CN114781254A - 一种电磁勘探反演模型的构建方法、装置及存储介质 - Google Patents

一种电磁勘探反演模型的构建方法、装置及存储介质 Download PDF

Info

Publication number
CN114781254A
CN114781254A CN202210388345.3A CN202210388345A CN114781254A CN 114781254 A CN114781254 A CN 114781254A CN 202210388345 A CN202210388345 A CN 202210388345A CN 114781254 A CN114781254 A CN 114781254A
Authority
CN
China
Prior art keywords
inversion
model
clustering
sample set
electromagnetic
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
CN202210388345.3A
Other languages
English (en)
Other versions
CN114781254B (zh
Inventor
曹辉
施明智
曹礼刚
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.)
Chengdu Univeristy of Technology
Original Assignee
Chengdu Univeristy of Technology
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 Chengdu Univeristy of Technology filed Critical Chengdu Univeristy of Technology
Priority to CN202210388345.3A priority Critical patent/CN114781254B/zh
Publication of CN114781254A publication Critical patent/CN114781254A/zh
Application granted granted Critical
Publication of CN114781254B publication Critical patent/CN114781254B/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
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • 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)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Geophysics And Detection Of Objects (AREA)

Abstract

本申请公开了一种电磁勘探反演模型的构建方法、装置及存储介质。其中，该方法包括：生成正演样本集，正演样本集为预设数量地层模型通过航空瞬变电磁法正演计算得到的响应数据；对正演样本集进行无监督学习聚类，得到每个地层模型的类型标签，将每个地层模型的类型标签附加到对应的每个正演样本中，得到反演样本集；构建有监督学习的神经网络，将反演样本集作为输入对神经网络进行训练，得到所述电磁法勘探的反演模型。通过构建有监督和无监督结合的深度学习航空瞬变电磁勘探反演模型，达到缩短反演时间、实现实时反演的目的。

Description

一种电磁勘探反演模型的构建方法、装置及存储介质
技术领域
本申请涉及地球物理勘探技术领域，尤其涉及一种电磁法勘探的反演模型的构建方法、装置及存储介质。
背景技术
地球物理电磁勘探通过观测电磁场传播特性，对观测数据反演来完成对未知的地下地质构造表征，从而得到一个合理的地层模型。由于地层模型和观测数据是存在函数映射规律的，地质体物性变化等因素会导致观测到的电磁响应产生变化，要采用显式的函数来表达复杂地层的电磁响应映射关系是非常困难的。
在地球物理电磁法勘探时，传统的反演方法为：依靠先验知识假设，从建立初始模型出发，经过多次模型修正迭代，使得正演结果不断靠近实测结果。但是，以该种方法进行地球物理反演存在以下缺点：由于每执行一次反演都需要进行多次正演计算，这一迭代过程需要耗费大量时间和计算资源，是目前实时反演的最大障碍。
发明内容
本申请实施例提供了一种电磁法勘探的反演模型的构建方法、装置及存储介质，可以将模型正演迭代这一步骤提前到数据预处理阶段，结合聚类和多层感知器等深度学习技术建立起电磁响应到地层模型的映射关系，反演仅需要执行一次映射就能实时得到反演预测结果，有效地避免了传统方法中反演过程耗费大量时间和计算资源、不能实现实时反演的不足。
第一方面，本申请实施例提供了一种电磁法勘探的反演模型的构建方法，包括：
生成正演样本集，所述正演样本集为预设数量地层模型通过航空瞬变电磁法正演计算得到的响应数据；
对所述正演样本集进行无监督学习聚类，得到每个地层模型的类型标签，将每个地层模型的类型标签附加到对应的每个正演样本中，得到反演样本集；
构建有监督学习的神经网络，将所述反演样本集作为输入对所述有监督学习的神经网络进行训练，得到所述电磁法勘探的反演模型。
在一些可能的实现方式中，所述生成正演样本集包括：
通过算法随机生成所述预设数量的地层模型，其中所述地层模型包括层数、层厚度和层电导率；
对所述预设数量的地层模型进行航空瞬变电磁法正演计算，得到所述正演样本集。
在一些可能的实现方式中，所述地层模型的层数大于等于1小于等于3，地层模型的厚度小于400米，所述地层模型每层的电导率在0.001S/m~10S/m之间。
在一些可能的实现方式中，对所述正演样本集进行无监督学习聚类，得到每个地层模型的类型标签包括：
基于K-Means聚类算法对所述正演样本集进行聚类，将聚类出来的分类结果进行独热编码；
将所述对应的独热编码附加到每一个正演样本上。
在一些可能的实现方式中，所述基于K-Means聚类算法对所述正演样本集进行聚类包括：
确定多组数量不同的初始聚类中心；
基于所述多组数量不同的初始聚类中心对所述正演样本集进行K-Means聚类，得到多个聚类结果；
基于所述多个聚类结果利用肘部法则得到所述正演样本集的轮廓系数曲线；
基于所述轮廓系数曲线确定第一层次的聚类结果；
基于均方差对所述第一层次的聚类结果进行辅助评价，得到第一层次的评价结果；
在所述第一层次的评价结果满足第一预设条件的情况下，对所述正演样本集中，所述第一层次的聚类结果对应的每一类正演样本采用得到所述第一层次的聚类结果的方法继续进行聚类，并得到下一层次的聚类结果；
基于均方差对所述下一层次的聚类结果进行辅助评价，得到下一层次评价结果；
在所述下一层次评价结果满足第二预设条件的情况下，将所述下一层次的聚类结果作为所述分类结果。
在一些可能的实现方式中，所述构建有监督学习的神经网络，将所述反演样本集作为输入对所述有监督学习的神经网络进行训练，得到所述电磁法勘探的反演模型包括：
构建一个用于完成反演映射的多层感知器神经网络模型；
将所述反演样本集拆分为训练集、测试集和验证集，将训练集作为多层感知器神经网络的输入，对多层感知器神经网络模型进行深度学习训练；
使用测试集和验证集对模型进行测试和验证，绘制训练及验证的损失度、精确度曲线；
根据所述损失度、精确度曲线对模型参数进行调整，得到所述电磁法勘探的反演模型。
在一些可能的实现方式中，所述多层感知器神经网络模型包括：
输入层、两个隐藏全连接层和一个多分类输出层构成，每个全连接层后面连接一个Dropout层。
第二方面，本申请实施例提供了一种电磁法勘探反演方法，包括：
获取电磁法勘探实测数据；
将所述电磁法勘探实测数据输入上述第一方面所述的电磁法勘探的反演模型，输出地层模型的类型标签。
第三方面，本申请实施例提供了一种电磁法勘探的反演装置，包括：
生成单元，用于生成正演样本集，所述正演样本集为预设数量地层模型通过航空瞬变电磁法正演计算得到的响应数据；
聚类单元，用于对所述正演样本集进行无监督学习聚类，得到每个地层模型的类型标签，将每个地层模型的类型标签附加到对应的每个正演样本中，得到反演样本集；
构建单元，用于构建有监督学习的神经网络，将所述反演样本集作为输入对所述有监督学习的神经网络进行训练，得到所述电磁法勘探的反演模型。
第四方面，本申请实施例提供一种计算机存储介质，所述计算机存储介质存储有多条指令，所述指令适于由处理器加载并执行上述第一方面或第二方面的任意一种可能的实现方式提供的方法步骤。
在本申请实施例中，通过构建有监督和无监督结合的深度学习航空瞬变电磁勘探反演模型，将最消耗计算资源的步骤提前到实时反演开始前，然后通过将实测数据输入到电磁勘探反演模型即可得到实际地层模型对应的类型标签，即通过引入深度学习的方法，采用更适合电磁响应规律的数据处理路径，达到缩短反演时间、实现实时反演的目的；另外，在本申请实施例中，在生成类型标签时，能够根据实际情况灵活选择聚类的K值（即初始聚类中心数量），并根据对聚类结果的评估情况决定是否进行下一层次的聚类，更细致的分类结果有助于提高从电磁响应到地层类型映射的准确度。此外，本申请实施例中构建的多层感知器神经网络模型，比之其他深度学习网络而言结构更简单，训练速度更快，有助于节省深度学习反演时的数据预处理时间。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例中所需使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种电磁法勘探反演模型的构建方法的流程示意图；
图2为为本申请实施例提供的航空瞬变电磁法0-0.001s内等对数间隔取11个时间道对应的响应值示意图；
图3为本申请实施例提供的调整完成的多层感知器神经网络结构示意图；
图4为本申请实施例提供的一种电磁法勘探反演装置示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
在本申请中涉及到的名词解释：
地下电性属性，指地球表面以下的地质体具有电磁相关物理属性的地层结构，电性一般指电阻率、电导率等电性参数。
电磁法正演：采用电磁相关方法进行的地球物理正演。地球物理勘探方法是人类探索未知地下结构的科学工具。无论是重、磁还是电、震，不同的地球物理勘探方法都需要解决正演问题和反演问题。对于电磁勘探方法，正演问题旨在解决已知地层结构各电性参数的前提下，通过求解麦克斯韦方程组来得出坐标上的电场分量和磁场分量。然而，大自然中深埋在地下的地质结构对于人类而言显然不能轻易、直观地获取，于是需要求解反演问题。例如，电磁勘探反演旨在通过测量地面或地表附近的电磁响应，来反求未知的地下地质结构及其各项电性参数，从而达到无需取出岩心即可探知地下结构的科学目的。
反演，是由实测数据推断地下结构的过程，作用和效果是无需对地质体进行钻掘就能根据地面测量到的数据推测出地下结构。
图1示例性示出了本申请实施例提供的一种电磁法勘探反演模型的构建方法，可以包括以下几个步骤：
S101：生成正演样本集，所述正演样本集为预设数量地层模型通过航空瞬变电磁法正演计算得到的响应数据。
在本申请实施例中，上述地层模型是指通过计算机模拟地下地层结构，模型中包括地层结构的层数，每层的厚度，以及对应的电性属性。在本申请实施例中地下电性属性采用电导率来表征。例如，一种类型的地层结构描述为：包含三层，第一层厚200米，电导率为100S/m；第二层厚120米，电导率为10S/m；第一层厚80米，电导率为500S/m。
在一些可选的实施例中，所述生成正演样本集包括：通过算法随机生成所述预设数量的地层模型，其中所述地层模型包括层数、层厚度和层电导率；对所述预设数量的地层模型进行航空瞬变电磁法正演计算，得到所述正演样本集。
具体的，上述预设数量的地层模型可以通过自动生成随机地层模型的计算机程序自动生成；具体将计算机程序设置成可以自动构建400米以浅、1-3层不等、层厚度随机变化的地层模型。模型每层电导率为0.001S/m~10S/m区间中随机生成。背景场电导率取值为均匀的0.1S/m。在这样的约束条件下该程序自动生成了10000个地层模型，并对每个模型进行时间域航空瞬变电磁法正演，得到随时间变化的dBz/dt响应值。可以采用SimPEG开源软件（Cockett R，2015）模拟单线航空垂直共面测量在多个时间通道的数据，对每个模型只取最具代表性的中间第6时间道响应曲线，并取出该时间道上11个测点对应该时刻的响应数据，于是得到对应的包含11个数据的一维数组。这样就构建了一个由地层模型对应响应曲线组成的样本集。
其中，通过算法生成模型每层地层电导率，生成的方法为：先从[1,10]区间取一个保留两位小数的随机数，再由指定的0.001、0.01、0.1、1这几个分段数中随机取一个分段数，然后将两个随机得到的数相乘，就得到了0.001S/m~10S/m区间中的一个随机电导率值。
例如，可以参考图2，图2为航空瞬变电磁法0-0.001s内等对数间隔取11个时间道对应的响应值示意图，如图所示，航空瞬变电磁法0-0.001s内等对数间隔取11个时间道对应的响应值，X轴表示测线布置为距地面25米，东西0-200米内等间隔取11个测点，Y轴表示电磁响应。取出其中一条曲线，即为取其中一个时间道上每个测点在该时刻的响应。一个时间道，指多个测点处于同一时刻时响应的集合，绘制出来就是图中的一条曲线。
S102：对所述正演样本集进行无监督学习聚类，得到每个地层模型的类型标签，将每个地层模型的类型标签附加到对应的每个正演样本中，得到反演样本集。
在一些可选的实施例中，对所述正演样本集进行无监督学习聚类，得到每个地层模型的类型标签包括：基于K-Means聚类算法对所述正演样本集进行聚类，将聚类出来的分类结果进行独热编码；将所述对应的独热编码附加到每一个正演样本上。
具体的，所述基于K-Means聚类算法对所述正演样本集进行聚类包括：确定多组数量不同的初始聚类中心；基于所述多组数量不同的初始聚类中心对所述正演样本集进行K-Means聚类，得到多个聚类结果；基于所述多个聚类结果利用肘部法则得到所述正演样本集的轮廓系数曲线；基于所述轮廓系数曲线确定第一层次的聚类结果；基于均方差对所述第一层次的聚类结果进行辅助评价，得到第一层次的评价结果；在所述第一层次的评价结果满足第一预设条件的情况下，对所述正演样本集中，所述第一层次的聚类结果对应的每一类正演样本采用得到所述第一层次的聚类结果的方法继续进行聚类，并得到下一层次的聚类结果；基于均方差对所述下一层次的聚类结果进行辅助评价，得到下一层次评价结果；在所述下一层次评价结果满足第二预设条件的情况下，将所述下一层次的聚类结果作为所述分类结果。
进一步的，上述基于均方差对所述第一层次的聚类结果进行辅助评价，得到第一层次的评价结果包括：计算上述第一层次聚类结果中对应的每个聚类簇的均方差（STD）值；量化和评估聚类后各簇中的样本线与各簇均值线之间的离散程度，统计各簇中的样本数量，并结合上一层次各簇STD值和曲线簇的分布及轮廓等情况。
其中，上述第一预设条件和上述第二预设条件包括样本线与各簇均值线之间的离散程度，统计各簇中的样本数量等。
可以理解的是，在实际应用中，可能会超过两个层次的聚类，即下一层次评价结果还是不满足停止聚类的条件（即上述第二预设条件），则还需要对经过两次分类后的正演样本集，再继续进行聚类。
在本申请实施例中上述正演样本集的响应曲线产生的变化受到层数量、各层厚度及层电导率这三个维度的特征变化的影响。虽然样本集地层结构是随机的，但产生的响应曲线分布在几种典型类型上的数量却是不均匀的，因此考虑通过聚类的方法先将样本集作初步分类，得到样本标签后再采用多层感知器神经网络完成多分类任务。而由于样本数量庞大，通过人工的方式对样本进行标签化操作显然难以实现。为了对每个地层结构模型附加分类标签，以便构建含标签的训练样本集，同时也为了探究让机器替代人工对地下电性属性层状模型进行分类会得到怎样的结果，本实施例采用自上而下分层次K-Means聚类的方法对这些正演响应曲线进行聚类。聚类的类型数量也即K值需要预先设定，并利用肘部法则求取样本-中心点欧几里得距离之和的最优值的方法绘制出样本集轮廓系数曲线。
K值是据随着K值的增长对距离和改善最大的点来确定。由于K-Means聚类容易陷入局部极小，不同的聚类初始中心可能会导致不同的结果。为了评价采用不同K值时聚类出来的曲线距离簇均值曲线的离散程度，本申请实施例引入均方差（STD）来对中心选取确定后聚类出来的各簇曲线聚类效果进行辅助评价。例如，为了观察不同K取值对聚类结果的影响，将K分别取值为3、4、5、6、8的聚类结果绘制出来，并计算每个聚类簇的STD值以便量化和评估聚类后各簇中的样本线与各簇均值线之间的离散程度。
在实际中，有些K值对应的聚类效率较高，有些K值仍然存在大量特征偏离均线较明显的曲线，曲线簇不能体现较明显的特征轮廓。有些K值虽然聚类更精细，但依然存在离散程度较大的曲线簇。为了将曲线最集中的区间尽可能的聚类出更多类型数量，考虑采用分层次多次聚类的方法，通过将聚类出来的不同类型曲线再次聚类（即上述在所述第一层次的评价结果满足第一预设条件的情况下，对所述正演样本集中，所述第一层次的聚类结果对应的每一类正演样本采用得到所述第一层次的聚类结果的方法继续进行聚类），来达到聚类结果更精细的目的。
例如，在上述第一层次的聚类结果中，上述正演样本集被分成4个类型，并基于均方差对所述4个类型进行辅助评价，得到第一层次的评价结果；并发现经过第一层聚类得到的4个簇中，其中某个簇（或多个簇）轮廓特征并不明显，曲线距离均线的均方差较低，需要进一步聚类；因此继续采用K-Means聚类的方法对第一层聚类得到的4个簇进行第二层的聚类。根据样本-中心点距离之和曲线图确定各簇K值后，第一层4个类型经过第二层K-Means聚类后，曲线被按照特征进一步细分为更多簇，可以得出更理想的聚类结果。
S103：构建有监督学习的神经网络，将所述反演样本集作为输入对所述有监督学习的神经网络进行训练，得到所述电磁法勘探的反演模型。
在一些可选的实施例中，所述构建有监督学习的神经网络，将所述反演样本集作为输入对所述有监督学习的神经网络进行训练，得到所述电磁法勘探的反演模型包括：构建一个用于完成反演映射的多层感知器神经网络模型；将所述反演样本集拆分为训练集、测试集和验证集，将训练集作为多层感知器神经网络的输入，对多层感知器神经网络模型进行深度学习训练；使用测试集和验证集对模型进行测试和验证，绘制训练及验证的损失度、精确度曲线；根据所述损失度、精确度曲线对模型参数进行调整，得到所述电磁法勘探的反演模型。
其中，上述多层感知器神经网络模型用于将标签化的样本集作为输入，训练并建立起从输入（航空瞬变电磁法响应数据）到输出（地层结构模型）的映射，从而实现反演。
所述多层感知器神经网络模型包括：输入层、两个隐藏全连接层和一个多分类输出层构成，每个全连接层后面连接一个Dropout层。
具体的，可以将样本集按照8:2的比例拆分为训练集和测试集，再从训练集中按照20%的比例提取出验证集。然后，构建一个用于完成反演映射的多层感知器神经网络模型。该模型由输入层、两个隐藏全连接层和一个多分类输出层构成，为了提高深度学习网络的泛化能力，每个全连接层后面连接一个Dropout层。模型参数为：输入数据作归一化处理，输入层数据维度为11，第一层包含200个节点，采用的激活函数为ReLu函数，并连接一个比率为0.5的Dropout层；第二层全连接层包含100个节点，采用的激活函数为ReLu函数，并连接一个比率为0.5的Dropout层；第三层输出层包含20个节点，采用的激活函数为SoftMax函数。网络结构示意图如图3所示。训练的参数为：优化函数采用Adam函数，能够对梯度和学习率进行动态调整；损失函数采用交叉熵损失函数，用来评估当前训练得到的概率分布与真实分布的差异情况。训练次数Epochs为300次。
深度学习模型训练好后，只需将测试集中的样本输入网络，即可得到输出的预测值，该预测值代表了响应曲线对应的地层模型类型值。取测试集中的某一组响应曲线数据用于测试，反演得到地层类型，找出对应独热编码的曲线簇的均值线，与该组测试曲线进行对比，找出该类地层类型对应的典型地层结构模型，与测试数据对应的地层模型对比。
在本申请实施例中，通过构建有监督和无监督结合的深度学习航空瞬变电磁勘探反演模型，将最消耗计算资源的步骤提前到实时反演开始前，然后通过将实测数据输入到电磁勘探反演模型即可得到实际地层模型对应的类型标签，即通过引入深度学习的方法，采用更适合电磁响应规律的数据处理路径，达到缩短反演时间、实现实时反演的目的；另外，在本申请实施例中，在生成类型标签时，能够根据实际情况灵活选择聚类的K值（即初始聚类中心数量），并根据对聚类结果的评估情况决定是否进行下一层次的聚类，更细致的分类结果有助于提高从电磁响应到地层类型映射的准确度。此外，本申请实施例中构建的多层感知器神经网络模型，比之其他深度学习网络而言结构更简单，训练速度更快，有助于节省深度学习反演时的数据预处理时间。
本申请实施例还提供的一种电磁法勘探反演方法，可以包括以下几个步骤：
201：获取电磁法勘探实测数据。
在本申请实施例中，电磁法勘探实测数据，指勘探的时候用仪器采集到的电场和磁场数据，例如电场的Ex、Ey、Ez分量；磁场的Hx、Hy、Hz分量的值。
202：将所述电磁法勘探实测数据输入图1中对应的所述的电磁法勘探的反演模型，输出地层模型的类型标签。
在本申请实施例中，通过构建有监督和无监督结合的深度学习航空瞬变电磁勘探反演模型，将最消耗计算资源的步骤提前到实时反演开始前，然后通过将实测数据输入到电磁勘探反演模型即可得到实际地层模型对应的类型标签，即通过引入深度学习的方法，采用更适合电磁响应规律的数据处理路径，达到缩短反演时间、实现实时反演的目的；另外，在本申请实施例中，在生成类型标签时，能够根据实际情况灵活选择聚类的K值（即初始聚类中心数量），并根据对聚类结果的评估情况决定是否进行下一层次的聚类，更细致的分类结果有助于提高从电磁响应到地层类型映射的准确度。此外，本申请实施例中构建的多层感知器神经网络模型，比之其他深度学习网络而言结构更简单，训练速度更快，有助于节省深度学习反演时的数据预处理时间。
图4示出了本申请实施例提供的一种电磁法勘探反演装置，包括：
生成单元410，用于生成正演样本集，所述正演样本集为预设数量地层模型通过航空瞬变电磁法正演计算得到的响应数据；
聚类单元420，用于对所述正演样本集进行无监督学习聚类，得到每个地层模型的类型标签，将每个地层模型的类型标签附加到对应的每个正演样本中，得到反演样本集；
构建单元430，用于构建有监督学习的神经网络，将所述反演样本集作为输入对所述有监督学习的神经网络进行训练，得到所述电磁法勘探的反演模型。
在本申请实施例中，通过构建有监督和无监督结合的深度学习航空瞬变电磁勘探反演模型，将最消耗计算资源的步骤提前到实时反演开始前，然后通过将实测数据输入到电磁勘探反演模型即可得到实际地层模型对应的类型标签，即通过引入深度学习的方法，采用更适合电磁响应规律的数据处理路径，达到缩短反演时间、实现实时反演的目的；另外，在本申请实施例中，在生成类型标签时，能够根据实际情况灵活选择聚类的K值（即初始聚类中心数量），并根据对聚类结果的评估情况决定是否进行下一层次的聚类，更细致的分类结果有助于提高从电磁响应到地层类型映射的准确度。此外，本申请实施例中构建的多层感知器神经网络模型，比之其他深度学习网络而言结构更简单，训练速度更快，有助于节省深度学习反演时的数据预处理时间。
本申请实施例还提供了一种计算机可读存储介质，该计算机可读存储介质中存储有指令，当其在计算机或处理器上运行时，使得计算机或处理器执行上述图1所示实施例中的一个或多个步骤。上述各组成模块如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在所述计算机可读取存储介质中。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者通过所述计算机可读存储介质进行传输。所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线（例如同轴电缆、光纤、数字用户线（Digital SubscriberLine，DSL））或无线（例如红外、无线、微波等）方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，（例如，软盘、硬盘、磁带）、光介质(例如，数字多功能光盘（Digital VersatileDisc，DVD）)、或者半导体介质（例如，固态硬盘（Solid State Disk，SSD））等。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，该程序可存储于计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可存储程序代码的介质。在不冲突的情况下，本实施例和实施方案中的技术特征可以任意组合。
以上所述的实施例仅仅是本申请的优选实施例方式进行描述，并非对本申请的范围进行限定，在不脱离本申请的设计精神的前提下，本领域普通技术人员对本申请的技术方案作出的各种变形及改进，均应落入本申请的权利要求书确定的保护范围内。

Claims (10)

1.一种电磁法勘探反演模型的构建方法，其特征在于，包括：
生成正演样本集，所述正演样本集为预设数量地层模型通过航空瞬变电磁法正演计算得到的响应数据；
对所述正演样本集进行无监督学习聚类，得到每个地层模型的类型标签，将每个地层模型的类型标签附加到对应的每个正演样本中，得到反演样本集；
构建有监督学习的神经网络，将所述反演样本集作为输入对所述有监督学习的神经网络进行训练，得到所述电磁法勘探的反演模型。
2.根据权利要求1所述的一种电磁法勘探反演模型，其特征在于，所述“生成正演样本集”包括：
通过算法随机生成所述预设数量的地层模型，其中所述地层模型包括层数、层厚度和层电导率；
对所述预设数量的地层模型进行航空瞬变电磁法正演计算，得到所述正演样本集。
3.根据权利要求2所述的一种电磁法勘探反演模型，其特征在于，所述地层模型的层数大于等于1小于等于3，地层模型的厚度小于400米，所述地层模型每层的电导率在0.001S/m~10S/m之间。
4.根据权利要求1所述的一种电磁法勘探反演模型，其特征在于，所述“对所述正演样本集进行无监督学习聚类，得到每个地层模型的类型标签”包括：
基于K-Means聚类算法对所述正演样本集进行聚类，将聚类出来的分类结果进行独热编码；
将所述对应的独热编码附加到每一个正演样本上。
5.根据权利要求4所述的一种电磁法勘探反演模型，其特征在于，所述“基于K-Means聚类算法对所述正演样本集进行聚类”包括：
确定多组数量不同的初始聚类中心；
基于所述多组数量不同的初始聚类中心对所述正演样本集进行K-Means聚类，得到多个聚类结果；
基于所述多个聚类结果利用肘部法则得到所述正演样本集的轮廓系数曲线；
基于所述轮廓系数曲线确定第一层次的聚类结果；
基于均方差对所述第一层次的聚类结果进行辅助评价，得到第一层次的评价结果；
在所述第一层次的评价结果满足第一预设条件的情况下，对所述正演样本集中，所述第一层次的聚类结果对应的每一类正演样本采用得到所述第一层次的聚类结果的方法继续进行聚类，并得到下一层次的聚类结果；
基于均方差对所述下一层次的聚类结果进行辅助评价，得到下一层次评价结果；
在所述下一层次评价结果满足第二预设条件的情况下，将所述下一层次的聚类结果作为所述分类结果。
6.根据权利要求1所述的一种电磁法勘探反演模型，其特征在于，所述“构建有监督学习的神经网络，将所述反演样本集作为输入对所述有监督学习的神经网络进行训练，得到所述电磁法勘探的反演模型”包括：
构建一个用于完成反演映射的多层感知器神经网络模型；
将所述反演样本集拆分为训练集、测试集和验证集，将训练集作为多层感知器神经网络的输入，对多层感知器神经网络模型进行深度学习训练；
使用测试集和验证集对模型进行测试和验证，绘制训练及验证的损失度、精确度曲线；
根据所述损失度、精确度曲线对模型参数进行调整，得到所述电磁法勘探的反演模型。
7.根据权利要求6所述的一种电磁法勘探反演模型，其特征在于，所述多层感知器神经网络模型包括：
输入层、两个隐藏全连接层和一个多分类输出层构成，每个全连接层后面连接一个Dropout层。
8.一种电磁法勘探反演方法，其特征在于，包括：
获取电磁法勘探实测数据；
将所述电磁法勘探实测数据输入权利要求1-7任意一项中所述的电磁法勘探的反演模型，输出地层模型的类型标签。
9.一种电磁法勘探反演装置，其特征在于，包括：
生成单元，用于生成正演样本集，所述正演样本集为预设数量地层模型通过航空瞬变电磁法正演计算得到的响应数据；
聚类单元，用于对所述正演样本集进行无监督学习聚类，得到每个地层模型的类型标签，将每个地层模型的类型标签附加到对应的每个正演样本中，得到反演样本集；
构建单元，用于构建有监督学习的神经网络，将所述反演样本集作为输入对所述有监督学习的神经网络进行训练，得到所述电磁法勘探的反演模型。
10.一种计算机存储介质，其特征在于，所述计算机存储介质存储有多条指令，所述指令适于由处理器加载并执行如权利要求1-7或8任一项的方法步骤。
CN202210388345.3A 2022-04-14 2022-04-14 一种电磁法勘探反演模型的构建方法、装置及存储介质 Active CN114781254B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210388345.3A CN114781254B (zh) 2022-04-14 2022-04-14 一种电磁法勘探反演模型的构建方法、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210388345.3A CN114781254B (zh) 2022-04-14 2022-04-14 一种电磁法勘探反演模型的构建方法、装置及存储介质

Publications (2)

Publication Number Publication Date
CN114781254A true CN114781254A (zh) 2022-07-22
CN114781254B CN114781254B (zh) 2023-04-18

Family

ID=82428802

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210388345.3A Active CN114781254B (zh) 2022-04-14 2022-04-14 一种电磁法勘探反演模型的构建方法、装置及存储介质

Country Status (1)

Country Link
CN (1) CN114781254B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115619786A (zh) * 2022-12-19 2023-01-17 中国科学技术大学 磁场图像处理方法、装置
CN115618732A (zh) * 2022-10-24 2023-01-17 上海交通大学 核反应堆数字孪生关键参数自主优化数据反演方法
CN117371330A (zh) * 2023-10-30 2024-01-09 重庆大学 一种基于传统反演引导的大地电磁二维深度学习反演方法
CN118330759A (zh) * 2024-06-12 2024-07-12 西南交通大学 一种基于地空电磁的物数混合驱动反演方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110058317A (zh) * 2019-05-10 2019-07-26 成都理工大学 航空瞬变电磁数据和航空大地电磁数据联合反演方法
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
CN111126591A (zh) * 2019-10-11 2020-05-08 重庆大学 一种基于空间约束技术的大地电磁深度神经网络反演方法
CN113568055A (zh) * 2021-07-16 2021-10-29 北京大学 一种基于lstm网络的航空瞬变电磁数据反演方法
CN113568056A (zh) * 2021-07-16 2021-10-29 北京大学 一种基于卷积神经网络的航空瞬变电磁数据反演方法
CN113807020A (zh) * 2021-09-28 2021-12-17 成都理工大学 基于深度学习约束的大地电磁反演方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110058317A (zh) * 2019-05-10 2019-07-26 成都理工大学 航空瞬变电磁数据和航空大地电磁数据联合反演方法
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
CN111126591A (zh) * 2019-10-11 2020-05-08 重庆大学 一种基于空间约束技术的大地电磁深度神经网络反演方法
CN113568055A (zh) * 2021-07-16 2021-10-29 北京大学 一种基于lstm网络的航空瞬变电磁数据反演方法
CN113568056A (zh) * 2021-07-16 2021-10-29 北京大学 一种基于卷积神经网络的航空瞬变电磁数据反演方法
CN113807020A (zh) * 2021-09-28 2021-12-17 成都理工大学 基于深度学习约束的大地电磁反演方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
王丹鹤: ""基于深度学习的大地电磁正反演研究"" *
王堃鹏 等: ""基于交叉梯度结构约束的大地电磁主轴各向异性并行三维反演"" *
谭代明 等: "专家系统在瞬变电磁反演中的应用" *
郭晨 等: ""基于三维有限差分方法的三分量感应测井正演模拟"" *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115618732A (zh) * 2022-10-24 2023-01-17 上海交通大学 核反应堆数字孪生关键参数自主优化数据反演方法
CN115619786A (zh) * 2022-12-19 2023-01-17 中国科学技术大学 磁场图像处理方法、装置
CN117371330A (zh) * 2023-10-30 2024-01-09 重庆大学 一种基于传统反演引导的大地电磁二维深度学习反演方法
CN118330759A (zh) * 2024-06-12 2024-07-12 西南交通大学 一种基于地空电磁的物数混合驱动反演方法

Also Published As

Publication number Publication date
CN114781254B (zh) 2023-04-18

Similar Documents

Publication Publication Date Title
CN114781254B (zh) 一种电磁法勘探反演模型的构建方法、装置及存储介质
Zheng et al. An automatic microseismic or acoustic emission arrival identification scheme with deep recurrent neural networks
Ilkhchi et al. A fuzzy logic approach for estimation of permeability and rock type from conventional well log data: an example from the Kangan reservoir in the Iran Offshore Gas Field
CN113568055B (zh) 一种基于lstm网络的航空瞬变电磁数据反演方法
CN113687433B (zh) 一种基于Bi-LSTM的大地电磁信号去噪方法及系统
CN108897042A (zh) 有机质含量地震预测方法及装置
Jian et al. Integration of deep neural networks and ensemble learning machines for missing well logs estimation
Liu et al. Supervised seismic facies analysis based on image segmentation
Akande et al. Investigating the effect of correlation-based feature selection on the performance of neural network in reservoir characterization
CN113240201A (zh) 一种基于gmm-dnn混合模型预测船舶主机功率方法
Song et al. Semi-supervised learning seismic inversion based on spatio-temporal sequence residual modeling neural network
Shimelevich et al. An algorithm for solving inverse geoelectrics problems based on the neural network approximation
Sheng et al. Arrival-time picking of microseismic events based on MSNet
Li et al. Digital construction of geophysical well logging curves using the LSTM deep-learning network
Ja’fari et al. Integration of ANFIS, NN and GA to determine core porosity and permeability from conventional well log data
CN117973201A (zh) 基于深度学习的大地电磁各向异性识别方法、设备和介质
Guo et al. GeoPDNN 1.0: a semi-supervised deep learning neural network using pseudo-labels for three-dimensional shallow strata modelling and uncertainty analysis in urban areas from borehole data
CN102928876A (zh) 基于脉冲耦合神经网络的地震属性融合方法
CN115598714A (zh) 基于时空耦合神经网络的探地雷达电磁波阻抗反演方法
Liu et al. Recurrent neural network for seismic reservoir characterization
Guo et al. The back propagation based on the modified group method of data-handling network for oilfield production forecasting
Shi et al. An ATEM 1D inversion based on K-Means clustering and MLP deep learning
Ren et al. BTRPP: A rapid PGA prediction model based on machine learning
Su et al. Seismic prediction of porosity in tight reservoirs based on transformer
CN112147679B (zh) 在模糊逻辑框架下基于弹性参数的岩性预测方法和装置

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