CN113486591A - 一种卷积神经网络结果的重力多参量数据密度加权反演方法 - Google Patents

一种卷积神经网络结果的重力多参量数据密度加权反演方法 Download PDF

Info

Publication number
CN113486591A
CN113486591A CN202110791821.1A CN202110791821A CN113486591A CN 113486591 A CN113486591 A CN 113486591A CN 202110791821 A CN202110791821 A CN 202110791821A CN 113486591 A CN113486591 A CN 113486591A
Authority
CN
China
Prior art keywords
inversion
neural network
result
training
gravity
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.)
Granted
Application number
CN202110791821.1A
Other languages
English (en)
Other versions
CN113486591B (zh
Inventor
马国庆
蒋哲欣
李丽丽
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.)
Jilin University
Original Assignee
Jilin 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 Jilin University filed Critical Jilin University
Priority to CN202110791821.1A priority Critical patent/CN113486591B/zh
Publication of CN113486591A publication Critical patent/CN113486591A/zh
Application granted granted Critical
Publication of CN113486591B publication Critical patent/CN113486591B/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
    • 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
    • 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
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD

Landscapes

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

Abstract

本发明公开了一种卷积神经网络结果的重力多参量数据密度加权反演方法，包括以下步骤：搭建深度学习的神经网络结构，并针对目标地质体构建训练集；训练普通参数；训练最优网络模型；将实测异常输入到神经网络中，并将其预测结果作为下一步反演的初始模型；采用三维正则化反演方法，并引入密度权进行约束，正则化反演问题通过寻找最小化目标函数的优化问题来解决，对参数反演结果进行正演，检验反演拟合程度，并进行多次迭代反演，直至得到高精度的反演结果，本发明通过将深度学习引入到重力数据反演当中，提出了基于深度学习结果的物性反演方法，在获得较为精确的地下地质体分布的同时，大大提高了反演的效率。

Description

一种卷积神经网络结果的重力多参量数据密度加权反演方法
技术领域
本发明属于基于深度学习的物性反演方法技术领域，尤其涉及一种卷积神经网络结果的重力多参量数据密度加权反演方法。
背景技术
重力勘探具有轻便，快捷，投入少的优点，随着航空物探及重力梯度仪的发展，使得大尺度重力及其梯度的多参量数据测量成为可能，而随着数据量的增加，对重力数据的反演带来了负担。
计算机硬件设备的发展，深度学习被广泛应用于各个领域。对于地球物理反演问题，在对神经网络进行训练后，可以快速的得到地质体的物性及分布，但由于神经网络的泛化能力较差，其结果依赖于训练集的构建，得到的结果往往不能达到解释所需要的精度，影响其实施应用。
发明内容
本发明通过通过引入神经网络提高了反演的速度及精度，而引入密度权的反演为不同区域地质体提供了一定的泛化能力，增加了反演的效率及精度，解决了以上问题。
具体的，本发明是通过以下技术方案实现的：
提供一种卷积神经网络结果的重力多参量数据密度加权反演方法，包括以下步骤：
步骤1：搭建深度学习的神经网络结构，并针对目标地质体构建训练集；
步骤2：训练普通参数；
步骤3：训练最优网络模型；
步骤4：将实测异常输入到神经网络中，并将其预测结果作为下一步反演的初始模型；
步骤5：采用三维正则化反演方法，并引入密度权进行约束，正则化反演问题通过寻找最小化目标函数的优化问题来解决，目标函数表示为：
P(m)＝Φd(m)+λΦm(m)
其中λ是正则化参数；
Figure BDA0003161229520000011
Figure BDA0003161229520000021
其中Wd是数据加权矩阵,Wm是模型加权矩阵；
步骤6：对参数反演结果进行正演，检验反演拟合程度，并进行多次迭代反演，直至得到高精度的反演结果。
优选的，步骤2中训练普通参数是给定超参数，在训练集上利用学习算法训练普通参数，使得网络模型在训练集上的误差降低到可接受的程度。
优选的，步骤3中训练最优网络模型是在验证集上验证不同网络模型的泛化能力，并根据网络模型性能对网络结构和超参数进行调整。
优选的，步骤5中在传统反演中，Wd由深度权wz构成，其表达式为：
Figure BDA0003161229520000022
其中，zj为第j个模型单元的中心埋深，z0为观测高度，对重力反演而言，深度加权系数β＝2；
将反演流程中Wd由深度权wz和密度权wρ构成，密度权wρ表达式为
Figure BDA0003161229520000023
其中，m0为深度学习快速成像方法得到的初始模型。
与现有技术相比，本发明具有以下有益的技术效果：
本发明通过将深度学习引入到重力数据反演当中，提出了基于深度学习结果的物性反演方法，对于训练好的神经网络，仅需几秒钟的时间就可以给出一个初始的结果，并将其以初始模型或密度权的形式加入到正则化反演当中，在获得较为精确的地下地质体分布的同时，大大提高了反演的效率。
附图说明
图1是本发明提供的一种卷积神经网络结果的重力多参量数据密度加权反演方法的反演流程图；
图2是本发明实施例中深度学习成像结果图；
图3是本发明实施例中的正则化反演结果图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施例对本发明进行详细描述。需要说明的是，在不冲突的情况下，本发明的实施例及实施例中的特征可以相互组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。
具体如图1所示，提供一种卷积神经网络结果的重力多参量数据密度加权反演方法，包括以下步骤：
步骤1：搭建深度学习的神经网络结构，并针对目标地质体构建训练集；
步骤2：训练普通参数；给定超参数，在训练集上利用学习算法训练普通参数，使得网络模型在训练集上的误差降低到可接受的程度。
步骤3：训练最优网络模型；在验证集上验证不同网络模型的泛化能力，并根据网络模型性能对网络结构和超参数进行调整。
步骤4：将实测异常输入到神经网络中，并将其预测结果作为下一步反演的初始模型。
步骤5：采用三维正则化反演方法，并引入密度权进行约束，正则化反演问题通过寻找最小化目标函数的优化问题来解决，目标函数表示为：
P(m)＝Φd(m)+λΦm(m)
其中λ是正则化参数；
Figure BDA0003161229520000031
Figure BDA0003161229520000032
其中Wd是数据加权矩阵,Wm是模型加权矩阵；
在传统反演中，Wd由深度权wz构成，其表达式为：
Figure BDA0003161229520000041
其中，zj为第j个模型单元的中心埋深，z0为观测高度，对重力反演而言，深度加权系数β＝2；
将反演流程中Wd由深度权wz和密度权wρ构成，密度权wρ表达式为
Figure BDA0003161229520000042
其中，m0为深度学习快速成像方法得到的初始模型。
步骤6：对参数反演结果进行正演，检验反演拟合程度，并进行多次迭代反演，直至得到高精度的反演结果。
具体使用过程中，先采集地区重力数据，并对其进行均匀采样，然后采用神经网络对地下三维结构进行预测，快速得到一个初始结果；把得到的初始结果作为初始模型及密度权加入到反演当中，再迭代计算并在拟合差足够小时停止迭代，最后绘制反演所得密度空间分布图像。
对比例：下表为本发明与传统物性反演方法，在采用同等反演精度下，相同采样点距、相同成图精度、相同的截止条件，反演相同数据时采用同一的计算机的同一软件反演时的运行时间以及内存占用率对比表：
运行时间 达到给定拟合差所需迭代次数
本实施例 16.435s 21
传统方法 321.094s 355
结合可得到，本实施例中的方法反演速度提高，反演结果更加准确且收敛。
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限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

Claims (4)

1.一种卷积神经网络结果的重力多参量数据密度加权反演方法，其特征在于，包括以下步骤：
步骤1：搭建深度学习的神经网络结构，并针对目标地质体构建训练集；
步骤2：训练普通参数；
步骤3：训练最优网络模型；
步骤4：将实测异常输入到神经网络中，并将其预测结果作为下一步反演的初始模型；
步骤5：采用三维正则化反演方法，并引入密度权进行约束，正则化反演问题通过寻找最小化目标函数的优化问题来解决，目标函数表示为：
P(m)＝Φd(m)+λΦm(m)
其中λ是正则化参数；
Figure FDA0003161229510000011
Figure FDA0003161229510000012
其中Wd是数据加权矩阵,Wm是模型加权矩阵；
步骤6：对参数反演结果进行正演，检验反演拟合程度，并进行多次迭代反演，直至得到高精度的反演结果。
2.根据权利要求1所述的一种卷积神经网络结果的重力多参量数据密度加权反演方法，其特征在于，步骤2中训练普通参数是给定超参数，在训练集上利用学习算法训练普通参数，使得网络模型在训练集上的误差降低到可接受的程度。
3.根据权利要求1所述的一种卷积神经网络结果的重力多参量数据密度加权反演方法，其特征在于，步骤3中训练最优网络模型是在验证集上验证不同网络模型的泛化能力，并根据网络模型性能对网络结构和超参数进行调整。
4.根据权利要求3所述的一种卷积神经网络结果的重力多参量数据密度加权反演方法，其特征在于，步骤5中在传统反演中，Wd由深度权wz构成，其表达式为：
Figure FDA0003161229510000013
其中，zj为第j个模型单元的中心埋深，z0为观测高度，对重力反演而言，深度加权系数β＝2；
将反演流程中Wd由深度权wz和密度权wρ构成，密度权wρ表达式为
Figure FDA0003161229510000021
其中，m0为深度学习快速成像方法得到的初始模型。
CN202110791821.1A 2021-07-13 2021-07-13 一种卷积神经网络结果的重力多参量数据密度加权反演方法 Active CN113486591B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110791821.1A CN113486591B (zh) 2021-07-13 2021-07-13 一种卷积神经网络结果的重力多参量数据密度加权反演方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110791821.1A CN113486591B (zh) 2021-07-13 2021-07-13 一种卷积神经网络结果的重力多参量数据密度加权反演方法

Publications (2)

Publication Number Publication Date
CN113486591A true CN113486591A (zh) 2021-10-08
CN113486591B CN113486591B (zh) 2022-04-19

Family

ID=77938436

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110791821.1A Active CN113486591B (zh) 2021-07-13 2021-07-13 一种卷积神经网络结果的重力多参量数据密度加权反演方法

Country Status (1)

Country Link
CN (1) CN113486591B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114676644A (zh) * 2022-05-27 2022-06-28 成都理工大学 一种基于机器学习约束的密度突变界面反演方法及系统
CN115983105A (zh) * 2022-12-12 2023-04-18 成都理工大学 基于深度学习加权决策的Occam反演拉格朗日乘子优化方法

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103605900A (zh) * 2013-11-28 2014-02-26 金川集团股份有限公司 跨尺度复杂地质体地应力场识别方法及装置
CN104316972A (zh) * 2014-10-16 2015-01-28 中国海洋石油总公司 一种磁源重力视强度反演成像方法
CN106054670A (zh) * 2016-07-18 2016-10-26 华南理工大学 一种基于时滞的超磁致驱动器回滞建模方法
CN108490496A (zh) * 2018-03-26 2018-09-04 中国石油化工股份有限公司 基于拟径向基函数神经网络的重力场密度反演方法
CN108732622A (zh) * 2018-05-18 2018-11-02 吉林大学 一种不同高度数据融合联合反演地质体几何形态的方法
US20190064389A1 (en) * 2017-08-25 2019-02-28 Huseyin Denli Geophysical Inversion with Convolutional Neural Networks
CN110286416A (zh) * 2019-05-13 2019-09-27 吉林大学 一种基于物性函数的快速二维密度反演方法
CN110361788A (zh) * 2019-07-27 2019-10-22 吉林大学 一种空-地联合三维重力数据特征分析及密度反演方法
CN111143984A (zh) * 2019-12-23 2020-05-12 贵州大方煤业有限公司 基于遗传算法优化神经网络的大地电磁二维反演方法
CN112396230A (zh) * 2020-11-16 2021-02-23 中国石油大学(华东) 基于近邻神经网络的油藏地质建模静态参数分布预测方法
CN112446942A (zh) * 2020-11-09 2021-03-05 北京达佳互联信息技术有限公司 特效渲染方法、装置、电子设备及存储介质

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103605900A (zh) * 2013-11-28 2014-02-26 金川集团股份有限公司 跨尺度复杂地质体地应力场识别方法及装置
CN104316972A (zh) * 2014-10-16 2015-01-28 中国海洋石油总公司 一种磁源重力视强度反演成像方法
CN106054670A (zh) * 2016-07-18 2016-10-26 华南理工大学 一种基于时滞的超磁致驱动器回滞建模方法
US20190064389A1 (en) * 2017-08-25 2019-02-28 Huseyin Denli Geophysical Inversion with Convolutional Neural Networks
CN108490496A (zh) * 2018-03-26 2018-09-04 中国石油化工股份有限公司 基于拟径向基函数神经网络的重力场密度反演方法
CN108732622A (zh) * 2018-05-18 2018-11-02 吉林大学 一种不同高度数据融合联合反演地质体几何形态的方法
CN110286416A (zh) * 2019-05-13 2019-09-27 吉林大学 一种基于物性函数的快速二维密度反演方法
CN110361788A (zh) * 2019-07-27 2019-10-22 吉林大学 一种空-地联合三维重力数据特征分析及密度反演方法
CN111143984A (zh) * 2019-12-23 2020-05-12 贵州大方煤业有限公司 基于遗传算法优化神经网络的大地电磁二维反演方法
CN112446942A (zh) * 2020-11-09 2021-03-05 北京达佳互联信息技术有限公司 特效渲染方法、装置、电子设备及存储介质
CN112396230A (zh) * 2020-11-16 2021-02-23 中国石油大学(华东) 基于近邻神经网络的油藏地质建模静态参数分布预测方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
LI LILI等: "《New Method of Horizon Recognition in Seismic Data》", 《IEEE GEOSCIENCE AND REMOTE SENSING LETTERS》 *
孟兆海: "《基于LP范数最小化的三维重力反演的研究》", 《2014年中国地球科学联合学术年会——专题3：地球重力场及其地学应用论文集》 *
王天琪等: "《大地电磁三维反演揭示松辽盆地北部构造体制叠加作用》", 《2020年中国地球科学联合学术年会论文集(十五)》 *
王泰涵等: "《空-地-井重力异常正则化协同密度反演方法》", 《地球物理学报》 *
马国庆等: "《磁源体参数反演的快速局部波数法》", 《APPLIED GEOPHYSICS》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114676644A (zh) * 2022-05-27 2022-06-28 成都理工大学 一种基于机器学习约束的密度突变界面反演方法及系统
US11768982B1 (en) 2022-05-27 2023-09-26 Chengdu University Of Technology Density abrupt interface inversion method and system based on machine learning constraints
CN115983105A (zh) * 2022-12-12 2023-04-18 成都理工大学 基于深度学习加权决策的Occam反演拉格朗日乘子优化方法
CN115983105B (zh) * 2022-12-12 2023-10-03 成都理工大学 基于深度学习加权决策的Occam反演拉格朗日乘子优化方法

Also Published As

Publication number Publication date
CN113486591B (zh) 2022-04-19

Similar Documents

Publication Publication Date Title
CN109993280B (zh) 一种基于深度学习的水下声源定位方法
CN109117951B (zh) 基于bp神经网络的概率潮流在线计算方法
CN110618453B (zh) 一种基于改进阻尼最小二乘法的波阻抗反演方法
CN113486591B (zh) 一种卷积神经网络结果的重力多参量数据密度加权反演方法
CN111860982A (zh) 一种基于vmd-fcm-gru的风电场短期风电功率预测方法
CN106483559B (zh) 一种地下速度模型的构建方法
CN113568055B (zh) 一种基于lstm网络的航空瞬变电磁数据反演方法
CN110377969B (zh) 一种基于elm的区域电离层延迟实时建模方法
CN103454677B (zh) 基于粒子群与线性加法器结合的地震数据反演方法
CN112733449A (zh) 一种cnn井震联合反演方法、系统、存储介质、设备及应用
CN112614021B (zh) 一种基于已建隧道信息智能识别的隧道围岩地质信息预测方法
CN114723095A (zh) 缺失测井曲线预测方法及装置
CN111580163B (zh) 一种基于非单调搜索技术的全波形反演方法及系统
CN114861519B (zh) 复杂地质条件下初始地应力场加速优化反演方法
CN112597702A (zh) 基于径向基函数的气动建模生成式对抗网络模型训练方法
CN112862063A (zh) 一种基于深度信念网络的复杂管网泄漏定位方法
CN116992754A (zh) 一种基于迁移学习的随钻测井资料快速反演方法
CN116299702A (zh) 一种基于cnn的频率域低频拓展多尺度全波形反演方法
CN113642785B (zh) 基于先验信息的空间碎片轨道长期预报方法、系统及设备
CN113484919B (zh) 基于卷积神经网络的磁异常反演方法、系统、终端及介质
CN110322050A (zh) 一种风能资源数据补偿方法
CN112596106B (zh) 一种球坐标系下重震联合反演密度界面分布的方法
CN114996947A (zh) 三维油藏数值模拟方法
CN114993604A (zh) 一种基于深度学习的风洞天平静态校测方法
CN113255887A (zh) 基于遗传算法优化bp神经网络的雷达误差补偿方法及系统

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