联合地震初至走时与早至波形的深度学习速度建模

地震初至走时和早至波形数据含有丰富的速度结构信息,被广泛用于地震速度建模.采用初至走时建模稳定,但精度不足;而地震波形速度建模虽然精度较高,但稳定性较低.联合采用初至走时和早至波形可能有助于同时提高速度建模的稳定性和精度,但走时和波形的物理意义不同,在数据结构上存在明显差异,难以直接在常规层析成像或波形反演中联合.本文提出联合地震初至走时与早至波形的深度学习速度建模方法,通过对特征数据集的异构数据进行维度变换,使初至走时和早至波形以不同通道输入到深度神经网络,形成相对应的速度模型映射.数值实验结果表明,该方法实现了初至走时和早至波形在速度建模中的优势互补,其建模精度优于仅采用初至走时及仅采用早至波形的深度学习建模方法和层析成像方法.利用异构数据开展深度学习速度建模的思路,对联合其他数据开展高精度速度建模也具有借鉴意义.

基于早至波的特征波波形反演建模方法

近地表速度建模问题是地球物理建模的重点及难点问题。传统基于射线类的反演方法受到高频假设的限制,存在理论上的建模"盲区",而全波形反演方法的应用又受到资料品质等诸多因素的限制。介绍了一种基于全波形反演思想的特征波波形反演方法,引入早至波的概念联合初至走时层析反演,利用早至波这一特征波的运动学和动力学信息,实现对近地表及中浅层的高精度建模。模型验证结果表明,该方法即使在初始模型精度较低的情况下仍然可以达到较好的建模效果。

近地表复杂区早至波全波形反演建模技术与应用

为提高近地表复杂区速度建模的精度,开展了早至波全波形反演的近地表速度建模技术研究,并将其应用于陆上三维实际地震资料处理。分析了全波形反演中非线性来源,确定地震数据偏移距选取范围,讨论了观测地震数据早至波提取及其波动方程正演模拟方法,介绍了早至波全波形反演的方法原理,探讨了早至波全波形反演在实际资料应用中的关键技术流程。研究确定了早至波全波形反演的反演策略:首先利用初至走时层析方法恢复近地表模型低波数信息,然后将其作为早至波全波形反演的初始模型,利用早至波信息进行反演,恢复模型的高波数成分。研究表明,早至波全波形反演对初始模型的依赖性低于常规全波形反演。陆上三维实际地震资料测试结果表明,早至波全波形反演建模结果相对于走时层析速度模型细节更加丰富,异常体空间展布描绘更加清晰。

基于波场重构的早至波波形反演

初至波走时反演难以得到复杂的地下构造,而早至波波形反演在处理远偏移距地震记录时易产生周期跳跃现象,只能利用近偏移距数据进行反演.但近偏移距的早至波所携带的信息较少,难以实现对地下介质的高精度速度建模.为解决上述问题,并充分利用远偏移距的早至波信息,本文提出基于初至波波场重构的早至波反演方法.该方法将早至波波动方程作为惩罚项,加入到传统的全波形反演的目标函数中.新的反演问题转化为一个选择优化问题,可以用变量映射法对该问题进行求解:首先给定初始速度,在早至波波形空间寻找合适的早至波解;在准确重构早至波场之后,利用早至波场与近地表速度的近线性关系,实现对近地表速度场的高精度建模.该方法不包含观测数据的匹配过程,可以更好的处理远偏移距信息并避免周期跳跃.模型测试验证了本文方法的准确性和有效性.