En la exploración superficial, debido a las condiciones geológicas complejas, las interferencias de ruido y los efectos de múltiples trayectorias, los métodos tradicionales de prospección sísmica tienen dificultades para obtener imágenes de alta resolución de objetos enterrados bajo tierra. Mediante la fusión de métodos de eliminación de ruido con redes neuronales profundas, utilizando DeepDenoiser para preentrenamiento, se construyó un modelo de aprendizaje profundo basado en grandes datos, se diseñó una arquitectura de red neuronal y se propuso un método de inversión de forma de onda completa basado en aprendizaje profundo de grandes datos (DNFWI). Para verificar la efectividad y el rendimiento de este método en exploración práctica, se diseñaron dos modos de excitación eléctrica: fuente de corte horizontal y fuente vertical, para realizar experimentos acústicos en tuberías de acero enterradas en una capa de arena. Analizando las señales acústicas recopiladas se obtuvieron la función de transferencia del sensor del objeto enterrado, las características del terreno, la velocidad de la onda superficial, la curva temporal de la señal superficial y el espectro de potencia, y se realizó una comparación y análisis del efecto de imagen entre los dos modos de excitación mediante DNFWI. Los resultados muestran que la tasa de atenuación en profundidad de la excitación horizontal es aproximadamente de 20~25 dB/m, la de la excitación vertical es de aproximadamente 10~20 dB/m, y la tasa de atenuación espacial de la onda superficial es de aproximadamente 11 dB/m; debido a la mayor diferencia de impedancia entre la onda de corte SH y el tubo de petróleo de acero, la señal reflejada es más fuerte, y después de la inversión de imagen con onda SH, la posición del objeto enterrado es más clara, siendo más eficaz para localizar los tubos de petróleo enterrados que la inversión con onda vertical; DNFWI mejora la precisión de localización en un 66,7% respecto al método tradicional FWI, reduce el número de iteraciones de convergencia en un 59,7% y el tiempo de cálculo en un 60,8%.

tuberías subterráneas de petróleo;detección acústica;grandes datos;aprendizaje profundo;inversión de forma de onda completa