CN111597752B - 平衡孔间敏感性的跨孔电阻率ct深度学习反演方法及系统 - Google Patents
平衡孔间敏感性的跨孔电阻率ct深度学习反演方法及系统 Download PDFInfo
- Publication number
- CN111597752B CN111597752B CN202010269126.4A CN202010269126A CN111597752B CN 111597752 B CN111597752 B CN 111597752B CN 202010269126 A CN202010269126 A CN 202010269126A CN 111597752 B CN111597752 B CN 111597752B
- Authority
- CN
- China
- Prior art keywords
- holes
- deep learning
- balancing
- sensitivity
- inversion
- 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
- 238000013135 deep learning Methods 0.000 title claims abstract description 50
- 238000000034 method Methods 0.000 title claims abstract description 41
- 230000035945 sensitivity Effects 0.000 title claims abstract description 41
- 230000006870 function Effects 0.000 claims abstract description 19
- 238000010586 diagram Methods 0.000 claims abstract description 16
- 239000013598 vector Substances 0.000 claims abstract description 15
- 238000013507 mapping Methods 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims abstract description 10
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 238000004088 simulation Methods 0.000 claims abstract description 8
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 7
- 230000005611 electricity Effects 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000002591 computed tomography Methods 0.000 abstract 2
- 238000004590 computer program Methods 0.000 description 7
- 230000002159 abnormal effect Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000005553 drilling Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- RTAQQCXQSZGOHL-UHFFFAOYSA-N Titanium Chemical compound [Ti] RTAQQCXQSZGOHL-UHFFFAOYSA-N 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000007306 functionalization reaction Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本公开提供了一种平衡孔间敏感性的跨孔电阻率CT深度学习反演方法及系统,包括:通过数值模拟,构建包括多组孔中电极点电位值‑地电模型图数据对的数据库;对电位数据预处理,提取全局特征向量,进而获取局部特征图;在损失函数中增加用于平衡孔间敏感性的补偿项,构造深度学习网络,对深度学习网络进行训练,以确定电位数据与地电模型的映射关系,将采集的电位数据的局部特征图输入深度学习网络的卷积层,得到该组孔中电极点电位值对应的地电模型图,实现反演。
Description
技术领域
本公开属于地球物理勘探领域,涉及一种平衡孔间敏感性的跨孔电阻率CT深度学习反演方法及系统。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息,不必然构成在先技术。
跨孔电阻率CT是一种孔中探测物探方法。将多个电极点放置孔中,通过对任意两个电极点分别供正电和负电,测量其它电极点电位,或进一步计算电位差和视电阻率作为测量数据,通过反演,获得孔间的电阻率剖面图。该反演方式有两种,一种是线性反演,一种是非线性反演。线性反演是对目标函数的高阶项省略,进而迭代求最优的方式。该方法强烈依赖于初始模型参数,且容易陷入局部最优。非线性反演是利用非线性优化算法全局寻找最优,如蚁群算法、遗传算法等,这些方法通常计算量大,每次求解的耗时长。神经网络能够通过学习获得数据和模型的映射模型,早期BP神经网络已经实现了二维电阻率反演,但因为梯度消失和梯度爆炸等问题,反演过程中存在收敛速度慢、过拟合等问题。近年来,随着激活函数,归一化等手段的提出,深度学习得到了更广泛的应用。目前尚没有发明实现了深度学习实现跨孔电阻率CT反演。
实现跨孔电阻率CT深度学习反演方法存在以下两个难题:
其一,跨孔电阻率CT技术采集的数据量大,且不同于地表直流电探测技术,无法绘制视电阻率图像,即无法直接使用卷积神经网络构建数据到地电模型的映射。而又因为数据量大,使用多个全连接层的未知参数多,计算量巨大,可行性差。
其二,跨孔电阻率CT技术采集的数据对孔附近区域的电阻率敏感,而对孔间区域敏感性差,导致对远离孔的区域反演效果差。
发明内容
本公开为了解决上述问题,提出了一种平衡孔间敏感性的跨孔电阻率CT深度学习反演方法及系统,本公开能够针对跨孔电阻率CT的电位数据,通过深度学习反演获得电阻率剖面图,且提高了远离钻孔的区域反演效果。
根据一些实施例,本公开采用如下技术方案:
一种平衡孔间敏感性的跨孔电阻率CT深度学习反演方法,包括以下步骤:
通过数值模拟,构建包括多组孔中电极点电位值-地电模型图数据对的数据库;
对电位数据预处理,提取全局特征向量,进而获取局部特征图;
在损失函数中增加用于平衡孔间敏感性的补偿项,构造深度学习网络;
对深度学习网络进行训练,以确定电位数据与地电模型的映射关系;
将采集的电位数据的局部特征图输入深度学习网络的卷积层,得到该组孔中电极点电位值对应的地电模型图,实现反演。
上述技术方案中,增加了用于平衡孔间敏感性的补偿项,提高了远离钻孔的区域反演效果。
作为可选择的实施方式,构建数据库的具体过程包括:
针对多种背景、形状、尺寸及空间分布的地下工程目标体的地电模型,以多种电极个数、电极间距和孔间距进行数值模拟;
对于每一地电模型进行正演,包括对任意两电极点分别供正电和负电,计算其它电极点的电位值,得到孔中电极点电位值-地电模型图数据对。
作为可选择的实施方式,对电位数据的预处理包括:
将所有电位数据通过多个全连接层,获取全局特征向量;
将所有电位数据按供电电极分组,并对组内任意两点电位作差扩展数据量,进而将每组数据进行编码,即通过多个全连接层降维;
将全局特征向量加入编码后每组数据中,通过全连接层获得局部特征图。
作为可选择的实施方式,构造深度学习网络的步骤包括:
在损失函数中增加用于平衡孔间敏感性的补偿项和光滑约束项,计算公式为:
其中,Mi,j表示M第i行j列的元素。
作为可选择的实施方式,将局部特征图输入深度学习网络的卷积层,得到该组孔中电极点电位值对应的地电模型图的具体过程包括:卷积层的输入是所有局部特征图,即包括所有按供电电极分组求得的局部特征图,输出端为该组孔中电极点电位值对应的地电模型图,即电阻率分布矩阵。
作为可选择的实施方式,直接用数据库中的训练集数据进行训练即可。
一种平衡孔间敏感性的跨孔电阻率CT反演系统,包括:
特征提取模块,被配置为对获取的电位数据预处理,提取全局特征向量,进而获取局部特征图;
深度学习网络构建模块,被配置为在损失函数中增加用于平衡孔间敏感性的补偿项,构造深度学习网络,对深度学习网络进行训练,以确定电位数据与地电模型的映射关系;
反演模块,被配置为将采集的电位数据的局部特征图输入深度学习网络的卷积层,得到该组孔中电极点电位值对应的地电模型图,实现反演。
一种计算机可读存储介质,其中存储有多条指令,所述指令适于由终端设备的处理器加载并执行所述的一种平衡孔间敏感性的跨孔电阻率CT深度学习反演方法。
一种终端设备,包括处理器和计算机可读存储介质,处理器用于实现各指令;计算机可读存储介质用于存储多条指令,所述指令适于由处理器加载并执行所述的一种平衡孔间敏感性的跨孔电阻率CT深度学习反演方法。
与现有技术相比,本公开的有益效果为:
本公开针对跨孔电阻率CT技术中大量的电位数据,做了两步预处理工作:一是将电位数据通过全连接层获得全局特征向量;二是将数据按供电电极分组,对组内任意两点电位作差扩展数据,加入全局特征向量后,通过降采样编码得到局部特征图。概括来说是,通过预处理对数据进行降维,将电位数据转化为多个特征图,以便下一步使用卷积神经网络构造特征图与地电模型图的映射关系;
本公开针对因敏感度低(远离钻孔区域)导致反演效果差的问题,在损失函数中增加用于平衡孔间敏感性的补偿项,提高了远离钻孔的区域反演效果。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解,本公开的示意性实施例及其说明用于解释本公开,并不构成对本公开的不当限定。
图1为本实施例提出的一种平衡孔间敏感性的跨孔电阻率CT深度学习反演方法流程图;
图2为本实施例提出的深度学习网络示意图;
图3为一个实施例中所建立数据库中的地电模型示意图;
图4为一个实施例中的深度学习反演结果;
具体实施方式:
下面结合附图与实施例对本公开作进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本公开提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本公开的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
本实施例公开了一种平衡孔间敏感性的跨孔电阻率CT深度学习反演方法,如图1所示,包括以下步骤:
步骤S1,通过计算机数值模拟模拟构建数据库,所述数据库包括多组孔中电极点电位值-地电模型图数据对;
本实施例的识别方法主要针对地下工程的破碎、溶洞、断层等地质异常体,这里用不同电阻率、不同位置、不同形状的地电模型表示,如图3所示;
本实施例的模型大小为18m*32m,电极点为64个,电极间距为1m,孔间距为18m,反演网格大小为1m*1m,低阻异常体电阻率值分别为20欧姆米和40欧姆米,高阻异常体电阻率值分别为800欧姆米和1000欧姆米;
本实施例的数据库包含19840组孔中电极点电位值-地电模型图数据对,其中单个块状异常体算例1280组,多个块状异常体算例3600组,单个不规则异常体算例4160组,多个块状异常体算例10800组,测试集、验证集、训练集比例为1:1:10。
步骤S2,如图2所示,对电位数据预处理,提取全局特征向量和局部特征图;
本实施例中将所有电位数据通过全连接层,获取全局特征向量,再将所有电位数据按供电电极分组,并对组内任意两点电位作差扩展数据量,进而将每组数据进行编码,即通过多个全连接层降维,将全局特征向量加入编码后每组数据中,通过多个全连接层获得局部特征图。
步骤S3,在损失函数中增加用于平衡孔间敏感性的补偿项;
本实施例中使用的损失函数计算公式为:
其中,水平方向上Nx=18个网格,ωNx=[Nx/2+0.5],[·]表示取整函数。s的计算公式如下:
其中,Mi,j表示M第i行j列的元素;
步骤S4,如图2所示,训练深度学习网络。
本实施例中主要网络参数和硬件条件为:计算采用单片NVIDIA TITAN Xp实现。基于PyTorch平台搭建网络,SGD优化器批处理量(batchsize)为5,学习率(learning rate)为0.1,动量(momentum)为0.9,权重衰减(weight decay)为1e-4,学习算法在整个训练数据集中的工作次数(epoch)为500。
步骤S5,深度学习网络构造了电位数据与地电模型的映射关系,可表示反演过程,代入测试集的部分结果如图4所示。可以说明本发明能够较准确的反演获得目标体的位置和形态,即使是原离钻孔的区域,也能有较好的反演效果。实施例训练网络用时约30小时,测试1984组数据用时约5分钟,反演效率可以达到工程应用要求。
还提供以下产品实施例:
一种平衡孔间敏感性的跨孔电阻率CT反演系统,包括:
特征提取模块,被配置为对获取的电位数据预处理,提取全局特征向量,进而获取局部特征图;
深度学习网络构建模块,被配置为在损失函数中增加用于平衡孔间敏感性的补偿项,构造深度学习网络;
反演模块,被配置为将局部特征图输入深度学习网络的卷积层,得到该组孔中电极点电位值对应的地电模型图,实现反演。
一种计算机可读存储介质,其中存储有多条指令,所述指令适于由终端设备的处理器加载并执行所述的一种平衡孔间敏感性的跨孔电阻率CT深度学习反演方法。
一种终端设备,包括处理器和计算机可读存储介质,处理器用于实现各指令;计算机可读存储介质用于存储多条指令,所述指令适于由处理器加载并执行所述的一种平衡孔间敏感性的跨孔电阻率CT深度学习反演方法。
本领域内的技术人员应明白,本公开的实施例可提供为方法、系统、或计算机程序产品。因此,本公开可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本公开是参照根据本公开实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅为本公开的优选实施例而已,并不用于限制本公开,对于本领域的技术人员来说,本公开可以有各种更改和变化。凡在本公开的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本公开的保护范围之内。
上述虽然结合附图对本公开的具体实施方式进行了描述,但并非对本公开保护范围的限制,所属领域技术人员应该明白,在本公开的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。
Claims (9)
1.一种平衡孔间敏感性的跨孔电阻率CT深度学习反演方法,其特征是:包括以下步骤:
通过数值模拟,构建包括多组孔中电极点电位值-地电模型图数据对的数据库;
对电位数据预处理,提取全局特征向量,进而获取局部特征图;
在损失函数中增加用于平衡孔间敏感性的补偿项,构造深度学习网络,构造深度学习网络的步骤包括:
在损失函数中增加用于平衡孔间敏感性的补偿项和光滑约束项,计算公式为:
其中,Mi,j表示M第i行j列的元素;
对深度学习网络进行训练,以确定电位数据与地电模型的映射关系;
将采集的电位数据的局部特征图输入深度学习网络的卷积层,得到该组孔中电极点电位值对应的地电模型图,实现反演。
2.如权利要求1所述的一种平衡孔间敏感性的跨孔电阻率CT深度学习反演方法,其特征是:构建数据库的具体过程包括:
针对多种背景、形状、尺寸及空间分布的地下工程目标体的地电模型,以多种电极个数、电极间距和孔间距进行数值模拟。
3.如权利要求2所述的一种平衡孔间敏感性的跨孔电阻率CT深度学习反演方法,其特征是:对于每一地电模型进行正演,包括对任意两电极点分别供正电和负电,计算其它电极点的电位值,得到孔中电极点电位值-地电模型图数据对。
4.如权利要求1所述的一种平衡孔间敏感性的跨孔电阻率CT深度学习反演方法,其特征是:对电位数据的预处理包括:
将所有电位数据通过多个全连接层,获取全局特征向量。
5.如权利要求1所述的一种平衡孔间敏感性的跨孔电阻率CT深度学习反演方法,其特征是:对电位数据的预处理包括:将所有电位数据按供电电极分组,并对组内任意两点电位作差扩展数据量,进而将每组数据进行编码,即通过多个全连接层降维;
将全局特征向量加入编码后每组数据中,通过全连接层获得局部特征图。
6.如权利要求1所述的一种平衡孔间敏感性的跨孔电阻率CT深度学习反演方法,其特征是:将局部特征图输入深度学习网络的卷积层,得到该组孔中电极点电位值对应的地电模型图的具体过程包括:卷积层的输入是所有局部特征图,即包括所有按供电电极分组求得的局部特征图,输出端为该组孔中电极点电位值对应的地电模型图,即电阻率分布矩阵。
7.一种平衡孔间敏感性的跨孔电阻率CT反演系统,其特征是:包括:
数值模拟模块,被配置为通过数值模拟,构建包括多组孔中电极点电位值-地电模型图数据对的数据库;
特征提取模块,被配置为对获取的电位数据预处理,提取全局特征向量,进而获取局部特征图;
深度学习网络构建模块,被配置为在损失函数中增加用于平衡孔间敏感性的补偿项,构造深度学习网络,构造深度学习网络的步骤包括:
在损失函数中增加用于平衡孔间敏感性的补偿项和光滑约束项,计算公式为:
其中,Mi,j表示M第i行j列的元素;对深度学习网络进行训练,以确定电位数据与地电模型的映射关系;
反演模块,被配置为将采集的电位数据的局部特征图输入深度学习网络的卷积层,得到该组孔中电极点电位值对应的地电模型图,实现反演。
8.一种计算机可读存储介质,其特征是:其中存储有多条指令,所述指令适于由终端设备的处理器加载并执行权利要求1-6中任一项所述的一种平衡孔间敏感性的跨孔电阻率CT深度学习反演方法。
9.一种终端设备,其特征是:包括处理器和计算机可读存储介质,处理器用于实现各指令;计算机可读存储介质用于存储多条指令,所述指令适于由处理器加载并执行权利要求1-6中任一项所述的一种平衡孔间敏感性的跨孔电阻率CT深度学习反演方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010269126.4A CN111597752B (zh) | 2020-04-08 | 2020-04-08 | 平衡孔间敏感性的跨孔电阻率ct深度学习反演方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010269126.4A CN111597752B (zh) | 2020-04-08 | 2020-04-08 | 平衡孔间敏感性的跨孔电阻率ct深度学习反演方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111597752A CN111597752A (zh) | 2020-08-28 |
CN111597752B true CN111597752B (zh) | 2023-06-30 |
Family
ID=72190494
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010269126.4A Active CN111597752B (zh) | 2020-04-08 | 2020-04-08 | 平衡孔间敏感性的跨孔电阻率ct深度学习反演方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111597752B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115267927B (zh) * | 2022-09-28 | 2022-12-30 | 中石化经纬有限公司 | 一种基于蚁群-梯度串联算法的多边界幕式地质导向方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104407394A (zh) * | 2014-11-26 | 2015-03-11 | 山东大学 | 基于电阻率跨孔ct的地铁盾构区间孤石精细化探测方法 |
CN109001825A (zh) * | 2018-06-15 | 2018-12-14 | 山东大学 | 基于先验梯度约束的四维电阻率跨孔ct监测成像方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9772423B2 (en) * | 2014-07-30 | 2017-09-26 | Battelle Memorial Institute | Method of imaging the electrical conductivity distribution of a subsurface |
CN109212617B (zh) * | 2018-08-24 | 2020-09-08 | 中国石油天然气股份有限公司 | 电成像测井相自动识别方法及装置 |
-
2020
- 2020-04-08 CN CN202010269126.4A patent/CN111597752B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104407394A (zh) * | 2014-11-26 | 2015-03-11 | 山东大学 | 基于电阻率跨孔ct的地铁盾构区间孤石精细化探测方法 |
CN109001825A (zh) * | 2018-06-15 | 2018-12-14 | 山东大学 | 基于先验梯度约束的四维电阻率跨孔ct监测成像方法 |
Non-Patent Citations (2)
Title |
---|
Full waveform inversion based on inequality constraint for cross-hole radar;Bin Liu等;Journal of Applied Geophysics;11-127 * |
基于GPU混合反演的隧道电阻率超前探测成像研究;聂利超;张欣欣;刘斌;刘征宇;王传武;郭谦;刘海东;王厚同;;地球物理学报(第12期);396-407 * |
Also Published As
Publication number | Publication date |
---|---|
CN111597752A (zh) | 2020-08-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105260786B (zh) | 一种电力推进系统仿真可信度评估模型综合优化方法 | |
CN110580328A (zh) | 一种地下水位监测值缺失的修复方法 | |
CN107544904A (zh) | 一种基于深度cg‑lstm神经网络的软件可靠性预测模型 | |
CN113505534B (zh) | 一种考虑需求响应的负荷预测方法 | |
CN111597753B (zh) | 数据深度变化特征自适应的二维电阻率反演方法及系统 | |
CN115238550B (zh) | 自适应非结构网格的滑坡降雨的地电场数值模拟计算方法 | |
CN114723095A (zh) | 缺失测井曲线预测方法及装置 | |
CN111597752B (zh) | 平衡孔间敏感性的跨孔电阻率ct深度学习反演方法及系统 | |
CN110716998B (zh) | 一种精细尺度人口数据空间化方法 | |
CN102279852B (zh) | 一种基于遗传算法的油藏自动历史拟合系统及其拟合方法 | |
CN117852416A (zh) | 基于数字化地质模型的多模态注浆预控分析方法及系统 | |
CN117092702A (zh) | 孔-隧激发极化探水结构的施工方法及反演探水方法 | |
CN117665932A (zh) | 基于隧道三维地震波数据潜在空间特征的波速反演方法 | |
CN116879960A (zh) | 一种基于深度学习的随掘超前探测异常体定位与辨识方法 | |
CN114488314B (zh) | 一种基于陆地与水下直流电联合测量的地质反演方法 | |
CN115713599A (zh) | 一种地下采煤矿山精确监测防治方法 | |
CN115577612A (zh) | 基于深度学习的隧道电阻率极化率联合反演梯度优化方法 | |
CN115508202A (zh) | 一种基于围岩扩容规律的开挖扰动岩体质量分级方法 | |
CN112861222B (zh) | 可区分土质的土方算量方法及装置 | |
Gajda-Zagórska et al. | Multi-objective hierarchic memetic solver for inverse parametric problems | |
CN116299739A (zh) | 重力异常的提取方法、装置、设备和存储介质 | |
CN116245010A (zh) | 基于多尺度无监督深度学习的溶洞反演与成像方法及系统 | |
CN113064216A (zh) | 一种储层孔隙度预测方法、系统、设备及可读存储介质 | |
CN118244370B (zh) | 基于有限元算法的瞬变电磁隧道超前探测三维反演方法 | |
CN117688821B (zh) | 一种排土场边坡稳定性预测方法 |
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 |