申请/专利权人：吉林大学

申请日：2022-07-06

公开（公告）日：2024-04-19

公开（公告）号：CN115184999B

主分类号：G01V1/36

分类号：G01V1/36

优先权：

专利状态码：有效-授权

法律状态：2024.04.19#授权;2022.11.01#实质审查的生效;2022.10.14#公开

摘要：本发明适用于地震勘探技术领域，提供了基于深度学习的Marchenko成像聚焦函数校正方法，其步骤包括：将观测系统得到的地震数据和背景模型得到的直达波作为输入，经过Marchenko方程得到的聚焦函数作为需要校正的原训练数据；将参考模型得到的精确聚焦函数作为标签数据，按照设计的U‑net架构训练模型；训练好的模型用来校正含误差的聚焦函数，最终得到更精确的Marchenko成像。该方法可有效的在未知区域校正聚焦函数，从而加速Marchenko成像过程，同时通过迁移学习，模型可以有效地校正直达波含走时误差和地震数据有缺失信息的情况下的聚焦函数，而不需要花费大量时间去重建丢失的输入数据，节省了时间和成本。

主权项：1.基于深度学习的Marchenko成像聚焦函数校正方法，其特征在于，包括以下步骤：步骤1：将观测系统得到的地震数据和背景模型得到的直达波作为输入，经过Marchenko方程得到的聚焦函数作为需要校正的原训练数据；步骤2：将参考模型得到的精确聚焦函数作为标签数据，按照设计的U-net架构训练模型；步骤3：训练好的模型用来校正含误差的聚焦函数，最终得到更精确的Marchenko成像；所述步骤1的具体步骤包括：步骤1.1：通过参考模型建立观测系统得到地表反射响应；步骤1.2：初始下行聚焦函数用格林函数直接到达的时间反转来近似： ；即使用平滑模型估计出指定区域内的焦点到地表的直达波；初始上行聚焦函数为： ；步骤1.3：按照迭代方案求解出含误差的聚焦函数： ；其中； 为迭代次数，是第次迭代的的尾波，符号表示时域卷积；步骤1.4：通过参考模型计算出精确的直达波，代入步骤1.3，得到精确的聚焦函数；所述步骤2的具体步骤包括：设计U-Net网络架构，将含误差的聚焦函数作为训练数据，精确的聚焦函数作为标签数据进行模型训练，模型训练使用Adam优化器，初始学习速率设置为0.0001，批量大小为16；损失函数使用均方根误差，其定义如下： ；其中，是含误差的聚焦函数中第元素的标签值，是神经网络的第元素的预测值，是该聚焦函数中元素的总数；所述步骤3包括以下具体步骤：步骤3.1：将训练好的模型作为预训练模型，对相应区域的聚焦函数进行迁移学习；步骤3.2：通过Marchenko方程来获得格林函数： ；步骤3.3：进行Marchenko成像，成像公式如下： ；步骤3.4：将含有走时误差的聚焦函数和不完全采样得到的聚焦函数分别放入模型进行迁移学习，得到校正后的聚焦函数。

全文数据：

权利要求：

百度查询： 吉林大学 基于深度学习的Marchenko成像聚焦函数校正方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD