基于循环神经网络的多参数全波形反演
发布时间：2022-01-11 19:00
全波形反演（FWI）是一种同时利用地震数据中的走时与振幅信息提供地下高分辨率模型的数据拟合方法。全波形反演分为正演和反演两部分。正演过程中,以有限差分法求解波动方程为例,t时刻的波场信息可以由t-1的波场值以及t-2时刻的波场值计算得到。所以整个正演过程可以由循环神经网络实现,即在网络中记忆t-1时刻和t-2时刻的波场值,输出t时刻的波场值。建立实现上述过程的循环神经网络以代替全波形反演中的正演过程,全波形反演中的反演过程即为神经网络的训练过程。在深度学习框架,如Tensorflow中,梯度的计算是利用自动微分机制。本文推导了自动微分计算损失函数对速度参数、密度参数的梯度,计算结果与全波形反演中常用的基于伴随状态法的计算结果相同。但是自动微分计算不需要像伴随状态一样显示的定义计算公式,因此对于更复杂的波动方程变形可以直接应用自动微分。将全波形反演定义在深度学习框架下,也更方便使用其中最先进的优化算法,进一步提高全波形反演的精度。本文首先基于常密度声波波动方程建立循环神经网络,实现速度模型单参数全波形反演。使用两种模型数据（全均质模型和Marmousi模型）进行验证,并比较了两种优化算法...
【文章来源】：哈尔滨工业大学黑龙江省 211工程院校 985工程院校
【文章页数】：62 页
【学位级别】：硕士
【部分图文】：
地震勘探示意图
地震记录(http://blog.sciencenet.cn/home.php?mod=space&uid=425437&do=blog&id=677066)
哈尔滨工业大学理学硕士学位论文-3-要用来处理序列数据，相比于传统的神经网络模型，循环神经网络层与层之间不再是全连接的，因此循环神经网络会对当前时刻以前的信息进行记忆，并应用于当前输出的计算当中。由于循环神经网络具有记忆性、参数共享等特点，因此被用来解决序列输入问题。随着对循环神经网络的深入研究，越来越多的网络模型被提出，解决序列的长时依赖问题。如图1-3为循环神经网络示意图。深度学习通过计算损失函数，利用反向传播算法与自动微分进行网络参数更新。图1-3循环神经网络(RNN)示意图(https://blog.csdn.net/heyongluoyao8/article/details/48636251)将全波形反演与循环神经网络结合，利用深度学习框架（如TensorFlow），可以在CPUs和GPUs上进行计算，并且可以在分布式储存器计算机集群上并行计算，此外还可以将深度学习领域中提出的新优化思想，例如Adam优化器，应用于全波形反演中，加速反演算法的计算效率以及收敛速度。1.2国内外在该方向的研究现状及分析1.2.1国外研究现状及分析二十世纪八十年代，Tarantola[1-3]等人提出了基于广义最小二乘下的时间域全波形反演的理论，由于此方法的提出，进而全波形反演理论开始了快速的发展。1984年Torantola等人在参考伴随状态法计算损失函数梯度的方式，通过计算由初始模型得到各个炮点的正传波场，进而计算检波点数据残差逆传波场计算出损失函数梯度方向，从而避免了直接计算Fréchet导数，这一方法的提出，使得二维时间域下的全波形反演的实现变得简单可行。由此，对
【参考文献】：
期刊论文
[1]一种时间域全波形反演中的地震子波估计方法[J]. 刘立彬,李振春,张云银,田坤,谭明友,雍鹏. 地球物理学进展. 2020(03)
[2]Time-Domain Full Waveform Inversion Using the Gradient Preconditioning Based on Transmitted Wave Energy[J]. SONG Peng,TAN Jun,LIU Zhaolun,ZHANG Xiaobo,LIU Baohua,YU Kaiben,LI Jinshan,XIA Dongming,XIE Chuang. Journal of Ocean University of China. 2019(04)
[3]基于波场重建的时域全波形反演[J]. 李松龄. 中国锰业. 2018(02)
[4]基于自适应步长OBFGS算法的快速时间域全波形反演[J]. 张天泽,韩立国,张盼,胡勇,毛博. 物探化探计算技术. 2018(01)
[5]基于GPU/CPU和震源随机编码技术的混合域全波形反演[J]. 冯海新,刘洪,孙军,胡婷,刘志伟. 石油物探. 2017(01)
[6]变密度声波全波形反演中密度影响因素及反演策略[J]. 张广智,孙昌路,潘新朋,张志明,姜岚杰,印兴耀. 吉林大学学报(地球科学版). 2016(05)
[7]基于CPU/GPU异构平台的全波形反演及其实用化分析[J]. 张猛,王华忠,任浩然,冯波,隋志强,王延光. 石油物探. 2014(04)
[8]基于非规则网格声波正演的时间域全波形反演[J]. 魏哲枫,高红伟,张剑锋. 地球物理学报. 2014(02)
[9]变密度声波方程多参数全波形反演策略[J]. 杨积忠,刘玉柱,董良国. 地球物理学报. 2014(02)
[10]三维声波全波形反演的实现与验证[J]. 胡光辉,贾春梅,夏洪瑞,贺剑波,宋林,沈忠秋. 石油物探. 2013(04)
本文编号：3583292
【文章来源】：哈尔滨工业大学黑龙江省 211工程院校 985工程院校
【文章页数】：62 页
【学位级别】：硕士
【部分图文】：
地震勘探示意图
地震记录(http://blog.sciencenet.cn/home.php?mod=space&uid=425437&do=blog&id=677066)
哈尔滨工业大学理学硕士学位论文-3-要用来处理序列数据，相比于传统的神经网络模型，循环神经网络层与层之间不再是全连接的，因此循环神经网络会对当前时刻以前的信息进行记忆，并应用于当前输出的计算当中。由于循环神经网络具有记忆性、参数共享等特点，因此被用来解决序列输入问题。随着对循环神经网络的深入研究，越来越多的网络模型被提出，解决序列的长时依赖问题。如图1-3为循环神经网络示意图。深度学习通过计算损失函数，利用反向传播算法与自动微分进行网络参数更新。图1-3循环神经网络(RNN)示意图(https://blog.csdn.net/heyongluoyao8/article/details/48636251)将全波形反演与循环神经网络结合，利用深度学习框架（如TensorFlow），可以在CPUs和GPUs上进行计算，并且可以在分布式储存器计算机集群上并行计算，此外还可以将深度学习领域中提出的新优化思想，例如Adam优化器，应用于全波形反演中，加速反演算法的计算效率以及收敛速度。1.2国内外在该方向的研究现状及分析1.2.1国外研究现状及分析二十世纪八十年代，Tarantola[1-3]等人提出了基于广义最小二乘下的时间域全波形反演的理论，由于此方法的提出，进而全波形反演理论开始了快速的发展。1984年Torantola等人在参考伴随状态法计算损失函数梯度的方式，通过计算由初始模型得到各个炮点的正传波场，进而计算检波点数据残差逆传波场计算出损失函数梯度方向，从而避免了直接计算Fréchet导数，这一方法的提出，使得二维时间域下的全波形反演的实现变得简单可行。由此，对
【参考文献】：
期刊论文
[1]一种时间域全波形反演中的地震子波估计方法[J]. 刘立彬,李振春,张云银,田坤,谭明友,雍鹏. 地球物理学进展. 2020(03)
[2]Time-Domain Full Waveform Inversion Using the Gradient Preconditioning Based on Transmitted Wave Energy[J]. SONG Peng,TAN Jun,LIU Zhaolun,ZHANG Xiaobo,LIU Baohua,YU Kaiben,LI Jinshan,XIA Dongming,XIE Chuang. Journal of Ocean University of China. 2019(04)
[3]基于波场重建的时域全波形反演[J]. 李松龄. 中国锰业. 2018(02)
[4]基于自适应步长OBFGS算法的快速时间域全波形反演[J]. 张天泽,韩立国,张盼,胡勇,毛博. 物探化探计算技术. 2018(01)
[5]基于GPU/CPU和震源随机编码技术的混合域全波形反演[J]. 冯海新,刘洪,孙军,胡婷,刘志伟. 石油物探. 2017(01)
[6]变密度声波全波形反演中密度影响因素及反演策略[J]. 张广智,孙昌路,潘新朋,张志明,姜岚杰,印兴耀. 吉林大学学报(地球科学版). 2016(05)
[7]基于CPU/GPU异构平台的全波形反演及其实用化分析[J]. 张猛,王华忠,任浩然,冯波,隋志强,王延光. 石油物探. 2014(04)
[8]基于非规则网格声波正演的时间域全波形反演[J]. 魏哲枫,高红伟,张剑锋. 地球物理学报. 2014(02)
[9]变密度声波方程多参数全波形反演策略[J]. 杨积忠,刘玉柱,董良国. 地球物理学报. 2014(02)
[10]三维声波全波形反演的实现与验证[J]. 胡光辉,贾春梅,夏洪瑞,贺剑波,宋林,沈忠秋. 石油物探. 2013(04)
本文编号：3583292
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3583292.html
