超参数对GRU-CNN混合深度学习弹性阻抗反演影响研究

梁立锋,刘秀娟,张宏兵,陈程浩,陈锦华

(1.岭南师范学院 地理系，广东 湛江 524057;2.河海大学 地球科学与工程学院，江苏 南京 210098)

0 引言

卷积神经网络(convolutional neural network,CNN)是一种被广泛使用的深度学习方法[1]，包括图像分类、图像定位和图像分割[2]。近年来，CNN已被应用于各种地震问题，包括随机地震道编辑[3]、噪声衰减[4]、地震岩相反演[5]和储层预测[6]和断层解释方面[7-8]。

递归神经网络(recurrent neural network，RNN)是解决序列数据问题的一种神经网络。与卷积神经网络结构不同，RNN考虑了前一个样本对下一个样本的影响[9]。在RNN网络基础上，LSTM能更准确地学习时间序列的长期依赖性，解决了需要人工提取时间序列特征的问题。但该方法存在收敛速度慢等问题。门控递归单元神经网络(GRU)是在LSTM的基础上进行改进和优化的神经网络。它具有更快的收敛速度和保持与LSTM相似的精度。RNN及优化的网络广泛应用于测井曲线重建[10]，并在自然语言处理[11]、医疗[12]等领域也得到了广泛的应用。

CNN网络能够提取地震图像的局部特征，GRU网络能够提取地震数据的低频趋势，两者构成混合深度学习网络，可以完整地反演地震EI全频信息。CNN-GRU混合深度学习反演弹性阻抗(EI)取得了较好的反演效果[13]。CNN模型无法对所有数据集进行最佳泛化[14]，混合深度学习模型也面临同样的问题，所以在对新的数据集进行混合深度学习方法时，必须选取合适的超参数。而混合深度学习中，超参数可以分为网络内部参数和网络外部参数，内部参数包含网络层数、每一层的……