CN113807006A - 基于深度学习的大地电磁数据静位移校正方法及装置 - Google Patents

基于深度学习的大地电磁数据静位移校正方法及装置 Download PDF

Info

Publication number
CN113807006A
CN113807006A CN202110931837.8A CN202110931837A CN113807006A CN 113807006 A CN113807006 A CN 113807006A CN 202110931837 A CN202110931837 A CN 202110931837A CN 113807006 A CN113807006 A CN 113807006A
Authority
CN
China
Prior art keywords
data
neural network
static displacement
magnetotelluric
deep neural
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
CN202110931837.8A
Other languages
English (en)
Other versions
CN113807006B (zh
Inventor
李懋坤
郭睿
周虹宇
杨帆
许慎恒
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.)
Tsinghua University
Original Assignee
Tsinghua 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 Tsinghua University filed Critical Tsinghua University
Priority to CN202110931837.8A priority Critical patent/CN113807006B/zh
Publication of CN113807006A publication Critical patent/CN113807006A/zh
Application granted granted Critical
Publication of CN113807006B publication Critical patent/CN113807006B/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
    • 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
    • G01V3/087—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 the earth magnetic field being modified by the objects or geological structures
    • 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

Landscapes

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

Abstract

本申请提出一种基于深度学习的大地电磁数据静位移校正方法和装置，其中，方法包括：获取先验信息，根据先验信息构建训练集，获取训练集，根据训练集设计深度神经网络，构建训练深度神经网络的目标函数，通过优化算法最小化训练目标函数，得到训练后的深度神经网络，获取地表观测数据，将地表观测数据输入训练后的深度神经网络，得到静位移校正后的大地电磁数据。本发明能够综合利用各类先验知识，自动化数据处理流程，提升静位移校正的准确度和精度。

Description

基于深度学习的大地电磁数据静位移校正方法及装置
技术领域
本发明涉及地球物理勘探数据处理技术领域，特别涉及一种基于深度学习的大地电磁数据静位移校正方法及装置。
背景技术
大地电磁法(MT)是一种地球物理电磁探测方法。它通过测量天然场源激发出的电场和磁场推断地下结构的电导率，广泛应用于油气勘探、矿产勘探、地壳和上地幔结构研究等领域。
MT实测数据的静态偏移效应是一种常见的畸变效应，其成因如下：受外部电磁场源影响，浅层导电异质体的边界会积累电荷，进而在空间中激发出感应电场，对地表接收机采集到的数据造成干扰。该干扰反映到MT数据中，表现为在视电阻率与频率的双对数坐标系中，视电阻率曲线相对于无干扰信号的视电阻率曲线发生固定数值的偏移，但曲线形态不发生变化。这种视电阻率的整体偏移会导致错误的反演成像结果，进而影响地球物理勘探的精度。因此，在对MT数据反演与解释前，首先要纠正静态偏移效应的影响，该过程称为静位移校正。
MT的静位移校正需综合考虑地球物理与地质先验知识、地表形态、测点间距等影响因素，同时要结合数据处理人员的经验。目前常见的静位移校正方法包括首枝重合法、小波变换法、电磁阵列剖面法、联合反演法等，对消除MT的静位移效应都有一定的效果。但是，这些方法对上述多种影响因素的综合利用能力较弱，数据处理的自动化程度较低，制约了MT数据处理的准确度与速度。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
为此，本发明的第一个目的在于提出一种基于深度学习的大地电磁数据静位移校正方法，通过先验信息构建训练集，训练深度神经网络完成受干扰数据到无干扰数据的映射，实现大地电磁数据的静位移校正。
本发明的第二个目的在于提出一种基于深度学习的大地电磁数据静位移校正装置。
为达上述目的，本发明第一方面实施例提出了一种基于深度学习的大地电磁数据静位移校正方法，包括：
获取先验信息，根据所述先验信息构建训练集；
获取所述训练集，根据所述训练集设计深度神经网络；
构建训练所述深度神经网络的目标函数，通过优化算法最小化训练所述目标函数，得到训练后的深度神经网络；
获取地表观测数据，将所述地表观测数据输入所述训练后的深度神经网络，得到静位移校正后的大地电磁数据。
另外，根据本发明上述实施例的基于深度学习的大地电磁数据静位移校正方法还可以具有以下附加的技术特征：
进一步地，在本发明的一个实施例中，所述训练集包括输入数据和标签数据。
进一步地，在本发明的一个实施例中，仿真产生的大地电磁数据作为所述标签数据，所述标签数据由下面公式计算：
d＝F(ρ|θ)
其中，ρ为地下电阻率，θ为外部因素设置，F为正向建模函数，d为仿真产生的大地电磁数据。
进一步地，在本发明的一个实施例中，对所述标签数据分别在沿横轴与空间内施加一维与二维高斯噪声，构建受静位移干扰的数据，将所述受静位移干扰的数据作为所述输入数据。
进一步地，在本发明的一个实施例中，所述深度神经网络的目标函数，由下面公式计算：
Figure BDA0003211174340000021
其中，N为训练集个数，
Figure BDA0003211174340000022
为第i个训练样本的神经网络输出，
Figure BDA0003211174340000023
为对应的标签数据，f为目标函数。
本发明实施例的基于深度学习的大地电磁数据静位移校正方法，通过获取先验信息，根据先验信息构建训练集，获取训练集，根据训练集设计深度神经网络，构建训练深度神经网络的目标函数，通过优化算法最小化训练目标函数，得到训练后的深度神经网络，获取地表观测数据，将地表观测数据输入训练后的深度神经网络，得到静位移校正后的大地电磁数据。本发明能够综合利用各类先验知识，自动化数据处理流程，提升静位移校正的准确度和精度。
为达上述目的，本发明第二方面实施例提出了一种基于深度学习的大地电磁数据静位移校正装置，包括：
构建训练集模块，用于获取先验信息，根据所述先验信息构建训练集；
设计神经网络模块，用于获取所属训练集，根据所述训练集设计深度神经网络；
构建目标函数模块，用于构建训练所述深度神经网络的目标函数，通过优化算法最小化训练所述目标函数，得到训练后的深度神经网络；
输入模块，用于获取地表观测数据，将所述地表观测数据输入所述训练后的深度神经网络，得到静位移校正后的大地电磁数据。
本发明实施例的基于深度学习的大地电磁数据静位移校正装置，通过构建训练集模块，用于获取先验信息，根据先验信息构建训练集，设计神经网络模块，用于获取训练集，根据训练集设计深度神经网络，构建目标函数模块，用于构建训练深度神经网络的目标函数，通过优化算法最小化训练目标函数，得到训练后的深度神经网络，输入模块，用于获取地表观测数据，将地表观测数据输入训练后的深度神经网络，得到静位移校正后的大地电磁数据。本发明能够综合利用各类先验知识，自动化数据处理流程，提升静位移校正的准确度和精度。
本发明的有益效果为：
(1)能够灵活地综合利用地质构造、地球物理经验、地表形态、测区尺寸、测点间距等先验知识；
(2)能够简化传统静位移校正的流程，提升数据处理效率；
(3)具有较高的泛化能力。
本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为根据本发明一个实施例的基于深度学习的大地电磁数据静位移校正方法的流程图；
图2为根据本发明一个实施例的仿真算例中所使用的部分训练输入数据示意图；
图3为根据本发明一个实施例的仿真算例中所使用的部分训练标签数据示意图；
图4(a)、图4(b)分别为根据本发明一个实施例的未作静位移校正的数据和静位移校正后的数据示意图；
图5根据本发明一个实施例的基于深度学习的大地电磁数据静位移校正装置的结构示意图；
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
下面参考附图描述本发明实施例的基于深度学习的大地电磁数据静位移校正方法和装置。
图1为本发明实施例所提供的一种基于深度学习的大地电磁数据静位移校正方法的流程图。
如图1所示，该基于深度学习的大地电磁数据静位移校正方法包括：
步骤S1，获取先验信息，根据先验信息构建训练集。
具体的，训练集中所需的输入数据与标签数据可以来源于实测历史数据集，也可由计算机模拟产生。例如，可根据待静校正的MT数据的采集场景，在历史数据集中选择相似场景下测得的MT数据作为输入，并将人工静校正的数据作为训练标签，若历史数据量有限，可由计算机仿真产生训练所需的输入数据与标签数据，以下作简单介绍。
大地电磁法的正向建模仿真可以用
d＝F(ρ|θ) (1)
描述，其中ρ为地下电阻率，θ为外部因素设置(如区间尺寸、发射机位置、接收频率等)，F为正向建模函数，d为仿真产生的大地电磁数据。
可以理解的是，工程人员可根据MT采集时的工作频率、测区尺寸、测点间距、地表起伏等信息，设置外部因素参数θ，同时，可根据先验的地球物理与地质经验，设置地下电阻率分布ρ，构成先验模型集。进一步地，根据公式(1)，计算当前外部因素参数θ下，先验模型集产生的大地电磁数据集，将该理论计算产生的大地电磁数据作为标签数据，如图3所示。
进一步地，对上述标签数据分别在沿横轴与整个空间内施加一维与二维高斯噪声，构建受静位移干扰的MT数据，将此合成数据作为训练输入数据，如图2所示。
S2，获取训练集，根据训练集设计深度神经网络。
S3，构建训练深度神经网络的目标函数，通过优化算法最小化训练目标函数，得到训练后的深度神经网络。
可以理解的是，不失一般性地，如图2、图3所示训练集采用了卷积神经网络，使用自动编解码器结构。训练阶段，网络的输入为如图2所示受干扰数据，标签为如图3所示无干扰数据。记训练集个数为N，第i个训练样本的神经网络输出为
Figure BDA0003211174340000051
对应的标签数据为
Figure BDA0003211174340000052
神经网络的训练目标函数可写为
(2)
Figure BDA0003211174340000053
并使用Adam算法优化上述目标函数至收敛。
可以理解的是，本申请的深度神经网络的结构包含各种形式。
可以理解的是，本申请的深度神经网络的训练目标函数包含各种形式。
可以理解的是，本申请优化深度神经网络目标函数的算法包含各种形式。
S4，获取地表观测数据，将地表观测数据输入训练后的深度神经网络，得到静位移校正后的大地电磁数据。
具体的，在预测阶段，输入静位移干扰的MT数据，神经网络预测的输出即为静位移校正后的MT数据。在配置为Intel(R)Core(TM)i5-9600K CPU@3.7GHz的台式工作机上，如图4(a)和图4(b)所示算例的静位移校正时间小于1秒钟。
根据本发明实施例的基于深度学习的大地电磁数据静位移校正方法，通过获取先验信息，根据先验信息构建训练集，获取训练集，根据训练集设计深度神经网络，构建训练深度神经网络的目标函数，通过优化算法最小化训练目标函数，得到训练后的深度神经网络，获取地表观测数据，将地表观测数据输入训练后的深度神经网络，得到静位移校正后的大地电磁数据。本发明能够综合利用各类先验知识，自动化数据处理流程，提升静位移校正的准确度和精度。
图5为根据本发明一个实施例的基于深度学习的大地电磁数据静位移校正装置的结构示意图。
如图5所示，该基于深度学习的大地电磁数据静位移校正装置10包括：
构建训练集模块100、设计神经网络模块200、构建目标函数模块300和输入模块400。
构建训练集模块100，用于获取先验信息，根据先验信息构建训练集；
设计神经网络模块200，用于获取训练集，根据训练集设计深度神经网络；
构建目标函数模块300，用于构建训练深度神经网络的目标函数，通过优化算法最小化训练目标函数，得到训练后的深度神经网络；
输入模块400，用于获取地表观测数据，将地表观测数据输入训练后的深度神经网络，得到静位移校正后的大地电磁数据。
进一步地，上述构建训练集模块100，包括：包括输入数据模块500和标签数据模块600。
进一步地，标签数据模块600，用于仿真产生的大地电磁数据作为标签数据，标签数据由下面公式计算：
d＝F(ρ|θ)
其中，ρ为地下电阻率，θ为外部因素设置，F为正向建模函数，d为仿真产生的大地电磁数据。
进一步地，上述输入数据模块500，用于对标签数据模块600分别在沿横轴与空间内施加一维与二维高斯噪声，构建受静位移干扰的数据，将受静位移干扰的数据作为输入数据。
进一步地，上述构建目标函数模块300，还用于计算深度神经网络的目标函数，深度神经网络的目标函数，由下面公式计算：
Figure BDA0003211174340000061
其中，N为训练集个数，
Figure BDA0003211174340000062
为第i个训练样本的神经网络输出，
Figure BDA0003211174340000063
为对应的标签数据，f为目标函数。
根据本发明实施例的基于深度学习的大地电磁数据静位移校正装置，通过构建训练集模块，用于获取先验信息，根据先验信息构建训练集，设计神经网络模块，用于获取训练集，根据训练集设计深度神经网络，构建目标函数模块，用于构建训练深度神经网络的目标函数，通过优化算法最小化训练目标函数，得到训练后的深度神经网络，输入模块，用于获取地表观测数据，将地表观测数据输入训练后的深度神经网络，得到静位移校正后的大地电磁数据。本发明能够综合利用各类先验知识，自动化数据处理流程，提升静位移校正的准确度和精度。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (10)

1.一种基于深度学习的大地电磁数据静位移校正方法，其特征在于，包括以下步骤：
获取先验信息，根据所述先验信息构建训练集；
获取所述训练集，根据所述训练集设计深度神经网络；
构建训练所述深度神经网络的目标函数，通过优化算法最小化训练所述目标函数，得到训练后的深度神经网络；
获取地表观测数据，将所述地表观测数据输入所述训练后的深度神经网络，得到静位移校正后的大地电磁数据。
2.根据权利要求1所述的基于深度学习的大地电磁数据静位移校正方法，其特征在于，所述训练集包括输入数据和标签数据。
3.根据权利要求2所述的基于深度学习的大地电磁数据静位移校正方法，其特征在于，仿真产生的大地电磁数据作为所述标签数据，所述标签数据由下面公式计算：
d＝F(ρ|θ)
其中，ρ为地下电阻率，θ为外部因素设置，F为正向建模函数，d为仿真产生的大地电磁数据。
4.根据权利要求2所述的基于深度学习的大地电磁数据静位移校正方法，其特征在于，对所述标签数据分别在沿横轴与空间内施加一维与二维高斯噪声，构建受静位移干扰的数据，将所述受静位移干扰的数据作为所述输入数据。
5.根据权利要求1所述的基于深度学习的大地电磁数据静位移校正方法，其特征在于，所述深度神经网络的目标函数，由下面公式计算：
Figure FDA0003211174330000011
其中，N为训练集个数，
Figure FDA0003211174330000012
为第i个训练样本的神经网络输出，
Figure FDA0003211174330000013
为对应的标签数据，f为目标函数。
6.一种基于深度学习的大地电磁数据静位移校正装置，其特征在于，包括：
构建训练集模块，用于获取先验信息，根据所述先验信息构建训练集；
设计神经网络模块，用于获取所述训练集，根据所述训练集设计深度神经网络；
构建目标函数模块，用于构建训练所述深度神经网络的目标函数，通过优化算法最小化训练所述目标函数，得到训练后的深度神经网络；
输入模块，用于获取地表观测数据，将所述地表观测数据输入所述训练后的深度神经网络，得到静位移校正后的大地电磁数据。
7.根据权利要求6所述的基于深度学习的大地电磁数据静位移校正装置，其特征在于，所述构建训练集模块，包括：包括输入数据模块和标签数据模块。
8.根据权利要求7所述的基于深度学习的大地电磁数据静位移校正装置，其特征在于，所述标签数据模块，用于仿真产生的大地电磁数据作为标签数据，所述标签数据由下面公式计算：
d＝F(ρ|θ)
其中，ρ为地下电阻率，θ为外部因素设置，F为正向建模函数，d为仿真产生的大地电磁数据。
9.根据权利要求7所述的基于深度学习的大地电磁数据静位移校正装置，其特征在于，所述输入数据模块，用于对所述标签数据模块分别在沿横轴与空间内施加一维与二维高斯噪声，构建受静位移干扰的数据，将所述受静位移干扰的数据作为输入数据。
10.根据权利要求7所述的基于深度学习的大地电磁数据静位移校正装置，其特征在于，所述构建目标函数模块，还用于计算所述深度神经网络的目标函数，所述深度神经网络的目标函数，由下面公式计算：
Figure FDA0003211174330000021
其中，N为训练集个数，
Figure FDA0003211174330000022
为第i个训练样本的神经网络输出，
Figure FDA0003211174330000023
为对应的标签数据，f为目标函数。
CN202110931837.8A 2021-08-13 2021-08-13 基于深度学习的大地电磁数据静位移校正方法及装置 Active CN113807006B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110931837.8A CN113807006B (zh) 2021-08-13 2021-08-13 基于深度学习的大地电磁数据静位移校正方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110931837.8A CN113807006B (zh) 2021-08-13 2021-08-13 基于深度学习的大地电磁数据静位移校正方法及装置

Publications (2)

Publication Number Publication Date
CN113807006A true CN113807006A (zh) 2021-12-17
CN113807006B CN113807006B (zh) 2024-06-07

Family

ID=78943020

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110931837.8A Active CN113807006B (zh) 2021-08-13 2021-08-13 基于深度学习的大地电磁数据静位移校正方法及装置

Country Status (1)

Country Link
CN (1) CN113807006B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115755201A (zh) * 2022-11-21 2023-03-07 深蓝感知(杭州)物联科技有限公司 基于神经网络模型的拖曳式瞬变电磁视电阻率计算方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110348568A (zh) * 2019-07-16 2019-10-18 山东科技大学 一种适用于强电磁干扰地区的深部采空区探测方法
CN110968826A (zh) * 2019-10-11 2020-04-07 重庆大学 一种基于空间映射技术的大地电磁深度神经网络反演方法
US20200379135A1 (en) * 2019-05-29 2020-12-03 Cgg Services Sas Analytics and machine learning method for estimating petrophysical property values
CN112540408A (zh) * 2019-09-20 2021-03-23 中国石油化工股份有限公司 一种基于深度学习的地震数据静校正处理方法及系统
CN113158571A (zh) * 2021-04-26 2021-07-23 中国科学院地质与地球物理研究所 一种基于全卷积神经网络的大地电磁反演方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200379135A1 (en) * 2019-05-29 2020-12-03 Cgg Services Sas Analytics and machine learning method for estimating petrophysical property values
CN110348568A (zh) * 2019-07-16 2019-10-18 山东科技大学 一种适用于强电磁干扰地区的深部采空区探测方法
CN112540408A (zh) * 2019-09-20 2021-03-23 中国石油化工股份有限公司 一种基于深度学习的地震数据静校正处理方法及系统
CN110968826A (zh) * 2019-10-11 2020-04-07 重庆大学 一种基于空间映射技术的大地电磁深度神经网络反演方法
CN113158571A (zh) * 2021-04-26 2021-07-23 中国科学院地质与地球物理研究所 一种基于全卷积神经网络的大地电磁反演方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张昆;何钰娴;严加永;: "大地电磁测深三维反演系统及应用", 中国地质调查, no. 01 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115755201A (zh) * 2022-11-21 2023-03-07 深蓝感知(杭州)物联科技有限公司 基于神经网络模型的拖曳式瞬变电磁视电阻率计算方法

Also Published As

Publication number Publication date
CN113807006B (zh) 2024-06-07

Similar Documents

Publication Publication Date Title
Han et al. A 3D fracture network model for the undisturbed rock mass at the Songta dam site based on small samples
CN103077558B (zh) 碳酸盐岩缝洞型油藏大型溶洞储集体分布模型的建模方法
AU2013402493B2 (en) Automated horizon auto-picking on multiple volumes
CN110007357B (zh) 一种航空tem和航空mt联合反演方法
CN103869371A (zh) 人工场源频率域全梯度电磁测量方法
Jiang et al. A cable-mapping algorithm based on ground-penetrating radar
CN105259570A (zh) 一种海上时移地震接收点位移校正方法
Dou et al. 3D buried utility location using a marching-cross-section algorithm for multi-sensor data fusion
CN109154674B (zh) 利用光流确定在地震图像之间的位移
Qin et al. Quantitative 3D association of geological factors and geophysical fields with mineralization and its significance for ore prediction: an example from Anqing orefield, China
CN113807006A (zh) 基于深度学习的大地电磁数据静位移校正方法及装置
CN106772639A (zh) 地下铁质管线埋深磁偶极子构造法优化反演
AU2017240473A1 (en) Determining displacement between seismic images using optical flow
Chen et al. A critical review of automated extraction of rock mass parameters using 3D point cloud data
Karsznia et al. Accuracy tests and precision assessment of localizing underground utilities using GPR detection
CN104316961A (zh) 获取风化层的地质参数的方法
CN109782355A (zh) Obs检波点漂移的检测方法及装置
CN112433253A (zh) 一种动水软弱破碎围岩隧道三维探测方法
Ustinov et al. Prospects of geoinformatics in analyzing spatial heterogeneities of microstructural properties of a tectonic fault
Zhou et al. Ellipse inversion model for estimating the orientation and radius of pipes from gpr image
CN108351432A (zh) 数据驱动的聚焦反演
CN110058318B (zh) 一种基于测量电极坐标的天然电场的一维方向校正方法
US20190003920A1 (en) Visualization of multi-pipe inspection results
CN112882124A (zh) 一种三维铀成矿有利部位的圈定方法
Song et al. Distributed Acoustic Sensing Based on Microtremor Survey Method for Near-Surface Active Faults Exploration: A Case Study in Datong Basin, China

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