本發(fā)明涉及一種適用于煤巖體內(nèi)部裂隙的全波形反演探測(cè)方法，屬于礦產(chǎn)資源勘查。

背景技術(shù)：

1、煤炭作為重要的能源和礦產(chǎn)資源，對(duì)于國(guó)家經(jīng)濟(jì)和社會(huì)發(fā)展至關(guān)重要。煤巖體結(jié)構(gòu)模型測(cè)試是用于了解煤巖體的結(jié)構(gòu)、力學(xué)性質(zhì)和變形規(guī)律，進(jìn)而揭示煤巖體的動(dòng)力學(xué)演化過(guò)程，從而為煤層的突水、冒頂、支護(hù)失效等災(zāi)害風(fēng)險(xiǎn)預(yù)測(cè)預(yù)警提供依據(jù)，最終實(shí)現(xiàn)煤礦資源的安全高效生產(chǎn)，因此對(duì)煤巖體內(nèi)部裂隙的探測(cè)具有重要意義。

2、針對(duì)實(shí)驗(yàn)室的煤巖體樣本進(jìn)行內(nèi)部裂隙探測(cè)試驗(yàn)，目前具有如下方法：伽馬或者x射線探測(cè)法，該方法技術(shù)成熟，但探測(cè)過(guò)程具有放射性；電子自旋共振法，該方法檢測(cè)范圍?。粦?yīng)力截齒法，該方法由于技術(shù)不成熟導(dǎo)致探測(cè)穩(wěn)定性較差；另外還有紅外探測(cè)法，雷達(dá)探測(cè)法，高壓水流法等，這三種方法均存在探測(cè)精度或探測(cè)范圍不足的問(wèn)題。除此之外，還有攝像法和震動(dòng)與聲波分析方法，其中攝像法無(wú)法得到煤巖體內(nèi)部信息，而震動(dòng)與超聲波分析法是一種具備對(duì)煤巖體精細(xì)探測(cè)能力的方法；煤巖體具有多尺度的結(jié)構(gòu)特征，從微裂隙到破裂面都存在著不同的結(jié)構(gòu)變化，成功地獲取煤巖體在不同尺度下的裂隙和結(jié)構(gòu)界面信息，才能成功模擬出其力學(xué)性質(zhì)和變形行為。針對(duì)深地工程多場(chǎng)耦合動(dòng)力災(zāi)變問(wèn)題，使得煤巖體結(jié)構(gòu)模型面臨測(cè)試范圍大且測(cè)試精度要求高的難題，現(xiàn)有方法無(wú)法有效地實(shí)現(xiàn)此類模型微裂隙和結(jié)構(gòu)界面的高精度表征。

3、全波形反演技術(shù)(full-waveforminversion,fwi)是公認(rèn)的最具潛力的新一代高精度地球物理成像技術(shù)，其充分利用地震波在地下傳播的全波形信息，通過(guò)數(shù)值模擬和反演方法求解地下介質(zhì)的準(zhǔn)確介質(zhì)模型，從而獲得高分辨率的地下結(jié)構(gòu)圖像。近年來(lái)，經(jīng)典全波形反演已取得了可觀的進(jìn)展，特別是在反演精度和效率方面。因?yàn)橥ㄟ^(guò)自動(dòng)微分獲得的梯度與通過(guò)伴隨方法獲得的梯度是等價(jià)的，基于網(wǎng)絡(luò)自動(dòng)微分的深度學(xué)習(xí)fwi已經(jīng)開(kāi)展廣泛研究，這也使得利用物理約束開(kāi)展深度學(xué)習(xí)全波形反演成為可能。然而，當(dāng)使用自動(dòng)微分的波動(dòng)方程計(jì)算梯度時(shí)，可以看作是在遞歸神經(jīng)網(wǎng)絡(luò)框架內(nèi)進(jìn)行網(wǎng)絡(luò)訓(xùn)練。在大規(guī)模模型參數(shù)、復(fù)雜波動(dòng)方程或多參數(shù)反演時(shí)，時(shí)間遞歸結(jié)果需要占用大量的內(nèi)存，對(duì)硬件資源消耗較大；此外，現(xiàn)有的深度學(xué)習(xí)工具缺乏專門為全波形反演設(shè)計(jì)的典型目標(biāo)函數(shù)，使其無(wú)法解決反演中的局部極小值問(wèn)題。針對(duì)上述問(wèn)題，如何提供一種改進(jìn)的全波形反演探測(cè)方法，能對(duì)煤巖體模型進(jìn)行精確反演建模及內(nèi)部裂隙精確探測(cè)的前提下，還能有效降低反演過(guò)程中內(nèi)存占用過(guò)大問(wèn)題，從而保證反演過(guò)程中對(duì)硬件資源的有效使用，是本發(fā)明所需研究的方向。

技術(shù)實(shí)現(xiàn)思路

1、針對(duì)上述現(xiàn)有技術(shù)存在的問(wèn)題，本發(fā)明提供一種適用于煤巖體內(nèi)部裂隙的全波形反演探測(cè)方法，能對(duì)煤巖體模型進(jìn)行精確反演建模及內(nèi)部裂隙精確探測(cè)、且反演過(guò)程占用內(nèi)存較小，從而為后續(xù)開(kāi)采提供數(shù)據(jù)支撐。

2、為了實(shí)現(xiàn)上述目的，本發(fā)明采用的技術(shù)方案是：一種適用于煤巖體內(nèi)部裂隙的全波形反演探測(cè)方法，具體步驟為：

3、步驟一、在所需探測(cè)的煤巖體工作面一側(cè)呈一排布設(shè)多個(gè)震源；并在該側(cè)呈一排布設(shè)多個(gè)檢測(cè)點(diǎn)，每個(gè)檢測(cè)點(diǎn)均放置一個(gè)檢波器，各個(gè)檢波器均通過(guò)連接主線與采集基站及采集主機(jī)連接，使檢波器、采集基站及采集主機(jī)形成超聲波觀測(cè)系統(tǒng)；依次激發(fā)各個(gè)震源，通過(guò)超聲波觀測(cè)系統(tǒng)接收獲得觀測(cè)數(shù)據(jù)；

4、步驟二、先構(gòu)建基于卷積型的目標(biāo)函數(shù)，并建立用于生成目標(biāo)函數(shù)中合成波場(chǎng)數(shù)據(jù)的波動(dòng)方程；

5、步驟三、基于步驟二構(gòu)建的目標(biāo)函數(shù)和波動(dòng)方程，以波動(dòng)方程為約束構(gòu)建目標(biāo)函數(shù)的增廣目標(biāo)函數(shù)，并采用拉格朗日伴隨法推導(dǎo)出伴隨方程；

6、步驟四、利用步驟二的波動(dòng)方程和步驟三的伴隨方程構(gòu)建目標(biāo)函數(shù)中模型參數(shù)的梯度，所述梯度由速度的梯度和密度的梯度組成；

7、步驟五、采用拉格朗日伴隨法持續(xù)計(jì)算模型參數(shù)的梯度，并結(jié)合深度神經(jīng)網(wǎng)絡(luò)更新模型參數(shù)，最終得到反演所需的模型參數(shù)，最后采用該模型參數(shù)進(jìn)行全波形反演。

8、進(jìn)一步，所述步驟二具體為：

9、基于卷積型的目標(biāo)函數(shù)，具體定義如下：

10、

11、式中，d(xr,t)和d(xref,t)表示檢測(cè)點(diǎn)和參考通道各自獲得的觀測(cè)數(shù)據(jù)，v(xref,t；m)和v(xr,t；m)表示參考通道和檢測(cè)點(diǎn)各自的合成波場(chǎng)數(shù)據(jù)，xr和xref表示檢測(cè)點(diǎn)和參考通道的位置，空間坐標(biāo)為x＝[x,z]，t代表時(shí)間，表示歐幾里得范數(shù)；其中參考通道是在各個(gè)檢測(cè)點(diǎn)中任意選擇的一個(gè)檢測(cè)點(diǎn)；

12、生成目標(biāo)函數(shù)中合成波場(chǎng)數(shù)據(jù)的波動(dòng)方程為：

13、

14、其中，是正傳波場(chǎng)變量，σ是正傳波場(chǎng)對(duì)應(yīng)的質(zhì)點(diǎn)震動(dòng)應(yīng)力，v＝[vx,vz]表示質(zhì)點(diǎn)沿著x和z兩個(gè)方向的振動(dòng)速度，s是源項(xiàng)，表示對(duì)時(shí)間t求偏導(dǎo)數(shù)，鏈接矩陣e為：

15、

16、其中，和表示對(duì)x和z求偏導(dǎo)數(shù)。

17、進(jìn)一步，所述步驟三中的伴隨方程為：

18、

19、其中，反傳波場(chǎng)是反傳波場(chǎng)對(duì)應(yīng)的質(zhì)點(diǎn)震動(dòng)應(yīng)力，和表示質(zhì)點(diǎn)沿著x和z兩個(gè)方向的振動(dòng)速度，伴隨源為

20、

21、*表示卷積運(yùn)算，表示互相關(guān)運(yùn)算。

22、進(jìn)一步，所述步驟四具體為：

23、目標(biāo)函數(shù)中模型參數(shù)的梯度進(jìn)一步轉(zhuǎn)化為：

24、

25、其中，是速度的梯度，是密度的梯度；

26、在計(jì)算模型參數(shù)的梯度時(shí)，波動(dòng)方程的離散采用高階交錯(cuò)網(wǎng)格的差分近似，邊界吸收條件采用卷積型完美吸收邊界條件，算法采用mpi控制gpu的多節(jié)點(diǎn)高性能并行計(jì)算，通過(guò)采用有效邊界策略以計(jì)算量換取內(nèi)存的消耗，從而降低內(nèi)存消耗。

27、進(jìn)一步，所述步驟五具體為：

28、將拉格朗日伴隨法計(jì)算模型參數(shù)的梯度賦予網(wǎng)絡(luò)輸出的梯度：

29、

30、使用網(wǎng)絡(luò)自動(dòng)反傳獲得各個(gè)網(wǎng)絡(luò)層的網(wǎng)絡(luò)參數(shù)的梯度網(wǎng)絡(luò)參數(shù)的更新如下，

31、

32、其中，k表示第k-th訓(xùn)練次數(shù)，α表示學(xué)習(xí)率；其中實(shí)現(xiàn)網(wǎng)絡(luò)參數(shù)更新優(yōu)化方法有諸多，比如梯度下降，基于動(dòng)量的優(yōu)化方法，自適應(yīng)學(xué)習(xí)率優(yōu)化方法和學(xué)習(xí)率調(diào)度器等。多種類型的優(yōu)化器都可以在全波形反演中被選擇使用。

33、通過(guò)選取深度網(wǎng)絡(luò)表征模型參數(shù)信息，訓(xùn)練網(wǎng)絡(luò)參數(shù)來(lái)實(shí)現(xiàn)模型參數(shù)的更新；深度神經(jīng)網(wǎng)絡(luò)表征模型參數(shù)的方式如下，

34、m＝cnnθ(λ)+mini??????(9)

35、其中m＝[v,ρ]t表示模型參數(shù)，mini＝[vini,ρini]t表示初始模型參數(shù)，v表示介質(zhì)的速度，ρ表示介質(zhì)的密度，vini表示介質(zhì)的速度，ρini表示介質(zhì)的密度，t表示矩陣的轉(zhuǎn)置；cnnθ是用以表示模型參數(shù)的深度卷積神經(jīng)網(wǎng)絡(luò)模型，θ表示網(wǎng)絡(luò)參數(shù)，λ表示隨機(jī)的特征變量，深度神經(jīng)網(wǎng)絡(luò)cnnθ以特征變量λ為輸入，以模型參數(shù)m為輸出；

36、為了在每個(gè)尺度對(duì)應(yīng)的頻帶內(nèi)開(kāi)展獨(dú)立的模型參數(shù)信息的訓(xùn)練學(xué)習(xí)，避免多個(gè)頻帶連續(xù)學(xué)習(xí)時(shí)某些尺度的特征難以準(zhǔn)確獲取的問(wèn)題，采用如下的多尺度深度學(xué)習(xí)策略：

37、

38、其中，mini表示每個(gè)頻帶開(kāi)始反演的初始模型；fi表示多尺度反演的頻帶，其依次取值為f＝f1,f2,...,fn，n表示反演的頻帶數(shù)；表示在頻帶中fi開(kāi)展模型參數(shù)的深度學(xué)習(xí)與表征；通過(guò)上式計(jì)算，在多尺度反演中，除了第一個(gè)尺度使用提供的初始模型之外，其余尺度反演的初始模型均疊加了已反演頻帶的網(wǎng)絡(luò)表征結(jié)果，保證對(duì)模型參數(shù)更新的精度。

39、最后通過(guò)本步驟各個(gè)公式重復(fù)迭代輸出新的模型參數(shù)，直至達(dá)到最大訓(xùn)練次數(shù)或目標(biāo)函數(shù)值滿足精度要求，輸出深度卷積神經(jīng)網(wǎng)絡(luò)模型的表征結(jié)果，即為最終反演的模型參數(shù)，采用該模型參數(shù)進(jìn)行全波形反演。

40、與現(xiàn)有技術(shù)相比，本發(fā)明先獲取震源的觀測(cè)數(shù)據(jù)，然后構(gòu)建目標(biāo)函數(shù)，通過(guò)計(jì)算獲得合成波場(chǎng)數(shù)據(jù)，通過(guò)拉格朗日伴隨方法求解得到速度場(chǎng)模型參數(shù)的梯度，有利于獲得準(zhǔn)確的速度場(chǎng)模型參數(shù)的更新方向，最終通過(guò)深度卷積網(wǎng)絡(luò)對(duì)速度場(chǎng)模型參數(shù)進(jìn)行迭代更新，直至最大訓(xùn)練次數(shù)或目標(biāo)函數(shù)值滿足精度要求，輸出深度卷積網(wǎng)絡(luò)模型的表征結(jié)果，即為最終反演的模型參數(shù)。此時(shí)采用該參數(shù)的速度場(chǎng)模型進(jìn)行全波形反演；本發(fā)明通過(guò)上述步驟能對(duì)煤巖體模型進(jìn)行精確反演建模及內(nèi)部裂隙精確探測(cè)、且采用有效邊界策略以計(jì)算量換取內(nèi)存的消耗，從而降低內(nèi)存消耗，從而為后續(xù)開(kāi)采提供數(shù)據(jù)支撐。