CN109521475B - 用于滑坡过程追踪的时移电法数据反演方法及装置 - Google Patents
用于滑坡过程追踪的时移电法数据反演方法及装置 Download PDFInfo
- Publication number
- CN109521475B CN109521475B CN201811446088.4A CN201811446088A CN109521475B CN 109521475 B CN109521475 B CN 109521475B CN 201811446088 A CN201811446088 A CN 201811446088A CN 109521475 B CN109521475 B CN 109521475B
- Authority
- CN
- China
- Prior art keywords
- resistivity
- time
- inversion
- data
- regularization
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V3/00—Electric or magnetic prospecting or detecting; Measuring magnetic field characteristics of the earth, e.g. declination, deviation
- G01V3/08—Electric or magnetic prospecting or detecting; Measuring magnetic field characteristics of the earth, e.g. declination, deviation operating with magnetic or electric fields produced or modified by objects or geological structures or by detecting devices
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V3/00—Electric or magnetic prospecting or detecting; Measuring magnetic field characteristics of the earth, e.g. declination, deviation
- G01V3/38—Processing data, e.g. for analysis, for interpretation, for correction
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/30—Assessment of water resources
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Environmental & Geological Engineering (AREA)
- Geology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Geophysics (AREA)
- Electromagnetism (AREA)
- Pit Excavations, Shoring, Fill Or Stabilisation Of Slopes (AREA)
- Investigating Or Analyzing Materials By The Use Of Electric Means (AREA)
Abstract
本发明实施例提供一种用于滑坡过程追踪的时移电法数据反演方法及装置,该方法包括:S1,对枯水期河流水位稳定时采集的电阻率数据进行独立反演,获得断面电阻率初值及对应的电阻率变化范围,并根据断面电阻率初值和电阻率变化范围创建静态模型;S2,采用静态模型对每个时间点的电阻率数据进行反演,并根据反演结果为每个时空区间分配拉格朗日乘子;S3,基于拉格朗日乘子,采用基于时间域正则化和自适应正则化约束的混合正则化反演计算方法,对每个时间点的电阻率数据进行反演,获得反演计算结果。本发明实施例能够有效过滤电阻率数据中与时间不相关的噪声,从而应用了时间推移的概念,使反演过程中保持连续。
Description
技术领域
本发明实施例涉及反演成像领域,更具体地,涉及一种用于滑坡过程追踪的时移电法数据反演方法及装置。
背景技术
滑坡滑动过程往往伴随滑坡体内水体的运移。在水体运移过程中,土体电性敏感特征明显,通常采用时移电阻率法获取堤坝土体随时间变化电性数据,然后将时移数据进行反演成像来进行滑动过程追踪。由于时间推移反演对象是一系列连续的、不同时间点的数据集序列,数据量较大,反演过程中病态程度会随时间点的增加呈级数加重,因此反演过程需要进行更加复杂严格的约束处理。常规时移电阻率反演只是针对某一时间点特定断面数据进行独立反演,然后再将不同时刻获取的数据反演成像断面进行比较,根据断面视电阻率值变化率来推测目标体的变化情况。但是,上述方法并没有真正应用到时间推移的概念,其数据反演过程实质上是离散不连续的,时间相关程度低,无法适用于堤坝滑坡过程追踪探测数据的成像分析。
发明内容
为了解决上述问题,本发明实施例提供一种克服上述问题或者至少部分地解决上述问题的用于滑坡过程追踪的时移电法数据反演方法及装置。
根据本发明实施例的第一方面,提供一种用于滑坡过程追踪的时移电法数据反演方法,该方法包括:S1,对枯水期河流水位稳定时采集的电阻率数据进行独立反演,获得断面电阻率初值及对应的电阻率变化范围,并根据断面电阻率初值和电阻率变化范围创建静态模型;S2,采用静态模型对每个时间点的电阻率数据进行反演,并根据反演结果为每个时空区间分配拉格朗日乘子;S3,基于拉格朗日乘子,采用基于时间域正则化和自适应正则化约束的混合正则化反演计算方法,对每个时间点的电阻率数据进行反演,获得反演计算结果。
根据本发明实施例第二方面,提供了一种用于滑坡过程追踪的时移电法数据反演装置,该装置包括:创建模块,用于对枯水期河流水位稳定时采集的电阻率数据进行独立反演,获得断面电阻率初值及对应的电阻率变化范围,并根据断面电阻率初值和电阻率变化范围创建静态模型;分配模块,用于采用静态模型对每个时间点的电阻率数据进行反演,并根据反演结果为每个时空区间分配拉格朗日乘子;反演模块,用于基于拉格朗日乘子,采用基于时间域正则化和自适应正则化约束的混合正则化反演计算方法,对每个时间点的电阻率数据进行反演,获得反演计算结果。
根据本发明实施例的第三方面,提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行程序时实现如第一方面的各种可能的实现方式中任一种可能的实现方式所提供的用于滑坡过程追踪的时移电法数据反演方法。
根据本发明实施例的第四方面,提供了一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如第一方面的各种可能的实现方式中任一种可能的实现方式所提供的用于滑坡过程追踪的时移电法数据反演方法。
本发明实施例提供的用于滑坡过程追踪的时移电法数据反演方法及装置,通过采用基于时间域正则化和自适应正则化约束的混合正则化反演计算方法,对每个时间点的电阻率数据进行反演,获得反演计算结果,能够有效过滤电阻率数据中与时间不相关的噪声,从而应用了时间推移的概念,使反演过程中保持连续;另外,通过采用静态模型对每个时间点的电阻率数据进行反演,能够使反演计算初始模型归一化,能够有效去除测量数据中掺杂的干扰对反演结果影响,减少假异常。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些图获得其他的附图。
图1为本发明实施例提供的用于滑坡过程追踪的时移电法数据反演方法的流程示意图;
图2为本发明实施例提供的用于滑坡过程追踪的时移电法数据反演装置的结构示意图;
图3为本发明实施例提供的电子设备的实体结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明实施例提供一种用于滑坡过程追踪的时移电法数据反演方法,参见图1,该方法包括:
S1,对枯水期河流水位稳定时采集的电阻率数据进行独立反演,获得断面电阻率初值及对应的电阻率变化范围,并根据断面电阻率初值和电阻率变化范围创建静态模型。
具体地,以枯水期河流水位稳定时采集的电阻率数据进行最小二乘法独立反演,获取初始状态时间点下电阻率空间分布。在独立反演算法中,可采用如下方式:
MinJ0=||P(Gm-d)||2+λ2||Em||2
式中,MinJ0为反演过程中需要最小目标函数,λ为空间上拉格朗日乘子,m代表模型向量,d代表数据向量,G代表反演算子,P代表加权因子矩阵,E为评估模型二阶光滑度矩阵。
为了对上述最小目标函数求解,可通过线性反演方法中的Gauss-Newton算法求取模型m,迭代式如下:
mi+1=mi+dm=mi+(JTJ+λLTL)-1JT(G(m)-d)+λLTLmi
式中,i为迭代次数,dm为模型修正量,J为灵敏度矩阵,λ为空间拉格朗日乘子,L为评估模型二阶光滑矩阵,G(m)为模型正演数据向量。
通过上式迭代逐步修正模型,达到要求的误差条件。在独立反演开始时,可以将拉格朗日乘子的初始取值设定为λ0=0.15,并可采用牛顿最速下降法进行拉格朗日乘子调整。基于上述最小目标函数及迭代公式可以获得反演结果,并进一步根据独立反演结果获取断面电阻率初值,确定电阻率变化范围。
S2,采用静态模型对每个时间点的电阻率数据进行反演,并根据反演结果为每个时空区间分配拉格朗日乘子。
其中,拉格朗日乘子是在步骤S3中基于时间域正则化和自适应正则化约束的混合正则化反演计算方法中,对时间域正则项和自适应正则项进行控制的拉格朗日乘子。通过根据静态模型对每个时间点的电阻率进行反演,其目的是根据反演结果为每个时空区间分配一个适合的拉格朗日乘子,该时空区间即为该由时间点追溯至前一相邻时间点区间内反演模型内部分区。
另外,由于对每个时间点的数据都采用了静态模型进行反演,从而使得反演计算初始模型归一化,能够有效去除测量的电阻率数据中掺杂的干扰对反演结果影响,减少假异常。
S3,基于拉格朗日乘子,采用基于时间域正则化和自适应正则化约束的混合正则化反演计算方法,对每个时间点的电阻率数据进行反演,获得反演计算结果。
具体地,在步骤S2中确定了每个时空区间的拉格朗日乘子后,即可以确定每个时空区间所采用的基于时间域正则化和自适应正则化约束的混合正则化反演计算方法,从而能够对每个时间点的电阻率数据进行反演,获得反演计算结果。
本发明实施例提供的方法,通过采用基于时间域正则化和自适应正则化约束的混合正则化反演计算方法,对每个时间点的电阻率数据进行反演,获得反演计算结果,能够有效过滤电阻率数据中与时间不相关的噪声,从而应用了时间推移的概念,使反演过程中保持连续;另外,通过采用静态模型对每个时间点的电阻率数据进行反演,能够使反演计算初始模型归一化,能够有效去除测量数据中掺杂的干扰对反演结果影响,减少假异常。
基于上述实施例的内容,作为一种可选实施例,S1中根据断面电阻率初值和电阻率变化范围创建静态模型,包括:根据断面电阻率初值及电阻率变化范围,采用有限元方法模拟空间电阻率分布,并根据电法断面数据的分布特点运用自适应网格算法创建静态模型。
具体地,结合初始数据独立反演得到的断面成果(即断面电阻率初值)及所确定的电阻率变化范围,采用有限元方法模拟空间电阻率分布,根据电法断面数据上密下疏分布特点,运用自适应网格算法创建静态模型其中,自适应算法原理是在电阻率细微变化单元根据精度需要裂变为更小的单元,裂变后产生新单元的边长尺寸是原来的1/2,通过各边中点以及单元质心,一个四边形单元可以分割为四个四边形单元,依此类推,直至分辨率满足探测要求,最终得到的静态模型该静态模型作为后续时间点的电阻率数据反演的先验模型。
基于上述实施例的内容,作为一种可选实施例,自适应正则化为自适应Tikonhov正则化;相应地,基于时间域正则化和自适应正则化约束的混合正则化反演计算方法的最小目标函数为:
MinJ1=||fTf||2+αΓ+βψ
式中,MinJ1为约束反演过程中的最小目标函数,Γ为时间域上光滑正则项,ψ为自适应Tikonhov约束正则项,α为控制时间域上光滑正则项的拉格朗日乘子,β为控制自适应Tikonhov约束正则项的拉格朗日乘子,f为数据向量矩阵。
具体地,对不同时间点采集的电阻率数据均采用上述混合正则化方法进行约束反演。其中,时间域上的约束采用一阶微分算子,稀疏约束(即自适应约束)采用二阶微分算子。上述光滑正则项具体可以通过如下公式表示:
自适应Tikonhov约束乘子β采用对角矩阵Δ,Δk第k个参考模型空间步长对应的空间域拉格朗日乘子,空间步长依据反演模型深度增长系数变化调整;拉格朗日乘子α采用对角矩阵Λ,Λi为第i个参考时间步长对应的时间域拉格朗日乘子。
基于上述实施例的内容,作为一种可选实施例,S2中采用静态模型对每个时间点的电阻率数据进行反演,并根据反演结果为每个时空区间分配拉格朗日乘子,包括:采用静态模型对每个时间点的电阻率数据进行反演,获得每个时间点对应的反演结果模型;根据相邻的时间点分别对应的反演结果模型之间的空间电阻率变化程度,为每个时空区间分配拉格朗日乘子。
具体地,对于每一个时间步长中的模型单元,首先基于每一个时间点采集的电阻率数据,以静态模型作为先验模型运用最小二乘法进行反演,根据反演结果模型预估每个时间点对应的拉格朗日乘子。再根据相邻时间步长(即相邻时间点)对应反演结果模型(即与)之间空间电阻率变化程度,进行自适应匹配附值,即为每个时空区间分配一个相应的拉格朗日乘子。
基于上述实施例的内容,作为一种可选实施例,为每个时空区间分配拉格朗日乘子,包括:为空间电阻率变化大的时空区间分配第一拉格朗日乘子,以及为空间电阻率变化小的时空区间分配第二拉格朗日乘子,第一拉格朗日乘子小于第二拉格朗日乘子。
具体地,在为每个时空区间分配拉格朗日乘子时,遵循变大附小的原则,即不同时间步长下,为空间电阻率变化大的时空区间分配较小的拉格朗日乘子(即第一拉格朗日乘子),为空间电阻率变化小的时空区间分配较大的拉格朗日乘子(即第二拉格朗日乘子)。例如,用表示第n个时间点数据独立反演计算模型,则拉格朗日乘子的分配可基于如下分配矩阵Q1,并根据电阻率改变程度范围进行赋值:
基于上述实施例的内容,作为一种可选实施例,S3之后,还包括:改变时间点之间的间隔尺度,并重复执行步骤S2和S3,获得一系列对应于不同时间间隔尺度的反演计算结果。
具体地,可以改变时间点之间的间隔尺度,例如,可以将时间点之间的跨度(即两个时间点之间的时段)由1个单位时间间隔扩大至2个单位时间间隔,然后重复上述步骤S2和S3进行反演计算,此时拉格朗日乘子分配矩阵Q2变化为:
时间点跨度选择由小至大,从1个单位时间间隔扩大至收尾相接时间点。
应当说明的是,现有技术中的时移数据处理方法通常利用相邻前后时间点数据进行比较,时间步长过小可能造成模型参数差异极小,地电结构发生变化的时空区间会在反演中受到压制从而分辨不出,同时采用的差异约束也会限制突变的产生。相比于现有技术,本发明实施例提出了多时间尺度约束反演分析,获取的时移信息更丰富,对断面电阻率变化信息识别更加全面,能够提高变化预判准确度,从而对整个断面电阻率变化部位进行定位,实现滑动过程水体渗透小范围扩散的精细捕捉。
基于上述实施例的内容,作为一种可选实施例,获得一系列对应于不同时间间隔尺度的反演计算结果之后,还包括:根据一系列对应于不同时间间隔尺度的反演计算结果,创建电阻率参数变化百分比时间推移序列图像并获得电阻率非线性变化趋势,以分析水体渗透过程及追踪滑坡滑动过程。
具体地,通过反演成果建立一系列不同时间尺度的电阻率参数变化百分比时间推移序列图像,获取电阻率非线性变化趋势,分析水体渗透过程,从而追踪滑坡滑动过程。
基于上述实施例的内容,本发明实施例提供了一种用于滑坡过程追踪的时移电法数据反演装置,该用于滑坡过程追踪的时移电法数据反演装置用于执行上述方法实施例中的用于滑坡过程追踪的时移电法数据反演方法。参见图2,该装置包括:创建模块201、分配模块202和反演模块203;其中,创建模块201,用于对枯水期河流水位稳定时采集的电阻率数据进行独立反演,获得断面电阻率初值及对应的电阻率变化范围,并根据断面电阻率初值和电阻率变化范围创建静态模型;分配模块202,用于采用静态模型对每个时间点的电阻率数据进行反演,并根据反演结果为每个时空区间分配拉格朗日乘子;反演模块203,用于基于拉格朗日乘子,采用基于时间域正则化和自适应正则化约束的混合正则化反演计算方法,对每个时间点的电阻率数据进行反演,获得反演计算结果。
具体地,创建模块201以枯水期河流水位稳定时采集的电阻率数据进行最小二乘法独立反演,获取初始状态时间点下电阻率空间分布,并基于最小目标函数及迭代公式可以获得反演结果,并进一步根据独立反演结果获取断面电阻率初值,确定电阻率变化范围。在获得了断面电阻率初值及对应的电阻率变化范围后,创建模块201可创建静态模型,将该静态模型作为后续时间点的电阻率数据反演的先验模型。分配模块202通过根据静态模型对每个时间点的电阻率进行反演,其目的是根据反演结果为每个时空区间分配一个适合的拉格朗日乘子。在分配模块202中确定了每个时空区间的拉格朗日乘子后,反演模块203即可以确定每个时空区间所采用的基于时间域正则化和自适应正则化约束的混合正则化反演计算方法,从而能够对每个时间点的电阻率数据进行反演,获得反演计算结果。
本发明实施例提供的装置,通过采用基于时间域正则化和自适应正则化约束的混合正则化反演计算方法,对每个时间点的电阻率数据进行反演,获得反演计算结果,能够有效过滤电阻率数据中与时间不相关的噪声,从而应用了时间推移的概念,使反演过程中保持连续;另外,通过采用静态模型对每个时间点的电阻率数据进行反演,能够使反演计算初始模型归一化,能够有效去除测量数据中掺杂的干扰对反演结果影响,减少假异常。
本发明实施例提供了一种电子设备,如图3所示,该设备包括:处理器(processor)301、通信接口(Communications Interface)302、存储器(memory)303和通信总线304,其中,处理器301,通信接口302,存储器303通过通信总线304完成相互间的通信。处理器301可以调用存储器303上并可在处理器301上运行的计算机程序,以执行上述各实施例提供的用于滑坡过程追踪的时移电法数据反演方法,例如包括:S1,对枯水期河流水位稳定时采集的电阻率数据进行独立反演,获得断面电阻率初值及对应的电阻率变化范围,并根据断面电阻率初值和电阻率变化范围创建静态模型;S2,采用静态模型对每个时间点的电阻率数据进行反演,并根据反演结果为每个时空区间分配拉格朗日乘子;S3,基于拉格朗日乘子,采用基于时间域正则化和自适应正则化约束的混合正则化反演计算方法,对每个时间点的电阻率数据进行反演,获得反演计算结果。
此外,上述的存储器303中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本发明实施例还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各实施例提供的用于滑坡过程追踪的时移电法数据反演方法,例如包括:S1,对枯水期河流水位稳定时采集的电阻率数据进行独立反演,获得断面电阻率初值及对应的电阻率变化范围,并根据断面电阻率初值和电阻率变化范围创建静态模型;S2,采用静态模型对每个时间点的电阻率数据进行反演,并根据反演结果为每个时空区间分配拉格朗日乘子;S3,基于拉格朗日乘子,采用基于时间域正则化和自适应正则化约束的混合正则化反演计算方法,对每个时间点的电阻率数据进行反演,获得反演计算结果。
以上所描述的电子设备等实施例仅仅是示意性的,其中作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (9)
1.一种用于滑坡过程追踪的时移电法数据反演方法,其特征在于,包括:
S1,对枯水期河流水位稳定时采集的电阻率数据进行独立反演,获得断面电阻率初值及对应的电阻率变化范围,并根据所述断面电阻率初值和电阻率变化范围创建静态模型;
S2,采用所述静态模型对每个时间点的电阻率数据进行反演,并根据反演结果为每个时空区间分配拉格朗日乘子;
S3,基于所述拉格朗日乘子,采用基于时间域正则化和自适应正则化约束的混合正则化反演计算方法,对每个所述时间点的所述电阻率数据进行反演,获得反演计算结果;
其中,所述拉格朗日乘子为对时间域正则项和自适应正则项进行控制的拉格朗日乘子;
其中,所述S1中根据所述断面电阻率初值和电阻率变化范围创建静态模型,包括:
根据所述断面电阻率初值及所述电阻率变化范围,采用有限元方法模拟空间电阻率分布,并根据电法断面数据的分布特点运用自适应网格算法创建所述静态模型。
2.根据权利要求1所述的方法,其特征在于,所述S2中采用所述静态模型对每个时间点的电阻率数据进行反演,并根据反演结果为每个时空区间分配拉格朗日乘子,包括:
采用所述静态模型对每个所述时间点的电阻率数据进行反演,获得每个所述时间点对应的反演结果模型;
根据相邻的所述时间点分别对应的所述反演结果模型之间的空间电阻率变化程度,为每个时空区间分配所述拉格朗日乘子。
3.根据权利要求2所述的方法,其特征在于,所述为每个时空区间分配所述拉格朗日乘子,包括:
为所述空间电阻率变化大的时空区间分配第一拉格朗日乘子,以及为所述空间电阻率变化小的时空区间分配第二拉格朗日乘子,所述第一拉格朗日乘子小于所述第二拉格朗日乘子。
4.根据权利要求1所述的方法,其特征在于,所述S3之后,还包括:
改变所述时间点之间的间隔尺度,并重复执行步骤S2和S3,获得一系列对应于不同时间间隔尺度的反演计算结果。
5.根据权利要求4所述的方法,其特征在于,所述获得一系列对应于不同时间间隔尺度的反演计算结果之后,还包括:
根据所述一系列对应于不同时间间隔尺度的反演计算结果,创建电阻率参数变化百分比时间推移序列图像并获得电阻率非线性变化趋势,以分析水体渗透过程及追踪滑坡滑动过程。
6.根据权利要求1所述的方法,其特征在于,所述自适应正则化为自适应Tikonhov正则化;相应地,所述基于时间域正则化和自适应正则化约束的混合正则化反演计算方法的最小目标函数为:
MinJ1=‖fTf‖2+αΓ+βψ
式中,MinJ1为约束反演过程中的最小目标函数,Γ为时间域上光滑正则项,ψ为自适应Tikonhov约束正则项,α为控制时间域上光滑正则项的拉格朗日乘子,β为控制自适应Tikonhov约束正则项的拉格朗日乘子,f为数据向量矩阵。
7.一种用于滑坡过程追踪的时移电法数据反演装置,其特征在于,包括:
创建模块,用于对枯水期河流水位稳定时采集的电阻率数据进行独立反演,获得断面电阻率初值及对应的电阻率变化范围,并根据所述断面电阻率初值和电阻率变化范围创建静态模型;
分配模块,用于采用所述静态模型对每个时间点的电阻率数据进行反演,并根据反演结果为每个时空区间分配拉格朗日乘子;
反演模块,用于基于所述拉格朗日乘子,采用基于时间域正则化和自适应正则化约束的混合正则化反演计算方法,对每个所述时间点的所述电阻率数据进行反演,获得反演计算结果;
其中,所述拉格朗日乘子为对时间域正则项和自适应正则项进行控制的拉格朗日乘子;
其中,所述创建模块,还用于根据所述断面电阻率初值及所述电阻率变化范围,采用有限元方法模拟空间电阻率分布,并根据电法断面数据的分布特点运用自适应网格算法创建所述静态模型。
8.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至6任一项所述用于滑坡过程追踪的时移电法数据反演方法的步骤。
9.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至6任一项所述用于滑坡过程追踪的时移电法数据反演方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811446088.4A CN109521475B (zh) | 2018-11-29 | 2018-11-29 | 用于滑坡过程追踪的时移电法数据反演方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811446088.4A CN109521475B (zh) | 2018-11-29 | 2018-11-29 | 用于滑坡过程追踪的时移电法数据反演方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109521475A CN109521475A (zh) | 2019-03-26 |
CN109521475B true CN109521475B (zh) | 2020-10-23 |
Family
ID=65793726
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811446088.4A Active CN109521475B (zh) | 2018-11-29 | 2018-11-29 | 用于滑坡过程追踪的时移电法数据反演方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109521475B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104391334A (zh) * | 2014-11-26 | 2015-03-04 | 山东大学 | 用于地下水运移过程监测的电阻率时间推移反演成像方法 |
CN104459069A (zh) * | 2014-11-26 | 2015-03-25 | 山东大学 | 隧道突水对地下水环境影响监测模型试验装置及试验方法 |
CN107765337A (zh) * | 2016-08-19 | 2018-03-06 | 中国石油化工股份有限公司 | 电法与地震同步联合反演方法及系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
BR112014010273B1 (pt) * | 2011-10-31 | 2022-06-21 | Schlumberger Holdings Limited | Método para inversão de ressonância magnética nuclear (rmn) no domínio do tempo petrofisicamente regularizada |
US10495524B2 (en) * | 2015-12-09 | 2019-12-03 | Halliburton Energy Services, Inc. | Apparatus and method for monitoring production wells |
-
2018
- 2018-11-29 CN CN201811446088.4A patent/CN109521475B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104391334A (zh) * | 2014-11-26 | 2015-03-04 | 山东大学 | 用于地下水运移过程监测的电阻率时间推移反演成像方法 |
CN104459069A (zh) * | 2014-11-26 | 2015-03-25 | 山东大学 | 隧道突水对地下水环境影响监测模型试验装置及试验方法 |
CN107765337A (zh) * | 2016-08-19 | 2018-03-06 | 中国石油化工股份有限公司 | 电法与地震同步联合反演方法及系统 |
Non-Patent Citations (3)
Title |
---|
二维MT多尺度反演中的自适应网格算法;徐义贤 等;《石油物探》;19981231;第37卷(第4期);第116页第2段 * |
刘丞会.基于自适应时间约束时移电阻率成像的溶质运移监测.《中国优秀硕士学位论文全文数据库 基础科学辑》.2017,(第1期),第4.3节. * |
基于自适应时间约束时移电阻率成像的溶质运移监测;刘丞会;《中国优秀硕士学位论文全文数据库 基础科学辑》;20170115(第1期);第4.3节 * |
Also Published As
Publication number | Publication date |
---|---|
CN109521475A (zh) | 2019-03-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109507735B (zh) | 膨胀土堤坝滑坡渗透滑动过程追踪的时移电法探测方法 | |
Aleardi et al. | Elastic prestack seismic inversion through discrete cosine transform reparameterization and convolutional neural networks | |
CN110187384B (zh) | 贝叶斯时移地震差异反演方法及装置 | |
Siqueira et al. | Fast iterative equivalent-layer technique for gravity data processing: A method grounded on excess mass constraint | |
Zhang et al. | BTTB-based numerical schemes for three-dimensional gravity field inversion | |
Antić et al. | Approximation based on orthogonal and almost orthogonal functions | |
Yang et al. | Doubly stochastic radial basis function methods | |
US20100198897A1 (en) | Deriving a function that represents data points | |
CN106204597A (zh) | 一种基于自步式弱监督学习的视频物体分割方法 | |
Lankarany et al. | Joint estimation of states and parameters of hodgkin–huxley neuronal model using kalman filtering | |
Campagna et al. | Modification of TV-ROF denoising model based on Split Bregman iterations | |
Nowicki et al. | Assimilation of the satellite SST data in the 3D CEMBS model | |
Wang et al. | Denoising with weak signal preservation by group-sparsity transform learning | |
CN113515855B (zh) | 渗流介质物理场模型的确定方法、装置、计算设备及介质 | |
Wu et al. | Minimum entropy restoration of star field images | |
CN109521475B (zh) | 用于滑坡过程追踪的时移电法数据反演方法及装置 | |
Li et al. | Stable separation and super-resolution of mixture models | |
Khanna et al. | Fractional derivative filter for image contrast enhancement with order prediction | |
Jain et al. | Iterative solvers for image denoising with diffusion models: A comparative study | |
Silva et al. | A new procedure for generating data covariance inflation factors for ensemble smoother with multiple data assimilation | |
KR20200028801A (ko) | 뉴럴 네트워크를 이용한 변분 추론 학습 방법 및 학습 장치, 그리고 이를 이용한 변분 추론 방법 및 장치 | |
Ramani et al. | Iterative weighted risk estimation for nonlinear image restoration with analysis priors | |
İncetaş | Anisotropic diffusion filter based on spiking neural network model | |
Lee et al. | Overlapping group prior for image deconvolution using patch-wise gradient statistics | |
RU2522043C1 (ru) | Устройство фильтрации динамических цифровых изображений в условиях ограниченного объема априорных данных |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |