数据与智能优化双驱动的深度学习地震波阻抗反演方法

摘要

本发明公开了一种数据与智能优化双驱动的深度学习地震波阻抗反演方法，利用全局优化方法对一部分叠后地震数据进行波阻抗反演，并用反演所得数据预训练深度学习网络学习由地震数据到波阻抗的映射关系；利用预训练好的网络引导全局优化方法反演另一部分地震数据的波阻抗数据，加速其收敛到最优解，并用获取的最优解对深度学习网络进行优调；用优调后的深度学习网络，高效实现大规模三维地震数据的波阻抗模型反演。本发明极大地提升了波阻抗模型的反演效率，在计算成本可承担的情况下，实现了使全局优化方法在大规模波阻抗反演问题中的应用成为可能这一巨大突破。

权利要求

1.数据与智能优化双驱动的深度学习地震波阻抗反演方法，其特征在于，包括以下步骤：S1、从叠后地震道数据中选取数据并分成叠后地震数据sei1和叠后地震数据sei2，利用多组变异差分进化方法对叠后地震数据sei1进行波阻抗模型反演，获取对应的AI模型；

S2、基于U‑Net网络的结构，利用Python搭建具有两个输入通道和一个输出通道的深度学习网络；

S3、利用步骤S1中进行反演的地震数据和反演得到的AI模型对步骤S2中搭建的深度学习网络进行预训练；

S4、利用步骤S3中预训练的深度学习网络对步骤S1的叠后地震数据sei2进行AI模型预测；

S5、将步骤S4中网络预测的AI模型嵌入MMDE算法的变异算子中，加速引导MMDE算法收敛至最优解AI模型；

S6、将步骤S5中得到的最优解AI模型以及其对应的地震数据构成的数据集，对步骤S3中预训练的深度学习网络进行优调；

S7、利用步骤S6中优调后的深度学习网络进行AI模型反演，实现替代全局优化方法进行阻抗反演。

2.根据权利要求1所述的方法，其特征在于，步骤S1中，利用多组变异差分进化方法对叠后地震数据sei1进行波阻抗模型反演具体为：S101、在搜索空间内产生包含NP个D维初始化个体的种群；

S102、对种群中的每一个个体进行变异操作，为种群中的每一个个体 生成一个变异G向量Vi；

S103、对种群中的每一个个体进行交叉操作，通过将当前个体 与其对应的变异向量GVi融合，生成迹向量

S104、对种群中的每一个个体进行选择操作，通过比较当前个体 和对应的迹向量选择其中更好地一个向量作为新的个体，参与下一次迭代；

S105、判断是否满足算法结束条件，若满足，则结束；否则，跳回S102，继续迭代至收敛，迭代过程完成后，种群中的最佳个体将被示为优化问题的最优AI模型解。

3.根据权利要求2所述的方法，其特征在于，步骤S105中，通过计算观测地震数据与由种群中每一个个体所代表的AI模型计算的合成地震数据误差衡量是否满足预先设定的收敛条件的，合成地震数据具体为：Rq＝0,q＝N

Iq＝Vq·ρq,q＝1,2,...,N

其中，Dq、Rq和Iq分别为地震数据D、反射系数序列R和AI模型I的第q个元素；Wn为子波W的第n个元素；Vq和ρq分别为第q个水平层的速度和密度。

4.根据权利要求2所述的方法，其特征在于，步骤S105中，最大的迭代次数设置为150次。

5.根据权利要求1所述的方法，其特征在于，步骤S2中，搭建的深度学习网络参数化表示为：其中，fl表示地震道数据经过网络各层操作处理后的中间输出特征图，l＝1,2,...,10，g1为初始低频阻抗数据经过网络全连接层后的输出数据，Dobs,n表示第n个观测的地震道数据样本；Iinit,n表示第n个观测的地震道数据样本对应的低频阻抗趋势； 表示网络预测的第n个观测的地震道数据样本对应的AI模型； 表示每一层二维卷积层； 表示全连接层；σ(·)表示ReLU激活函数；MP(·)表示最大池化层； 表示每一层上采样卷积层；concat(·,·)表示将两部分特征进行拼接的操作。

6.根据权利要求1所述的方法，其特征在于，步骤S3中，深度学习网络的15层卷积层、1层全连接层和3层上卷积层中所有的可训练参数为：其中，Θ指代整个深度学习网络的可训练参数；θk为第k层卷积层的权重参数，θd为全连接层的权重参数， 为第k层上采样卷积层的权重参数。

7.根据权利要求6所述的方法，其特征在于，网络训练采用的损失函数表示为：其中，Dobs,n表示第n个观测的地震道数据样本；Iinit,n表示第n个观测的地震道数据样本对应的低频阻抗趋势； 表示网络预测的第n个观测的地震道数据样本对应的AI模型；

Iinv,n表示网络预测的第n个观测的地震道数据样本对应的真实的AI模型。

8.根据权利要求6所述的方法，其特征在于，网络训练采用的优化器为Adam，学习速率为0.0001，网络的批训练个数设置为128，网络一共训练500次。

9.根据权利要求1所述的方法，其特征在于，步骤S5中，变异操作融入深度学习网络预测的AI模型表示为：其中， 表示第一阶段预训练的网络预测的AI模型的第j个分量；

为第G次迭代中第i个个体对应的变异向量的第j个分量，Lfj为衡量个体中第j个分量优劣的局部失配函数，fm为变异算子， 和 为两个变异候选向量的第j个分量，F为变异因子， 和 分别为两个变异候选向量第j个分量的局部损失值。

说明书

数据与智能优化双驱动的深度学习地震波阻抗反演方法

技术领域

[0001] 本发明属于地球物理勘探技术领域，具体涉及一种数据与智能优化双驱动的深度学习地震波阻抗反演方法。

背景技术

[0002] 波阻抗(AI)反演技术作为一种重要的油气勘探技术，它能够从地震资料中得到地层波阻抗(AI)模型参数，进而描述储层结构和评估岩石物理特性。而我国的岩性油气藏作为今后相当长时间内最主要的勘探开发对象，其大多具有地质上纵向呈薄互层结构、横向上具有强非均质性的特点。因此，针对我国当前油气勘探的需求，如何反演获取能够精细刻画岩性油气藏的波阻抗(AI)模型参数是我国油气勘探面临的关键问题。

[0003] 地震波阻抗(AI)反演是一类典型的非线性反演问题。已有的波阻抗(AI)反演方法有直接反演类方法和以模型为基础的反演方法。由于地震数据带宽有限、噪声影响、不完整的数据覆盖以及依赖测井数据约束等因素，直接反演类方法的使用受到了限制。而以模型为基础的反演方法具有误差不随深度累积，反演精度相对较高以及频带较宽等优点，在测井资料匮乏的情况下，如何利用基于模型的波阻抗(AI)反演方法构建高质量的波阻抗(AI)模型是一个十分具有意义的研究课题。

[0004] 其中，在基于模型的波阻抗(AI)反演方法中，基于局部线性化技术最小化目标函数的方法，具有迭代速度快，效率高的特点。它通过建立一个初始的波阻抗(AI)模型，然后确定一个衡量当前模型参数质量优劣的目标函数，进而通过计算目标函数梯度进行迭代对模型空间进行搜索，寻找最优的波阻抗(AI)模型参数值。然而，当目标函数非线性较强且形态复杂时，此类基于梯度的局部线性化求解方法要求所建立的初始模型必须落入目标函数全局最优点的收敛区间内，否则搜索就会陷入局部极值点，无法得到全局最优解。另一类基于模型的波阻抗(AI)反演方法是利用全局优化方法来进行波阻抗(AI)模型参数反演。它能够在不依赖于目标函数梯度信息的情况下搜索最优模型参数解，具有跳出局部极小值并通过足够的迭代收敛至目标函数全局最小值的能力，因此在波阻抗(AI)模型反演中取得了良好的效果。但是，由于在一次迭代中全局优化方法需要进行大量的模型评估，其计算成本是局部线性化方法的数十甚至数百倍。所以，这也就阻碍了全局优化方法在大规模波阻抗(AI)模型反演问题上的应用。

发明内容

[0005] 本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种数据与智能优化双驱动的深度学习地震波阻抗反演方法，利用深度学习方法加速全局优化方法进行波阻抗模型的反演，然后进一步替代全局优化方法完成大规模地震数据的波阻抗模型反演，最终达到提升全局优化方法反演效率的目的。

[0006] 本发明采用以下技术方案：

[0007] 数据与智能优化双驱动的深度学习地震波阻抗反演方法，包括以下步骤：

[0008] S1、从叠后地震道数据中选取数据并分成叠后地震数据sei1和叠后地震数据sei2，利用多组变异差分进化方法对叠后地震数据sei1进行波阻抗模型反演，获取对应的AI模型；

[0009] S2、基于U‑Net网络的结构，利用Python搭建具有两个输入通道和一个输出通道的深度学习网络；

[0010] S3、利用步骤S1中进行反演的地震数据和反演得到的AI模型对步骤S2中搭建的深度学习网络进行预训练；

[0011] S4、利用步骤S3中预训练的深度学习网络对步骤S1的叠后地震数据sei2进行AI模型预测；

[0012] S5、将步骤S4中网络预测的AI模型嵌入MMDE算法的变异算子中，加速引导MMDE算法收敛至最优解AI模型；

[0013] S6、将步骤S5中得到的AI模型以及其对应的地震数据构成的数据集，对步骤S3中预训练的深度学习网络进行优调；

[0014] S7、利用步骤S6中优调后的深度学习网络进行AI模型反演，实现替代全局优化方法进行阻抗反演。

[0015] 具体的，步骤S1中，利用多组变异差分进化方法对叠后地震数据sei1进行波阻抗模型反演具体为：

[0016] S101、在搜索空间内产生包含NP个D维初始化个体的种群；

[0017] S102、对种群中的每一个个体进行变异操作，为种群中的每一个个体 生成一个G变异向量Vi；

[0018] S103、对种群中的每一个个体进行交叉操作，通过将当前个体 与其对应的变异G向量Vi融合，生成迹向量

[0019] S104、对种群中的每一个个体进行选择操作，通过比较当前个体 和对应的迹向量 选择其中更好地一个向量作为新的个体，参与下一次迭代；

[0020] S105、判断是否满足算法结束条件，若满足，则结束；否则，跳回S102，继续迭代至收敛，迭代过程完成后，种群中的最佳个体将被示为优化问题的最优AI模型解。

[0021] 进一步的，步骤S105中，通过计算观测地震数据与由种群中每一个个体所代表的AI模型计算的合成地震数据误差衡量是否满足预先设定的收敛条件的，合成地震数据具体为：

[0022]

[0023] 其中，Di、Wi、Ri和Ii分别为地震数据D、子波W、反射系数序列R和AI模型I的第i个元素；Vi和ρi分别为第i个水平层的速度和密度。

[0024] 进一步的，步骤S105中，最大的迭代次数设置为150次。

[0025] 具体的，步骤S2中，搭建的深度学习网络参数化表示为：

[0026]

[0027] 其中，Dobs,n表示第n个观测的地震道数据样本；Iinit,n表示第n个观测的地震道数据样本对应的低频阻抗趋势； 表示网络预测的第n个观测的地震道数据样本对应的AI模型； 表示每一层二维卷积层； 表示全连接层；σ(·)表示ReLU激活函数；MP(·)表示最大池化层； 表示每一层上采样卷积层；concat(·,·)表示将两部分特征进行拼接的操作。

[0028] 具体的，步骤S3中，深度学习网络的15层卷积层、1层全连接层和3层上卷积层中所有的可训练参数为：

[0029]

[0030] 其中，Θ指代整个深度学习网络的可训练参数；θi为第i层卷积层的权重参数，θd为全连接层的权重参数， 为第i层上采样卷积层的权重参数。

[0031] 进一步的，网络训练采用的损失函数表示为：

[0032]

[0033] 其中，Dobs,n表示第n个观测的地震道数据样本；Iinit,n表示第n个观测的地震道数据样本对应的低频阻抗趋势； 表示网络预测的第n个观测的地震道数据样本对应的AI模型；Iinv,n表示网络预测的第n个观测的地震道数据样本对应的真实的AI模型。

[0034] 进一步的，网络训练采用的优化器为Adam，学习速率为0.0001，网络的批训练个数设置为128，网络一共训练500次。

[0035] 具体的，步骤S5中，变异操作融入深度学习网络预测的AI模型表示为：

[0036]

[0037] 其中， 表示第一阶段预训练的网络预测的AI模型的第j个分量； 为第G次迭代中第i个个体对应的变异向量的第j个分量，Lfj为为衡量个体中第j个分量优劣的局部失配函数，fm为变异算子， 和 为两个变异候选向量的第j个分量，F为变异因子， 和 分别为两个变异候选向量第j个分量的局部损失值。

[0038] 与现有技术相比，本发明至少具有以下有益效果：

[0039] 本发明一种数据与智能优化双驱动的深度学习地震波阻抗反演方法，用于大规模地震波阻抗反演的深度学习加速高效全局优化方法，通过将深度学习融入到全局优化方法中，全局优化方法仅通过反演较少的地震道数据，来为深度学习网络构造数据集学习由地震数据到波阻抗模型的非线性映射关系，深度学习首先加速引导全局优化方法收敛到全局最优解，进一步替代全局优化方法进行大规模地震波阻抗反演，从而大大改善了全局优化方法用于大规模阻抗反演的效率问题。

[0040] 进一步的，由于全局优化方法求解反问题的时间成本与种群规模、算法迭代次数以及所要反演的地震道数据量成正比，为提升全局优化算法的反演效率，在这里，我们从反演的地震数据量入手，通过在数以万计的大规模地震数据中仅抽取一部分较少的地震数据(几千道)来进行全局优化阻抗反演，为我们深度学习网络构造数据集，其中一部分数据用来预训练网络，为后续网络加速引导全局优化算法提供一个先验信息。

[0041] 进一步的，在判断MMDE算法是否收敛时，由于我们只了解观测地震数据及其对应的低频阻抗趋势，因此当算法从低频阻抗趋势模型为迭代初始模型进行阻抗反演时，每次迭代所得的新的种群个体也即当前迭代搜索所得的AI模型，将转换为合成地震数据来进一步计算其与观测地震记录的损失值，由此来判断种群中个体的优劣，并判断是否满足算法收敛的标准。

[0042] 进一步的，在这里MMDE算法的最大迭代次数是根据经验给出的，经测试次最大迭代次数的设置能够满足我们反演得到准确的波阻抗模型的要求。

[0043] 进一步的，我们采用的U‑Net网络来实现波阻抗反演反问题非线性映射关系的学习，这一网络结构是我们通过经验测试比较LSTM网络以及Res‑Net网络的性能之后，所选取的最优的网络结构。

[0044] 进一步的，我们所搭建的U‑Net网络具有两个输入的目的是为了将除了地震数据之外的低频阻抗趋势也引入到网络中进行训练，让网络充分学习由地震数据和对应的低频阻抗模型与绝对波阻抗模型之间的非线性映射关系。网络具体采用的卷积层个数及其每一层的参数设置、全连接层及其的参数设置，以及上卷积层的个数及其参数设置都是在遵循U‑Net网络框架的基础上，根据经验测试所给出的，能够满足我们预测得到接近真实波阻抗模型的AI模型参数。

[0045] 进一步的，我们网络训练所采用的损失函数为平均绝对值误差函数(MAE)，这一设置是通过经验以及我们的实际测试所给出的，能够满足我们网络预测AI模型反演精度的要求。

[0046] 进一步的，有关网络训练的优化器、学习速率、批训练大小，以及网络训练次数的设置，是基于我们经验以及大量测试后，最终选取的能够满足预测波阻抗模型与真实波阻抗模型具有较高准确性的一套参数设置。

[0047] 进一步的，由于全局优化算法的迭代次数很大程度上受变异算子中变异候选向量引导的变异方向的影响，因此为了加速MMDE算法收敛，我们将步骤S3预训练的网络所预测的波阻抗模型作为一个先验信息，也即一个变异候选向量，融入到MMDE算法的变异算子中。虽然预训练的网络可能没有较好的泛化性，但足以提供一个接近于全局最优解的一个AI模型，将其作为先验信息融入到MMDE的变异算子中，即可实现引导MMDE算法加速收敛到全局最优解上，从而提高反演效率。

[0048] 综上所述，本发明通过将深度学习网络融入到全局优化方法中，利用全局优化方法反演较少的波阻抗模型，为深度学习网络构建数据集，训练网络学习由地震道数据到绝对波阻抗的非线性映射关系，深度学习网络首先用来引导加速全局优化方法收敛到全局最优解，最后完全替代全局优化方法进行数以万计的大规模地震波阻抗反演，由此避免了全局优化方法对大规模数据的反演。所提出人工智能波阻抗反演框架在保证反演精度的同时，也大大提升了大规模三维地震波阻抗反演的效率。

[0049] 下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

附图说明

[0050] 图1为本发明流程示意图；

[0051] 图2为搭建的深度学习网络结构；

[0052] 图3为目标区的三维模型，其中，(a)目标区真实的三维波阻抗(AI)模型；(b)目标区三维叠后地震数据模型图；

[0053] 图4为分别在纵线方向(inline)和横线方向(crossline)构成深度学习网络训练集数据所采样的线的位置，以及深度学习网络测试集数据所采样的线的位置图；

[0054] 图5为深度学习网络测试集两条线的波阻抗(AI)模型反演结果对比图，其中，(a)为真实的波阻抗(AI)模型；(b)为多组编译差分进化算法(MMDE)反演的波阻抗(AI)模型；(c)为本发明所提出方法反演的波阻抗(AI)模型图；

[0055] 图6为本发明所提出方法反演的整个目标区三维波阻抗(AI)模型图。

具体实施方式

[0056] 下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。

[0057] 在本发明的描述中，需要理解的是，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

[0058] 还应当理解，在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。

[0059] 还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

[0060] 在附图中示出了根据本发明公开实施例的各种结构示意图。这些图并非是按比例绘制的，其中为了清楚表达的目的，放大了某些细节，并且可能省略了某些细节。图中所示出的各种区域、层的形状及它们之间的相对大小、位置关系仅是示例性的，实际中可能由于制造公差或技术限制而有所偏差，并且本领域技术人员根据实际所需可以另外设计具有不同形状、大小、相对位置的区域/层。

[0061] 波阻抗反演技术是一种常用的油气勘探技术，它能够从地震资料中得到地层波阻抗(AI)模型参数，进而基于地震反射数据来定量的估计地下介质的岩石物理参数，从而进行储层预测和描述油藏特征。

[0062] 本发明提供了一种数据与智能优化双驱动的深度学习地震波阻抗反演方法，利用多组变异差分进化算法(MMDE)对一部分叠后地震数据进行反演，获取对应的波阻抗(AI)模型，并用地震数据与波阻抗(AI)模型构成的数据集对深度学习网络进行预训练；其次，将预训练的网络预测的另一部分波阻抗(AI)模型嵌入多组变异差分进化算法(MMDE)的变异操作中，引导全局优化方法加速收敛到最优解，并用最优解对深度学习网络进行优调；最后，利用优调后的网络代替多组变异差分进化算法(MMDE)，对大规模的地震数据进行波阻抗(AI)反演。

[0063] 请参阅图1，本发明一种数据与智能优化双驱动的深度学习地震波阻抗反演方法，本发明的物质基础是叠后地震数据和对应的低频阻抗趋势，理论基础是多组变异差分进化算法(MMDE)以及深度学习网络。包括以下步骤：

[0064] S1、利用多组变异差分进化算法(MMDE)对所选择的一部分叠后地震数据进行波阻抗(AI)模型反演；

[0065] 使用的多组变异差分进化算法(MMDE)是一种基于群体的启发式全局优化方法，群D体包含NP个D维个体，每一个个体也称作一个候选解，表示为Xi＝[xi,1,xi,2,...,xi,D]∈R ，i＝1,2,...,NP。

[0066] 利用多组变异差分进化算法(MMDE)，对图1算法框架阶段1中所选的第一部分地震数据进行波阻抗(AI)模型反演；MMDE算法包括：初始化、变异、交叉和选择操作，具体流程如下：

[0067] S101、在搜索空间内产生包含NP个D维初始化个体的种群；

[0068] 初始化种群是以一种随机的方式在搜索空间进行的，对于包含有NP个D维个体XiD＝[xi,1,xi,2,...,xi,D]∈R ，i＝1,2,...,NP的种群，其第i个个体的第j个分量的初始化表示为：

[0069]

[0070] 其中， 表示初始化后的第i个个体的第j个分量(j＝1,2,...,D)；xmin,j和xmax,j分别为搜索空间第j维的上下边界；rand(0,1)为服从0和1之间均匀分布的随机数。

[0071] 种群个体的数量NP＝100，个体的维数D＝100与单道地震数据的长度保持一致；搜索空间的上下边界Xmax和Xmin是通过对对应的低频阻抗趋势数据加减一个η＝1.0((g/cc)×3
(kg/m))实现的，即Xmax＝I0+η，Xmin＝I0‑η，其中I0为当前反演地震道数据的低频阻抗趋势，也即MMDE反演方法的初始模型。

[0072] S102、对种群中的每一个个体进行变异操作；

[0073] 变异算子将为种群中的每一个个体 生成一个变异向量ViG，变异向量的第j个分量 表示为：

[0074]

[0075] 其中，fm(·)为变异算子；上标G表示本次迭代是第几次的迭代；r1，r2和r3为在1到NP之间随机选择的三个整数，且在每次迭代中都会重新进行选择；函数Lfj(·)为衡量个体中第j个分量优劣的局部失配函数，它能够引导个体变异方向，保证算法收敛到一个更好的解；F∈[0,2]为变异因子。

[0076] 函数Lfj(·)为：

[0077]

[0078] 其中， 和Dobs分别是第i个个体所代表的计算地震数据和与之相关的观测地震数据；Wj是一个窗函数，用来提取第j个分量周围的地震数据，来计算数据失配； 代表按元素相乘的操作；上式中的局部失配函数能够引导个体变异方向，保证算法收敛到一个更好的解。式(2)中的F＝0.4为变异因子。

[0079] S103、对种群中的每一个个体进行交叉操作；

[0080] 交叉操作是通过将当前个体 与其对应的变异向量ViG融合，来生成迹向量它的第j个分量表示为：

[0081]

[0082] 其中，CR∈[0,1)为预先设定的交叉比例，本发明中CR＝0.4；jrand是从1到NP之间随机选择的一个整数，来保证在CR＝0时， 与 不同。

[0083] S104、对种群中的每一个个体进行选择操作；

[0084] 通过比较当前个体 和对应的迹向量 选择其中更好地一个向量作为新的个体，参与下一次迭代。

[0085] 选择操作进一步表示为：

[0086]

[0087] 其中，J(·)是优化问题的目标函数。

[0088] 使用MMDE算法估计AI模型，为了确保所估计的AI模型满足物理上的合理性，通过结合保留边缘平滑(EPS)的模型约束，使用了一个新的两步选择算子：

[0089]

[0090]

[0091] 其中，EPS(·)表示EPS算子，在加速收敛和输出块状解方面是有效的。

[0092] 上述的MMDE算法中的变异、交叉和选择操作将一直循环迭代，直到达到预设的停止标准，最大的迭代次数设置为150次。一旦整个迭代过程完成，种群中的最佳个体将被示为优化问题的最优AI模型解。

[0093] 所进行反演的叠后地震数据，是在P波速度模型的基础上，将密度固定为常数，由此获取的AI模型的基础上，再进一步得到合成地震数据。

[0094] 合成的地震数据由下式计算：

[0095]

[0096] 其中，Di、Wi、Ri和Ii分别为地震数据D、子波W、反射系数序列R和AI模型I的第i个元素；Vi和ρi分别为第i个水平层的速度和密度。

[0097] S105、判断是否满足算法结束条件，若满足，则结束算法；否则，算法跳回S102，继续迭代至收敛。

[0098] S2、在Tensorflow2.0平台上，基于U‑Net网络的结构，用Python搭建具有两个输入通道和一个输出通道的深度学习网络；

[0099] 请参阅图2，网络的输入1为地震道数据，输入2为对应的低频阻抗趋势，网络输出为单道地震数据对应的AI模型。

[0100] 搭建的深度学习网络参数化表示为：

[0101]

[0102] 其中，为了保持经过网络下采样和上采样之后数据的尺寸不变，采用算子P(·)对网络的两个输入通道的数据都进行了一个上下边界各补零10个点的操作；Dobs,n表示第n个观测的地震道数据样本；Iinit,n表示第n个观测的地震道数据样本对应的低频阻抗趋势；表示网络预测的第n个观测的地震道数据样本对应的AI模型； 表示每一层
二维卷积层； 表示全连接层；σ(·)表示ReLU激活函数；MP(·)表示最大池化层；
表示每一层上采样卷积层；concat(·,·)表示将两部分特征进行拼接的操
作。

[0103] S3、利用步骤S1中进行反演的地震数据和反演所得的AI模型，对步骤S2中搭建的深度学习网络进行预训练；

[0104] 深度学习网络的预训练，是利用步骤S1中进行反演的地震数据和其对应的低频阻抗趋势作为网络输入，步骤S1中反演的AI模型作为网络输出标签，对步骤S2中搭建的深度学习网络进行训练的。

[0105] 搭建深度学习网络的15层卷积层、1层全连接层和3层上卷积层中所有的可训练参数可以对应总结为：

[0106]

[0107] 网络训练采用的损失函数为平均绝对值误差函数(MAE)，可以表示为：

[0108]

[0109] 其中，Θ指代整个深度学习网络的可训练参数；Dobs,n表示第n个观测的地震道数据样本；Iinit,n表示第n个观测的地震道数据样本对应的低频阻抗趋势； 表示网络预测的第n个观测的地震道数据样本对应的AI模型；Iinv,n表示网络预测的第n个观测的地震道数据样本对应的真实的AI模型。

[0110] 网络训练采用的优化器为Adam，学习速率设定为0.0001，网络的批训练个数设置为128，网络一共训练了500次。

[0111] S4、利用步骤S3中预训练的网络，对选择的另一部分地震数据进行AI模型预测；

[0112] 利用预训练的网络对新的地震数据AI模型的预测，是通过将所选择的另一部分地震数据及其对应的低频阻抗趋势输入到预训练后的网络，预测得到这部分地震数据对应的AI模型。

[0113] S5、将步骤S4中网络预测的AI模型嵌入到MMDE算法的变异算子中，加速引导MMDE算法收敛至最优解AI模型；

[0114] 深度学习引导的多组变异差分进化算法(DLG‑MMDE)主要是，将预训练网络预测的AI模型嵌入到MMDE算法的变异操作中，将其作为群体中个体的一个变异候选向量，由此引导MMDE的收敛方向并加速算法收敛至最优解。

[0115] 基于步骤S4中网络预测的AI模型，将其作为MMDE算法种群个体变异时的一个候选变异向量，嵌入到MMDE算法的变异算子中，加速引导MMDE算法收敛至一个更为精细的AI模型。上述所描述的深度学习引导的多组编译差分进化算法(DLG‑MMDE)同样包括：初始化、变异、交叉和选择操作；其中初始化、交叉和选择操作与步骤S1中所述相同。

[0116] 变异操作融入了深度学习网络预测的AI模型表示为：

[0117]

[0118] 其中， 表示第一阶段预训练的网络预测的AI模型的第j个分量。

[0119] S6、将步骤S5中得到的最优解AI模型以及其对应的地震数据构成的数据集，对步骤S3中预训练的网络进行优调；

[0120] 深度学习网络的优调是通过将DLG‑MMDE获取的更为精细的AI模型作为网络标签，对应的地震道数据及其低频阻抗趋势作为网络输入，对搭建的深度学习网络在预训练后进行再训练完成的。

[0121] S7、利用步骤S6中优调后的网络，进行大规模的AI模型反演。

[0122] 利用优调后的深度学习网络代替MMDE方法进行数以万计的大规模地震数据的AI模型反演操作，高效地获取大规模的AI模型。

[0123] 本发明再一个实施例中，提供一种数据与智能优化双驱动的深度学习地震波阻抗反演系统，该系统能够用于实现上述基于深度学习加速的全局优化方法，具体的，该数据与智能优化双驱动的深度学习地震波阻抗反演系统包括数据模块、构建模块、训练模块、预测模块、收敛模块、优调模块以及反演模块。

[0124] 其中，数据模块，从叠后地震道数据中选取数据并分成叠后地震数据sei1叠后地震数据sei2，利用多组变异差分进化方法对叠后地震数据sei1进行波阻抗模型反演，获取对应的AI模型；

[0125] 构建模块，基于U‑Net网络的结构，利用Python搭建具有两个输入通道和一个输出通道的深度学习网络；

[0126] 训练模块，利用数据模块中进行反演的地震数据和反演得到的AI模型对构建模块中搭建的深度学习网络进行预训练；

[0127] 预测模块，利用训练模块中预训练的深度学习网络对数据模块的第二部分叠后地震数据进行AI模型预测；

[0128] 收敛模块，将预测模块中网络预测的AI模型嵌入MMDE算法的变异算子中，加速引导MMDE算法收敛至最优解AI模型；

[0129] 优调模块，将收敛模块中得到的最优解AI模型以及其对应的地震数据构成的数据集，对训练模块中预训练的深度学习网络进行优调；

[0130] 反演模块，利用优调模块中优调后的深度学习网络进行AI模型反演，实现替代全局优化方法进行阻抗反演。

[0131] 本发明再一个实施例中，提供了一种终端设备，该终端设备包括处理器以及存储器，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可能是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor、DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field‑Programmable GateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，其是终端的计算核心以及控制核心，其适于实现一条或一条以上指令，具体适于加载并执行一条或一条以上指令从而实现相应方法流程或相应功能；本发明实施例所述的处理器可以用于数据与智能优化双驱动的深度学习地震波阻抗反演方法的操作，包括：

[0132] 从叠后地震道数据中选取数据并分成叠后地震数据sei1和叠后地震数据sei2，利用多组变异差分进化方法对叠后地震数据sei1进行波阻抗模型反演，获取对应的AI模型；基于U‑Net网络的结构，利用Python搭建具有两个输入通道和一个输出通道的深度学习网络；利用进行反演的地震数据和反演得到的AI模型对搭建的深度学习网络进行预训练；利用预训练的深度学习网络对叠后地震数据sei2进行AI模型预测；将网络预测的AI模型嵌入MMDE算法的变异算子中，加速引导MMDE算法收敛至最优解AI模型；将得到的最优解AI模型以及其对应的地震数据构成的数据集，对预训练的深度学习网络进行优调；利用优调后的深度学习网络进行AI模型反演，实现替代全局优化方法进行阻抗反演。

[0133] 本发明再一个实施例中，本发明还提供了一种存储介质，具体为计算机可读存储介质(Memory)，所述计算机可读存储介质是终端设备中的记忆设备，用于存放程序和数据。可以理解的是，此处的计算机可读存储介质既可以包括终端设备中的内置存储介质，当然也可以包括终端设备所支持的扩展存储介质。计算机可读存储介质提供存储空间，该存储空间存储了终端的操作系统。并且，在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令，这些指令可以是一个或一个以上的计算机程序(包括程序代码)。
需要说明的是，此处的计算机可读存储介质可以是高速RAM存储器，也可以是非不稳定的存储器(non‑volatile memory)，例如至少一个磁盘存储器。

[0134] 可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令，以实现上述实施例中有关数据与智能优化双驱动的深度学习地震波阻抗反演方法的相应步骤；计算机可读存储介质中的一条或一条以上指令由处理器加载并执行如下步骤：

[0135] 从叠后地震道数据中选取数据并分成叠后地震数据sei1和叠后地震数据sei2，利用多组变异差分进化方法对叠后地震数据sei1进行波阻抗模型反演，获取对应的AI模型；基于U‑Net网络的结构，利用Python搭建具有两个输入通道和一个输出通道的深度学习网络；利用进行反演的地震数据和反演得到的AI模型对搭建的深度学习网络进行预训练；利用预训练的深度学习网络对叠后地震数据sei2进行AI模型预测；将网络预测的AI模型嵌入MMDE算法的变异算子中，加速引导MMDE算法收敛至最优解AI模型；将得到的最优解AI模型以及其对应的地震数据构成的数据集，对预训练的深度学习网络进行优调；利用优调后的深度学习网络进行AI模型反演，实现替代全局优化方法进行阻抗反演。

[0136] 为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中的描述和所示的本发明实施例的组件可以通过各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

[0137] 本发明的具体实施过程被应用于Overthrust三维模型，其中目标区的三维AI模型如图3(a)所示。该三维模型是通过以下两个步骤从三维Overthrust模型的真实P波速度产生的：

[0138] (1)对原Overthrust三维模型进行重新采样，采样后在纵线方向(inline)和横线方向(crossline)各有201道数据；

[0139] (2)将原始的深度域模型在这里作为时域模型处理，截取其前800ms得到目标区的三维模型。

[0140] 即，所获得的目标区三维模型共有40401道数据，每道数据的长度为800ms。进一步，在本例中采样间隔为8ms，密度固定为一个常数，所使用的子波为10Hz的Ricker子波，利用式(8)生成合成地震数据。获取的整个40401道三维观测地震数据如图3(b)所示。

[0141] 通过对目标区三维地震数据模型的inline方向和crossline方向分别均匀地从201道中采样10条线的201道数据，来作为深度学习网络的训练数据集。这10条线的道数位置在inline方向和crossline方向相同，都为：10、30、50、70、90、110、130、150、170、190。

[0142] 也就是说，一共从有目标区三维模型中采样了20条线的数据，每条线包含201道地震数据，网络训练集一共由4020道地震数据及其对应的低频阻抗趋势和真实的AI模型标签构成。同时，我们还分别将inline方向和crossline方向的第40道的两条含有201道地震数据的线作为网络的测试集数据。构成网络训练集数据的线的位置以及网络测试集数据的线的位置如图4所示，其中，实线代表训练数据线的位置，虚线代表测试数据线的位置。

[0143] 对前面所抽取作为网络训练集的20条线的数据，首先，随机选取了10条线的数据，通过步骤S1～S3对网络进行预训练；其次，剩余的10条线数据，通过步骤S4～S6对网络进行优调；最后，通过步骤S7获取整个目标区包含40401道数据的三维AI模型。将用于网络测试的第40道的两条线的数据的本发明所提出方法的反演结果，和单独利用MMDE的反演结果进行了对比。

[0144] 请参阅图5，图5所示的分别为用于网络测试的两条线的真实AI模型如图5(a)、MMDE方法反演的AI模型如图5(b)，以及本发明所提出方法反演的AI模型如图5(c)。如图5所示，对比MMDE反演结果和本发明所提出方法反演结果可以看出，本发明所提出方法反演的AI模型具有更好的质量，峰值信噪比(PSNR)为38.1345dB，大于MMDE反演结果的峰值信噪比(PSNR)36.1195dB。

[0145] 除此之外，MMDE方法反演整个三维数据体所用时间约为1.19×106s，而本发明所5
提出方法反演的时间约为1.17×10s。并且，用于网络训练的20条线数据所包含的4020道数据仅为三维模型40401道数据的4.98％。

[0146] 可以说，本发明所提出的方法用极少的数据训练网络就达到了甚至略优于MMDE方法的反演结果，且所用的反演时间仅为MMDE方法的9.83％，大大提高了反演的效率。

[0147] 请参阅图6，图6所示为本发明方法对整个目标区三维模型40401道数据的AI模型反演结果。对比图3(a)所示的真实的目标区三维AI模型，看到该反演结果在AI值和结构上都与真实模型具有良好的一致性。且这一结果是通过网络预测即时获取的，这种效率的显著提升可以被认为是本发明所提出方法的一个巨大突破，因为它使全局优化方法在大规模AI反演问题中的应用成为可能，并且其计算成本是可负担的。

[0148] 综上所述，本发明一种数据与智能优化双驱动的深度学习地震波阻抗反演方法，用于大规模地震波阻抗反演的深度学习加速高效全局优化方法，通过将深度学习网络融入全局优化多组变异差分进化算法中，全局优化算法仅通过反演大规模三维地震数据的4.98％的地震数据的波阻抗模型，为深度神经网络构造了学习由地震数据映射波阻抗模型的数据集。深度学习网络首先加速引导全局优化方法收敛到最优模型解上，最后完全替代全局优化方法进行大规模地震波阻抗反演，达到了在反演精度不低于传统全局优化方法的情况下，反演时间仅为传统方法的9.83％的结果，大大提升了大规模三维地震波阻抗反演问题的效率，实现了使得在实际大规模应用问题中利用全局优化方法反演大规模阻抗模型成为可能这一巨大突破。

[0149] 本领域内的技术人员应明白，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。

[0150] 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。

[0151] 这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置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。

[0152] 这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供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步骤。

[0153] 以上内容仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明权利要求书的保护范围之内。