في الاستكشاف السطحي، بسبب الظروف الجيولوجية المعقدة، والتداخلات الضوضائية، وتأثيرات المسارات المتعددة، تواجه طرق التنقيب الزلزالي التقليدية صعوبة في الحصول على صور عالية الدقة للأشياء المدفونة تحت الأرض. من خلال دمج طريقة إزالة الضوضاء بإستخدام الشبكات العصبية العميقة، واعتماد DeepDenoiser للتدريب المسبق، تم بناء نموذج تعلم عميق كبير البيانات، وتصميم هيكل الشبكة العصبية، واقتراح طريقة انعكاس الموجات الكاملة القائمة على التعلم العميق الكبير البيانات (DNFWI). للتحقق من فعالية وأداء هذه الطريقة في الاستكشاف العملي، تم تصميم نوعين من الإثارة الكهربائية، موجة القص الأفقية والمصدر العمودي، لإجراء تجارب استكشاف صوتي لأنابيب نقل النفط المدفونة في طبقة رملية. من خلال تحليل الإشارات الصوتية المجمعة تم الحصول على دالة نقل مستشعر المدفون، خصائص السطح، سرعة موجة السطح، منحنيات إشارة سطح الأرض والطيف الترددي، وتمت مقارنة وتحليل تأثير التصوير لطريقتي الإثارة باستخدام DNFWI. أظهرت النتائج أن معدل التوهين العمقي للإثارة الأفقية هو حوالي 20~25 ديسيبل/متر، ولمصدر العمودي حوالي 10~20 ديسيبل/متر، وأن معدل التوهين المكاني لموجة السطح هو حوالي 11 ديسيبل/متر؛ وبسبب الاختلاف الأكبر في مقاومة موجة القص SH ومقاومة أنبوب النفط الفولاذي، كانت إشارة الانعكاس أقوى، وبعد التصوير باستخدام موجة SH أصبح موقع الجسم المدفون أكثر وضوحاً، وكان أكثر فعالية في تحديد موقع أنابيب النفط المدفونة مقارنة بالموجة العمودية؛ DNFWI حسنت دقة التحديد بنسبة 66.7٪ مقارنة بطريقة FWI التقليدية، وقللت عدد تكرارات التقارب بنسبة 59.7٪، ووقت الحساب بنسبة 60.8٪.

أنابيب النفط تحت الأرض;الاستكشاف الصوتي;البيانات الكبيرة;التعلم العميق;الانعكاس الكامل للموجة