2025《弹性波频率域反演理论基础综述》2700字.docxVIP

弹性波频率域反演理论基础综述

1.1弹性波波场分离

由纵波速度、横波速度与拉梅常数的关系λ=ρ(v

?v

为构造等价方程式，引入混合波场新变量U、P波波场新变量Up和S波波场新变量Us，即如下表现形式[32]：

U={

则可得到混合波场U、P波波场Up和S波波场Us之间的关系：

vx=v

对一阶速度-应力弹性波方程（2-22）进行分解，即可得到纵横波波场分离后的弹性波方程：

ρ

（2-24）

1.2梯度的计算

确定搜索方向是弹性全波形反演中至关重要的一步。通常情况之下，确定搜索方向主要有两种方法：梯度引导类方法和牛顿类方法。其中，在梯度引导类方法中，较为常用的方法就是最速下降法和共轭梯度法，相比之下此类方法计算量相对较小、便于实现，但是此类方法只能进行一阶收敛，相对而言收敛精度较低。牛顿类方法中较为常用的方法相对较多，包括牛顿法、拟牛顿法、高斯牛顿法、BFGS法、L-BFGS法等等，此类方法与梯度引导类方法刚好相反，牛顿法计算繁琐、计算量大，但是它的收敛精度较高，具有二阶收敛精度。本篇论文简单阐述其中的两种方法，即牛顿法和共轭梯度法：

（1）牛顿法

在野外实际地质资料采集过程中，常常会遇到各种各样的问题，例如，地表的噪音会对数据的观测产生干扰以及由于观测系统的不完备使得测量数据缺失等问题，都会影响到反演过程，会使得反演陷入局部极值。因此，如何解决波动方程在反演过程中的所得方程解的不唯一性是目前困惑诸多学者的难题。

一般情况下，非线性问题的线性化求解方法分两类，其中一类为全局优化算法，另一类为局部优化算法。全局优化算法的最大优点在于其对目标函数的依赖程度不高，但其缺点也较为明显，就是在反演过程中会出现随机性，计算量也极大，因此，此类方法在实际生产生活中应用率不高。局部优化算法其计算量相对较小，因此，在实际应用中应用范围较为广泛，下面重点介绍牛顿法，即利用牛顿法将非线性问题线性化。

在全波形反演方法中，一般定义误差向量为：δdm=dobsm

C(m)=1

在上述方程（2-25）中，*代表共轭转置。牛顿法认为，目标函数在初始模型附近满足二次型，因此将其进行泰勒级数展开：

C

（2-26）

在上式（2-26）中，m0代表初始模型，δm代表模型扰动量，则真实模型m表示为m=

?Cm?m

令目标函数的一阶导数为零，即方程（2-27）等于零时，都过整理可解得扰动模型向量δm为：

δm=??2

在上式（2-28）中，令目标函数的梯度为：?mC=?C

δm=?H?1

将上式（2-29）带入m=m

mi+1=

（2）共轭梯度法

共轭梯度法是在最速下降法的基础之上发展而来的一种非线性的梯度类局部寻优方法，共轭梯度法能够很好地解决最速下降法产生的锯齿效应，同时又能有效地提高收敛精度。共轭梯度法是利用两次梯度方向来构建出一个更新方向，因此，在实际的全波形反演计算中，应用更为广泛。

共轭梯度法是迄今为止较为常用且有效的一种方法，在每次迭代的过程中，利用当前位置的最速下降方向生成共轭方向。对于一个给定的函数f(x)，其一般迭代公式为[33]：

xk+1=

在上式（2-31）中，gk=?fx

PRP公式：β

FR公式：βi

对牛顿法、最速下降法和共轭梯度法进行分析对比，总结三种方法的优缺点，可以得出结论：牛顿法的收敛精度要求较高，具有二阶收敛精度，但计算量较大，尤其是Hessian矩阵及其逆矩阵的求取往往较为繁琐。共轭梯度法相较与牛顿法，计算效率高、便于实现，并且与最速下降法相比，收敛精度较高。

考虑到弹性波全波形反演本身计算量已十分巨大，所以在搜索方向方面，本篇论文选择的是计算高效且便于实现的共轭梯度类方法，将共轭梯度的方向作为搜索方向指引模型更新。同时，考虑到各方面的影响因素，本篇论文在进行梯度处理的过程中，引入衰减补偿因子，以同时满足全波形反演过程中压制浅层噪音和补偿深层能量。进行梯度处理后的速度迭代公式可表示为如下形式：

mk+1=

在上式（2-32）中，αk表示第k次的迭代步长，gk表示第k次的梯度，

β=exp(

在上式（2-33）中，f代表频率，z代表深度，C是常数，γ为衰减因子，不同情况下取值不同，一般都在0和1之间进行取值。

1.3迭代步长的计算

在通过上述方法求得搜索方向后，下一步即为确定搜索步长，如何选择步长大小进行模型迭代，步长选择较大会使得收敛的过程中出现错误，步长选择较小会影响收敛速度，使收敛速度变慢，只有选取合适的步长才能确保收敛过程的准确性与高效性。通过对非精确线性搜索方法与抛物线极小值精确搜索方法的分析比对，总结各自的优缺点，从计算效率和收敛速度两方面考虑，本篇论文采用Dneise软件里变步长公式：

αvp=p

在上式（2-34）中，α=α