(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111400849.4 (22)申请日 2021.11.19 (71)申请人 山东大学 地址 250101 山东省济南市历下区经十路 17923号 (72)发明人 刘斌　任玉晓　蒋鹏　杨森林　 王清扬　许新骥　李铎　 (74)专利代理 机构 济南圣达知识产权代理有限 公司 372 21 代理人 李琳 (51)Int.Cl. G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06F 111/10(2020.01) (54)发明名称 基于观测数据自编码的多尺度无监督地震 波速反演方法 (57)摘要 本发明提出一种基于观测数据自编码的多 尺度无监督地震波速反演方法， 本发 明通过对观 测数据自编码以提取数据中的大尺度信息， 利用 此信息引导反演网络完成对速度模型中不同尺 度特征的恢复， 降低反演 的非线性程度， 在此基 础上将训练好的观测数据自编码器编码结构嵌 入反演网络以完成反演网络前端对地震观测数 据信息的有效提取， 使 得反演网络能更好的解析 地震数据包含的信息， 更好的建立地震数据与速 度模型之间的映射关系， 实现了反演方法完全无 监督化， 并为输入网络的观测数据添加位置编码 以辅助网络感知观测系统的布设形式， 便于实际 工程应用。 该方法能在无真实地质模 型作网络训 练标签的条件下取得地震速度模型较准确的反 演效果。 权利要求书3页 说明书11页 附图4页 CN 114117906 A 2022.03.01 CN 114117906 A 1.一种基于观测数据自编码的多尺度无监督地震波速反演方法， 其特征是： 包括以下 步骤： 根据实际地质情况构建相应的地质波速模型， 通过数值模拟计算对应的模拟地震观测 数据， 基于各地震观测数据和地质波速模型， 形成无监 督地震波速反演数据库； 利用模拟地震观测数据训练多个自编码器， 不同自编码器将地震观测数据中的全局关 键信息编码到不同长度的低维向量中； 为实际观测数据的各地震道添加一个位置特征信 息编码， 该编码用于确定各道地震观 测数据的位置信息； 构建卷积 ‑全连接网络， 将训练好的各观测数据自编码器编码部分嵌入上述网络结构 前端， 使得反演网络在地震数据输入端能有效提取观测数据的全局信息， 将经过位置特征 信息编码的地震观测数据输入卷积 ‑全连接网络， 输出与地震观测数据相对应的预测波速 模型； 构建波动方程 正演网络， 将预测波速模型转 化为对应的预测观测数据； 计算预测观测数据与模拟地震观测数据的残差； 将预测观测数据与模拟地震观测数据 分别输入训练好的各观测数据自编码器编码部分， 分别得到编码后的低 维向量， 计算各低 维向量的残差； 计算线性渐 变速度模型与反演网络 输出的预测波速模型的残差； 将三项残差按随训练轮数变化的比例求和后组成多尺度 无监督损失函数， 引导网络不 同训练阶段对速度模型中不同尺度信息进行恢复， 利用该损失函数梯度回传更新卷积 ‑全 连接网络的参数； 利用更新 参数后的卷积 ‑全连接网络对现场观测数据进行处 理， 得到反演结果。 2.如权利要求1所述的一种基于观测数据自编码的多尺度无监督地震波速反演方法， 其特征是： 根据实际地质情况构建相应的地质波速模型时， 对于各地质波速模型以固定的 震源、 检波器位置与观测时间进 行波场模拟， 在检波器位置记录波场数据， 得到与地质波速 模型对应的实际地震数据。 3.如权利要求1所述的一种基于观测数据自编码的多尺度无监督地震波速反演方法， 其特征是： 所述低 维向量参数量均小于地震观测数据， 参数量越小的向量对应速度模型中 更大尺度的信息 。 4.如权利要求1所述的一种基于观测数据自编码的多尺度无监督地震波速反演方法， 其特征是： 通过多个正则自编码器对实际观测数据进行自编码， 正则自编码器的编码器部 分输出由一个参数量低于地震观测数据的向量组成， 该向量中包含地震观测数据中的全局 关键信息， 对应速度模型中的大尺度信息 。 5.如权利要求1所述的一种基于观测数据自编码的多尺度无监督地震波速反演方法， 其特征是： 为实际观测数据的各地震道添加 三角函数位置特征信息编码， 该位置特征信息 编码为通过该地震道的炮点和检波器位置输入正余弦函数组成的公式求得的两个数值， 可 以实现对 任意震源、 检波器位置进行 标定。 6.如权利要求1所述的一种基于观测数据自编码的多尺度无监督地震波速反演方法， 其特征是： 所述卷积 ‑全连接网络包括特征编码器、 特征生成器与特征解码器， 各观测数据 自编码器的编 码结构与其他网络结构共同组成特征编 码器， 该网络用于建立观测地震观测 数据到速度模型的映射。权　利　要　求　书 1/3 页 2 CN 114117906 A 27.如权利要求6所述的一种基于观测数据自编码的多尺度无监督地震波速反演方法， 其特征是： 所述的编 码器包括全局特征编码 器、 邻域信息编码器， 输入网络的观测数据分别 输入以上两部分， 两部分的输出拼接后输入特征生成器； 所述全局特征编码器即各观测数 据自编码器的编码结构， 邻域信息编码器由3层依次级联的卷积结构组成； 或， 所述的特征生成器包括5个全连接层， 所述的特征生成器输入为编码器的输出， 所 述的特征生成器的输出作为特 征解码器的输入； 或， 所述的特征解码器包括6层依次级联的卷积结构， 其中第4层卷积结构为4个并行的 卷积层。 8.如权利要求1所述的一种基于观测数据自编码的多尺度无监督地震波速反演方法， 其特征是： 构建波动方程正演网络将预测波速模型转化为对应的地震观测数据的具体过程 中： 基于深度神经网络构建波动方程正演网络， 对 卷积‑全连接网络最 终的输出进 行地震波 场正演模拟， 得到与预测波速模型对应的地震观测数据。 9.如权利要求1或8所述的一种基于观测数据自编码的多尺度无监督地震波速反演方 法， 其特征是： 基于深度神经网络构建波动方程正演网络的具体过程包括： 在时间 ‑空间域 中， 对常密度声波波动方程进行离散化处理， 地震波场随时间传播的过程基于离散化处理 后的方程中正演算子的迭代过程； 将 每个时间步上的地震波场传播运算作为一层深度神经 网络， 以地震波速模型作为该深度神经网络的可训练参数， 以波场传播过程中的卷积运算 和矩阵相应元 素间的运 算作为网络的内部运 算过程， 实现波动方程 正演网络的构建。 10.如权利要求1所述的一种基于观测数据自编码的多尺度 无监督地震波速反演方法， 其特征是： 为组成损失函数 的观测数据残差、 低 维向量残差与线性模型残差三项分别添加 随训练轮数变化权重系 数； 三项残差分别包含了小尺度信息、 不同程度的大尺度信息与基 本先验信息 。 11.如权利要求10所述的一种基于观测数据自编码的多尺度无监督地震波速反演方 法， 其特征是： 为观测数据 残差添加逐渐增大的权重系数， 为低维向量残差与线性模型残差 添加逐渐减小的权重系 数， 以引导网络训练初期以反演模型大尺度信息为 目标， 中后期训 练过程以反演模型精细构造为目标。 12.一种基于观测数据自编码的多尺度无监 督地震波速反演系统， 其特 征是： 包括： 反演数据库构建模块， 被配置为根据实 际地质情况构建相应的， 计算对应的地震观测 数据， 基于各地震观测数据和地质波速模型， 形成无监 督地震波速反演数据库； 地震观测数据自编码模块， 被配置为利用模拟地震观测数据训练多个自编码器， 不同 自编码器将地震观测数据中的全局关键信息编码到不同长度的低维向量中； 预测波速模型构建模块， 被配置为在实际观测数据的各地震道添加一个位置特征信 息 编码， 该编码用于确定各道观测数据的位置信息； 构建卷积 ‑全连接网络， 将训练好的各观 测数据自编 码器编码部分嵌入上述网络结构前端； 将经过位置信息编 码的地震观测数据输 入卷积‑全连接网络， 输出与地震观测数据相对应的预测波速模型； 转化模块， 被配置为构建波动方程正演网络将预测波速模型转化为对应的地震观测数 据； 参数更新模块， 被配置为计算预测观测数据与模拟地震观测数据的残差； 将预测观测 数据与模拟地震观测数据分别输入训练好的各观测数据自编码器编 码部分， 分别得到编码权　利　要　求　书 2/3 页 3 CN 114117906 A 3