亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于神經(jīng)網(wǎng)絡(luò)與早至波的波方程反演

        2024-11-05 00:00:00李亞杰余瀚湯致文孫明皓
        科技創(chuàng)新與應(yīng)用 2024年30期

        摘 要:針對(duì)傳統(tǒng)波方程全波形反演步驟繁瑣、計(jì)算量大和難度高等問題,提出一種基于全連接神經(jīng)網(wǎng)絡(luò)的早至波反演方法。實(shí)驗(yàn)結(jié)果表明,所提方法在早至波反演中交并比IoU(Intersection over Union)和平均精度均值mAP(mean Average Precision)分別達(dá)到74.01%和73.72%,可對(duì)速度模型進(jìn)行有效重構(gòu)。

        關(guān)鍵詞:波方程;早至波;神經(jīng)網(wǎng)絡(luò);反演;交并比;平均精度均值

        中圖分類號(hào):P631.4 文獻(xiàn)標(biāo)志碼:A 文章編號(hào):2095-2945(2024)30-0040-04

        Abstract: Aiming at the problems of tedious steps, large amount of calculation and high difficulty in the full waveform inversion of traditional wave equation, a method for early-arrival wave inversion based on fully connected neural network is proposed. Experimental results show that the proposed method achieves 74.01% and 73.72% in the Intersection over Union(IoU) and mean Average Precision(mAP) of early-arrival wave inversion, which can effectively reconstruct the velocity model.

        Keywords: wave equation; early arrival wave; neural network; inversion; Intersection over Urion; mean Average Precision

        波方程主要描述自然界中的各種波動(dòng)現(xiàn)象,求解一維波動(dòng)方程的一般步驟是將其轉(zhuǎn)化為一個(gè)簡(jiǎn)單的常微分方程或特殊的偏微分方程,然后通過求解該方程得到波動(dòng)解析表達(dá)式。我們通過有限差分法求解以下波動(dòng)方程[1]進(jìn)行數(shù)值正演得到仿真波形數(shù)據(jù)集

        ▽P=-ρ

        P=-ρc2▽u+Src(z,t) , (1)

        式中:z代表豎直方向的一維空間變量,t為時(shí)間項(xiàng),P=P(z,t)為壓強(qiáng),作為常規(guī)空間梯度算子,u(z,t)代表豎直方向上的位移,ρ=ρ(z)為壓強(qiáng)場(chǎng)密度分布,c=c(z)代表速度場(chǎng),Src代表激發(fā)振動(dòng)源項(xiàng)。

        相較于正演,傳統(tǒng)波方程反演的具體公式較為復(fù)雜,其本質(zhì)框架是對(duì)以下殘差平方和目標(biāo)函數(shù)J的優(yōu)化[2]

        J=||dcalc-dobs||2 , (2)

        式中:dcalc代表通過反演計(jì)算得到的速度場(chǎng)數(shù)據(jù),dobs代表原始速度場(chǎng)數(shù)據(jù)。搭建神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)反演,意義在于使用神經(jīng)網(wǎng)絡(luò)去替代反演的過程,減少計(jì)算難度和時(shí)間。

        1 方法

        訓(xùn)練神經(jīng)網(wǎng)絡(luò)反演波方程一般根據(jù)早至波或初至走時(shí),張利振等[3]提出的根據(jù)初至走時(shí)反演地層速度求解非線性地震走時(shí)問題以及Tarantola[4]提出的基于最小二乘法的全波形反演理論對(duì)波形反演起到了很大的推進(jìn)作用,通過早至波進(jìn)行反演也已經(jīng)擁有了一定研究基礎(chǔ)[5]。甚至也有相關(guān)研究[6]將早至波和初至走時(shí)聯(lián)合反演。本文將利用早至波信息,完成基于早至波的波形反演。

        近年來,深度學(xué)習(xí)在圖像識(shí)別、語音處理等領(lǐng)域得到成功應(yīng)用,為地震速度建模提供了新的方法[7-11],例如U-Net神經(jīng)網(wǎng)絡(luò)、生成對(duì)抗神經(jīng)網(wǎng)絡(luò)和全卷積神經(jīng)網(wǎng)絡(luò)等都對(duì)該領(lǐng)域的研究提供便利。然而,當(dāng)前可獲取地震數(shù)據(jù)集較少,構(gòu)建豐富且具有復(fù)雜特征的地震速度模型是當(dāng)前深度學(xué)習(xí)速度建模的一大挑戰(zhàn)。本文使用已搭建好的地震波仿真器依據(jù)一定的速度場(chǎng)計(jì)算得出地震早至波的早至壓強(qiáng),避免真實(shí)數(shù)據(jù)中噪聲對(duì)神經(jīng)網(wǎng)絡(luò)訓(xùn)練的干擾,使訓(xùn)練更加理想化。

        神經(jīng)網(wǎng)絡(luò)的具體優(yōu)化方式為反向傳播,是訓(xùn)練神經(jīng)網(wǎng)絡(luò)最有效且最常用的方法[12-14]:訓(xùn)練過程中神經(jīng)網(wǎng)絡(luò)的輸出結(jié)果與實(shí)際結(jié)果會(huì)產(chǎn)生誤差,計(jì)算過程輸出與實(shí)際輸出之間的誤差,并將該誤差從輸出層向隱藏層直至輸入層反向傳播[15]

        wl→wl-η∑x δl(al-1)T

        bl→bl-η∑x δl, (3)

        式中:wl表示第l層權(quán)重,al-1表示第l-1層輸出,δl表示第l層誤差,bl表示第l層偏置,η表示學(xué)習(xí)率,“→”表示對(duì)內(nèi)部參數(shù)的更新。

        本文計(jì)算不同速度場(chǎng)的波方程得出縱深-時(shí)間的時(shí)空壓強(qiáng)場(chǎng)數(shù)組,對(duì)于速度場(chǎng)而言:由長(zhǎng)度為2 000 ft的縱深上的速度值構(gòu)成速度場(chǎng);對(duì)于壓強(qiáng)場(chǎng)而言:每一列代表縱軸上某一個(gè)接收器在不同時(shí)間上的壓強(qiáng)大小,共有30列,每一行代表某個(gè)時(shí)間點(diǎn)上不同接收點(diǎn)處的壓強(qiáng)大小,根據(jù)波傳導(dǎo)到最深處的時(shí)間行數(shù)會(huì)有所變化,約在1 000行以內(nèi),且早至拾取完畢的時(shí)刻也會(huì)根據(jù)速度場(chǎng)的變化而變化,假定每0.01 s進(jìn)行一次壓強(qiáng)快照,接收點(diǎn)獲取一次壓強(qiáng)值。

        神經(jīng)網(wǎng)絡(luò)模型以地震早至波的早至壓強(qiáng)作為輸入標(biāo)簽,速度場(chǎng)作為輸出標(biāo)簽,通過兩層隱藏層將地震數(shù)據(jù)由(z,t)域映射到速度模型(z,c)域,并在訓(xùn)練過程中不斷更新隱藏層的權(quán)重w和偏置b,以達(dá)到使反演速度場(chǎng)貼近于真實(shí)速度場(chǎng)的目的。該過程可以用如下公式表示

        θ(w,b)=argmin[θ(d)-v] , (4)

        式中:θ表示神經(jīng)網(wǎng)絡(luò)計(jì)算,w表示神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程中的權(quán)重,b表示神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程中的偏置,d表示地震早至波數(shù)據(jù),θ(d)表示預(yù)測(cè)速度場(chǎng),v表示真實(shí)速度場(chǎng)。

        使用網(wǎng)格搜索的方式進(jìn)行超參數(shù)調(diào)優(yōu),在訓(xùn)練過程中不斷優(yōu)化得到適合該網(wǎng)絡(luò)模型的超參數(shù):學(xué)習(xí)率為0.01,迭代次數(shù)為256次,每批次加載64組數(shù)據(jù)。輸入層神經(jīng)元數(shù)量為30,代表由30個(gè)接收器接收到的早至波壓強(qiáng),兩層隱藏神經(jīng)元數(shù)量分別為300和1 000,輸出層神經(jīng)元數(shù)量為2 000,代表波傳導(dǎo)的深度為2 000 ft。使用FCN神經(jīng)網(wǎng)絡(luò)處理回歸問題最常用的ReLU函數(shù)作為激活函數(shù),用于引入非線性因素,使得神經(jīng)網(wǎng)絡(luò)能夠擬合復(fù)雜的非線性關(guān)系。損失函數(shù)則使用普適的均方差損失函數(shù)。

        具體方法的流程如圖1所示。

        數(shù)據(jù)選?。河?jì)算不同速度場(chǎng)的波方程得出縱深-時(shí)間的時(shí)空數(shù)組,拾取每一列上的早至壓強(qiáng)數(shù)據(jù)。

        輸入層:輸入層神經(jīng)元數(shù)量為30,代表由30個(gè)接收器接收到的早至波壓強(qiáng),將64批次的早至波向量構(gòu)成的混淆矩陣作為神經(jīng)網(wǎng)絡(luò)的輸入。

        隱藏層:設(shè)置兩層隱藏層神經(jīng)元,數(shù)量分別為300和1 000,可以有效且平穩(wěn)地從輸入層30個(gè)神經(jīng)元傳播到輸出層2 000個(gè)神經(jīng)元。在訓(xùn)練過程中不斷計(jì)算梯度和更新神經(jīng)元層之間的偏置與權(quán)重,實(shí)現(xiàn)誤差的反向傳播。

        輸出層:輸出層神經(jīng)元數(shù)量為2 000,代表波傳導(dǎo)的深度為2 000 ft,以64批次的真實(shí)速度場(chǎng)作為輸出。

        反演對(duì)比:將神經(jīng)網(wǎng)絡(luò)反演出的速度場(chǎng)與真實(shí)速度場(chǎng)進(jìn)行對(duì)比,觀察神經(jīng)網(wǎng)絡(luò)是否能準(zhǔn)確反演波方程。

        2 數(shù)據(jù)來源和選取

        有限差分法有計(jì)算迅速、精度較高、易在計(jì)算機(jī)上實(shí)現(xiàn)的優(yōu)點(diǎn),故使用此方法求解波方程,對(duì)速度場(chǎng)進(jìn)行正演,得到其數(shù)值解,使用傳統(tǒng)STA/LTA方法拾取早至波壓強(qiáng),在理想的低信噪比環(huán)境下快速且簡(jiǎn)易[16],最終將早至波壓強(qiáng)場(chǎng)與真實(shí)速度場(chǎng)構(gòu)成的數(shù)據(jù)對(duì)作為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練標(biāo)簽,劃分80%的訓(xùn)練標(biāo)簽用于訓(xùn)練,20%的訓(xùn)練標(biāo)簽用于測(cè)試。

        神經(jīng)網(wǎng)絡(luò)的訓(xùn)練結(jié)果很大程度上依賴數(shù)據(jù)集規(guī)模,不合適的數(shù)據(jù)集往往會(huì)造成以下問題。

        當(dāng)數(shù)據(jù)量過多,模型可能會(huì)過度擬合訓(xùn)練數(shù)據(jù),過度學(xué)習(xí)訓(xùn)練數(shù)據(jù)中的噪聲和特定的樣本特征,而忽略了一般化的模式。這導(dǎo)致模型在未見過的數(shù)據(jù)上表現(xiàn)不佳。

        過少的數(shù)據(jù)集模型可能無法捕捉到數(shù)據(jù)的復(fù)雜結(jié)構(gòu)和泛化模式,導(dǎo)致模型在訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)上都表現(xiàn)不佳,從而無法在真實(shí)反演中推廣到新數(shù)據(jù)上。

        不合理的數(shù)據(jù)集需要更多的計(jì)算資源進(jìn)行訓(xùn)練,包括更多的內(nèi)存、更長(zhǎng)的訓(xùn)練時(shí)間和更高的計(jì)算成本。本文通過多次實(shí)驗(yàn),最終選定數(shù)據(jù)集大小為1 280組,其次限制所有類型速度場(chǎng)的范圍為[1 219.2 m/s,2 743.2 m/s],速度場(chǎng)層數(shù)為4層。本文仿真了上述速度場(chǎng)類型,在此基礎(chǔ)上對(duì)速度場(chǎng)求解波方程的到壓強(qiáng)場(chǎng)。圖2展示了其中2種速度場(chǎng)類型對(duì)應(yīng)的壓強(qiáng)場(chǎng)的求取過程。

        3 結(jié)果

        3.1 神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)果與分析

        如圖3所示,可以看到通過輸入早至波反演出速度場(chǎng),將真實(shí)速度場(chǎng)與反演速度場(chǎng)進(jìn)行對(duì)比,顯示了該方法可以精細(xì)刻畫層狀速度場(chǎng),整體而言較為接近真實(shí)速度場(chǎng),反演效果較好,但加入小范圍凹陷后,其并不能有效刻畫凹陷處速度場(chǎng),KnI/SPfLCXzvEwHxSknstA==對(duì)于凹陷處速度場(chǎng)反演并不夠充分,精確度有待提高。

        3.2 模型評(píng)估

        使用常見回歸模型評(píng)價(jià)指標(biāo),包括交并比IoU(Intersection over Union)、平均精度AP(Average Precision)和平均精度均值mAP(mean Average Precision)。這些指標(biāo)統(tǒng)稱為測(cè)試誤差,是測(cè)試集的預(yù)測(cè)值和真實(shí)值的統(tǒng)計(jì)量通過多方位標(biāo)準(zhǔn)評(píng)估該神經(jīng)網(wǎng)絡(luò)的泛化能力和預(yù)測(cè)高效性。將速度場(chǎng)與x軸形成的區(qū)域視為待預(yù)測(cè)物體,可得出本模型訓(xùn)練集平均IoU約為0.98,測(cè)試集平均IoU約為0.74,故將IoU閾值設(shè)定為0.8,IoU≥0.8的測(cè)試用例視為正確預(yù)測(cè),將模型轉(zhuǎn)換為分類任務(wù),畫出精準(zhǔn)率-召回率PR(Precision-Recall)曲線、計(jì)算方波狀速度場(chǎng)和階梯狀速度場(chǎng)情況下的AP和總的mAP。

        PR曲線與坐標(biāo)軸圍成的面積是用于評(píng)估分類模型優(yōu)劣的常用方法,圖4表明本模型PR曲線較為理想,且表1中2種分類AP值波動(dòng)不大且得出平均值mAP符合預(yù)期,這說明本文神經(jīng)網(wǎng)絡(luò)具有一定泛化能力,在測(cè)試范圍內(nèi)預(yù)測(cè)精確性較高。

        但是本模型依然存在一定的局限性:在選取數(shù)據(jù)集時(shí),選定速度場(chǎng)為層狀速度場(chǎng),且規(guī)定速度場(chǎng)的層數(shù)和范圍,這使本神經(jīng)網(wǎng)絡(luò)反演其他類型的速度場(chǎng)時(shí)效果不佳。其次,對(duì)于現(xiàn)實(shí)世界中的地震波而言,速度場(chǎng)不可避免會(huì)存在一定塌陷[17],即小范圍孤立異常體,在后續(xù)神經(jīng)網(wǎng)絡(luò)的優(yōu)化中,可針對(duì)這一問題進(jìn)行進(jìn)一步研究。

        4 結(jié)論

        本文通過神經(jīng)網(wǎng)絡(luò)研究了面向早至波的波方程反演方法。神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)果顯示,早至波神經(jīng)網(wǎng)絡(luò)反演方法可以精確地刻畫層狀速度場(chǎng),具有一定反演精度。隨機(jī)訓(xùn)練過程對(duì)相同層狀速度模型的建模結(jié)果顯示,模型預(yù)測(cè)精度不具有隨機(jī)性,是比較穩(wěn)定的,并且花費(fèi)較少的時(shí)間成本和運(yùn)算成本[18]。但在現(xiàn)實(shí)世界的地震波或者其他應(yīng)用場(chǎng)景中,需要獲取足夠數(shù)量且具有不同特征的數(shù)據(jù)集,以提高神經(jīng)網(wǎng)絡(luò)的的泛化能力和應(yīng)用范圍。

        參考文獻(xiàn):

        [1] 斯小琴,陳大偉.一維波動(dòng)方程的計(jì)算模擬[J].淮北師范大學(xué)學(xué)報(bào)(自然科學(xué)版),2022,43(3):22-25.

        [2] 崔叢越,王彥賓.一維速度結(jié)構(gòu)的地震波全波形反演理論測(cè)試[J].北京大學(xué)學(xué)報(bào)自然科學(xué)版,2019,55(2):246-252.

        [3] 張利振,孫成禹,王志農(nóng),等.面波信息約束的初至波走時(shí)層析反演方法[J].物探與化探,2023,47(5):1198-1205.

        [4] TARANTOLA A. Inversion seismi reflection data in the acoustic approximation[J].Geophysics,1984,49(8):1259-1266.

        [5] 孫明皓,余瀚,陳雨青,等.基于U形多層感知機(jī)網(wǎng)絡(luò)的地震波初至拾取與反演[J/OL].計(jì)算機(jī)應(yīng)用:1-11[2024-04-15].http://kns.cnki.net/kcms/detail/51.1307.TP.20230828.1444.011.html.

        [6] 許祥,鄒志輝,韓明亮,等.聯(lián)合地震初至走時(shí)與早至波形的深度學(xué)習(xí)速度建模[J].地球物理學(xué)報(bào),2023,66(12):5107-5122.

        [7] 許祥,鄒志輝.地震早至波深度學(xué)習(xí)速度建模[C]//中國(guó)地球物理學(xué)會(huì)油氣地球物理專業(yè)委員會(huì).第五屆油氣地球物理學(xué)術(shù)年會(huì)論文集.中國(guó)海洋大學(xué)海洋地球科學(xué)學(xué)院海底科學(xué)與探測(cè)技術(shù)教育部重點(diǎn)實(shí)驗(yàn)室深海圈層與地球系統(tǒng)教育部前沿科學(xué)中心;青島海洋科學(xué)與技術(shù)國(guó)家實(shí)驗(yàn)室海洋礦產(chǎn)資源評(píng)價(jià)與探測(cè)技術(shù)功能實(shí)驗(yàn)室,2023:5.

        [8] ARAYA-POLO M, JENNINGS J, ADLER A, et al. Deep-learning tomography[J].The Leading Edge,2018,37(1):58-66.

        [9] MOSSER L, KIMMAN W, DRAMSCH J, et al. Rapid seismic domain transfer: Seismic velocity inversion and modeling using deep generative neural networks[C]//80th eage conference and exhibition. EAGE Publications BV,2018:1-5.

        [10] YANG F, MA J. Deep-learning inversion: a next generation seismic velocity-model building method[J]. Geophysics,2019,84(4):583-599.

        [11] 廖成旺,龐聰,江勇,等.基于多層全連接神經(jīng)網(wǎng)絡(luò)的6C地震波極化向量識(shí)別研究[J/OL].大地測(cè)量與地球動(dòng)力學(xué),1-11[2024-02-05].https://doi.org/10.14075/j.jgg.2023.06.158.

        [12] 馬雄,申天賜,李國(guó)發(fā),等.重構(gòu)震源振幅譜一致性的吸收參數(shù)反演方法[J].石油地球物理勘探,2024,59(1):122-132.

        [13] 胡豹,高永衛(wèi),昔華倩.基于誤差反向傳播神經(jīng)網(wǎng)絡(luò)的機(jī)彈分離軌跡預(yù)測(cè)研究[J].氣動(dòng)研究與試驗(yàn),2024,2(2):59-65.

        [14] 劉浩民,楊洪才,劉戰(zhàn),等.基于粒子群優(yōu)化算法的電弧增材制造焊道尺寸反向傳播神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型[J].機(jī)械工程材料,2024,48(2):97-102.

        [15] 張馳,郭媛,黎明.人工神經(jīng)網(wǎng)絡(luò)模型發(fā)展及應(yīng)用綜述[J].計(jì)算機(jī)工程與應(yīng)用,2021,57(11):57-69.

        [16] 譚玉陽,于靜,馮剛,等.微地震事件初至拾取SLPEA算法[J].地球物理學(xué)報(bào),2016,59(1):185-196.

        [17] 趙俐紅,劉欣悅,支鵬遙,等.南海東北陸緣的地殼速度結(jié)構(gòu)及其構(gòu)造意義:來自廣角地震剖面的約束[J].地質(zhì)學(xué)報(bào),2023, 97(6):1766-1779.

        [18] 馬月寧,鄭晶. 基于深度神經(jīng)網(wǎng)絡(luò)的地震速度模型反演[C]//中國(guó)地球科學(xué)聯(lián)合學(xué)術(shù)年會(huì).2021年中國(guó)地球科學(xué)聯(lián)合學(xué)術(shù)年會(huì)論文集(三十六)-專題一百零六 地球科學(xué)大數(shù)據(jù)與人工智能、專題一百零七 地球生物學(xué)與天體生物學(xué)、專題一百零八 古脊椎動(dòng)物學(xué)最新進(jìn)展.北京伯通電子出版社,2021:4.

        基金項(xiàng)目:江蘇省大學(xué)生創(chuàng)新創(chuàng)業(yè)訓(xùn)練計(jì)劃項(xiàng)目(202310293095Y,202210293098Y)

        *通信作者:余瀚(1984-),男,博士,副教授。研究方向?yàn)榉囱莩上?、機(jī)器學(xué)習(xí)。

        亚洲视频在线观看一区二区三区| 精品亚洲成a人7777在线观看 | 亚洲福利天堂网福利在线观看| 欧美亚洲尤物久久综合精品| 免费蜜桃视频在线观看| 97色伦图片97综合影院| 国产精品_国产精品_k频道w| 国产草草视频| 亚洲免费视频一区二区三区| 亚洲黄色一级在线观看| 女同在线视频一区二区| 蜜桃视频免费进入观看 | 国产视频一区二区三区观看| 亚洲国产精品国自拍av| 国产精品久久久久久一区二区三区| 中文字字幕在线精品乱码| 欧美亚洲高清日韩成人| 亚洲高清av一区二区| 中文字幕在线亚洲三区| 鲁鲁鲁爽爽爽在线视频观看| 九九九影院| 色婷婷久久综合中文久久一本| 日韩女同精品av在线观看| 风韵多水的老熟妇| 欧美亚洲国产日韩一区二区三区| 日韩中文字幕无码av| 日本小视频一区二区三区| 蜜桃视频在线看一区二区三区 | 亚洲av日韩精品久久久久久a| 国产精品毛片完整版视频| 人妻无码视频| 国产精品久久一区二区蜜桃| 美女扒开大腿让男人桶| 日本无遮挡吸乳呻吟视频| 无码人妻精品中文字幕免费| 日本一级二级三级不卡| 曰本无码人妻丰满熟妇啪啪| 亚洲一区sm无码| 国产在线一区二区三区不卡| 99久久99久久久精品齐齐| 妺妺窝人体色www在线图片|