10.13810/j.cnki.issn.1000-7210.2023.01.005
利用Encoder-Decoder框架的深度学习网络实现绕射波分离及成像
利用单纯绕射波场实现地下地质异常体的识别具有坚实的理论基础,对应的实施方法得到了广泛研究,且有效地应用于实际勘探.但现有技术在微小尺度异常体成像方面收效甚微,相关研究多数以射线传播理论为基础,对于影响绕射波分离成像精度的因素分析并不完备.相较于反射波,由于存在不连续构造而产生的绕射波能量微弱并且相互干涉,同时环境干扰使得绕射波进一步湮没.因此,更高精度的波场分离及单独成像是现阶段基于绕射波超高分辨率处理、解释的重点研究方向.为此,首先针对地球物理勘探中地质异常体的准确定位,以携带高分辨率信息的绕射波为研究对象,系统分析在不同尺度、不同物性参数的异常体情况下绕射波的能量大小及形态特征,掌握绕射波与其他类型波叠加的具体形式;然后根据相应特征性质提出基于深度学习技术的绕射波分离成像方法,即利用Encoder-Decoder框架的空洞卷积网络捕获绕射波场特征,从而实现绕射波分离,基于速度连续性原则构建单纯绕射波场的偏移速度模型并完成最终成像.数据测试表明,该方法最终可满足微小地质异常体高精度识别的需求.
绕射波分离成像、深度神经网络、Encoder-Decoder框架、方差最大范数
58
P631
长安大学中央高校基本科研业务费专项资金项目300102261307
2023-03-21(万方平台首次上网日期,不代表论文的发表时间)
共9页
56-64