基于Attention-UNet網(wǎng)絡(luò)的速度模型構(gòu)建方法研究

孫德輝,王云專,王莉利

(1.東北石油大學(xué) 地球科學(xué)學(xué)院,大慶 163318 2.東北石油大學(xué) 計(jì)算機(jī)與信息技術(shù)學(xué)院,大慶 163318)

0 引言

地震數(shù)據(jù)的高精度處理與解釋的關(guān)鍵是如何取得高精度的地下速度模型,通常用于建立速度模型的方法有層析成像[1]和全波形反演[2]兩種方法。然而,層析成像和全波形反演都是耗時(shí)的,需要大量的計(jì)算,并且嚴(yán)重依賴于人機(jī)交互和質(zhì)量控制。所以如何構(gòu)建精確的速度模型也面臨著各種挑戰(zhàn)。當(dāng)前最流行的方法就是全波形反演[3],全波形反演通過局部?jī)?yōu)化算法來最小化模擬數(shù)據(jù)與實(shí)際地震數(shù)據(jù)的差異,從而推斷產(chǎn)生該模擬數(shù)據(jù)的高精度速度模型就是地下真實(shí)速度結(jié)構(gòu)。自從上世紀(jì)Tarantola[2]和Lailly[4]使用伴隨震源法高效計(jì)算了梯度更新值后,關(guān)于全波形反演的研究便一路火熱至今。但全波形反演在實(shí)際生產(chǎn)應(yīng)用中卻有著一個(gè)始終無法避免的問題,那就是全波形反演是強(qiáng)非線性方法,它極其依賴初始條件,包括算法開始時(shí)的初始速度模型和實(shí)際地震信號(hào)中的低頻分量[5-6]。目前國(guó)內(nèi)外的攻克方向大致可分為兩種:一是從算法本身入手,盡可能降低全波形反演的非線性;另一種是從數(shù)據(jù)與模型入手,想辦法提供良好的初始速度模型和準(zhǔn)確的低頻分量。

深度學(xué)習(xí)(Deep Learning,DL)[7-8]是機(jī)器學(xué)習(xí)(Machine Learning,ML)的一個(gè)新分支,在圖像和語(yǔ)音處理方面表現(xiàn)出了突出的識(shí)別和分類性能[9],引起了廣泛的興趣。Zhang等[10]建議使用神經(jīng)網(wǎng)絡(luò)從地震道中自動(dòng)預(yù)測(cè)斷層。周傳友等[11]采用BP神經(jīng)網(wǎng)絡(luò)方法,提高了單井巖相預(yù)測(cè)的準(zhǔn)確性。Araya-Polo等[12]采用速度譜作為數(shù)據(jù)集,基于常規(guī)的卷積神經(jīng)網(wǎng)絡(luò)提出了一種將深度學(xué)習(xí)引入地震速度建模的方法。Jia等[13]提出一種基于蒙特卡洛的方法以降低訓(xùn)練數(shù)據(jù)集,通過選取部分地震數(shù)據(jù)集來更高效的訓(xùn)練網(wǎng)絡(luò)。Wang等[14]利用全卷積神經(jīng)網(wǎng)絡(luò),通過對(duì)原始多炮數(shù)據(jù)進(jìn)行鹽體檢測(cè),比傳統(tǒng)方法更加快速、有效。Mosser等[15]基于深度卷積生成對(duì)抗網(wǎng)絡(luò)的深度學(xué)習(xí)方法,將反演問題看作不同域之間的轉(zhuǎn)換,實(shí)現(xiàn)了地震數(shù)據(jù)域與速度模型域之間的轉(zhuǎn)換。Li等[16]基于深度神經(jīng)網(wǎng)絡(luò)的地震反演網(wǎng)絡(luò)(SeisInvNet),使用所有地震道數(shù)據(jù)和全局地震剖面重構(gòu)速度模型。Zhang等[17]開發(fā)了一種基于實(shí)時(shí)數(shù)據(jù)驅(qū)動(dòng)技術(shù)的速度建模對(duì)抗網(wǎng)絡(luò)(VelocityGAN),用以提高速度模型精度。Yang等[18]基于FCN提出了直接使用全波形地震數(shù)據(jù)建立速度模型的方法。Yuan等[19]在已知初始速度和數(shù)據(jù)的情況下,用全卷積神經(jīng)網(wǎng)絡(luò)(Full Convolution Neural Network,FCN)實(shí)現(xiàn)了時(shí)移數(shù)據(jù)與目標(biāo)速度變化之間的映射。

筆者利用數(shù)據(jù)驅(qū)動(dòng)思想,提出一種基于Attention-UNet網(wǎng)絡(luò)的速度模型構(gòu)建方法。通過對(duì)Attention-UNet網(wǎng)絡(luò)模型優(yōu)化,提高模型精確度,防止過擬合。實(shí)驗(yàn)包括兩個(gè)階段,在訓(xùn)練階段中,將多炮道集一起輸入網(wǎng)絡(luò),有效地逼近了數(shù)據(jù)與相應(yīng)速度模型之間的非線性映射。在預(yù)測(cè)階段中,利用訓(xùn)練好的網(wǎng)絡(luò),輸入新的地震數(shù)據(jù),獲得預(yù)測(cè)的速度模型。

1 方法原理

1.1 改進(jìn)UNet網(wǎng)絡(luò)架構(gòu)

從地震道建立速度模型具有挑戰(zhàn)性,因?yàn)樗婕皬牡卣鸬?x-t)到空間/模型域(x-z)的數(shù)據(jù)轉(zhuǎn)換,這構(gòu)成了一個(gè)反問題。神經(jīng)網(wǎng)絡(luò)能夠逼近連續(xù)函數(shù)直到指定的精度,這為這項(xiàng)研究提供了理論基礎(chǔ)。

利用深度神經(jīng)網(wǎng)絡(luò)來構(gòu)建地震信息和速率模型之間的映射關(guān)系,可以實(shí)現(xiàn)基于深度學(xué)習(xí)的地震速度建模。FCN用卷積層代替了傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)的全連接層,支持任意大小的輸入數(shù)據(jù),實(shí)現(xiàn)圖像識(shí)別領(lǐng)域單個(gè)像素點(diǎn)的準(zhǔn)確預(yù)測(cè)[20]。基于FCN的改進(jìn)UNet具有“U”結(jié)構(gòu)的編碼和解碼。 它首先通過下采樣提取輸入數(shù)據(jù)的特征,然后通過上采樣將特征信息傳輸?shù)椒直媛矢叩暮竺鎸?以獲得更精細(xì)的結(jié)果[21]。地震速度建模是一個(gè)從地震數(shù)據(jù)中提取地下速度信息的過程,這與UNet提取輸入數(shù)據(jù)特征信息的特點(diǎn)非常一致。因此,為了從原始地震數(shù)據(jù)中實(shí)現(xiàn)地震速度建模,我們采用并修改了UNet架構(gòu),并在UNet網(wǎng)絡(luò)的基礎(chǔ)上,在每個(gè)跳躍鏈接的末端,使用Attention Gate[22]結(jié)構(gòu),對(duì)需要提取的特征實(shí)現(xiàn)Attention機(jī)制。注意力機(jī)制結(jié)構(gòu)如圖1。注意力機(jī)制是模仿人類注意力而提出的一種解決問題的方法。它可以從大量的信息中過濾出高價(jià)值的信息,讓模型專注于有價(jià)值的特征。Attention-UNet 主體架構(gòu)與 UNet 網(wǎng)絡(luò)一致,網(wǎng)絡(luò)結(jié)構(gòu)如圖2。(不同顏色的矩形代表神經(jīng)網(wǎng)絡(luò)的不同層。其中,藍(lán)色代表卷積層;橘色代表池化層;綠色代表上采樣層;藍(lán)色矩形(卷積層)中的紅色虛線代表裁剪操作;矩形的左側(cè)數(shù)字代表層的大小;下側(cè)數(shù)字代表層數(shù);左圖代表反射波形數(shù)據(jù),右圖代表地震速度模型,紅色箭頭代表改進(jìn)位置,其它箭頭代表層與層之間的操作。)

圖1 注意力機(jī)制模塊Fig.1 Attention mechanisms module

圖2 改進(jìn)后的UNet模型網(wǎng)絡(luò)結(jié)構(gòu)Fig.2 Improved UNet model network structure

在Attention-UNet的基礎(chǔ)上,筆者主要做了兩點(diǎn)修改,以適應(yīng)地震速度模型的構(gòu)建。首先,鑒于輸入地震數(shù)據(jù)和輸出速度模型之間的不一致性,利用Attention-UNet實(shí)現(xiàn)了不對(duì)稱尺寸之間的映射。常用于圖像識(shí)別的Attention-UNet的輸入和輸出是在圖像域,需要相同的大小。然而,地震速度建模的輸入數(shù)據(jù)是在時(shí)域,而輸出的速度模型是在深度域,這就導(dǎo)致了輸入和輸出數(shù)據(jù)的不匹配。在基于深度學(xué)習(xí)的地震速度建模過程中,地震數(shù)據(jù)被映射到速度模型中,輸入和輸出數(shù)據(jù)的不匹配會(huì)導(dǎo)致神經(jīng)網(wǎng)絡(luò)的輸入和輸出的大小和存儲(chǔ)方式的明顯差異,因此神經(jīng)網(wǎng)絡(luò)很難完成訓(xùn)練。為了解決這個(gè)問題,筆者在應(yīng)用損失函數(shù)之前,將最終輸出層截?cái)嗟脚c輸入神經(jīng)網(wǎng)絡(luò)的速度模型相同的大小。其次,為了處理地震數(shù)據(jù),我們指定了不同的炮點(diǎn)道集,這些道集在不同的震源位置生成,但來自相同的模型,作為輸入通道。因此,輸入通道的數(shù)量與每個(gè)模型的震源數(shù)量相同。將多炮點(diǎn)地震數(shù)據(jù)同時(shí)輸入網(wǎng)絡(luò),提高了數(shù)據(jù)冗余度。該網(wǎng)絡(luò)的輸入是由29個(gè)大小為400×301的地震反射波形數(shù)據(jù)和與之對(duì)應(yīng)的速度標(biāo)簽?zāi)Ｐ?。神?jīng)網(wǎng)絡(luò)的輸出是大小為201×301的二維地震速度模型。網(wǎng)絡(luò)主體與原始的UNet相似,共使用了22個(gè)卷積層(藍(lán)色矩形)、4個(gè)池化層(橙色矩形)、4個(gè)上采樣層(綠色矩形)和1個(gè)裁剪層(紅色虛線)。卷積層采用Relu激活函數(shù),卷積核大小為3×3,最大池化層的下采樣因子和采樣層的上采樣因子大小都為2×2。深度神經(jīng)網(wǎng)絡(luò)有四個(gè)下采樣過程和四個(gè)上采樣過程,即保證網(wǎng)絡(luò)有足夠的深度提取速度特征,又不會(huì)使網(wǎng)絡(luò)模型過于復(fù)雜。

1.2 相關(guān)公式

利用地震數(shù)據(jù)作為直接輸入來估計(jì)速度模型,網(wǎng)絡(luò)需要將地震數(shù)據(jù)從數(shù)據(jù)域(x,t)投影到模型域(x,z)地震數(shù)據(jù),該方法的基本思想是建立輸入與輸出之間的映射關(guān)系,映射關(guān)系可以表示為:

(1)

網(wǎng)絡(luò)通過最優(yōu)化方法迭代求出損失函數(shù)的最小值,從而訓(xùn)練出最佳的網(wǎng)絡(luò)模型。這個(gè)過程可以表示為:

(2)

(3)

需要注意的是,損失函數(shù)不同于FWI中的目標(biāo)函數(shù),表達(dá)式如下所示:

(4)

式中:δd為模擬數(shù)據(jù)dcal和觀測(cè)數(shù)據(jù)dobs之間的殘差,dcal為模擬數(shù)據(jù),dobs為觀測(cè)數(shù)據(jù)。

為了加速收斂,筆者采用Adam梯度下降法[23]來優(yōu)化算法模型,其具有較短的收斂時(shí)間,對(duì)于大型數(shù)據(jù)集機(jī)器學(xué)習(xí)的問題有較好的魯棒性。

2 訓(xùn)練集的構(gòu)建和數(shù)據(jù)集

2.1 數(shù)據(jù)準(zhǔn)備

為了訓(xùn)練一個(gè)有效的網(wǎng)絡(luò),需要一個(gè)合適的大規(guī)模訓(xùn)練集。在典型的FCN模型中,訓(xùn)練輸出由一些標(biāo)記圖像提供。筆者采用二維合成模型對(duì)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行測(cè)試。數(shù)值實(shí)驗(yàn)提供了一種速度模型,即二維模擬模型,每個(gè)速度模型都是唯一的。

2.2 訓(xùn)練集模型

將地震速度模型作為深度學(xué)習(xí)的標(biāo)簽,即深度神經(jīng)網(wǎng)絡(luò)的輸出;將地震波形及其速度標(biāo)簽作為深度學(xué)習(xí)的數(shù)據(jù)集,即深度神經(jīng)網(wǎng)絡(luò)的輸入,可以構(gòu)建深度神經(jīng)網(wǎng)絡(luò)的訓(xùn)練集。

在本節(jié)中,我們將使用合成數(shù)據(jù)測(cè)試提出的算法。采用1 500個(gè)二維鹽體模型樣本,其中抽出200個(gè)具有代表性的模型用于測(cè)試,并將其余的1 300個(gè)作為訓(xùn)練樣本。每個(gè)模型有5～12層作為背景速度,每層的速度值從模型地表到底層由2 000 m/s到4 000 m/s逐漸增加。將具有任意形狀和位置的鹽體嵌入到每個(gè)模型中,鹽體的恒定速度為4 500 m/s。所有的模型大小相同,為x×z=301×201的格點(diǎn),空間間隔為h=10 m。圖3顯示了來自數(shù)據(jù)集的4個(gè)具有代表性的模型。

圖3 訓(xùn)練數(shù)據(jù)集中的4個(gè)樣本數(shù)據(jù)Fig.3 Four sample data in the training data set

根據(jù)訓(xùn)練集中的地震速度模型,通過時(shí)域交錯(cuò)網(wǎng)格有限差分格式求解含15Hz 雷克子波的聲波方程,時(shí)間方向采用二階,空間方向采用十階,放置震源數(shù)量的多少影響訓(xùn)練的計(jì)算時(shí)間,同時(shí)合并更多的炮數(shù)可以降低過度擬合的風(fēng)險(xiǎn)[24]。我們對(duì)于每個(gè)模型,從(z,x)=(0.2,0.0)km到(0.2,3.01)km均勻地放置29個(gè)震源,依次模擬炮點(diǎn)集。同樣,從(z,x)=(0.2,0.0)km到(0.2,3.01)km均勻地放置301個(gè)檢波器,用來接收地下信號(hào)記錄。正演建模的詳細(xì)參數(shù)如表1所示。采用完美匹配層(CPML)吸收邊界條件[25]應(yīng)用于所有四個(gè)網(wǎng)格邊緣,以減少不必要的反射。圖4顯示了由圖3中的第一個(gè)速度模型生成的地震數(shù)據(jù)的六炮。

表1 有限差分正演的參數(shù)Tab.1 Parameters of finite difference forward modeling

圖4 有限差分格式生成的地震數(shù)據(jù)的六炮Fig.4 Six shots of seismic data generated by finite difference format

2.3 測(cè)試數(shù)據(jù)集

由于使用了監(jiān)督學(xué)習(xí)方法,測(cè)試數(shù)據(jù)集的速度模型具有與訓(xùn)練數(shù)據(jù)集相似的地質(zhì)結(jié)構(gòu),巖體分別位于地層的中間和地層的底部。所有用于預(yù)測(cè)的速度模型都沒有包含在訓(xùn)練數(shù)據(jù)集中,并且在預(yù)測(cè)過程中都是未知的。采用與生成訓(xùn)練數(shù)據(jù)集輸入相同的方法獲得用于預(yù)測(cè)的輸入地震數(shù)據(jù)。

3 數(shù)值實(shí)驗(yàn)與結(jié)果分析

3.1 實(shí)驗(yàn)環(huán)境

筆者的實(shí)驗(yàn)環(huán)境主要由軟件和硬件兩部分構(gòu)成,其中硬件方面:CPUIntelXeonSliver4210@2.20 GHz內(nèi)存500 GB,顯卡 GeForce RTX 2080。軟件方面:選擇使用的語(yǔ)言為Python和Matlab,深度學(xué)習(xí)框架為Pytorch,開發(fā)環(huán)境是Pycharm和Matlab R2014a,分別用于實(shí)現(xiàn)網(wǎng)絡(luò)模型搭建和運(yùn)行FWI,操作系統(tǒng)為RedHat Linux 8和Window 10。具體實(shí)驗(yàn)環(huán)境數(shù)據(jù)見表2。

表2 實(shí)驗(yàn)環(huán)境Tab.2 Experimental environment

3.2 模擬數(shù)據(jù)集的反演

對(duì)二維模擬速度模型進(jìn)行了第一次反演。在訓(xùn)練階段,從訓(xùn)練數(shù)據(jù)集中隨機(jī)選取201×301速度模型尺寸的8個(gè)樣本,構(gòu)建每次迭代的訓(xùn)練批次。在保留地震數(shù)據(jù)主要特征信息的前提下,將每批數(shù)據(jù)的一炮地震數(shù)據(jù)尺寸降采樣至400×301,減少計(jì)算量的同時(shí)提取大尺度的特征信息。降采樣前后的一炮地震數(shù)據(jù)如圖5所示。訓(xùn)練時(shí),采用的迭代次數(shù)(Epochs)為80次,批大小(Batch Size)為8。參數(shù)如表3所示。

表3 網(wǎng)絡(luò)訓(xùn)練參數(shù)Tab.3 Network training parameters

圖5 經(jīng)過降采樣前后的一炮地震數(shù)據(jù)Fig.5 Seismic data of one shot before and after down sampling

訓(xùn)練的計(jì)算時(shí)間與地震道的大小和訓(xùn)練樣本的數(shù)量成正比,也與通道的數(shù)量和網(wǎng)絡(luò)的復(fù)雜性有關(guān)。為了驗(yàn)證炮集對(duì)網(wǎng)絡(luò)模型訓(xùn)練的影響,我們分別訓(xùn)練均勻放置10個(gè)震源和29個(gè)震源的數(shù)據(jù)集作為輸入來訓(xùn)練網(wǎng)絡(luò)。

同時(shí)為了反映添加注意力機(jī)制對(duì)網(wǎng)絡(luò)學(xué)習(xí)過程的影響,在不添加注意力機(jī)制的傳統(tǒng)UNet網(wǎng)絡(luò)上使用相同的地震數(shù)據(jù),即數(shù)據(jù)集數(shù)據(jù)。由于Attention-UNet網(wǎng)絡(luò)編碼器和解碼器主體結(jié)構(gòu)和UNet一致,所以二者這一部分的參數(shù)設(shè)置是一致的,如:網(wǎng)絡(luò)深度都是4層;卷積核大小以及激活函數(shù)一致。圖6顯示了在學(xué)習(xí)過程中的標(biāo)準(zhǔn)化損失或預(yù)測(cè)速度值與真實(shí)速度值之間的均方誤差。圖6(a)為震源對(duì)于網(wǎng)絡(luò)訓(xùn)練的影響,圖6(b)為Attention-UNet網(wǎng)絡(luò)和UNet網(wǎng)絡(luò)對(duì)模型訓(xùn)練的影響。

圖6 學(xué)習(xí)過程中的標(biāo)準(zhǔn)化損失或預(yù)測(cè)速度值與真實(shí)速度值之間的均方誤差Fig.6 Standardization loss or mean square error between predicted speed value and real speed value in the learning process

在圖6(a)中,29個(gè)震源網(wǎng)絡(luò)的收斂速度比10個(gè)震源網(wǎng)絡(luò)的收斂速度快。圖6(b)中可以很明顯的發(fā)現(xiàn)Attention-UNet網(wǎng)絡(luò)模型迭代20次后loss曲線已趨于平緩,而UNet則是在迭代40次以后loss曲線才趨于平緩。分別計(jì)時(shí)兩個(gè)網(wǎng)絡(luò)的訓(xùn)練時(shí)間,Attention-UNet網(wǎng)絡(luò)訓(xùn)練時(shí)間是148min,UNet網(wǎng)絡(luò)的訓(xùn)練時(shí)間是190 min,從上述實(shí)驗(yàn)結(jié)果表明,Attention-UNet網(wǎng)絡(luò)模型對(duì)學(xué)習(xí)過程來講更快的收斂速度,從而減少了訓(xùn)練時(shí)間。

驗(yàn)證定量評(píng)估Attention-UNet的性能,我們通過峰值信噪比(Peak Signal to Noise Ratio,PSNR)[26]來評(píng)價(jià)模型預(yù)測(cè)的效果。如表4所示,UNet和Attention-UNet相比,Attention-UNet在測(cè)試數(shù)據(jù)集上獲得了更高的平均 PSNR,這說明 Attention-UNet對(duì)模型的預(yù)測(cè)結(jié)果是好的。

表4 測(cè)試集的平均PSNRTab.4 Average PSNR of the test set

為了顯示網(wǎng)絡(luò)的演變過程,筆者在訓(xùn)練過程中捕獲了一組數(shù)據(jù),展示了整個(gè)訓(xùn)練過程,如圖所示,圖7(a)是標(biāo)簽,是我們期待網(wǎng)絡(luò)輸出的模樣,也是我們其中的一次測(cè)試樣本,圖7(b)、7(c)、7(d)分別是我們構(gòu)建網(wǎng)絡(luò)迭代訓(xùn)練的10次,30次,60次的即時(shí)輸出,從中可以看出模型越來越接近我們的真實(shí)樣本。

圖7 訓(xùn)練追蹤Fig.7 Training tracking

最后是對(duì)訓(xùn)練后的網(wǎng)絡(luò)對(duì)測(cè)試數(shù)據(jù)進(jìn)行預(yù)測(cè),將200組測(cè)試數(shù)據(jù)一次性輸入之后,只需要幾秒鐘就可以完成輸出預(yù)測(cè),從時(shí)間效率來看,我們的預(yù)測(cè)時(shí)間要遠(yuǎn)遠(yuǎn)優(yōu)于全波形反演。為了驗(yàn)證網(wǎng)絡(luò)輸出的速度模型與真實(shí)模型之間是否相近。我們的方法與FWI進(jìn)行了比較。在時(shí)域正演模擬中,我們使用與生成訓(xùn)練地震數(shù)據(jù)相同的參數(shù)設(shè)置。采用多尺度頻域反演策略,反演頻率選擇1 Hz～20 Hz中12個(gè)進(jìn)行反演。本實(shí)驗(yàn)采用伴隨狀態(tài)法求取梯度,應(yīng)用L-BFGS(Limited-memory BFGS)優(yōu)化算法更新模型。FWI的觀測(cè)數(shù)據(jù)與我們用于預(yù)測(cè)的地震數(shù)據(jù)相同。共設(shè)置29炮震源激發(fā),均勻分布于地表水平方向0.2 km～2.9 km范圍內(nèi)。每炮301道接收,檢波點(diǎn)均勻分布于地表水平方向,不隨炮點(diǎn)移動(dòng)。反演迭代次數(shù)25次。另外,以高斯平滑函數(shù)平滑后的真實(shí)速度模型作為FWI的初始速度模型。圖8顯示了用于測(cè)試的代表速度模型,圖8(a)表示真實(shí)模型,圖8(b)顯示了高斯平滑后的初始模型,圖8(c)表示網(wǎng)絡(luò)預(yù)測(cè)模型,圖8(d)顯示了FWI的結(jié)果。

圖8 不同方法反演結(jié)果對(duì)比Fig.8 Comparison of inversion results of different methods

為了定量分析預(yù)測(cè)的準(zhǔn)確性,我們選取了兩個(gè)水平位置x=1 km和x=2 km,并在圖9所示的速度與深度剖面中真實(shí)模型(藍(lán)色)的速度值、預(yù)測(cè)(橘色)的速度值。

圖9 垂直速度剖面Fig.9 Vertical velocity profile

圖8展示了和全波形反演方法的對(duì)比,筆者的方法(圖8(c))和全波形反演(圖8(d))的方法都可以較準(zhǔn)確的確定速度模型中高速鹽體的位置和形狀,全波形反演在迭代25次的情況下,鹽體刻畫的不夠清晰,還有一些較明顯的假象。由于實(shí)際標(biāo)準(zhǔn)地震數(shù)據(jù)集的限制,在圖8(a)和8(c)兩者之間存在對(duì)速度細(xì)節(jié)刻畫不夠精確的情況。

圖9做了速度模型特定位置的速度剖面,抽取了圖7中水平位置1 km和2 km的兩個(gè)速度剖面進(jìn)行對(duì)比。由此圖可以看出,筆者方法的速度建模結(jié)果較為準(zhǔn)確。

4 結(jié)論

筆者通過地震反射波形和速度標(biāo)簽建立數(shù)據(jù)集,構(gòu)建了一種有監(jiān)督深度學(xué)習(xí)速度建模方法用于反演。對(duì)層狀砂體模型的數(shù)值實(shí)驗(yàn)結(jié)果顯示,深度學(xué)習(xí)速度建模方法結(jié)合地震反射數(shù)據(jù)和速度標(biāo)簽訓(xùn)練集可以有效地重建模型的主要特征。認(rèn)識(shí)和結(jié)論如下:

1)使用多道地震波形和速度標(biāo)簽作為深度學(xué)習(xí)的特征數(shù)據(jù)集為速度模型預(yù)測(cè)提供了冗余信息,降低了過擬合的風(fēng)險(xiǎn)和計(jì)算難度。

2)通過將加入注意力機(jī)制的U-Net作為深度神經(jīng)網(wǎng)絡(luò)框架,提高了網(wǎng)絡(luò)模型的收斂速度和速度模型預(yù)測(cè)的準(zhǔn)確性。

3)與FWI相比,一旦網(wǎng)絡(luò)訓(xùn)練完成,重構(gòu)成本可以忽略不計(jì)。此外,損失函數(shù)在模型域內(nèi)進(jìn)行測(cè)量,利用網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)時(shí)不產(chǎn)生地震記錄。所以不存在FWI的“周期跳躍”問題。