Dans la prospection peu profonde, en raison des conditions géologiques complexes, des interférences de bruit et des effets de multi-trajets, les méthodes traditionnelles de prospection sismique ont du mal à obtenir des images à haute résolution des objets enterrés sous terre. En intégrant une méthode de suppression du bruit par réseau neuronal profond, avec un pré-entraînement utilisant DeepDenoiser, un modèle d'apprentissage profond basé sur de grandes données a été construit, une architecture de réseau neuronal conçue, et une méthode d'inversion de forme d'onde complète basée sur l'apprentissage profond de grandes données (DNFWI) proposée. Pour vérifier l'efficacité et les performances de cette méthode en prospection réelle, deux types d'excitation électrique ont été conçus : source de cisaillement horizontale et source verticale, pour effectuer des essais acoustiques sur des tuyaux en acier enterrés dans des couches sableuses. En analysant les signaux acoustiques collectés, la fonction de transfert du capteur d'objet enterré, les caractéristiques du sol, la vitesse de l'onde de surface, la courbe temporelle du signal de surface et le spectre de puissance ont été obtenus. L'imagerie des deux méthodes d'excitation a été comparée et analysée avec la méthode DNFWI. Les résultats montrent que le taux d'atténuation en profondeur pour l'excitation horizontale est d'environ 20~25 dB/m, pour l'excitation verticale d'environ 10~20 dB/m, et le taux d'atténuation spatial de l'onde de surface est d'environ 11 dB/m ; en raison de la plus grande différence d'impédance entre l'onde SH et la conduite en acier, le signal réfléchi est plus fort, et après imagerie par inversion des ondes SH, la position de l'objet enterré est plus claire, ce qui permet une localisation plus efficace des tuyaux d'huile enterrés par rapport à l'inversion des ondes verticales ; DNFWI améliore la précision de localisation de 66,7 % par rapport à la méthode FWI traditionnelle, réduit le nombre d'itérations de convergence de 59,7 % et le temps de calcul de 60,8 %.

tuyaux pétroliers souterrains;détection acoustique;grandes données;apprentissage profond;inversion de forme d'onde complète