本發明涉及地震勘探，具體地涉及一種基于人工智能的全波形反演方法、一種基于人工智能的全波形反演裝置以及一種計算機設備。
背景技術：
1、隨著地球物理勘探技術的發展，全波形反演已成為地下構造建模成像的重要手段，它可以實現速度場的高分辨率反演，相對于傳統技術對復雜構造建模具有優勢。地下介質包含的各類速度異常體(如鹽丘)的邊界識別一直是全波形反演的難點。
2、對于尺度較大的速度異常體，傳統的全波形反演方法需要上千次迭代才能把這種特殊地質體的邊界刻畫出來。應用人工智能可以加快全波形反演的速度，通過對人工智能模型進行訓練，將地震數據與速度異常體的速度場之間形成配對，通過模型的迭代訓練將速度異常體的邊界預測出來，再進行全局性的波形反演計算。但是，上述的全波形反演方法存在以下問題：直接對人工智能模型進行訓練得到的數據僅僅是反映出了速度異常體(如鹽丘)，而實際上的真實數據既有速度異常體的數據又有速度異常體周圍的沉積巖(圍鹽)，這些沉積巖也有大量的反射數據。采用現有方法訓練出來的模型泛化性差、應用效率低，無法準確識別出速度異常體的邊界，因為速度異常體周圍的沉積巖速度反射數據是干擾。
技術實現思路
1、為了解決現有技術缺陷，本發明提供一種基于人工智能的全波形反演方法，提高全波形反演的應用效率，提高人工智能模型在全波形反演的泛化性。
2、本發明一方面提供一種基于人工智能的全波形反演方法，包括：
3、利用不同地質構造的地質資料對人工智能模型進行訓練，得到速度異常體識別模型；
4、基于地震觀測數據構建初始速度模型，該初始速度模型中有速度異常體的初始輪廓；
5、利用初始速度模型針對速度異常體以外的沉積巖速度進行反演，得到沉積巖速度反演模型；
6、計算沉積巖速度的真實數據與沉積巖速度反演模型的正演數據的殘差；
7、將所述殘差輸入速度異常體識別模型，識別出速度異常體的邊界范圍；
8、將識別的速度異常體集成到沉積巖速度反演模型中，利用集成的速度反演模型進行全波形反演。
9、本發明實施例中，所述利用不同地質構造的地質資料對人工智能模型進行訓練，得到速度異常體識別模型，包括：構建不同地質構造的數值模型，該數值模型含有多種形狀的速度異常體；針對不同地質構造的數值模型設計觀測系統并開展正演，產生正演地震數據；基于正演地震數據構建訓練數據集；利用訓練數據集對人工智能模型進行訓練，得到速度異常體識別模型。
10、本發明實施例中，所述構建不同地質構造的數值模型，包括：利用公開模型裁剪得到多個二維速度模型，將多個二維速度模型作為不同地質構造的數值模型。
11、本發明實施例中，所述針對不同地質構造的數值模型設計觀測系統并開展正演，包括：利用多個二維速度模型在不同坐標位置進行正演。
12、本發明實施例中，所述基于地震觀測數據構建初始速度模型，包括：
13、針對公開模型設計觀測系統并開展正演，產生正演地震數據；
14、對正演地震數據進行預處理；
15、基于預處理的正演地震數據構建初始速度模型。
16、本發明實施例中，所述利用初始速度模型針對速度異常體以外的沉積巖速度進行反演，包括：根據預設的反演梯度權重針對速度異常體以外的沉積巖速度進行反演。
17、本發明實施例中，所述基于人工智能的全波形反演方法還包括：
18、根據預設的定量指標對全波形反演結果進行不確定性分析，以評估各類地質信息的符合程度。
19、本發明實施例中，所述人工智能模型為全卷積神經網絡或深度卷積神經網絡。
20、本發明另一方面提供一種基于人工智能的全波形反演裝置，包括：速度異常體識別模型以及用于全波形反演的速度反演模型；
21、所述速度異常體識別模型是基于不同地質構造的地質資料對人工智能模型進行訓練得到的；
22、所述速度反演模型是通過以下方式得到的：
23、基于地震觀測數據構建初始速度模型，該初始速度模型中有速度異常體的初始輪廓；
24、利用初始速度模型針對速度異常體以外的沉積巖速度進行反演，得到沉積巖速度反演模型；
25、計算沉積巖速度的真實數據與沉積巖速度反演模型的正演數據的殘差；
26、將所述殘差輸入速度異常體識別模型，識別出速度異常體的邊界范圍；
27、將識別的速度異常體集成到沉積巖速度反演模型中，得到集成的速度反演模型。
28、本發明還提供一種計算機設備，包括：存儲器、處理器以及計算機程序，該計算機程序存儲在存儲器中，并被配置為由處理器執行以實現上述的基于人工智能的全波形反演方法。
29、本發明利用觀測數據快速建立速度異常體識別模型和初始速度模型，提高全波形反演的應用效率，利用真實數據與正演數據的殘差代替觀測數據對速度異常體識別模型進行訓練，快速、準確地刻畫出速度異常體的邊界范圍，將速度異常體識別難題轉化為對殘差的分析問題，提高人工智能模型的泛化性，可以快速識別出尺度較大的速度異常體。本方法通過分階段反演與深度學習的人工智能模型相結合，預先對地層進行約束反演，即對速度異常體以外的沉積巖速度進行反演，可以大幅減少后續對速度異常體邊界識別的難度，提高機器學習效果。
30、本發明技術方案的其它特征和優點將在下文的具體實施方式部分予以詳細說明。
1.一種基于人工智能的全波形反演方法，其特征在于，包括：
2.根據權利要求1所述的基于人工智能的全波形反演方法，其特征在于，所述利用不同地質構造的地質資料對人工智能模型進行訓練，得到速度異常體識別模型，包括：
3.根據權利要求2所述的基于人工智能的全波形反演方法，其特征在于，所述構建不同地質構造的數值模型，包括：
4.根據權利要求3所述的基于人工智能的全波形反演方法，其特征在于，所述針對不同地質構造的數值模型設計觀測系統并開展正演，包括：
5.根據權利要求1所述的基于人工智能的全波形反演方法，其特征在于，所述基于地震觀測數據構建初始速度模型，包括：
6.根據權利要求1所述的基于人工智能的全波形反演方法，其特征在于，所述利用初始速度模型針對速度異常體以外的沉積巖速度進行反演，包括：
7.根據權利要求1所述的基于人工智能的全波形反演方法，其特征在于，所述方法還包括：
8.根據權利要求1所述的基于人工智能的全波形反演方法，其特征在于，所述人工智能模型為全卷積神經網絡或深度卷積神經網絡。
9.一種基于人工智能的全波形反演裝置，其特征在于，包括：速度異常體識別模型以及用于全波形反演的速度反演模型；
10.一種計算機設備，其特征在于，包括：