龙图腾网&IPTOP
- 微信扫码登录
- 账号密码登录
- 短信登录/注册
申请/专利权人：吉林大学
申请日：2024-01-31
公开（公告）日：2024-06-28
公开（公告）号：CN118259354A
主分类号：G01V1/30
分类号：G01V1/30
优先权：
专利状态码：在审-公开
法律状态：2024.06.28#公开
摘要：本发明一种基于深度学习的主被动源地震数据联合反演方法，包括在训练和测试模型上，收集收据集；进行合成地震数据的模拟；建立具有双输入的神经网络结构；降采样后变换、嵌入处理，进行特征提取；提取浅层、中层和深层的特征，提供一个多尺度的特征空间；应用卷积层，提取和精炼上述特征并调整维度，主动源和被动源的多级特征分别进行融合；进行神经网络训练。本发明通过深度学习技术，成功实现了被动地震数据与主动源数据的高级特征融合；深度学习模型能学习复杂的地震数据表示，将两种类型的数据有机地结合，提高了反演模型对地下结构的理解和表达能力；这种融合使得模型能更全面、更准确地捕捉地下介质的特征，包括复杂的地质层次和介质变化。
主权项：1.一种基于深度学习的主被动源地震数据联合反演方法，其特征在于，包括以下步骤：A、在训练模型和测试模型上，采用有限差分正演模拟方法合成数据，包括主动源数据和被动源数据，收集收据集；B、进行合成地震数据的模拟，包括主动源单炮记录和被动源的重构记录，重构记录通过互相关地震干涉法获得；C、建立具有双输入的神经网络结构，网络的输入为主动源单炮地震数据和被动源数据重建结果，分别经过下采样模块处理为高度为H、宽度为W的特征图，网络架构结合了Transformer与卷积神经网络；D、两个输入在经过降采样后，被分割成多个图像块，每个图像块经历线性变换和嵌入处理，处理过的图像块被输入到由多层Transformer层堆叠而成的结构中进行特征提取；E、提取浅层、中层和深层的特征，提供一个多尺度的特征空间，对每一层的输出进行重塑操作，将其转化为特定尺寸的特征图；F、应用卷积层，进一步提取和精炼上述特征并调整维度，主动源和被动源的多级特征分别进行融合；G、选择均方误差MSE作为损失函数，相关系数作为评价指标，进行神经网络训练，并通过优化器不断调整模型参数以最小化MSE，使模型逐渐适应训练数据的特征。
全文数据：
权利要求：
百度查询： 吉林大学 一种基于深度学习的主被动源地震数据联合反演方法
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。
主营中国专利交易买卖与专利转让许可,高校科技成果推广与科技成果转化,知识产权运营管理与平台开发,科技人才专家库与科技猎头等科技服务
开放平台
担保交易
惠及多方
会员特惠
专属平台
适合多方
数据共享
功能齐全
皖公网安备 34010402703815号