Bei der oberflächennahen Erkundung ist es aufgrund komplexer geologischer Bedingungen, Lärmstörungen und Mehrweg-Effekten für traditionelle seismische Erkundungsmethoden schwierig, hochauflösende Bilder von unterirdisch vergrabenen Objekten zu erhalten. Durch die Integration von Tiefenlernmethoden zur Rauschunterdrückung unter Verwendung eines DeepDenoiser für das Vortraining wurde ein großes Daten tiefes Lernmodell erstellt, ein neuronales Netzwerkarchitektur entworfen und eine auf großen Daten basierende vollwellige Inversionsmethode (DNFWI) vorgeschlagen. Um die Wirksamkeit und Leistung dieser Methode in der praktischen Erkundung zu überprüfen, wurden zwei elektrische Anregungsarten, horizontale Scherwellenquelle und vertikale Quelle, zur akustischen Erkundung von in Sandschichten vergrabenen Ölleitungsstahlrohren entwickelt. Durch die Analyse der erfassten Schallsignale wurden die Übertragungsfunktion des vergrabenen Sensors, Bodeneigenschaften, Oberflächenwellengeschwindigkeit, zeitliche Verlaufskurve des Oberflächensignals und Leistungsspektrum erhalten. Mittels DNFWI wurde die Abbildungseffektivität der beiden Anregungsarten verglichen und analysiert. Die Ergebnisse zeigen, dass die Tiefenabschwächungsrate der horizontalen Anregung etwa 20~25 dB/m beträgt, die der vertikalen Anregung etwa 10~20 dB/m, und die räumliche Abschwächungsrate der Oberflächenwelle etwa 11 dB/m; aufgrund des größeren Impedanzunterschieds zwischen SH-Wellen und den Stahlölrohren ist das reflektierte Signal stärker, nach der SH-Wellen-Inversionsabbildung ist die Lage des vergrabenen Objekts klarer, wodurch die Lokalisierung der vergrabenen Ölleitungen effektiver ist als bei der vertikalen Welleninversion; DNFWI verbessert die Lokalisierungsgenauigkeit um 66,7 % gegenüber der traditionellen FWI-Methode, reduziert die Anzahl der Konvergenziterationen um 59,7 % und die Rechenzeit um 60,8 %.

unterirdische Ölleitungen;akustische Erkundung;große Daten;tiefes Lernen;vollwellige Inversion