1.一种地震子波与反射系数的联合反演方法,其特征在于,包括以下步骤:构建符合实际地震数据的数据集;所述数据集包括地震信号及其对应的地震子波与反射系数;
基于所述数据集,构建并训练端到端的并行网络;所述并行网络包括两个并行独立且基于深度学习训练的子网络,分别用于从地震信号中估计出对应的地震子波与反射系数;所述并行网络的训练过程中,两个子网络分别输出初步估计的地震子波和反射系数,然后将初步估计的地震子波和反射系数进行褶积得到重建信号,计算重建信号与输入的地震信号之间的重建损失,并结合各子网络的独立损失函数,共同指导并行网络的参数更新;
将待处理的地震信号输入至所述并行网络中,同步输出估计的地震子波与反射系数。
2.根据权利要求1所述的地震子波与反射系数的联合反演方法,其特征在于,构建符合实际地震数据的数据集的步骤,具体包括:根据地震子波和反射系数,构建符合实际地震数据中的地震信号;
将每一个地震信号与其对应的地震子波和反射系数进行一一对应,形成数据集;其中,地震信号作为输入,地震子波作为估计地震子波任务的标签,反射系数作为估计反射系数的标签。
3.根据权利要求2所述的地震子波与反射系数的联合反演方法,其特征在于,根据地震子波和反射系数,构建符合实际地震数据中的地震信号的步骤,具体包括:首先构建地震子波,使用理想的雷克子波作为合成地震信号的震源子波,其中雷克子波的表达式如下:;
式中,表示地震子波,表示地震子波的主频,表示时间;
其次,构建符合实际地震数据的反射系数;在实际地震数据中的反射系数是由于地下地层界面的上、下两层岩石的波阻抗的差异导致;其中反射系数的表达式如下:;
式中,表示反射系数,表示界面下方地层密度,表示界面下方地层的地震波传播速度,表示界面上地层密度,表示界面上地层的地震波传播速度;
在构建数据集中的反射系数时,在符合实际地震数据中反射系数的情况下,构建的反射系数是一个脉冲序列,其中脉冲信号的强度,也就是对应的反射系数的振幅符合实际地震数据中的反射系数的振幅,振幅控制在-1到1之间,该脉冲信号是由于前后两个地层的波阻抗不一致造成,其中波阻抗的表达式如下:;
式中,表示波阻抗,表示地层的密度,表示地层中地震波的传播速度;
当地震子波和反射系数构建完成后,对地震信号进行构建;地震信号以地震单道信号表示,其由地震子波和反射系数褶积获得;其中地震单道信号的表达式如下:;
式中,表示地震信号,表示地震子波,表示反射系数的脉冲序列,表示噪声干扰。
4.根据权利要求1所述的地震子波与反射系数的联合反演方法,其特征在于,两个子网络分别为子波估计的子网络以及反射系数估计的子网络,均采用结合LSTM的U-Net的网络架构。
5.根据权利要求4所述的地震子波与反射系数的联合反演方法,其特征在于,在子波估计的子网络中,所采用的独立损失函数包括均方误差损失和皮尔逊相关系数损失;在反射系数估计的子网络中,所采用的独立损失函数包括均方误差损失、皮尔逊相关系数损失和平均误差损失;重建损失由两个子网络中的主要损失结合成,包括均方误差损失和皮尔逊相关系数损失;
其中,均方误差损失MSE的表达式如下:
;
式中,为样本总数,表示第个样本的真实值,表示第个样本的预测值;
皮尔逊相关系数损失Corr的表达式如下:
;
式中,表示第个样本的预测值,表示预测值的均值,表示第个样本的真实值,表示真值的均值;
平均误差损失L1的表达式如下:
;
式中,为样本总数,表示第个样本的真实值,表示第个样本的预测值。
6.根据权利要求1所述的地震子波与反射系数的联合反演方法,其特征在于,在基于所述数据集,构建并训练端到端的并行网络的步骤之后,还包括:在并行网络训练结束后,使用数据集中的测试集数据进行测试,通过相关系数的指标以及直观的观察,估计的地震子波和真实地震子波是否一致,估计的反射系数和真实的反射系数是否一致,重建信号和输入的地震信号是否一致。
7.一种地震子波与反射系数的联合反演系统,用于实现权利要求1-6中任一项所述联合反演方法,其特征在于,包括:数据集构建模块,用于构建符合实际地震数据的数据集;所述数据集包括地震信号及其对应的地震子波与反射系数;
并行网络训练模块,用于基于所述数据集,构建并训练端到端的并行网络;所述并行网络包括两个并行独立的子网络,分别用于从地震信号中估计出对应的地震子波与反射系数;所述并行网络的训练过程中,两个子网络分别输出初步估计的地震子波和反射系数,然后将初步估计的地震子波和反射系数进行褶积得到重建信号,计算重建信号与输入的地震信号之间的重建损失,并结合各子网络的独立损失函数,共同指导并行网络的参数更新;
联合反演模块,用于将待处理的地震信号输入至所述并行网络中,同步输出估计的地震子波与反射系数。