Na exploração rasa, devido a condições geológicas complexas, interferência de ruído e efeitos de múltiplos caminhos, os métodos tradicionais de prospecção sísmica têm dificuldade em obter imagens de alta resolução de objetos enterrados subterrâneos. Por meio da fusão de métodos de remoção de ruído com redes neurais profundas, utilizando o DeepDenoiser para pré-treinamento, foi construído um modelo de aprendizado profundo baseado em big data, projetada uma arquitetura de rede neural e proposta uma metodologia de inversão de forma de onda completa baseada em aprendizado profundo e big data (DNFWI). Para verificar a eficácia e o desempenho desse método em exploração prática, foram projetados dois modos de excitação elétrica: fonte de corte horizontal e fonte vertical, para realizar testes acústicos em tubos de aço enterrados em camada arenosa. Pela análise do sinal acústico coletado, obteve-se a função de transferência do sensor do objeto enterrado, características do terreno, velocidade da onda de superfície, curva temporal do sinal de superfície e espectro de potência, e foi feita uma comparação e análise do efeito de imagem dos dois modos de excitação utilizando o método DNFWI. Os resultados mostram que a taxa de atenuação em profundidade da excitação horizontal é aproximadamente 20~25 dB/m, da excitação vertical é aproximadamente 10~20 dB/m, e a taxa de atenuação espacial da onda de superfície é aproximadamente 11 dB/m; devido à maior diferença de impedância entre a onda SH e o tubo de transporte de petróleo de aço, o sinal refletido é mais forte e após a inversão de imagem por onda SH a posição do objeto enterrado é mais clara, sendo mais eficaz na localização dos tubos enterrados do que a inversão por onda vertical; o DNFWI melhora a precisão de localização em 66,7% em comparação com o método FWI tradicional, reduz o número de iterações de convergência em 59,7% e o tempo de cálculo em 60,8%.

tubos subterrâneos de petróleo;detecção acústica;big data;aprendizado profundo;inversão de forma de onda completa