CN113552646A - 基于卷积神经网络的重力异常反演方法、系统、终端及介质 - Google Patents

基于卷积神经网络的重力异常反演方法、系统、终端及介质 Download PDF

Info

Publication number
CN113552646A
CN113552646A CN202110795669.4A CN202110795669A CN113552646A CN 113552646 A CN113552646 A CN 113552646A CN 202110795669 A CN202110795669 A CN 202110795669A CN 113552646 A CN113552646 A CN 113552646A
Authority
CN
China
Prior art keywords
network
gravity anomaly
inversion
gra
alexnet
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.)
Pending
Application number
CN202110795669.4A
Other languages
English (en)
Inventor
熊杰
王蓉
薛瑞洁
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.)
Yangtze University
Original Assignee
Yangtze 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 Yangtze University filed Critical Yangtze University
Priority to CN202110795669.4A priority Critical patent/CN113552646A/zh
Publication of CN113552646A publication Critical patent/CN113552646A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V7/00—Measuring gravitational fields or waves; Gravimetric prospecting or detecting
    • G01V7/02—Details
    • G01V7/06—Analysis or interpretation of gravimetric records
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Geophysics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明属于地球物理反演技术领域，公开了一种基于卷积神经网络的重力异常反演方法，构建不同形状的二维密度模型，进行正演得到重力异常数据，基于得到的重力异常数据构建样本数据集；构建重力异常反演网络即AlexNet‑Gra；并对构建的样本数据集进行预处理以及划分；利用处理后的样本数据集训练、优化、验证构建的AlexNet‑Gra网络，得到训练好的AlexNet‑Gra网络；将重力异常数据输入到训练好的AlexNet‑Gra网络，即可得到反演结果。本发明通过设计成不同形状的模型通过正演得到大量数据后，可以准确的反演出重力异常体的位置和密度，能有效解决重力异常反演问题。

Description

基于卷积神经网络的重力异常反演方法、系统、终端及介质
技术领域
本发明属于地球物理反演技术领域，尤其涉及一种基于卷积神经网络的重力异常反演方法、系统、终端及介质。
背景技术
目前，重力勘探是地球物理勘探中非常重要的勘探手段之一，它具有探测面积广、成本较低及工作领域较广等优势，在油气勘查、矿产资源勘查、地质填图、地区的地质构造调查等领域具有广泛的应用。重力勘探通过测量地球重力场的分布，研究密度不均匀的地质体产生的重力异常，进行有针对的数据处理，完成相应的地质解释任务。利用异常分布的特征建立相应模型，依照模型对重力异常进行定量解释，这是重力勘探中的关键步骤，也是重力反演中最重要的一步。
物性反演是常见的重力异常反演方法，它主要是将包含特殊地质体的地下空间剖分成特定尺寸的网格单元，通常通过线性迭代方法求解。然而，线性迭代反演容易陷入局部极小值，计算耗时，并且数据量大时会占用大量的计算机内存。随着地球物理反演方法的发展，非线性方法因其具有全局寻优的特点而受到广泛关注。
通过上述分析，现有技术存在的问题及缺陷为：
(1)现有技术容易陷入局部极小值，计算耗时，并且数据量大时会占用大量的计算机内存。
(2)现有技术数据量少，不能满足使用深度学习方式解决地球物理反演问题时所需的大量磁异常数据的需求。
(3)现有技术大多以依赖初始模型；现有技术反演，容易存在欠拟合或过拟合等问题。
解决以上问题及缺陷的难度为：
(1)如何改变传统方法的初始模型依赖问题，减少计算时间，提高反演结果精度。
(2)如何设计不同的地质体密度模型，得到多样化的训练样本。
(3)由于重力异常数据没有固定的深度分辨率，对于垂直双模型的样本，容易出现粘合现象，导致反演结果不佳。
解决以上问题及缺陷的意义为：本发明公开了一种重力异常反演网络 (AlexNet-Gra)，实现了一系列完整的反演，通过设计成不同形状的模型通过正演得到大量数据后，可以准确的反演出重力异常体的位置和密度，能有效解决重力异常反演问题。
发明内容
针对现有技术存在的问题，本发明提供了一种基于卷积神经网络的重力异常反演方法、系统、终端及介质。
本发明是这样实现的，一种基于卷积神经网络的重力异常反演方法，包括：
构建重力异常反演网络，并利用正演得到的数据集对所述重力异常反演网络进行训练，利用训练好的重力异常反演网络进行反演。
进一步，所述基于卷积神经网络的重力异常反演方法包括以下步骤：
步骤一，构建不同形状的二维密度模型，进行正演得到重力异常数据，基于得到的重力异常数据构建样本数据集；
步骤二，构建重力异常反演网络即AlexNet-Gra；并对构建的样本数据集进行预处理以及划分；
步骤三，利用处理后的样本数据集训练、优化、验证构建的AlexNet-Gra网络，得到训练好的AlexNet-Gra网络；
步骤四，将重力异常数据输入到训练好的AlexNet-Gra网络，即可得到反演结果。
进一步，所述构建不同形状的二维密度模型包括：
将地下空间划分为800个即20行×40列的矩形单元格，所述每个单元格大小为25m×25m，地面观测点设置为101个，观测点之间的间隔为10m，构建3×3(75m×75m)、4×4(100m×100m)、5×5(125m×125m)、
3×6(75m×150m)、6×3(150m×75m)、4×8(100m×200m)、 8×4(200m×100m)共7个形状规则且单一的模型。
进一步，所述进行正演得到重力异常数据包括：
利用矩阵方程表示密度模型m到重力异常d的映射关系；为模型样本设置不同的密度值进行正演即可生成相应数据。
进一步，所述矩阵方程如下：
d＝Gm
其中，d＝(d1,d2,……,dM)T；m＝(m1,m2,……,mN)T；M和N分别是观测点数量和网格单元的数量；G是M×N维核矩阵。
进一步，所述重力异常反演网络共有五个卷积核，三个池化层，两个全连接层；
所述第一个卷积层的卷积核大小为1×11，第二个卷积层的卷积核大小为1 ×5，其他卷积层的卷积核大小为1×3，且步长均为1；
所述三层池化层的大小都为1×3，且步长均为2；均采用VALID方式进行。
进一步，所述对构建的样本数据集进行划分包括：将数据集前80％作为训练集，后前20％作为测试集。
进一步，所述利用处理后的样本数据集训练、优化、验证构建的AlexNet-Gra 网络包括：
设定参数，利用划分的训练集训练AlexNet-Gra网络；并利用测试集验证所述AlexNet-Gra网络是否达到预期效果；如果没有达到，则修改参数，再次训练；如果训练的网络达到预期效果，则输入验证集数据，重构地下模型。
进一步，所述修改参数包括：
(1)选取优化函数，对网络中的需要更新的权重和偏差进行优化；
(2)选取目标函数：
Figure BDA0003162735470000041
式中，L(m,m′)表示模型恢复程度，
Figure BDA0003162735470000042
表示数据拟合程度，
Figure BDA0003162735470000043
表示权重衰减正则化，λ表示正则化参数，n表示训练集的大小；所述正则化项不包括偏置值。
进一步，所述优化函数如下：
Figure BDA0003162735470000044
其中，Θ表示网络中需要更新的权重和偏差；Net(·)卷积神经网络表示从观测数据d到预测密度模型mpred之间的映射；L是MSE损失函数。
本发明的另一目的在于提供一种实施所述基于卷积神经网络的重力异常反演方法的基于卷积神经网络的重力异常反演系统，包括：
样本数据集模块，用于构建不同形状的二维密度模型，进行正演得到重力异常数据，基于得到的重力异常数据构建样本数据集；
样本数据集预处理与划分模块，用于构建重力异常反演网络即AlexNet-Gra；并对构建的样本数据集进行预处理以及划分；
AlexNet-Gra网络训练模块，利用处理后的样本数据集训练、优化、验证构建的AlexNet-Gra网络，得到训练好的AlexNet-Gra网络；
反演结果获取模块，用于将重力异常数据输入到训练好的AlexNet-Gra网络，得到反演结果。
本发明的另一目的在于提供一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如下步骤：
构建重力异常反演网络，并利用正演得到的数据集对所述重力异常反演网络进行训练，利用训练好的重力异常反演网络进行反演。
本发明的另一目的在于提供一种信息数据处理终端，所述信息数据处理终端包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如下步骤：
步骤一，构建不同形状的二维密度模型，进行正演得到重力异常数据，基于得到的重力异常数据构建样本数据集；
步骤二，构建重力异常反演网络即AlexNet-Gra；并对构建的样本数据集进行预处理以及划分；
步骤三，利用处理后的样本数据集训练、优化、验证构建的AlexNet-Gra网络，得到训练好的AlexNet-Gra网络；
步骤四，将重力异常数据输入到训练好的AlexNet-Gra网络，即可得到反演结果。
结合上述的所有技术方案，本发明所具备的优点及积极效果为：
1、本发明通过参数的调节，从测试集的反演结果来看，预测出来的重力异常几乎与实际重力异常一致，说明深度全连接网络数据拟合的非常好；反演出的二维密度模型的形状和位置接近于真实模型，整体效果非常好，能较准确的反演出地下密度模型的位置与形状。
本发明通过未参与训练的六种复杂模型的反演结果来看，单一复杂模型的反演结果的位置、埋深、边界及位置几乎与真实模型一致；复杂的组合模型的反演结果的位置、埋深、边界及位置几乎与真实模型一致。从而说明卷积神经网络(AlexNet-Gre)可以用来解决重力异常反演的问题，并且具有较好的泛化能力。能有效解决重力异常反演的问题，并且神经网络一旦建立好，就可以快速反演出结果，解决了传统方法耗时长的问题。
本发明公开了一种重力异常反演网络(AlexNet-Gra)，实现了一系列完整的反演，通过设计成不同形状的模型通过正演得到大量数据后，可以准确的反演出重力异常体的位置和密度，能有效解决重力异常反演问题。
附图说明
图1是本发明实施例提供的基于卷积神经网络的重力异常反演方法流程图。
图2是本发明实施例提供的正演计算关系图。
图3是本发明实施例提供的反演过程流程图。
图4是本发明实施例提供的模型样本图。
图5是本发明实施例提供的AlexNet-Gre网络结构。
图6是本发明实施例提供的参数设置以及损失函数图。
图7是本发明实施例提供的六种复杂模型的样本图。
图8是本发明实施例提供的测试模型的反演结果图。
图9是本发明实施例提供的泛化能力测试反演结果图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
针对现有技术存在的问题，本发明提供了一种基于卷积神经网络的重力异常反演方法，下面结合附图对本发明作详细的描述。
本发明实施例提供的基于卷积神经网络的重力异常反演方法包括：
构建重力异常反演网络，并利用正演得到的数据集对所述重力异常反演网络进行训练，利用训练好的重力异常反演网络进行反演，即可。
如图1所示，本发明实施例提供的基于卷积神经网络的重力异常反演方法包括以下步骤：
S101，构建不同形状的二维密度模型，进行正演得到重力异常数据，基于得到的重力异常数据构建样本数据集；
S102，构建重力异常反演网络即AlexNet-Gra；并对构建的样本数据集进行预处理以及划分；
S103，利用处理后的样本数据集训练、优化、验证构建的AlexNet-Gra网络，得到训练好的AlexNet-Gra网络；
S104，将重力异常数据输入到训练好的AlexNet-Gra网络，即可得到反演结果。
本发明实施例提供的构建不同形状的二维密度模型包括：
将地下空间划分为800个即20行×40列的矩形单元格，所述每个单元格大小为25m×25m，地面观测点设置为101个，观测点之间的间隔为10m，构建 3×3(75m×75m)、4×4(100m×100m)、5×5(125m×125m)、
3×6(75m×150m)、6×3(150m×75m)、4×8(100m×200m)、 8×4(200m×100m)共7个形状规则且单一的模型。
本发明实施例提供的进行正演得到重力异常数据包括：
利用矩阵方程表示密度模型m到重力异常d的映射关系；为模型样本设置不同的密度值进行正演即可生成相应数据。
本发明实施例提供的矩阵方程如下：
d＝Gm
其中，d＝(d1,d2,……,dM)T；m＝(m1,m2,……,mN)T；M和N分别是观测点数量和网格单元的数量；G是M×N维核矩阵。
本发明实施例提供的重力异常反演网络包括：
所述重力异常反演网络共有五个卷积核，三个池化层，两个全连接层；
所述第一个卷积层的卷积核大小为1×11，第二个卷积层的卷积核大小为1 ×5，其他卷积层的卷积核大小为1×3，且步长均为1；
所述三层池化层的大小都为1×3，且步长均为2；均采用VALID方式进行。
本发明实施例提供的对构建的样本数据集进行划分包括：将数据集前80％作为训练集，后前20％作为测试集。
本发明实施例提供的利用处理后的样本数据集训练、优化、验证构建的 AlexNet-Gra网络包括：
设定参数，利用划分的训练集训练AlexNet-Gra网络；并利用测试集验证所述AlexNet-Gra网络是否达到预期效果；如果没有达到，则修改参数，再次训练；如果训练的网络达到预期效果，则输入验证集数据，重构地下模型。
本发明实施例提供的修改参数包括：
(1)选取优化函数，对网络中的需要更新的权重和偏差进行优化；
(2)选取目标函数：
Figure BDA0003162735470000081
式中，L(m,m′)表示模型恢复程度，
Figure BDA0003162735470000082
表示数据拟合程度，
Figure BDA0003162735470000083
表示权重衰减正则化，λ表示正则化参数，n表示训练集的大小；所述正则化项不包括偏置值。
本发明实施例提供的优化函数如下：
Figure BDA0003162735470000084
其中，Θ表示网络中需要更新的权重和偏差；Net(·)卷积神经网络表示从观测数据d到预测密度模型mpred之间的映射；L是MSE损失函数。
本发明还提供一种实施所述基于卷积神经网络的重力异常反演方法的基于卷积神经网络的重力异常反演系统，包括：
样本数据集模块，用于构建不同形状的二维密度模型，进行正演得到重力异常数据，基于得到的重力异常数据构建样本数据集；
样本数据集预处理与划分模块，用于构建重力异常反演网络即AlexNet-Gra；并对构建的样本数据集进行预处理以及划分；
AlexNet-Gra网络训练模块，利用处理后的样本数据集训练、优化、验证构建的AlexNet-Gra网络，得到训练好的AlexNet-Gra网络；
反演结果获取模块，用于将重力异常数据输入到训练好的AlexNet-Gra网络，得到反演结果。
下面结合具体实施例对本发明的技术方案做进一步说明。
实施例1：
如图1所示，本发明实施例提供的使用卷积神经网络在重力异常反演中的应用研究的实现流程图包括。
步骤一，构造不同形状的二维密度模型，通过Matlab语言正演得到重力异常，组成数据集；
步骤二，使用深度学习框架TensorFlow，用python语言编写，借鉴经典的卷积神经网络AlexNet设计了一种全新的重力异常反演网络(AlexNet-Gra)；
步骤三，用该数据集训练AlexNet-Gra网络，并优化网络参数；
步骤四，将重力异常数据输入到训练好的AlexNet-Gra网络，直接得到反演结果。
如图2所示，本发明实施例提供的使用卷积神经网络在重力异常反演中的应用研究的示意图。
基于卷积神经网络在重力异常反演中的应用研究的示意图如图2所示。首先，设计大量不同密度分布的模型样本，通过正演得到其对应的重力异常，构成训练数据集；然后利用该训练数据集训练深度全连接网络；最后，通过将重力异常输入到训练好的深度全连接网络，直接得到反演结果(地下介质密度模型)。通常，基于卷积神经网络的反演，在训练阶段会花费更多的时间，并且，时间开销与样本大小和网络结构有关系，但是一旦训练完毕，反演计算时间就可以基本忽略。
如图3所示，本发明实施例提供的使用卷积神经网络在重力异常反演中的应用研究的反演过程流程图，它的具体内容如下：
反演程序使用python语言编写，结合tensorflow，在jupyter notebook中执行。在反演中，需要对数据集进行预处理，在数据集中随机提取80％作为训练集，剩余20％作为部分测试集。之后，着手设计并搭建网络结构，添加激活函数。然后非常重要的一步时构建目标函数，在本发明研究中，目标函数由模型约束函数、数据约束函数和权重衰减项组成，目标函数的参数设计需要灵活易处理，便于后续的修改。之后设置学习率，为目标函数添加优化器。接着，初始化训练迭代次数和批次，开始训练网络，打印训练后的目标函数中每一项的损失，同时画出一组数据的反演图像，结合分析，再回过头根据结果修改目标函数的各项参数，重新训练，再次对比，再次调整参数，直到达到预期目标。之后将训练优化好的卷积神经网络提取出来，针对不同的模型，使用测试集来判断网络的性能。
如图4所示，是本发明实施例提供的使用卷积神经网络在重力异常反演中的应用研究的模型样本图。
设计观测系统如下：将地下空间划分为800个(20行×40列)矩形单元格，每个单元格大小为25m×25m，地面观测点设置为101个，观测点之间的间隔为10m.设计了3×3(75m×75m)、4×4(100m×100m)、5×5(125m×125m)、 3×6(75m×150m)、6×3(150m×75m)、4×8(100m×200m)、8×4(200m× 100m)，一共7个形状规则且单一的模型。
如图5所示，是本发明实施例提供的一个卷积神经网络在重力异常反演中的应用研究的AlexNet-Gre网络结构。
此网络有五个卷积层，三个池化层，两个全连接层；第一个卷积层的卷积核大小为1×11，第一个卷积层的卷积核大小为1×5，其他卷积层的卷积核大小为1×3，且步长都为1；三层池化层的大小都为1×3，且步长都为2；均采用“VALID”方式进行。
如图6所示，是本发明实施例提供的使用卷积神经网络在重力异常反演中的应用研究的参数设置以及损失函数图。
从总的损失函数曲线图来看，曲线下降的比较快，整体损失情况比较好。
如图7所示，是本发明实施例提供的使用卷积神经网络在重力异常反演中的应用研究的六种复杂模型的样本图。一共有两个单一复杂模型，四个复杂双模型。
表1参数设置
Figure BDA0003162735470000111
如图8所示，是本发明实施例提供的使用卷积神经网络在重力异常反演中的应用研究的测试模型的反演结果图。
从反演结果来看，图6中每幅图的上半部分表示重力异常曲线，蓝色的曲线表示实际的重力异常值，红色的曲线表示经过深度全连接网络训练后的，预测出来的重力异常；每幅图的下半部分表示反演结果，白色线框表示真实的密度模型位置。从图8可以看出，预测出来的重力异常几乎与实际重力异常一致，说明深度全连接网络数据拟合的非常好；反演出的二维密度模型的形状和位置接近于真实模型，只是有些网格的密度值低于实际值(300kg/m3)，有些模型的周围存在少量的异常信息。
如图9所示，是本发明实施例提供的使用卷积神经网络在重力异常反演中的应用研究的泛化能力测试反演结果图。
由于训练集和验证集都是从总样本中提取的，所以，训练集的反演结果只 能评估本发明网络的质量，而不能评估本发明网络的泛化能力(即反演未学习 过的模型的能力)。为了评估训练后的深度全连接网络的泛化能力，本发明设 计了六种较为复杂的模型，泛化能力测试结果如图9所示。从反演结果来看， 单一复杂模型的反演结果的位置、埋深、边界及位置几乎与真实模型一致；复 杂的组合模型的反演结果的位置、埋深、边界及位置几乎与真实模型一致。从 而说明深度全连接网路可以用来解决重力异常反演的问题，并且具有较好的泛 化能力。
应当注意，本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现；软件部分可以存储在存储器中，由适当的指令执行系统，例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用由各种类型的处理器执行的软件实现，也可以由上述硬件电路和软件的结合例如固件来实现。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。

Claims (10)

1.一种基于卷积神经网络的重力异常反演方法，其特征在于，所述基于卷积神经网络的重力异常反演方法包括：
构建重力异常反演网络，并利用正演得到的数据集对所述重力异常反演网络进行训练，利用训练好的重力异常反演网络进行反演。
2.如权利要求1所述基于卷积神经网络的重力异常反演方法，其特征在于，所述基于卷积神经网络的重力异常反演方法包括以下步骤：
步骤一，构建不同形状的二维密度模型，进行正演得到重力异常数据，基于得到的重力异常数据构建样本数据集；
步骤二，构建重力异常反演网络即AlexNet-Gra；并对构建的样本数据集进行预处理以及划分；
步骤三，利用处理后的样本数据集训练、优化、验证构建的AlexNet-Gra网络，得到训练好的AlexNet-Gra网络；
步骤四，将重力异常数据输入到训练好的AlexNet-Gra网络，即可得到反演结果。
3.如权利要求2所述基于卷积神经网络的重力异常反演方法，其特征在于，所述构建不同形状的二维密度模型包括：
将地下空间划分为800个即20行×40列的矩形单元格，所述每个单元格大小为25m×25m，地面观测点设置为101个，观测点之间的间隔为10m，构建3×3(75m×75m)、4×4(100m×100m)、5×5(125m×125m)、3×6(75m×150m)、6×3(150m×75m)、4×8(100m×200m)、8×4(200m×100m)共7个形状规则且单一的模型。
4.如权利要求2所述基于卷积神经网络的重力异常反演方法，其特征在于，所述进行正演得到重力异常数据包括：
利用矩阵方程表示密度模型m到重力异常d的映射关系；为模型样本设置不同的密度值进行正演即可生成相应数据；
所述矩阵方程如下：
d＝Gm
其中，d＝(d1,d2,……,dM)T；m＝(m1,m2,……,mN)T；M和N分别是观测点数量和网格单元的数量；G是M×N维核矩阵。
5.如权利要求2所述基于卷积神经网络的重力异常反演方法，其特征在于，所述重力异常反演网络共有五个卷积核，三个池化层，两个全连接层；
所述第一个卷积层的卷积核大小为1×11，第二个卷积层的卷积核大小为1×5，其他卷积层的卷积核大小为1×3，且步长均为1；
所述三层池化层的大小都为1×3，且步长均为2；均采用VALID方式进行；
所述对构建的样本数据集进行划分包括：将数据集前80％作为训练集，后前20％作为测试集；
所述利用处理后的样本数据集训练、优化、验证构建的AlexNet-Gra网络包括：
设定参数，利用划分的训练集训练AlexNet-Gra网络；并利用测试集验证所述AlexNet-Gra网络是否达到预期效果；如果没有达到，则修改参数，再次训练；如果训练的网络达到预期效果，则输入验证集数据，重构地下模型。
6.如权利要求2所述基于卷积神经网络的重力异常反演方法，其特征在于，所述修改参数包括：
(1)选取优化函数，对网络中的需要更新的权重和偏差进行优化；
(2)选取目标函数：
Figure FDA0003162735460000021
式中，L(m,m′)表示模型恢复程度，
Figure FDA0003162735460000022
表示数据拟合程度，
Figure FDA0003162735460000023
表示权重衰减正则化，λ表示正则化参数，n表示训练集的大小；所述正则化项不包括偏置值。
7.如权利要求6所述基于卷积神经网络的重力异常反演方法，其特征在于，所述优化函数如下：
Figure FDA0003162735460000031
其中，Θ表示网络中需要更新的权重和偏差；Net(·)卷积神经网络表示从观测数据d到预测密度模型mpred之间的映射；L是MSE损失函数。
8.一种实施权利要求1～7任意一项所述基于卷积神经网络的重力异常反演方法的基于卷积神经网络的重力异常反演系统，其特征在于，所述基于卷积神经网络的重力异常反演系统包括：
样本数据集模块，用于构建不同形状的二维密度模型，进行正演得到重力异常数据，基于得到的重力异常数据构建样本数据集；
样本数据集预处理与划分模块，用于构建重力异常反演网络即AlexNet-Gra；并对构建的样本数据集进行预处理以及划分；
AlexNet-Gra网络训练模块，利用处理后的样本数据集训练、优化、验证构建的AlexNet-Gra网络，得到训练好的AlexNet-Gra网络；
反演结果获取模块，用于将重力异常数据输入到训练好的AlexNet-Gra网络，得到反演结果。
9.一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如下步骤：
构建重力异常反演网络，并利用正演得到的数据集对所述重力异常反演网络进行训练，利用训练好的重力异常反演网络进行反演。
10.一种信息数据处理终端，其特征在于，所述信息数据处理终端包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如下步骤：
步骤一，构建不同形状的二维密度模型，进行正演得到重力异常数据，基于得到的重力异常数据构建样本数据集；
步骤二，构建重力异常反演网络即AlexNet-Gra；并对构建的样本数据集进行预处理以及划分；
步骤三，利用处理后的样本数据集训练、优化、验证构建的AlexNet-Gra网络，得到训练好的AlexNet-Gra网络；
步骤四，将重力异常数据输入到训练好的AlexNet-Gra网络，即可得到反演结果。
CN202110795669.4A 2021-07-14 2021-07-14 基于卷积神经网络的重力异常反演方法、系统、终端及介质 Pending CN113552646A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110795669.4A CN113552646A (zh) 2021-07-14 2021-07-14 基于卷积神经网络的重力异常反演方法、系统、终端及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110795669.4A CN113552646A (zh) 2021-07-14 2021-07-14 基于卷积神经网络的重力异常反演方法、系统、终端及介质

Publications (1)

Publication Number Publication Date
CN113552646A true CN113552646A (zh) 2021-10-26

Family

ID=78103080

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110795669.4A Pending CN113552646A (zh) 2021-07-14 2021-07-14 基于卷积神经网络的重力异常反演方法、系统、终端及介质

Country Status (1)

Country Link
CN (1) CN113552646A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114137624A (zh) * 2021-10-27 2022-03-04 中国海洋大学 一种基于卫星高度计反演海底地形的方法和系统

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
王浩然: "基于并行计算与深度学习算法的大规模重磁数据反演研究", 《中国优秀博硕士学位论文全文数据库（硕士）•基础科学辑》 *
王逸宸 等: "基于卷积神经网络识别重力异常体", 《物探与化探》 *
耿美霞 等: "应用RBF神经网络反演二维重力密度分布", 《石油地球物理勘探》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114137624A (zh) * 2021-10-27 2022-03-04 中国海洋大学 一种基于卫星高度计反演海底地形的方法和系统
CN114137624B (zh) * 2021-10-27 2024-02-27 中国海洋大学 一种基于卫星高度计反演海底地形的方法和系统

Similar Documents

Publication Publication Date Title
Brenowitz et al. Spatially extended tests of a neural network parametrization trained by coarse‐graining
Bihlo et al. Physics-informed neural networks for the shallow-water equations on the sphere
Beucler et al. Climate-invariant machine learning
CN111814956B (zh) 一种基于多维度二次特征提取的多任务学习的空气质量预测方法
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
Ahrens et al. Verifying scientific simulations via comparative and quantitative visualization
Wang et al. Simulating large-scale urban land-use patterns and dynamics using the U-Net deep learning architecture
CN116047583A (zh) 基于深度卷积神经网络的自适应波阻抗反演方法及系统
Ye et al. Multi-year ENSO forecasts using parallel convolutional neural networks with heterogeneous architecture
CN113552646A (zh) 基于卷积神经网络的重力异常反演方法、系统、终端及介质
Ling et al. One-dimensional magnetotelluric parallel inversion using a ResNet1D-8 residual neural network
Karlbauer et al. Advancing parsimonious deep learning weather prediction using the healpix mes
CN117421562A (zh) 海洋溶解氧含量时空分布预测方法、系统、介质及设备
CN112766381A (zh) 有限样本下属性引导的sar图像生成方法
CN117236503A (zh) 一种基于空间信息约束的数据驱动预测方法、系统
Mukherjee et al. Spatially varying SAR models and Bayesian inference for high-resolution lattice data
Zhang et al. Parallel computing solutions for Markov chain spatial sequential simulation of categorical fields
Venetis et al. Multivariable inversion using exhaustive grid search and high-performance GPU processing: a new perspective
CN115685314A (zh) 一种地震储层物性参数预测方法及装置
Thorson et al. Spatio-temporal Models for Ecologists
Yan et al. Research and construction of a global hexagonal marine gravity gradient reference map for navigation
CN118228609B (zh) 一种矿山爆破装药结构选择方法和系统
Peng et al. A structured graph neural network for improving the numerical weather prediction of rainfall
Yarger et al. Autocalibration of the E3SM version 2 atmosphere model using a PCA‐based surrogate for spatial fields
Jóhannsson et al. Estimation using multiple-point statistics

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