更新，调节优化神经网络，若误差小于设定阈值，则获得最终神经网络。相比于优化神经网络，最终神经网络从传统的迭代反演方式中学到了更多地下结构的细节信息，从而反演结果更加准确。
75.还可以更换新的目标地震波道集，以最终神经网络为优化神经网络，对神经网络重复进行学习优化，提高反演精度。
76.通过最终神经网络进行反演。
77.具体地，采用最终神经网络进行新的地震波道集的反演。
78.本发明还提供一种神经网络反演装置，包括：
79.初始神经网络构建模块，建立基本训练集，构建初始神经网络。
80.具体地，使用部分正演合成数据或部分以往已经进行初始地下结构分析的实际数据，让地震波道集与初始地下结构模型组成一一对应的数据集，建立基本训练集，用于稍后的训练。
81.构建初始神经网络，神经网络的结构选择为卷积神经网络，根据数据的类型可以选择二维卷积或者三维卷积，通过卷积不断得到地震波道集的特征信息，然后对这些特征信息通过反卷积层得到对应的地下结构信息；此时神经网络内参数初始化为随机，与波动传播没有关系，因而使用合成数据也可以提供地震波记录与地下结构之间的关系，来训练神经网络。
82.优化神经网络构建模块，针对初始神经网络进行神经网络参数更新，获得优化神经网络；在一个示例中，针对初始神经网络进行神经网络参数更新，获得优化神经网络包括：将基本训练集的数据输入至初始神经网络，获得输出数据；计算输出数据与地下结构模型的误差，进行神经网络参数更新，获得优化神经网络。
83.在一个示例中，通过公式(1)进行神经网络参数更新：
84.loss＝λ1|o-m|1+λ2|o-m|2ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
85.其中，loss为神经网络输出差值，o为神经网络输出，m为地下结构模型，λ1与λ2为权重系数。
86.具体地，将基本训练集的数据输入至初始神经网络，获得输出数据；计算输出数据与地下结构模型的误差，通过公式(1)进行神经网络参数更新，获得优化神经网络。当loss足够小，认为神经网络的输出与地下结构模型m相近，得到一个初步训练的神经网络。认为这个神经网络已经具备了反演简单地下结构的能力，其反演结果可以当做传统迭代方法的初始模型。
87.地下结构模型反演模块，针对目标地震波道集，通过优化神经网络，反演获得初始地下结构模型。
88.具体地，使用优化神经网络，反演目标地震波道集对应的初始地下结构模型。这里的地震波道集的初始模型就不再由人工给出，而是使用训练后的神经网络对地震波道集的输出，减少了人工干预。
89.最终神经网络构建模块，针对初始地下结构模型进行全波形反演，比较反演结果与已知全波形反演结果的误差，调节优化神经网络，获得最终神经网络；在一个示例中，针对初始地下结构模型进行全波形反演，比较反演结果与已知全波形反演结果的误差，调节优化神经网络，获得最终神经网络包括：针对初始地下结构模型进行全波形反演，获得初始反演结果；计算初始反演结果与已知全波形反演结果的误差，进行神经网络参数更新，调节优化神经网络，若误差小于设定阈值，则获得最终神经网络。
90.在一个示例中，还包括：更换目标地震波道集，以最终神经网络为优化神经网络，对神经网络重复进行学习优化，提高反演精度。
91.具体地，针对初始地下结构模型进行全波形反演，获得初始反演结果；计算初始反演结果与已知全波形反演结果的误差，通过公式(1)进行神经网络参数更新，调节优化神经网络，若误差小于设定阈值，则获得最终神经网络。相比于优化神经网络，最终神经网络从传统的迭代反演方式中学到了更多地下结构的细节信息，从而反演结果更加准确。
92.还可以更换新的目标地震波道集，以最终神经网络为优化神经网络，对神经网络
重复进行学习优化，提高反演精度。
93.反演模块，通过最终神经网络进行反演。
94.具体地，采用最终神经网络进行新的地震波道集的反演。
95.本发明还提供一种电子设备，电子设备包括：存储器，存储有可执行指令；处理器，处理器运行存储器中的可执行指令，以实现上述的神经网络反演方法。
96.本发明还提供一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现上述的神经网络反演方法。
97.为便于理解本发明实施例的方案及其效果，以下给出四个具体应用示例。本领域技术人员应理解，该示例仅为了便于理解本发明，其任何具体细节并非意在以任何方式限制本发明。
98.实施例1
99.图1示出了根据本发明的一个实施例的神经网络反演方法的步骤的流程图。
100.如图1所示，该神经网络反演方法包括：步骤101，建立基本训练集，构建初始神经网络；步骤102，针对初始神经网络进行神经网络参数更新，获得优化神经网络；步骤103，针对目标地震波道集，通过优化神经网络，反演获得初始地下结构模型；步骤104，针对初始地下结构模型进行全波形反演，比较反演结果与已知全波形反演结果的误差，调节优化神经网络，获得最终神经网络；步骤105，通过最终神经网络进行反演。
101.使用二维数据为示例，迭代方法是全波形反演：
102.图2示出了根据本发明的一个实施例的实际地震波道集的示意图。
103.图3示出了根据本发明的一个实施例的人工参与得到的地下结构信息的示意图。
104.使用如图2所示的实际地震波道集与如图3所示的人工参与得到的地下结构信息，组成一个相对应的数据体，然后多个这样的数据体共同组成神经网络的基本训练集；搭建神经网络，随机初始化网络参数，获得初始神经网络。
105.图4示出了根据本发明的一个实施例的优化神经网络反演结果的示意图。
106.使用基本训练集对初始神经网络的进行训练，当神经网络的反演效果较好后停止，获得优化神经网络，其反演结果如图4所示。
107.图5示出了根据本发明的一个实施例的目标地震波道集的示意图。
108.图6示出了根据本发明的一个实施例的目标地震波道集在优化神经网络反演结果的示意图。
109.图7示出了根据本发明的一个实施例的全波形反演结果的示意图。
110.利用优化神经网络对如图5所示的目标地震波道集进行反演，获得初始地下结构模型，如图6所示，将初始地下结构模型用于全波形反演，全波形反演的结果如图7所示。
111.图8示出了根据本发明的一个实施例的最终神经网络反演结果的示意图。
112.训练优化神经网络，使优化神经网络的输出与全波形反演的结果相似。经过训练之后，最终神经网络对地震波道集的反演结果如图8所示，包含了更多的细节信息，对地下结构的展现更加完善，表明这里得到的神经网络已经可以用于粗略的地下结构的细节反演。
113.图9示出了根据本发明的一个实施例的新的地震波道集的示意图。
114.图10示出了根据本发明的一个实施例的新的地震波道集在最终神经网络反演结
果的示意图。
115.对于最终神经网络模型，可以直接反演出如图9所示的新的地震波道集对应的地下结构，如图10所示。最终神经网络可以用于生产中的初步判断，也可以作为全波形反演的初始模型以产生更加精确的地下结构。
116.实施例2
117.图11示出了根据本发明的一个实施例的一种神经网络反演装置的框图。
118.如图11所示，该神经网络反演装置，包括：
119.初始神经网络构建模块201，建立基本训练集，构建初始神经网络；
120.优化神经网络构建模块202，针对初始神经网络进行神经网络参数更新，获得优化神经网络；
121.地下结构模型反演模块203，针对目标地震波道集，通过优化神经网络，反演获得初始地下结构模型；
122.最终神经网络构建模块204，针对初始地下结构模型进行全波形反演，比较反演结果与已知全波形反演结果的误差，调节优化神经网络，获得最终神经网络；
123.反演模块205，通过最终神经网络进行反演。
124.作为可选方案，针对初始神经网络进行神经网络参数更新，获得优化神经网络包括：
125.将基本训练集的数据输入至初始神经网络，获得输出数据；
126.计算输出数据与地下结构模型的误差，进行神经网络参数更新，获得优化神经网络。
127.作为可选方案，针对初始地下结构模型进行全波形反演，比较反演结果与已知全波形反演结果的误差，调节优化神经网络，获得最终神经网络包括：
128.针对初始地下结构模型进行全波形反演，获得初始反演结果；
129.计算初始反演结果与已知全波形反演结果的误差，进行神经网络参数更新，调节优化神经网络，若误差小于设定阈值，则获得最终神经网络。
130.作为可选方案，通过公式(1)进行神经网络参数更新：
131.loss＝λ1|o-m|1+λ2|o-m|2ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
132.其中，loss为神经网络输出差值，o为神经网络输出，m为地下结构模型，λ1与λ2为权重系数。
133.作为可选方案，还包括：
134.更换目标地震波道集，以最终神经网络为优化神经网络，对神经网络重复进行学习优化，提高反演精度。
135.实施例3
136.本公开提供一种电子设备包括，该电子设备包括：存储器，存储有可执行指令；处理器，处理器运行存储器中的可执行指令，以实现上述神经网络反演方法。
137.根据本公开实施例的电子设备包括存储器和处理器。
138.该存储器用于存储非暂时性计算机可读指令。具体地，存储器可以包括一个或多个计算机程序产品，该计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。该易失性存储器例如可以包括随机存取存储器(ram)
和/或高速缓冲存储器(cache)等。该非易失性存储器例如可以包括只读存储器(rom)、硬盘、闪存等。
139.该处理器可以是中央处理单元(cpu)或者具有数据处理能力和/或指令执行能力的其它形式的处理单元，并且可以控制电子设备中的其它组件以执行期望的功能。在本公开的一个实施例中，该处理器用于运行该存储器中存储的该计算机可读指令。
140.本领域技术人员应能理解，为了解决如何获得良好用户体验效果的技术问题，本实施例中也可以包括诸如通信总线、接口等公知的结构，这些公知的结构也应包含在本公开的保护范围之内。
141.有关本实施例的详细说明可以参考前述各实施例中的相应说明，在此不再赘述。
142.实施例4
143.本公开实施例提供一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现所述的神经网络反演方法。
144.根据本公开实施例的计算机可读存储介质，其上存储有非暂时性计算机可读指令。当该非暂时性计算机可读指令由处理器运行时，执行前述的本公开各实施例方法的全部或部分步骤。
145.上述计算机可读存储介质包括但不限于：光存储介质(例如：cd－rom和dvd)、磁光存储介质(例如：mo)、磁存储介质(例如：磁带或移动硬盘)、具有内置的可重写非易失性存储器的媒体(例如：存储卡)和具有内置rom的媒体(例如：rom盒)。
146.本领域技术人员应理解，上面对本发明的实施例的描述的目的仅为了示例性地说明本发明的实施例的有益效果，并不意在将本发明的实施例限制于所给出的任何示例。
147.以上已经描述了本发明的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。