一种地震面波与接收函数的联合反演方法及装置

摘要

本申请实施例提供了一种地震面波与接收函数的联合反演方法及装置，其中，方法包括：获取待反演的面波频散数据和接收函数数据；将待反演的面波频散数据和接收函数数据，输入预设的神经网络模型，得到对待反演的面波频散数据和接收函数数据反演得到的横波速度模型；神经网络模型中的第一神经网络模块提取输入的面波频散数据中的特征，得到第一特征；第二神经网络模块提取输入的接收函数数据中的特征，得到第二特征；特征融合模块对第一特征与第二特征进行融合；输出模块依据融合特征，输出横波速度模型。本申请在保证反演得到的横波速度模型的准确性的前提下，可以提高对大规模待反演数据的联合反演效率。

说明书

技术领域

本申请涉及数据处理领域，尤其涉及一种地震面波与接收函数的联合反演方法及装置。

背景技术

面波通常具有频散特征，其传播的速度随频率的变化而变化，同时对地下采样的深度也随着频率减小而增加，因此其频散信息可以用来有效地约束地下结构。接收函数对台站下方地壳上地幔间断面结构敏感，广泛用来反演精细的横波速度结构。由于单独利用面波频散或体波接收函数数据反演存在明显不足，因此联合两种数据可以弥补单一数据反演的缺点，同时可以提高反演结果的可靠性。

目前，联合反演方法包括：线性联合反演与非线性联合反演。

但是，现有的联合反演方法，由于受初始速度模型的影响，或者，反演比较耗时等原因，导致联合反演的效率低。

发明内容

本申请提供了一种地震面波与接收函数的联合反演方法及装置，目的在于解决联合反演效率低的问题。

为了实现上述目的，本申请提供了以下技术方案：

本申请提供了一种地震面波与接收函数的联合反演方法，包括：

获取待反演的面波频散数据和接收函数数据；

将所述待反演的面波频散数据和接收函数数据，输入预设的神经网络模型，得到对所述待反演的面波频散数据和接收函数数据反演得到的横波速度模型；

所述神经网络模型包括：第一神经网络模块、第二神经网络模块、特征融合模块和输出模块；所述第一神经网络模块，用于提取输入的面波频散数据中的特征，得到第一特征；所述第二神经网络模块，用于提取输入的接收函数数据中的特征，得到第二特征；所述特征融合模块，用于对所述第一特征与所述第二特征进行融合；所述输出模块，用于依据融合特征，输出横波速度模型。

可选的，所述预设的神经网络模型是通过对预先构建的神经网络模型完成训练后得到；

对预先构建的神经网络模型进行训练的过程，包括：

获取训练数据集；所述训练数据集包括：多组样本以及每组样本对应的样本标签；其中，一组样本包括：预先采集的面波频散数据和接收函数数据；样本标签为预先采集的横波速度模型；

采用所述训练数据集，对所述预先构建的神经网络模型进行训练，得到所述预设的神经网络模型。

可选的，所述面波数据为瑞雷波相或群速度的频散曲线数据。

可选的，所述输出模块为全连接层。

本申请还提供了一种地震面波与接收函数的联合反演装置，包括：

获取模块，用于获取待反演的面波频散数据和接收函数数据；

输入模块，用于将所述待反演的面波频散数据和接收函数数据，输入预设的神经网络模型，得到对所述待反演的面波频散数据和接收函数数据反演得到的横波速度模型；

所述神经网络模型包括：第一神经网络模块、第二神经网络模块、特征融合模块和输出模块；所述第一神经网络模块，用于提取输入的面波频散数据中的特征，得到第一特征；所述第二神经网络模块，用于提取输入的接收函数数据中的特征，得到第二特征；所述特征融合模块，用于对所述第一特征与所述第二特征进行融合；所述输出模块，用于依据融合特征，输出横波速度模型。

可选的，所述预设的神经网络模型是通过对预先构建的神经网络模型完成训练后得到；

所述装置还包括：训练模块，用于对预先构建的神经网络模型进行训练；所述训练模块，具体用于获取训练数据集；所述训练数据集包括：多组样本以及每组样本对应的样本标签；其中，一组样本包括：预先采集的面波频散数据和接收函数数据；样本标签为预先采集的横波速度模型；采用所述训练数据集，对所述预先构建的神经网络模型进行训练，得到所述预设的神经网络模型。

可选的，所述面波数据为瑞雷波相或群速度的频散曲线数据。

可选的，所述输出模块为全连接层。

本申请还提供了一种存储介质，所述存储介质包括存储的程序，其中，所述程序执行上述任一所述的震面波与接收函数的联合反演方法。

本申请还提供了一种设备，所述设备包括至少一个处理器、以及与所述处理器连接的至少一个存储器、总线；其中，所述处理器、所述存储器通过所述总线完成相互间的通信；所述处理器用于调用所述存储器中的程序指令，以执行上述任一所述的震面波与接收函数的联合反演方法。

本申请所述的地震面波与接收函数的联合反演方法及装置，获取待反演的面波频散数据和接收函数数据；将待反演的面波频散数据和接收函数数据，输入预设的神经网络模型，得到对待反演的面波频散数据和接收函数数据反演得到的横波速度模型。

由于本申请是通过神经网络模型对待反演的面波频散数据和接收函数数据进行联合反演，得到横波速度模型。由于神经网络模型的计算速度快，因此，可以提高联合反演的效率。

此外，本申请在采用神经网络模型进行联合反演的过程中，神经网络模型包括：第一神经网络模块、第二神经网络模块、融合模块和输出模块，其中，第一神经网络模块提取输入的面波频散数据中的特征，得到第一特征；第二神经网络模块提取输入的接收函数数据中的特征，得到第二特征；并采用特征融合模块对第一特征与第二特征进行融合，使得融合得到的特征包含两方面特征的丰富信息，进而，输出模块依据融合特征，输出的横波速度模型具有较高的准确性。

综上所述，本申请在保证反演得到的横波速度模型的准确性的前提下，可以提高对大规模待反演数据的联合反演效率。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本申请实施例提供的对预先构建的神经网络模型进行训练的过程示意图；

图2为本申请实施例公开的预先构建的神经网络模型的结构示意图；

图3(a)为本申请实施例公开的第一神经网络模块的结构示意图；

图3(b)为本申请实施例公开的第二神经网络模块的结构示意图；

图4为本申请实施例公开的训练数据集示意图；

图5为本申请实施例公开的训练后的第一神经网络模型在预设的测试数据集上测试结果示意图；

图6为本申请实施例公开的训练后的第二神经网络模型在预设的测试数据集上测试结果示意图；

图7为本申请实施例公开的训练后的神经网络模型在预设的测试数据集上测试结果示意图；

图8为本申请实施例公开的一种地震面波与接收函数的联合反演方法的流程图；

图9为本申请实施例公开的一种地震面波与接收函数的联合反演装置的结构示意图；

图10为本申请实施例公开的一种设备的结构示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

图1为本申请实施例提供的对预先构建的神经网络模型进行训练，得到预设的神经网络模型的过程。

在本申请实施例中，预先构建的神经网络模型如图2所示，包括：第一神经神经网络、第二神经网络模块、特征融合模块和输出模块。

其中，第一神经网络模块和第二神经网络模块分别与特征融合模块连接，特征融合模块还与输出模块连接。

具体的，第一神经网络模块用于提取输入的面波频散数据中的特征，为了描述方便，将提取得到的特征称为第一特征。第二神经网络模块用于提取输入的接收函数数据中的特征，为了描述方便将提取得到的特征称为第二特征。特征融合模块用于对第一特征与第二特征进行融合。输出模块用于依据融合特征，输出横波速度模型。其中，第一神经网络模块可以采用“DispNet”表示，第二神经网络模块可以采用“RfNet”表示。

可选的，在本实施例中，第一神经网络模块的结构如图3(a)所示，包括：4个2维卷积层以及一个全连接层(fully-connected layer)，卷积层由下往上通道数为4、8、16和32，其中卷积核大小为3x3，步长为1。可选的，为保持卷积后的图像维度不变化，在卷积时有添0操作(zero-padding)。每个卷积层后依次接一个批标准化层(Batch Normalization，BN)以及激活函数层(激活函数用LeakyReLU)。

第一神经网络模块的输入数据可以为维度60x17(高x宽)的两张图片，输出301层的速度模型(每层厚度为0.5km)。其中，输入数据中的图片是由对应的相速度(或群速度)频散曲线通过预设的高斯函数转换而来，输出数据为对应0-150km的速度模型。

在本实施例中，第二神经网络模块可以包括3个1维卷积层和1个全连接层。第二神经网络模块由下往上，每个卷积层后依次接标准化层以及激活函数层，其中卷积核的大小为3，步长为1，激活函数为LeakyReLu。卷积层的通道数从下往上依次为4、8和16。除最后一个卷积层外，每个卷积层的激活函数层后接1维最大池化层进行降维，其中，池化核大小为3，步长为2。

在本实施例中，预先构建的神经网络模型中，第一神经网络模块对面波频散数据提取特征，可以提取301维特征，第二神经网络模块对对接收函数数据提取特征，可以提取301维的特征。然后，特征融合模块，对第一神经网络模块和第二神经网络模块分别提取的特征进行融合，可以得到602维的特征。最后，输出模块(全连接层)可以输出301层的速度模型。

基于本申请实施例预先构建的神经网络模型，对预先构建的神经网络模型进行训练，具体的训练过程可以包括以下步骤：

S101、获取训练数据集。

在本实施例中，训练数据集可以包括：多组样本以及每组样本对应的样本标签；其中，一组样本包括：预先采集的面波频散数据和接收函数数据。样本标签为预先采集的横波速度模型。

在本实施例中，训练数据集的获取方式可以包括：获取数据集，并将获取的数据集中的80％作为训练集，20％作为验证集。

其中，获取的数据集可以包括：预先收集的美国中西部地区深度范围为0-150km的一维横波速度模型，约6800个，简称美国模型。以及预先收集的中国大陆以及周边地区深度0-150km的一维横波速度模型，约4500个，简称中国模型。将这些横波速度模型均匀划分为301层，每层厚度为0.5km，并用线性插值方法进行插值。根据现有技术中横波速度、纵波速度以及密度之间的经验关系式，用CPS软件(Herrmann,2013)进行正演计算，得到周期范围为8-50s的理论瑞雷波相或群速度频散曲线，以及长度为0-15s，时间间隔为0.1s的理论地震接收函数信号。其中8-50s的周期分别为8s、10s、12s、14s、16s、18s、20s、22s、24s、26s、28s、30s、32s、35s、40s以及50s。

可选的，在本实施例中，可以将美国模型中，80％的横波速度模型，以及对应的理论瑞雷波相或群速度频散曲线，接收函数数据(如图4所示)作为训练数据集，20％作为验证数据集，将中国模型以及对应的理论瑞雷波相或群速度频散曲线，以及接收函数数据作为测试数据集。

图4包括四幅图像，其中，左上角的图像表示约6800个的一维横波速度模型的深度和速度关系示意图，该图的横坐标表示一维速度模型的索引，纵坐标表示深度，每个一维速度模型随着深度的变化，速度进行变化。其中，速度的大小通过颜色深浅进行表示，其中，颜色深浅表示的速度大小，可以通过该图右侧的示例条进行显示。

图4的右上角的图像表示约6800个的一维横波速度模型的理论接收函数振幅与时间的关系。该图的横坐标表示一维速度模型的索引，纵坐标表示时间，每个接收函数的振幅值随着时间的变化。其中，接收函数的振幅大小可以通过颜色的深浅进行表示，其中，颜色深浅表示的振幅大小，可以通过该图右侧的示例条进行显示。

图4的左下角的图像表示约6800个的一维横波速度模型的相速度和周期间的关系示意图。该图的横坐标表示一维速度模型的索引，纵坐标表示周期，每条相速度频散曲线的相速度值随着周期的变化。其中，相速度的大小可以通过颜色的深浅进行表示，其中，颜色深浅表示的相速度大小，可以通过该图右侧的示例条进行显示。

图4的右下角的图像表示约6800个的一维横波速度模型的群速度和周期间的关系示意图。该图的横坐标表示一维速度模型的索引，纵坐标表示周期，每条群速度频散曲线的群速度值随着周期的变化，其中，群速度的大小可以通过颜色的深浅进行表示，其中，颜色深浅表示的群速度大小，可以通过该图右侧的示例条进行显示。

S102、采用训练数据集，对预先构建的神经网络模型进行训练，得到预设的神经网络模型。

在本实施例中，训练预先构建的神经网络模型，采用的损失函数可以为均方误差(MSE)，批大小可以为128，优化器为小批量随机梯度下降算法(SGD)，学习率可以为0.00005，最大轮训次数可以为600。在没有过拟合的情况下，取均方误差最小所对应的训练模型为最终训练模型。

在本实施例中，预先构建的深度神经网络实现所用的深度学习框架可以为Pytorch-0.4。

需要说明的是，在实际中，除了采用本步骤提供的具体训练方式外，还可以采用其他的训练方式，本实施例不对具体的训练方式作限定。

为了验证本实施例提供的神经网络模型的效果，以预设的第一神经网络模型与第二神经网络模型为参考，并采用本申请实施例对提出的神经网络模型进行训练的训练数据集以及训练实现方式，对第一神经网络模型和第二神经网络模型进行训练，得到训练后的第一神经网络模型和训练后的第二神经网络模型，并利用相同的测试数据集，验证这三个训练后的神经网络模型的联合反演效果。

其中，第一神经网络模型的结构为本申请实施例构建的神经网络模型中第一神经网络模块的结构，第二神经网络模型的结构为本申请实施例构建的神经网络模型中第二神经网络模块的结构。

为了保证对三种训练后的神经网络模型进行测试结果的可靠性，本实施例采用由共同的中国模型合成的测试数据集，测试这三个训练后的神经网络模型。

其中，由于测试数据集中的横波速度模型与训练数据集中的横波速度模型，其分布有着较明显的差异，比如，中国模型中的深度范围内40-60km范围出现的低速(图4-5左上图的方框区域)，因此测试数据集是独立的，适合用于测试三个训练后的神经网络模型，并对比这三个训练后的神经网络模型在独立测试集上的性能表现。

具体的，性能测试结果如图5-7所示，其中，图5表示训练后的第一神经网络模型(DispNet)的测试结果。图6表示训练后的第二神经网络模型(RfNet)的测试结果。图7表示本申请实施例提供的训练后的神经网络模型(DispRfJointNet)的测试结果。

其中，图5-7中，左上图都表示测试数据集的横波速度模型(为了描述方便，可以称为真实模型)，右上图都表示输出的横波速度模型(为了描述方便，可以称为预测模型)，左下图表示真实模型与预测模型的差异，右下图表示真实模型与预测模型的均方根误差统计直方图。

从图5-7中，可以看出训练后的第一神经网络模型(DispNet)的平均/中位数均方根误差为0.16/0.12(其中，Mean misfit表示平均均方根误差，Median misfit表示中位数均方根误差)，训练后的第二神经网络模型(RfNet)的平均/中位数均方根误差为0.15/0.14，本申请实施例提供的训练后的神经网络模型(DispRfJointNet)的平均/中位数均方根误差0.11/0.09。其中，均方根误差单位为km/s。

从图5-7中，还可以看出，DispRfJointNet相比其他两个(面波/接收函数)神经网络模型提高了预测性能。从真实模型与预测模型之差的分布图来看，本申请实施例得到的神经网络模型(DispRfJointNet)相比其他两个神经网络模型，降低了深度范围为35-60km处真实模型与预测模型之间的差异，并且也提高了深部(深度80km-120km)处预测模型的准确性。

图8为本申请实施例提供的一种地震面波与接收函数的联合反演方法，可以包括以下步骤：

S801、获取待反演的面波频散数据和接收函数数据。

在本步骤中，待反演的面波频散数据和接收函数数据的具体获取方式，为现有技术，这里不再赘述。

S802、将待反演的面波频散数据和接收函数数据，输入预设的神经网络模型，得到对待反演的面波频散数据和接收函数数据反演得到的横波速度模型。

在本步骤中，预设的神经网络模型可以为图1对应的实施例训练得到的神经网络模型。

在本步骤中，将待反演的面波频散数据和接收函数数据，输入预设的神经网络模型后，预设的神经网络模型输出的横波速度模型的。

图9为本申请实施例提供的一种地震面波与接收函数的联合反演装置，可以包括：获取模块901和输入模块902，其中，

获取模块901，用于获取待反演的面波频散数据和接收函数数据。

输入模块902，用于将所述待反演的面波频散数据和接收函数数据，输入预设的神经网络模型，得到对所述待反演的面波频散数据和接收函数数据反演得到的横波速度模型；

所述神经网络模型包括：第一神经网络模块、第二神经网络模块、特征融合模块和输出模块；所述第一神经网络模块，用于提取输入的面波频散数据中的特征，得到第一特征；所述第二神经网络模块，用于提取输入的接收函数数据中的特征，得到第二特征；所述特征融合模块，用于对所述第一特征与所述第二特征进行融合；所述输出模块，用于依据融合特征，输出横波速度模型。

可选的，所述预设的神经网络模型是通过对预先构建的神经网络模型完成训练后得到；

所述装置还可以包括：训练模块，用于对预先构建的神经网络模型进行训练；所述训练模块，具体用于获取训练数据集；所述训练数据集包括：多组样本以及每组样本对应的样本标签；其中，一组样本包括：预先采集的面波频散数据和接收函数数据；样本标签为预先采集的横波速度模型；采用所述训练数据集，对所述预先构建的神经网络模型进行训练，得到所述预设的神经网络模型。

可选的，所述面波数据为瑞雷波相或群速度的频散曲线数据。

本实施例的装置在保证反演得到的横波速度模型的准确性的前提下，可以提高对大规模待反演数据的联合反演效率。

地震面波与接收函数的联合反演装置包括处理器和存储器，上述获取模块901和输入模块902等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。

处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来在保证反演得到的横波速度模型的准确性的前提下，提高对大规模待反演数据的联合反演效率。

本发明实施例提供了一种存储介质，其上存储有程序，该程序被处理器执行时实现所述地震面波与接收函数的联合反演方法。

本发明实施例提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行所述地震面波与接收函数的联合反演方法。

本发明实施例提供了一种设备，如图10所示，设备包括至少一个处理器、以及与处理器连接的至少一个存储器、总线；其中，处理器、存储器通过总线完成相互间的通信；处理器用于调用存储器中的程序指令，以执行上述的地震面波与接收函数的联合反演方法。本文中的设备可以是服务器、PC、PAD、手机等。

本申请还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有如下方法步骤的程序：

获取待反演的面波频散数据和接收函数数据；

将所述待反演的面波频散数据和接收函数数据，输入预设的神经网络模型，得到对所述待反演的面波频散数据和接收函数数据反演得到的横波速度模型；

所述神经网络模型包括：第一神经网络模块、第二神经网络模块、特征融合模块和输出模块；所述第一神经网络模块，用于提取输入的面波频散数据中的特征，得到第一特征；所述第二神经网络模块，用于提取输入的接收函数数据中的特征，得到第二特征；所述特征融合模块，用于对所述第一特征与所述第二特征进行融合；所述输出模块，用于依据融合特征，输出横波速度模型。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

在一个典型的配置中，设备包括一个或多个处理器(CPU)、存储器和总线。设备还可以包括输入/输出接口、网络接口等。

存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)，存储器包括至少一个存储芯片。存储器是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。

本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

本申请实施例方法所述的功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算设备可读取存储介质中。基于这样的理解，本申请实施例对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该软件产品存储在一个存储介质中，包括若干指令用以使得一台计算设备(可以是个人计算机，服务器，移动计算设备或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

本说明书的各个实施例中记载的特征可以相互替换或者组合，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。