CN112364911B - 电阻率成像的反演方法、装置及存储介质 - Google Patents

电阻率成像的反演方法、装置及存储介质 Download PDF

Info

Publication number
CN112364911B
CN112364911B CN202011230508.2A CN202011230508A CN112364911B CN 112364911 B CN112364911 B CN 112364911B CN 202011230508 A CN202011230508 A CN 202011230508A CN 112364911 B CN112364911 B CN 112364911B
Authority
CN
China
Prior art keywords
module
residual
resistivity
preset
residual error
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
Application number
CN202011230508.2A
Other languages
English (en)
Other versions
CN112364911A (zh
Inventor
刘彦昌
单立群
孙明港
戚先锋
祁妍嫣
汤敏
孔维芳
白雪原
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Northeast Petroleum University
Original Assignee
Northeast Petroleum University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Northeast Petroleum University filed Critical Northeast Petroleum University
Priority to CN202011230508.2A priority Critical patent/CN112364911B/zh
Publication of CN112364911A publication Critical patent/CN112364911A/zh
Application granted granted Critical
Publication of CN112364911B publication Critical patent/CN112364911B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Remote Sensing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Electromagnetism (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Environmental & Geological Engineering (AREA)
  • Geology (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Geophysics (AREA)
  • Image Analysis (AREA)
  • Geophysics And Detection Of Objects (AREA)

Abstract

本发明公开了一种电阻率成像的反演方法、装置及存储介质，该方法包括：获取训练数据集，训练数据集为根据地下的多个预设电阻率异构体的预设电阻率和预设位置数据，经过电阻率测量正演所得；训练数据集包括正演视电阻率和正演位置数据；将训练数据集输入至预设卷积神经网络进行训练，预设卷积神经网络的输入为正演视电阻率和正演位置数据，预设卷积神经网络的输出为地下电阻率模型图像；根据训练后的预设卷积神经网络进行反演，得到反演结果。本申请实施例提供的电阻率成像的反演方法可以使用正演数据训练预设卷积神经网络，经过训练的预设卷积神经网络能够准确的输出地下电阻率模型图像，提高下电阻率模型图像的准确性和计算效率。

Description

电阻率成像的反演方法、装置及存储介质
技术领域
本发明实施例涉及地质勘探技术，尤其涉及一种电阻率成像的反演方法、装置及存储介质。
背景技术
电阻率成像是一种地球物理勘探技术，使用多道阵列电极系测量系统，通过在地表或井-地间布设阵列电极系获取地下电阻率信息，并利用反演方法以重建地下电阻率图像，来揭示地下介质的电性结构。近年来，电阻率探测面临的地形、地质条件和探测环境愈加复杂，对电阻率探测的成像精度和解释效果的要求也越来越高，“三维化、成像化、精细化”成为电阻率探测发展的趋势。
电阻率成像技术是一种非线性反演的方法，传统的反演方法采用非线性问题的线性化的反演策略，主要利用目标函数的梯度信息，通过反复迭代寻找反演最优解。梯度类方法包括最速下降法、牛顿法、共轭梯度法、变尺度法、最小二乘、奥克姆和广义逆等。非线性反演方法研究主要集中在一维、二维反演方面，反演利用蒙特卡洛法、模拟退火法、遗传算法、梯度下降等非线性寻优算法来寻找泛函的极小值。
上述反演方法存在固有的多解性问题，多解性问题往往造成电阻率探测反演陷入局部最优，会出现异构体定位不准确或多余构造的现象，反演结果与实际情况差别较大，无法实现从观测数据空间到地质模型空间的良好映射，容易导致地质解译误差甚至错误。另外，反演数据量大、求解效率不高，其在时效性要求较高的应用中易受到限制，因此提高反演精度和计算效率是电阻率法三维勘探需要解决的主要问题。
发明内容
本发明提供一种电阻率成像的反演方法、装置及存储介质，以实现提高反演精度和计算效率。
第一方面，本发明实施例提供了一种电阻率成像的反演方法，包括：
获取训练数据集，训练数据集为根据地下的多个预设电阻率异构体的预设电阻率和预设位置数据，经过电阻率测量正演所得；训练数据集包括正演视电阻率和正演位置数据；
将训练数据集输入至预设卷积神经网络进行训练，预设卷积神经网络的输入为正演视电阻率和正演位置数据，预设卷积神经网络的输出为地下电阻率模型图像；
根据训练后的预设卷积神经网络进行反演，得到反演结果。
第二方面，本发明实施例还提供了一种电阻率成像的反演装置，包括：
训练数据集获取模块，用于获取训练数据集，训练数据集为根据地下的多个预设电阻率异构体的预设电阻率和预设位置数据，经过电阻率测量正演所得；训练数据集包括正演视电阻率和正演位置数据；
训练模块，用于将训练数据集输入至预设卷积神经网络进行训练，预设卷积神经网络的输入为正演视电阻率和正演位置数据，预设卷积神经网络的输出为地下电阻率模型图像；
反演模块，用于根据训练后的预设卷积神经网络进行反演，得到反演结果。
第三方面，本发明实施例还提供了一种计算机设备，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，处理器执行程序时实现如本申请实施例所示的电阻率成像的反演方法。
第四方面，本发明实施例还提供了一种包含计算机可执行指令的存储介质，计算机可执行指令在由计算机处理器执行时用于执行如本申请实施例所示的电阻率成像的反演方法。
本申请实施例提供的电阻率成像的反演方法，能够获取训练数据集，训练数据集为根据地下的多个预设电阻率异构体的预设电阻率和预设位置数据，经过电阻率测量正演所得；将训练数据集输入至预设卷积神经网络进行训练，预设卷积神经网络的输入为数据集包含的正演视电阻率和正演位置数据，预设卷积神经网络的输出为地下电阻率模型图像；根据训练后的预设卷积神经网络进行反演，得到反演结果。相对于目前使用目标函数的梯度信息进行推导，存在准确性和计算效率差的问题，本申请实施例提供的电阻率成像的反演方法可以使用正演数据训练预设卷积神经网络，经过训练的预设卷积神经网络能够准确的输出地下电阻率模型图像，提高下电阻率模型图像的准确性。此外，预设卷积神经网络的输出过程，相比于目标函数的梯度信息推导，能够减少大量的计算，且无需解决多解性问题，进而能够快速得到输出，提高计算效率和实效性。
附图说明
图1是本发明实施例一中的电阻率成像的反演方法的流程图；
图2是本发明实施例二中的预设卷积神经网络的结构示意图；
图3是本发明实施例二中的残差模块I的逻辑示意图；
图4是本发明实施例二中的残差模块II的逻辑示意图；
图5是本发明实施例二中的残差模块III的逻辑示意图；
图6是本发明实施例三中的电阻率成像的反演装置的结构示意图；
图7是本发明实施例四中的计算机设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1为本发明实施例一提供的电阻率成像的反演方法的流程图，本实施例可适用于电阻率成像反演的情况，该方法可以由进行电阻率成像反演的设备来执行，该设备可以为服务器等计算机设备，具体包括如下步骤：
步骤110、获取训练数据集，训练数据集为根据地下的多个预设电阻率异构体的预设电阻率和预设位置数据，经过电阻率测量正演所得；训练数据集包括正演视电阻率和正演位置数据。
本申请实施例使用正演数据作为训练数据集。正演指模拟探测仪器对已知地下电阻率异构体进行探测，探测得到的电阻率异构体的电阻率称为正演视电阻率，探测到的电阻率异构体的位置称为正演位置数据。
示例性的，首先，构建地下的多个预设电阻率异构体的预设电阻率和预设位置数据，多个预设电阻率异构体包括多种类型的电阻率异构体。
默认地下空间为均匀介质，其电阻率为500Ωm。可以在地下空间的不同位置设置多种不同结构的具有不同电阻率的电阻率异构体。
预设电阻率异构体可以为不同的形状，例如，单个立方体、两个不相邻的立方体、三个不相邻的立方体、单个下降体、两个不相邻的下降提或三个不相邻的下降提等。其中，下降提可以由两个相邻的立方体组成。
可以按照下述数量设置各种形状的预设电阻率异构体：I型：单个立方体(5220个样本对)，II型：两个立方体(7578个样本对)，III型：三个立方体(6918个样本对)，IV型：单个下降体(6426个样本对)，V型：两个下降的主体(6072个样本对)，VI型：三个下降的主体(9126个样本对)。共计41340对样本。
其中，每个样本对应一个样本的预设电阻率异构体的形状、预设电阻率以及预设位置数据。预设电阻率可以分为高电阻率和低电阻率，其中高电阻率从1000Ωm，1500Ωm，2000Ωm中选取，低电阻率从10Ωm，20Ωm，50Ωm中选取。
然后，根据多个预设电阻率异构体的预设电阻率和预设位置数据进行电阻率测量正演，得到多个预设电阻率异构体的正演视电阻率和正演位置数据。
根据上述预设电阻率异构体的预设电阻率和预设位置数据进行正演建模，可以生成每个样本对应的正演视电阻率以及测量得到的正演位置数据。共计41340组正演视电阻率和正演位置数据组成的数据集。
最后，将多个预设电阻率异构体的正演视电阻率和正演位置数据按照预设比例，划分为训练数据集、验证数据集和测试数据集。
预设比例表示训练数据集、验证数据集和测试数据集在数据集中所占比例。示例性的，预设比例为8:1:1。
步骤120、将训练数据集输入至预设卷积神经网络进行训练，预设卷积神经网络的输入为正演视电阻率和正演位置数据，预设卷积神经网络的输出为地下电阻率模型图像。
可以预先对预设卷积神经网络进行初始化，例如初始化预设卷积神经网中各层使用的组成结构以及每个层中逻辑，以及初始化预设卷积神经网涉及的参数和超参数。将步骤110中得到的训练数据集中的每组正演视电阻率和正演位置数据依次输入至预设卷积神经网络进行训练。
上述正演过程得到的验证数据集，可以通过下述方式对预设卷积神经网络进行验证，经过验证的神经网络能够更加准确的进行验证，提高反演准确性。
步骤一、根据验证数据集对预设卷积神经网络进行验证。
可以根据下述损失函数计算神经网络的损失值Rloss。根据损失值Rloss判断是否需要优化预设卷积神经网络。Rloss越大表示预设卷积神经网络收敛程度越差，需要通过优化器对预设卷积神经网络进行优化。
Figure BDA0002765040880000061
其中，i为预先设置的电阻率异构体对应的电阻率图像(根据步骤110中数据集所得)，
Figure BDA0002765040880000062
是深度卷积神经网络重建的电阻率图像，i为训练的次数。网络训练的目标是最小化Rloss，更新采用反向传播算法调整深度卷积神经网络的参数和超参数。
步骤二、根据验证结果优化预设卷积神经网络。
当确定进行优化时，可以使用Adam优化器训练预设卷积神经网络，采用反向传播算法调整深度卷积神经网络的参数和超参数。通过验证数据集评价网络性能进行多次迭代优化设计深度学习网络的参数和超参数。
步骤130、根据训练后的预设卷积神经网络进行反演，得到反演结果。
若在正演过程中确定了测试数据集，则可通过下述方式，使用正演过程得到的测试数据进行反演，根据反演结果以及测试数据集准确的判定预设卷积神经网络的反演效果。
步骤一、将测试数据集输入至验证优化后的预设卷积神经网络进行反演。
步骤二、根据验证优化后的预设卷积神经网络输出的地下电阻率模型图像和测试数据集确定反演结果。
将步骤110中产生的测试数据集中的正演视电阻率和正演位置数据输入步骤120得到的预设卷积神经网络。预设卷积神经网络生成的输出图像为三维的地下电阻率重建图像。
将该地下电阻率重建图像与测试数据集中的正演视电阻率和正演位置数据进行对比分析，可以得到反演结果。例如反演结果中与测试数据集中的数据多少比例的数据一致或不一致。使用反演结果可以用于评价预设卷积神经网络的准确性。
本申请实施例提供的电阻率成像的反演方法，能够获取训练数据集，训练数据集为根据地下的多个预设电阻率异构体的预设电阻率和预设位置数据，经过电阻率测量正演所得；将训练数据集输入至预设卷积神经网络进行训练，预设卷积神经网络的输入为数据集包含的正演视电阻率和正演位置数据，预设卷积神经网络的输出为地下电阻率模型图像；根据训练后的预设卷积神经网络进行反演，得到反演结果。相对于目前使用目标函数的梯度信息进行推导，存在准确性和计算效率差的问题，本申请实施例提供的电阻率成像的反演方法可以使用正演数据训练预设卷积神经网络，经过训练的预设卷积神经网络能够准确的输出地下电阻率模型图像，提高下电阻率模型图像的准确性。此外，预设卷积神经网络的输出过程，相比于目标函数的梯度信息推导，能够减少大量的计算，且无需解决多解性问题，进而能够快速得到输出，提高计算效率和实效性。
实施例二
图2为本申请实施例提供的预设卷积神经网络的结构示意图，作为上述实施例的进一步说明，预设卷积神经网络可以为融合注意力机制的多分枝残差U-net结构的卷积神经网络，该卷积神经网络包括第一层、第二层、第三层和第四层。
本申请实施例提供的融合注意力机制的多分枝残差U-net结构的卷积神经网络为具有四层网络深度的U型网络结构。每一层的U-net结构由编码器和解码器构成，其中，编码器用于实现视电阻率特征提取，解码器用于实现电阻率图像重建。在编码器中包括两个分枝，第一分枝用于实现空间位置信息的特征抽取，第二分枝用于实现视电阻率特质的提取。在每一层中，第一分枝的空间位置对第二分枝视电阻率进行空间约束。
其中，第一层包括第一残差模块I201、第二残差模块I202和第三残差模块I203组成，第一残差模块I接收正演位置数据，第二残差模块I接收正演视电阻率。
第二层包括第一残差模块II204、第二残差模块II205和第一残差模块III206，第一残差模块II204接收第一残差模块I201的输出，第二残差模块II205的输入数据为第一残差模块I201的输出数据和第二残差模块I202的输出数据的合并结果。
第三层包括第三残差模块II207、第四残差模块II208和第二残差模块III209，第三残差模块II207接收第一残差模块II204的输出，第四残差模块II208的输入数据为第一残差模块II204的输出数据和第二残差模块II205的输出数据的合并结果。
第四层包括第五残差模块II210、第六残差模块II211和第三残差模块III212，第五残差模块II210接收第三残差模块II207的输出，第六残差模块II211的输入数据为第三残差模块II207的输出数据和第四残差模块II208的输出数据的合并结果。
第五残差模块II210的输出数据与第六残差模块II211的输出数据进行合并后，通过注意力门进行运算后，输入至第三残差模块III212。
第三残差模块II207的输出数据与第四残差模块II208的输出数据进行合并后，通过注意力门进行运算后，与第三残差模块III212的输出数据进行乘积运算，将运算结果输入值第二残差模块III209。
第一残差模块II204的输出数据与第二残差模块II205的输出数据进行合并后，通过注意力门进行运算后，与第二残差模块III209的输出数据进行乘积运算，将运算结果输入值第一残差模块III206。
第一残差模块I201的输出数据与第二残差模块I202的输出数据进行合并后，通过注意力门进行运算后，与第一残差模块III206的输出数据进行乘积运算，将运算结果输入值第三残差模块I203；第三残差模块I203输出地下电阻率模型图像。
残差模块内可以采用3×3×3和1×1×1的卷积核进行局部跳连，层间采用全局跳跃连接将整个特征学习层的底层输入和顶层输出相连，进行全局残差学习，同时编码器和解码器同层间通过注意力门结构进行电阻率图像融合和背景干扰抑制。
示例性的，图3为本申请实施例中残差模块I的逻辑示意图。残差模块I为第一残差模块I201、第二残差模块I202或第三残差模块I203中的任意一个，残差模块I的内部逻辑一致，随着输入数据的不同，输出数据随之改变。
残差模块I中，首先，使用第一卷积层301(Convolutional Layer)对输入数据进行卷积操作，第一卷积层301的卷积核(kernel_size)为(3×3×3)，步长(strides)为(1×1×1)。将第一卷积层301的卷积结果进行批量归一(Batch Normalization)。使用激活函数(Activation)“Selu”进行激活。Selu为缩放的指数线性单元(Scaled exponential linearunit)。然后，将激活后的数据输入和第二卷积层302(Convolutional Layer)进行卷积操作，得到第一输出数据。其中，第二卷积层302的卷积核(kernel_size)为(3×3×3)，步长(strides)为(1×1×1)。
同时，残差模块I将输入数据输入至第三卷积层303(Convolutional Layer)对输入数据进行卷积操作，第三卷积层303的卷积核(kernel_size)为(1×1×1)，步长(strides)为(1×1×1)。将第三卷积层303的卷积结果进行批量归一(BatchNormalization)，得到第二输出数据。
将第一输出数据和第二输出数据相加，得到残差模块I的输出数据。
示例性的，图4为本申请实施例中残差模块II的逻辑示意图。残差模块II为第一残差模块II204、第二残差模块II205或第三残差模块II207、第四残差模块II208、第五残差模块II210或第六残差模块II211中的任意一个，残差模块II的内部逻辑一致，随着输入数据的不同，输出数据随之改变。
残差模块II中，首先，使用第四卷积层401(Convolutional Layer)对输入数据进行卷积操作，第四卷积层401的卷积核(kernel_size)为(3×3×3)，步长(strides)为(2×2×2)。将第四卷积层401的卷积结果进行批量归一(Batch Normalization)。使用激活函数(Activation)“Selu”进行激活。然后，将激活后的数据输入和第五卷积层402(Convolutional Layer)进行卷积操作。将第五卷积层402的卷积结果进行批量归一(BatchNormalization)。使用激活函数(Activation)“Selu”进行激活，得到第三输出数据。其中，第五卷积层402的卷积核(kernel_size)为(3×3×3)，步长(strides)为(1×1×1)。
同时，残差模块II将输入数据输入至第六卷积层403(Convolutional Layer)对输入数据进行卷积操作，第六卷积层403的卷积核(kernel_size)为(1×1×1)，步长(strides)为(1×1×1)。将第三卷积层303的卷积结果进行批量归一(BatchNormalization)，得到第四输出数据。
将第三输出数据和第四输出数据相加，得到残差模块II的输出数据。
示例性的，图5为本申请实施例中残差模块III的逻辑示意图。残差模块III为第一残差模块III206、第二残差模块III209或第三残差模块III212中的任意一个，残差模块III的内部逻辑一致，随着输入数据的不同，输出数据随之改变。
残差模块III对输入数据进行上采样501(UpSampling)，上采样尺度为(2×2×2)。
使用第七卷积层502(Convolutional Layer)对上采样数据进行卷积操作，第七卷积层502的卷积核(kernel_size)为(3×3×3)，步长(strides)为(1×1×1)。将第七卷积层502的卷积结果进行批量归一(Batch Normalization)。使用激活函数(Activation)“Selu”进行激活。然后，将激活后的数据输入和第八卷积层503(Convolutional Layer)进行卷积操作，得到第五输出数据。其中，第八卷积层503的卷积核(kernel_size)为(3×3×3)，步长(strides)为(1×1×1)。
同时，残差模块III将上采样数据输入至第九卷积层504(Convolutional Layer)对输入数据进行卷积操作，第九卷积层504的卷积核(kernel_size)为(1×1×1)，步长(strides)为(1×1×1)。将第三卷积层303的卷积结果进行批量归一(BatchNormalization)，得到第六输出数据。
将第五输出数据和第六输出数据相加，得到残差模块III的输出数据。
在上述实施例的基础上，从第一层至第四层，残差模块的卷积核数量每层成倍增加。
示例性的，第一层的残差模块的卷积核数为64，第一层的残差模块为第一残差模块I201、第二残差模块I202和第三差模块I203。第二层的残差模块的卷积核数为128，第二层的残差模块为第一残差模块II204、第二残差模块II205和第一残差模块III206。第三层的残差模块的卷积核数为256，第三层的残差模块为第三残差模块II207、第四残差模块II208和第二残差模块III209。第四层的残差模块的卷积核数为512，第四层的残差模块为第五残差模块II210、第六残差模块II211和第三残差模块III212。
示例性的，通过注意力门进行运算，包括：根据预设激活函数、高层次山下文信息提供的门信号和注意力门的输入数据生成注意力门的输出。注意力门的逻辑可以通过下述公式表示：
Figure BDA0002765040880000131
Figure BDA0002765040880000132
Figure BDA0002765040880000133
其中，l表示层数，i表示像素位置，c表示通道维度，
Figure BDA0002765040880000134
表示传递函数，ψT、
Figure BDA0002765040880000135
和
Figure BDA0002765040880000136
表示1×1×1卷积操作，bg和bψ表示偏置系数，σ1表示ReLU函数，
Figure BDA0002765040880000137
表示注意力门结构的输入，gi表示高层次上下文信息提供的门信号，
Figure BDA0002765040880000138
表示注意力系数，σ2表示sigmoid激活函数，Θatt表示参数集(ψT、
Figure BDA0002765040880000139
bg和bψ)，
Figure BDA00027650408800001310
表示特征图，
Figure BDA00027650408800001311
表示注意力门结构的输出。
本申请实施例提供的预设卷积神经网络，通过以正演电阻率和正演位置数据为输入，从第一层传递至第四层，然后从第四层向第一层依次结合注意力门进行反向传递，最终由第一层的第三残差模块I203输出预设卷积神经网络的结果，即地下电阻率模型图像。上述预设卷积神经网络能够高效准确的完成地下电阻率模型图像的反演。
采用残差深度结构保证网络对电阻率数据的拟合能力，更容易训练网络减轻梯度消失的问题，同时引入注意力机制抑制与异构体无关的背景区域中的特征响应，采用U-net网络结构采用跳转连接保证不同层级的电阻率图像特征的传输，实现不同尺度图片特征的融合。
融合注意力机制的多分枝残差U-net结构的卷积神经网络中具有的多分枝残差U-net结构，可以融合多尺度的电阻率图像信息，并且多个局部跳跃连接可以帮助异构体重要特征信息跨过不同的分枝和层进行传输，同时在特征学习过程中引入全局跳跃连接，学习不同尺度电阻率图像之间的残差，有效改善梯度消失和网络退化问题。此外，引入注意力机制，使深度学习网络更加关注具有电阻率异常区域的信息，放大含有丰富异构体信息的特征权重，缩小含有冗余背景信息的权重，加速网络收敛，提升网络性能。同时，利用多分枝结构引入地下空间地理位置信息实现电阻率反演的空间约束，提升了大地电阻率深度卷积神经网络反演对地下电性结构的分辨力。
实施例三
图6为本发明实施例三提供的电阻率成像的反演装置的结构示意图，本实施例可适用于电阻率成像反演的情况，该装置可以位于进行电阻率成像反演的设备，该设备可以为服务器等计算机设备，该装置包括：训练数据集获取模块610、训练模块620和反演模块630。
训练数据集获取模块610，用于获取训练数据集，训练数据集为根据地下的多个预设电阻率异构体的预设电阻率和预设位置数据，经过电阻率测量正演所得；训练数据集包括正演视电阻率和正演位置数据；
训练模块620，用于将训练数据集输入至预设卷积神经网络进行训练，预设卷积神经网络的输入为正演视电阻率和正演位置数据，预设卷积神经网络的输出为地下电阻率模型图像；
反演模块630，用于根据训练后的预设卷积神经网络进行反演，得到反演结果。
在上述实施例的基础上，训练模块620还用于：
构建地下的多个预设电阻率异构体的预设电阻率和预设位置数据，多个预设电阻率异构体包括多种类型的电阻率异构体；
根据多个预设电阻率异构体的预设电阻率和预设位置数据进行电阻率测量正演，得到多个预设电阻率异构体的正演视电阻率和正演位置数据；
将多个预设电阻率异构体的正演视电阻率和正演位置数据按照预设比例，划分为训练数据集、验证数据集和测试数据集。
在上述实施例的基础上，还包括验证模块，验证模块用于：
根据验证数据集对预设卷积神经网络进行验证；
根据验证结果优化预设卷积神经网络。
在上述实施例的基础上，反演模块630用于：
将测试数据集输入至验证优化后的预设卷积神经网络进行反演，
根据验证优化后的预设卷积神经网络输出的地下电阻率模型图像和测试数据集确定反演结果。
在上述实施例的基础上，预设卷积神经网络为融合注意力机制的多分枝残差U-net结构的卷积神经网络，包括第一层、第二层、第三层和第四层；
第一层包括第一残差模块I、第二残差模块I和第三残差模块I组成，第一残差模块I接收正演位置数据，第二残差模块I接收正演视电阻率；
第二层包括第一残差模块II、第二残差模块II和第一残差模块III，第一残差模块II接收第一残差模块I的输出，第二残差模块II的输入数据为第一残差模块I的输出数据和第二残差模块I的输出数据的合并结果；
第三层包括第三残差模块II、第四残差模块II和第二残差模块III，第三残差模块II接收第一残差模块II的输出，第四残差模块II的输入数据为第一残差模块II的输出数据和第二残差模块II的输出数据的合并结果；
第四层包括第五残差模块II、第六残差模块II和第三残差模块III，第五残差模块II接收第三残差模块II的输出，第六残差模块II的输入数据为第三残差模块II的输出数据和第四残差模块II的输出数据的合并结果；
第五残差模块II的输出数据与第六残差模块II的输出数据进行合并后，通过注意力门进行运算后，输入至第三残差模块III；
第三残差模块II的输出数据与第四残差模块II的输出数据进行合并后，通过注意力门进行运算后，与第三残差模块III的输出数据进行乘积运算，将运算结果输入值第二残差模块III；
第一残差模块II的输出数据与第二残差模块II的输出数据进行合并后，通过注意力门进行运算后，与第二残差模块III的输出数据进行乘积运算，将运算结果输入值第一残差模块III；
第一残差模块I的输出数据与第二残差模块I的输出数据进行合并后，通过注意力门进行运算后，与第一残差模块III的输出数据进行乘积运算，将运算结果输入值第三残差模块I；第三残差模块I输出地下电阻率模型图像。
在上述实施例的基础上，从第一层至第四层，残差模块的卷积核数量每层成倍增加。
在上述实施例的基础上，通过注意力门进行运算，包括：
根据预设激活函数、高层次山下文信息提供的门信号和注意力门的输入数据生成注意力门的输出。
本申请实施例提供的电阻率成像的反演装置，训练数据集获取模块610能够获取训练数据集，训练数据集为根据地下的多个预设电阻率异构体的预设电阻率和预设位置数据，经过电阻率测量正演所得；训练模块620将训练数据集输入至预设卷积神经网络进行训练，预设卷积神经网络的输入为数据集包含的正演视电阻率和正演位置数据，预设卷积神经网络的输出为地下电阻率模型图像；反演模块630根据训练后的预设卷积神经网络进行反演，得到反演结果。相对于目前使用目标函数的梯度信息进行推导，存在准确性和计算效率差的问题，本申请实施例提供的电阻率成像的反演装置可以使用正演数据训练预设卷积神经网络，经过训练的预设卷积神经网络能够准确的输出地下电阻率模型图像，提高下电阻率模型图像的准确性。此外，预设卷积神经网络的输出过程，相比于目标函数的梯度信息推导，能够减少大量的计算，且无需解决多解性问题，进而能够快速得到输出，提高计算效率和实效性。
本发明实施例所提供的电阻率成像的反演装置可执行本发明任意实施例所提供的电阻率成像的反演方法，具备执行方法相应的功能模块和有益效果。
实施例四
图7为本发明实施例四提供的一种计算机设备的结构示意图，如图7所示，该计算机设备包括处理器70、存储器71、输入装置72和输出装置73；计算机设备中处理器70的数量可以是一个或多个，图7中以一个处理器70为例；计算机设备中的处理器70、存储器71、输入装置72和输出装置73可以通过总线或其他方式连接，图7中以通过总线连接为例。
存储器71作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的电阻率成像的反演方法对应的程序指令/模块(例如，电阻率成像的反演装置中的训练数据集获取模块610、训练模块620和反演模块630)。处理器70通过运行存储在存储器71中的软件程序、指令以及模块，从而执行计算机设备的各种功能应用以及数据处理，即实现上述的电阻率成像的反演方法。
存储器71可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端的使用所创建的数据等。此外，存储器71可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器71可进一步包括相对于处理器70远程设置的存储器，这些远程存储器可以通过网络连接至计算机设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置72可用于接收输入的数字或字符信息，以及产生与计算机设备的用户设置以及功能控制有关的键信号输入。输出装置73可包括显示屏等显示设备。
实施例五
本发明实施例五还提供一种包含计算机可执行指令的存储介质，计算机可执行指令在由计算机处理器执行时用于执行一种电阻率成像的反演方法，该方法包括：
获取训练数据集，训练数据集为根据地下的多个预设电阻率异构体的预设电阻率和预设位置数据，经过电阻率测量正演所得；训练数据集包括正演视电阻率和正演位置数据；
将训练数据集输入至预设卷积神经网络进行训练，预设卷积神经网络的输入为正演视电阻率和正演位置数据，预设卷积神经网络的输出为地下电阻率模型图像；
根据训练后的预设卷积神经网络进行反演，得到反演结果。
在上述实施例的基础上，获取训练数据集，包括：
构建地下的多个预设电阻率异构体的预设电阻率和预设位置数据，多个预设电阻率异构体包括多种类型的电阻率异构体；
根据多个预设电阻率异构体的预设电阻率和预设位置数据进行电阻率测量正演，得到多个预设电阻率异构体的正演视电阻率和正演位置数据；
将多个预设电阻率异构体的正演视电阻率和正演位置数据按照预设比例，划分为训练数据集、验证数据集和测试数据集。
在上述实施例的基础上，在将训练数据集输入至预设卷积神经网络进行训练之后，还包括：
根据验证数据集对预设卷积神经网络进行验证；
根据验证结果优化预设卷积神经网络。
在上述实施例的基础上，根据训练后的预设卷积神经网络进行反演，得到反演结果，包括：
将测试数据集输入至验证优化后的预设卷积神经网络进行反演，
根据验证优化后的预设卷积神经网络输出的地下电阻率模型图像和测试数据集确定反演结果。
在上述实施例的基础上，预设卷积神经网络为融合注意力机制的多分枝残差U-net结构的卷积神经网络，包括第一层、第二层、第三层和第四层；
第一层包括第一残差模块I、第二残差模块I和第三残差模块I组成，第一残差模块I接收正演位置数据，第二残差模块I接收正演视电阻率；
第二层包括第一残差模块II、第二残差模块II和第一残差模块III，第一残差模块II接收第一残差模块I的输出，第二残差模块II的输入数据为第一残差模块I的输出数据和第二残差模块I的输出数据的合并结果；
第三层包括第三残差模块II、第四残差模块II和第二残差模块III，第三残差模块II接收第一残差模块II的输出，第四残差模块II的输入数据为第一残差模块II的输出数据和第二残差模块II的输出数据的合并结果；
第四层包括第五残差模块II、第六残差模块II和第三残差模块III，第五残差模块II接收第三残差模块II的输出，第六残差模块II的输入数据为第三残差模块II的输出数据和第四残差模块II的输出数据的合并结果；
第五残差模块II的输出数据与第六残差模块II的输出数据进行合并后，通过注意力门进行运算后，输入至第三残差模块III；
第三残差模块II的输出数据与第四残差模块II的输出数据进行合并后，通过注意力门进行运算后，与第三残差模块III的输出数据进行乘积运算，将运算结果输入值第二残差模块III；
第一残差模块II的输出数据与第二残差模块II的输出数据进行合并后，通过注意力门进行运算后，与第二残差模块III的输出数据进行乘积运算，将运算结果输入值第一残差模块III；
第一残差模块I的输出数据与第二残差模块I的输出数据进行合并后，通过注意力门进行运算后，与第一残差模块III的输出数据进行乘积运算，将运算结果输入值第三残差模块I；第三残差模块I输出地下电阻率模型图像。
在上述实施例的基础上，从第一层至第四层，残差模块的卷积核数量每层成倍增加。
在上述实施例的基础上，通过注意力门进行运算，包括：
根据预设激活函数、高层次山下文信息提供的门信号和注意力门的输入数据生成注意力门的输出。
当然,本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上的方法操作,还可以执行本发明任意实施例所提供的电阻率成像的反演方法中的相关操作。
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。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，如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等，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)执行本发明各个实施例所述的方法。
值得注意的是，上述搜索装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (9)

1.一种电阻率成像的反演方法，其特征在于，包括：
获取训练数据集，所述训练数据集为根据地下的多个预设电阻率异构体的预设电阻率和预设位置数据，经过电阻率测量正演所得；所述训练数据集包括正演视电阻率和正演位置数据；
将所述训练数据集输入至预设卷积神经网络进行训练，所述预设卷积神经网络的输入为正演视电阻率和正演位置数据，所述预设卷积神经网络的输出为地下电阻率模型图像；
根据训练后的预设卷积神经网络进行反演，得到反演结果；
所述预设卷积神经网络为融合注意力机制的多分枝残差U-net结构的卷积神经网络，包括第一层、第二层、第三层和第四层；
所述第一层包括第一残差模块I、第二残差模块I和第三残差模块I组成，所述第一残差模块I接收正演位置数据，所述第二残差模块I接收正演视电阻率；
所述第二层包括第一残差模块II、第二残差模块II和第一残差模块III，所述第一残差模块II接收所述第一残差模块I的输出，所述第二残差模块II的输入数据为所述第一残差模块I的输出数据和所述第二残差模块I的输出数据的合并结果；
所述第三层包括第三残差模块II、第四残差模块II和第二残差模块III，所述第三残差模块II接收所述第一残差模块II的输出，所述第四残差模块II的输入数据为所述第一残差模块II的输出数据和所述第二残差模块II的输出数据的合并结果；
所述第四层包括第五残差模块II、第六残差模块II和第三残差模块III，所述第五残差模块II接收所述第三残差模块II的输出，所述第六残差模块II的输入数据为所述第三残差模块II的输出数据和所述第四残差模块II的输出数据的合并结果；
所述第五残差模块II的输出数据与所述第六残差模块II的输出数据进行合并后，通过注意力门进行运算后，输入至所述第三残差模块III；
所述第三残差模块II的输出数据与所述第四残差模块II的输出数据进行合并后，通过注意力门进行运算后，与所述第三残差模块III的输出数据进行乘积运算，将运算结果输入值所述第二残差模块III；
所述第一残差模块II的输出数据与所述第二残差模块II的输出数据进行合并后，通过注意力门进行运算后，与所述第二残差模块III的输出数据进行乘积运算，将运算结果输入值所述第一残差模块III；
所述第一残差模块I的输出数据与所述第二残差模块I的输出数据进行合并后，通过注意力门进行运算后，与所述第一残差模块III的输出数据进行乘积运算，将运算结果输入值所述第三残差模块I；所述第三残差模块I输出地下电阻率模型图像。
2.根据权利要求1所述的方法，其特征在于，所述获取训练数据集，包括：
构建地下的多个预设电阻率异构体的预设电阻率和预设位置数据，所述多个预设电阻率异构体包括多种类型的电阻率异构体；
根据多个预设电阻率异构体的预设电阻率和预设位置数据进行电阻率测量正演，得到所述多个预设电阻率异构体的正演视电阻率和正演位置数据；
将所述多个预设电阻率异构体的正演视电阻率和正演位置数据按照预设比例，划分为训练数据集、验证数据集和测试数据集。
3.根据权利要求2所述的方法，其特征在于，在将所述训练数据集输入至预设卷积神经网络进行训练之后，还包括：
根据所述验证数据集对所述预设卷积神经网络进行验证；
根据验证结果优化所述预设卷积神经网络。
4.根据权利要求3所述的方法，其特征在于，所述根据训练后的预设卷积神经网络进行反演，得到反演结果，包括：
将所述测试数据集输入至验证优化后的所述预设卷积神经网络进行反演；
根据验证优化后的所述预设卷积神经网络输出的地下电阻率模型图像和所述测试数据集确定反演结果。
5.根据权利要求1所述的方法，其特征在于，从所述第一层至所述第四层，残差模块的卷积核数量每层成倍增加。
6.根据权利要求1所述的方法，其特征在于，所述通过注意力门进行运算，包括：
根据预设激活函数、高层次山下文信息提供的门信号和所述注意力门的输入数据生成所述注意力门的输出。
7.一种电阻率成像的反演装置，其特征在于，包括：
训练数据集获取模块，用于获取训练数据集，所述训练数据集为根据地下的多个预设电阻率异构体的预设电阻率和预设位置数据，经过电阻率测量正演所得；所述训练数据集包括正演视电阻率和正演位置数据；
训练模块，用于将所述训练数据集输入至预设卷积神经网络进行训练，所述预设卷积神经网络的输入为正演视电阻率和正演位置数据，所述预设卷积神经网络的输出为地下电阻率模型图像；
反演模块，用于根据训练后的预设卷积神经网络进行反演，得到反演结果；
所述预设卷积神经网络为融合注意力机制的多分枝残差U-net结构的卷积神经网络，包括第一层、第二层、第三层和第四层；
所述第一层包括第一残差模块I、第二残差模块I和第三残差模块I组成，所述第一残差模块I接收正演位置数据，所述第二残差模块I接收正演视电阻率；
所述第二层包括第一残差模块II、第二残差模块II和第一残差模块III，所述第一残差模块II接收所述第一残差模块I的输出，所述第二残差模块II的输入数据为所述第一残差模块I的输出数据和所述第二残差模块I的输出数据的合并结果；
所述第三层包括第三残差模块II、第四残差模块II和第二残差模块III，所述第三残差模块II接收所述第一残差模块II的输出，所述第四残差模块II的输入数据为所述第一残差模块II的输出数据和所述第二残差模块II的输出数据的合并结果；
所述第四层包括第五残差模块II、第六残差模块II和第三残差模块III，所述第五残差模块II接收所述第三残差模块II的输出，所述第六残差模块II的输入数据为所述第三残差模块II的输出数据和所述第四残差模块II的输出数据的合并结果；
所述第五残差模块II的输出数据与所述第六残差模块II的输出数据进行合并后，通过注意力门进行运算后，输入至所述第三残差模块III；
所述第三残差模块II的输出数据与所述第四残差模块II的输出数据进行合并后，通过注意力门进行运算后，与所述第三残差模块III的输出数据进行乘积运算，将运算结果输入值所述第二残差模块III；
所述第一残差模块II的输出数据与所述第二残差模块II的输出数据进行合并后，通过注意力门进行运算后，与所述第二残差模块III的输出数据进行乘积运算，将运算结果输入值所述第一残差模块III；
所述第一残差模块I的输出数据与所述第二残差模块I的输出数据进行合并后，通过注意力门进行运算后，与所述第一残差模块III的输出数据进行乘积运算，将运算结果输入值所述第三残差模块I；所述第三残差模块I输出地下电阻率模型图像。
8.一种计算机设备，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1-6中任一所述的电阻率成像的反演方法。
9.一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-6中任一所述的电阻率成像的反演方法。
CN202011230508.2A 2020-11-06 2020-11-06 电阻率成像的反演方法、装置及存储介质 Active CN112364911B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011230508.2A CN112364911B (zh) 2020-11-06 2020-11-06 电阻率成像的反演方法、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011230508.2A CN112364911B (zh) 2020-11-06 2020-11-06 电阻率成像的反演方法、装置及存储介质

Publications (2)

Publication Number Publication Date
CN112364911A CN112364911A (zh) 2021-02-12
CN112364911B true CN112364911B (zh) 2022-11-11

Family

ID=74508781

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011230508.2A Active CN112364911B (zh) 2020-11-06 2020-11-06 电阻率成像的反演方法、装置及存储介质

Country Status (1)

Country Link
CN (1) CN112364911B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113484919B (zh) * 2021-06-30 2022-11-04 长江大学 基于卷积神经网络的磁异常反演方法、系统、终端及介质
CN114047548B (zh) * 2021-07-07 2023-03-14 清华大学 一种基于闭环网络的地震波阻抗反演不确定性的预测方法
CN113808230A (zh) * 2021-08-26 2021-12-17 华南理工大学 提高电阻抗成像准确性的方法、系统、装置和存储介质
CN114048823A (zh) * 2021-11-25 2022-02-15 成都理工大学 基于全卷积网络电阻率反演模型建立方法
CN115035371B (zh) * 2022-05-13 2023-09-12 西南石油大学 基于多尺度特征融合神经网络的井壁裂缝识别方法
CN115060769B (zh) * 2022-06-07 2024-04-02 深圳大学 一种基于智能反演的隧道围岩裂隙及松动检测方法、系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN202600011U (zh) * 2012-06-15 2012-12-12 东北石油大学 自动电阻测试仪
CN111812732A (zh) * 2020-06-29 2020-10-23 中铁二院工程集团有限责任公司 一种基于卷积神经网络的大地电磁非线性反演方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108985317B (zh) * 2018-05-25 2022-03-01 西安电子科技大学 一种基于可分离卷积和注意力机制的图像分类方法
CN109188536B (zh) * 2018-09-20 2020-06-05 成都理工大学 基于深度学习的时频电磁与大地电磁联合反演方法
BR112021011247A2 (pt) * 2018-12-11 2021-09-28 Exxonmobil Upstream Research Company Aumento de dados para sistemas e métodos de interpretação sísmica
CN109905624B (zh) * 2019-03-01 2020-10-16 北京大学深圳研究生院 一种视频帧插值方法、装置及设备
CN111597753B (zh) * 2020-04-08 2023-06-30 山东大学 数据深度变化特征自适应的二维电阻率反演方法及系统
CN111751731B (zh) * 2020-07-19 2022-09-27 东北石油大学 电池活性的确定方法及装置、电子设备和存储介质

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN202600011U (zh) * 2012-06-15 2012-12-12 东北石油大学 自动电阻测试仪
CN111812732A (zh) * 2020-06-29 2020-10-23 中铁二院工程集团有限责任公司 一种基于卷积神经网络的大地电磁非线性反演方法

Also Published As

Publication number Publication date
CN112364911A (zh) 2021-02-12

Similar Documents

Publication Publication Date Title
CN112364911B (zh) 电阻率成像的反演方法、装置及存储介质
Douglas et al. Recent and future developments in earthquake ground motion estimation
Santini et al. A trait‐based approach for predicting species responses to environmental change from sparse data: how well might terrestrial mammals track climate change?
Muscarella et al. ENM eval: An R package for conducting spatially independent evaluations and estimating optimal model complexity for Maxent ecological niche models
Ready et al. Predicting the distributions of marine organisms at the global scale
Ramirez et al. Stochastic inversion of electrical resistivity changes using a Markov Chain Monte Carlo approach
Christiaens et al. Use of sensitivity and uncertainty measures in distributed hydrological modeling with an application to the MIKE SHE model
Galetti et al. Transdimensional electrical resistivity tomography
Gao et al. Automatic fault detection on seismic images using a multiscale attention convolutional neural network
US20210166779A1 (en) Protein Structure Prediction from Amino Acid Sequences Using Self-Attention Neural Networks
Şalap-Ayça et al. A meta-modeling approach for spatio-temporal uncertainty and sensitivity analysis: an application for a cellular automata-based urban growth and land-use change model
Yang et al. Seismic wave propagation and inversion with neural operators
Kyriakidis et al. Geostatistical prediction and simulation of point values from areal data
Nelson et al. An error budget for different sources of error in digital soil mapping
Yin et al. A comparison of gap-filling approaches for Landsat-7 satellite data
Huang et al. Back-analysis and parameter identification for deep excavation based on Pareto multiobjective optimization
CN111399042B (zh) 一种储层物性参数的预测方法及电子设备
Gong Study of PLSR-BP model for stability assessment of loess slope based on particle swarm optimization
Gailleton et al. Isolating lithologic versus tectonic signals of river profiles to test orogenic models for the Eastern and Southeastern Carpathians
Chiffard et al. Adaptive niche-based sampling to improve ability to find rare and elusive species: Simulations and field tests
EP2972513B1 (en) Direct fluid indicators in multiple segment prospects
CN107957982A (zh) 震后次生地质灾害易发性快速评估方法和系统
Maleki et al. A machine‐learning framework to estimate saturation changes from 4D seismic data using reservoir models
Li et al. Uncertainty modeling and analysis of surface area calculation based on a regular grid digital elevation model (DEM)
Scudiero et al. Spatial interpolation quality assessment for soil sensor transect datasets

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