在地震资料采集、处理和解释过程中,速度建模具有核心作用。尽管全波形反演(FWI)等传统速度建模方法精度较高,但因其目标函数具有强非线性的特性,易受初始模型影响而陷入局部极小值。而深度学习技术,由于具备数据挖掘和特征提取能力,已在地震数据处理领域取得显著进展。但是在实际应用中仍面临可靠标签不足、参数优化困难、可解释性差等挑战。 针对上述问题,提出一种动态点激活机制的VGU网络架构。首先,通过构建双路径卷积堆叠子模块实现多尺度特征提取,创新性地引入动态点激活机制。增强了网络联合局部全局速度建模的能力,实现高精度监督式速度建模方法。 其次,提出一种基于半监督学习的层速度建模方法,通过添加大量的无标签地震炮集,充分学习地震炮集的全波形信息和其生成伪标签提供的丰富的地质信息场景,通过半监督迭代训练,使网络模型间接逼近波动方程解空间,提高网络模型的泛化能力并减少标注数据的数据量。并且通过设置网络评价因子控制网络模型的优化方向,降低传统全波形反演伴随状态法求解的计算效率。 最后,由于层析成像存在对复杂地质构造速度建模精度低、算法误差由浅层至深层逐渐积累且迭代优化时间成倍增加的问题,将层析成像速度建模归结为双重卷积神经网络的非线性映射问题,其中第一重卷积神经网络使用炮集和速度模型预测全局初始速度模型,第二重卷积神经网络建立CRP道集和剩余速度模型的非线性映射关系,最终实现预测剩余速度对初始速度模型的误差修正,得到高精度的速度建模结果。 综上所述,相比于传统的Unet++网络,设计高性能的VGU神经网络架构,速度建模的平均速度误差降低了0.08。此外,设计的半监督学习的速度建模方法,能够减少约50%的标注数据需求,这对于面临数据稀缺问题的领域尤为重要。经过这一过程后,预测速度模型的峰值信噪比(PSNR)平均提升1.43,结构相似性(SSIM)平均值提高了0.15。基于双重卷积神经网络的剩余速度建模方法也显示出良好建模效果,最终生成的速度模型在峰值信噪比(PSNR)平均值和结构相似性(SSIM)平均值上分别提高了3.52和0.11。该研究成果结合先进的神经网络架构与有效的学习策略,为地震数据处理提供了更为高效的解决方案,有助于提升各类地质模型的构建精度和实用价值。