瑞雷波频散曲线的深度学习反演方法

摘要：

瑞雷波频散曲线反演是获取地表横波波速的关键步骤,现有线性反演方法的效果取决于初始模型的选择,非线性反演也存在效率低、多解等问题.为了进一步提高瑞雷波频散曲线反演的速度与精度,受深度学习卓越非线性映射能力启发,本文提出了瑞雷波频散曲线的深度学习反演方法.文中首先基于近地表速度结构的遍历属性和演化特征的有序性,提出了约束马尔科夫决策的样本数据构建方法;然后设计了一种卷积神经网络衔接长短时记忆网络的混合网络结构(CNN-LSTM),用于构建频散序列数据到速度结构的非线性映射关系,该网络结构包含了3个局部特征学习模块和1个长短时记忆层;再利用样本数据对混合网络进行训练;最后进行反演预测.理论模型试验的频散曲线在无噪与含噪情况下,拟合的平均相对误差分别不超过5.6％和8.9％,表明本文所提方法具有较高的计算精度和良好的鲁棒性.最后,将本文方法应用于2008年汶川Mw7.9地震白鹿镇同震地表破裂带的瑞雷波勘探中,为其浅表同震变形的局部化效应提供了科学约束.

关键词：深度学习、瑞雷波、频散曲线、马尔科夫决策、同震偏移

所属期刊栏目：65

分类号：P631

资助基金：四川省科技厅科技计划项目;国家重点研发计划;中央高校基本科研业务费;中央高校基本科研业务费;中国中铁股份有限公司科技研究开发计划项目

在线出版日期：2022-06-17（万方平台首次上网日期，不代表论文的发表时间）

页数：共16页

页码：2244-2259