CN114882185A - 基于混合密度神经网络的断层不确定性形态建模方法 - Google Patents
基于混合密度神经网络的断层不确定性形态建模方法 Download PDFInfo
- Publication number
- CN114882185A CN114882185A CN202210487428.8A CN202210487428A CN114882185A CN 114882185 A CN114882185 A CN 114882185A CN 202210487428 A CN202210487428 A CN 202210487428A CN 114882185 A CN114882185 A CN 114882185A
- Authority
- CN
- China
- Prior art keywords
- fault
- random
- neural network
- mixed
- points
- 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
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 50
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000012549 training Methods 0.000 claims abstract description 11
- 230000000877 morphologic effect Effects 0.000 claims abstract description 5
- 238000001514 detection method Methods 0.000 claims description 45
- 238000009826 distribution Methods 0.000 claims description 23
- 238000005315 distribution function Methods 0.000 claims description 17
- 230000002146 bilateral effect Effects 0.000 claims description 14
- 239000011435 rock Substances 0.000 claims description 12
- 238000005070 sampling Methods 0.000 claims description 12
- 238000011160 research Methods 0.000 claims description 10
- 239000000203 mixture Substances 0.000 claims description 9
- 230000001186 cumulative effect Effects 0.000 claims description 7
- 238000000546 chi-square test Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 2
- 238000005192 partition Methods 0.000 claims 2
- 238000013499 data model Methods 0.000 abstract description 6
- 238000013076 uncertainty analysis Methods 0.000 abstract description 4
- 238000012216 screening Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 4
- 238000005553 drilling Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000011960 computer-aided design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/05—Geographic models
-
- 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
-
- 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
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computer Graphics (AREA)
- Remote Sensing (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开了一种基于混合密度神经网络的断层不确定性形态建模方法，通过先根据模糊数据进行随机建模，生成多个随机断层模型，再通过在断层模型的每一个断层带空间内部随机生成坐标点，来获得足够多的用于构建和训练混合密度神经网络的数据；通过混合密度神经网络在随机的模型中进行筛选和调整，从而确定符合断层的数据模型，再通过数据模型定量的生成目标的断层模型。解决了由于信息稀疏和模糊导致的断层模型不确定性的问题。本发明能够适用于断层规模大、延伸范围广，信息的稀疏和模糊的断层为地层、褶皱等大尺度地质构造的不确定性分析提供了重要参考。
Description
技术领域
本发明涉及岩土工程、水利工程、地下工程等场地条件的实体结构建模和分析领域，具体涉及一种基于混合密度神经网络的断层不确定性形态建模方法。
背景技术
水利水电工程区域地质体内一般会交错分布着一系列大尺度的结构面，主要体现为不同规模的复杂断层。断层是指岩层或岩体顺破裂面发生明显位移的地质构造，其往往受多期构造活动的影响，从而引发地层或岩体的复杂变形。断层建模一直是三维地质建模中的一个热点问题，准确的构建三维断层网络模型有助于对断层构造的定量分析以及后续地勘工作的开展。
在水利水电工程地质建模中，对于断层的最常用的处理方式是确定性的建模：通过综合利用地震剖面、钻孔、平硐、地表出露线等多源数据，结合专家推理，手动构建出断层的三维形态。从这一角度出发，目前已提出了一系列先进的解决方案，其发展程度较为成熟。
确定性的建模方式逻辑清晰、灵活且相对易于实现，却不利于断层的不确定性研究。因此，开始考虑如何将不确定性因素纳入建模分析。
发明内容
基于此，本发明提出了一种基于混合密度神经网络的断层不确定性形态建模方法，有效解决了断层规模大、延伸范围广，信息的稀疏和模糊导致的不确定性的问题，为地层、褶皱等大尺度地质构造的不确定性分析提供了重要参考。
根据本发明的一个方面，一种基于混合密度神经网络的断层不确定性形态建模方法，包括：
通过将地层或岩体的断层图形投影至三维空间，得到被展布到三维空间的数据；
根据地层或岩体断层的模糊勘察信息与上述的被展布到三维空间的数据，生成多个随机断层模型；
确定研究区域，根据上述断层的走向，将上述研究区域表面与上述断层走向一致的面作为观测面；
在上述观测面上生成与观测面一致的包含横纵空间维度的坐标轴，构建通过输入横纵空间维度，输出得到观测面垂直维度上的概率密度函数的混合密度神经网络；
在上述观测面上设置多个关键点，将上述关键点的横纵空间维度输入至上述混合密度神经网络，获得包括多个概率密度函数的混合高斯模型；
设定概率值，通过上述概率密度函数计算出混合累计概率分布函数，通过上述混合累计概率分布函数和上述概率值计算第二双侧分位点，根据上述第二双侧分位点定量拟合生成目标断层模型。
根据本发明的实施例，其中，上述断层图形包括钻孔点位数据、物探剖面线数和断层迹线。
根据本发明的实施例，其中，上述模糊勘察信息包括断层产状数据以及断层延伸范围。
根据本发明的实施例，上述混合密度神经网络还包括，输入横纵空间维度，输出获得混合高斯分布函数；
根据积分原理获得上述高斯混合分布函数的第一双侧分位点；
根据上述双侧分位点对上述高斯混合分布函数进行截断纠偏，获得上述概率密度函数。
根据本发明的实施例，还包括：检验上述混合密度神经网络的有效性，上述有效性的检测方法包括：
以每个上述关键点为源生成垂直于上述观测面且指向上述断层带的检测线；
多次生成随机的上述断层带，并针对于每条上述检测线，在上述断层带内进行坐标点采样，获得随机检测点；
利用卡方检验，检测通过上述混合密度网络计算出的每条上述检测线所对应的概率密度函数与上述随机检测点的分布是否一致；
若每条上述检测线所对应的上述概率密度函数皆与上述随机检测点的分布一致，则确定上述混合密度神经网络有效。
根据本发明的实施例，其中，上述随机断层模型的生成方法包括：
对上述断层的倾向和倾角进行随机采样，得到包含上述断层的随机倾向和倾角的随机产状数据；
对上述断层的宽度进行随机采样，得到上述断层的随机宽度；
根据随机宽度移动断层面确定上述断层的边界，上述边界内所定义的空间即为上述随机断层模型。
根据本发明的实施例，其中，上述断层面通过根据模糊勘察信息将上述断层的出露线拉伸成面得到。
根据本发明的实施例，其中，上述混合密度神经网络可采用全连接，或加入卷积、残差模块的方式搭建。
根据本发明的实施例，其中，上述关键点的设置方式包括：
在上述观测面上均匀划分网格，将上述网格的交点作为关键点。
根据本发明的实施例，其中，上述混合密度神经网络的训练方法，包括：
在上述观测面内生成随机点，以上述随机点为源生成垂直于上述观测面且与贯穿上述断层带的随机测线；
在上述随机测线与上述断层带的交点之间生成随机坐标点，即随机内点；
将上述随机内点的横纵空间维度输入至上述混合密度神经网络，进行训练；
利用上述有效性的检测方法对上述混合密度神经网络进行验证，并根据验证结果调整上述混合密度神经网络，直至上述混合密度神经网络在每一条检测线上计算出的分布与上述随机检测点的分布一致。
从上述技术方案可以看出，本发明提供的基于混合密度神经网络的断层不确定性形态建模方法具有以下有益效果：
本发明公开了一种能够感知大尺度断层形态，并进行不确定性建模的方法。通过先根据模糊数据进行随机建模，生成多个随机断层模型，再通过在断层模型的每一个断层带空间内部随机生成坐标点；来获得足够多的用于构建和训练混合密度神经网络的数据，通过混合密度神经网络在随机的模型中进行筛选和调整，从而确定符合断层的数据模型，再通过数据模型定量的生成目标的断层模型。解决了由于信息稀疏和模糊导致的断层模型不确定性的问题。本发明能够适用于断层规模大、延伸范围广，信息的稀疏和模糊的断层为地层、褶皱等大尺度地质构造的不确定性分析提供了重要参考。
附图说明
图1为本发明实施例的随机断层建模与内点随机采样流程图；
图2为本发明实施例的MDN混合密度层纠偏示意图；
图3为本发明实施例的关键点与关键测线示例图；
图4为本发明实施例的混合密度的第二双侧分位点示意图；
图5为本发明实施例的0.85置信度下的随机断层带模型。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明作进一步的详细说明。
在对断层的不确定研究中，可以通过随机模拟，在参数或结构的随机扰动的基础上对断层进行重复建模，最终结合统计学方法实现其不确定性的衡量。
断层的不确定性建模方法可分为两类：第一类是基准模型扰动法，需要先将模型之间的基本的拓扑结构或大致的形态确定，再通过扰动模型的边界或一些参数，从而生成随机模型；第二类方法是完全随机法，在这类方法中，不仅需要对模型中的关键参数进行扰动，同时还要改变断层网络之间的拓扑形态。
结合水工岩体的特点，断层的不确定性建模方法这一类方法中目前存在的两个主要问题包括：不确定性程度的衡量问题和复杂断层网络的表示方法问题。结构面的不确定性建模与分析是地质研究中的重点，但目前的诸多分析方法尚存在着一定的局限性，尤其是对于大尺度结构面的不确定性研究。
在实现本发明的过程中发现，由于断层规模大、延伸范围广，信息的稀疏和模糊是导致断层模型不确定性较为主要的原因。
根据本发明一方面总体上的发明构思，提供了一种基于混合密度神经网络的断层不确定性形态建模方法，包括：
步骤一：通过将地层或岩体的断层图形投影至三维空间，得到被展布到三维空间的数据；
步骤二：根据地层或岩体断层的模糊勘察信息与的被展布到三维空间的数据，生成多个随机断层模型；
步骤三：确定研究区域，根据断层的走向，将研究区域表面与断层走向一致的面作为观测面；
步骤四：在观测面上生成与观测面一致的包含横纵空间维度的坐标轴，构建通过输入横纵空间维度，输出得到观测面垂直维度上的概率密度函数的混合密度神经网络；
步骤五：在观测面上设置多个关键点，将关键点的横纵空间维度输入至混合密度神经网络，获得包括多个概率密度函数的混合高斯模型；
步骤六：设定概率值，通过概率密度函数计算出混合累计概率分布函数，通过混合累计概率分布函数和概率值计算第二双侧分位点，根据第二双侧分位点定量拟合生成目标断层模型。
通过本发明的实施例，提供了一种能够感知大尺度断层形态，并进行不确定性建模的方法。通过先根据模糊数据进行随机建模，生成多个随机断层模型，再通过在断层模型的每一个断层带空间内部随机生成坐标点；来获得足够多的用于构建和训练混合密度神经网络的数据，通过混合密度神经网络在随机的模型中进行筛选和调整，从而确定符合断层的数据模型，再通过数据模型定量的生成目标的断层模型。解决了由于信息稀疏和模糊导致的断层模型不确定性的问题。本发明能够适用于断层规模大、延伸范围广，信息的稀疏和模糊的断层为地层、褶皱等大尺度地质构造的不确定性分析提供了重要参考。
根据本发明的实施例，步骤一具体包括：
获得剖面线数或断层迹线参数等二维数据，二维数据可以直接以二维方式记录在二维的绘图文件中，例如CAD文件中；
获得包括钻孔点位数据等三维数据，可以直接在在三维建模软件直接绘制；
将二维数据，需根据等高线、DEM等数据将其投影至三维空间，再展示在三维建模软件中。
根据本发明的实施例，步骤一中，断层图形包括钻孔点位数据、物探剖面线数和断层迹线。
物探剖面线数可以通过物探的方法获得；断层迹线则通过野外勘察中采集得到。
根据本发明的实施例，步骤一中，模糊勘察数据包括断层产状数据以及断层延伸范围。
图1为本发明实施例的随机断层建模与内点随机采样流程图。
其中，图1中(a)为二维断层出露线；
图1中(b)为三维断层出露线。
例如，获取断层的二维出露线将其投影至三维软件中，如图1中(a)-图1中(b)所示，图1中(a)为原始二维断层出露线F1-F4，图1中(b)为将F1-F4根据等高线、DEM等数据将其投影至三维空间后得到的三维断层出露线。
根据本发明的实施例，步骤二具体包括：
影响断层模型不确定性的最主要的因素源于对断层信息的模糊描述。根据这些描述对断层进行随机建模，可生成一系列随机断层模型。
根据本发明的实施例，步骤二中，断层面通过根据模糊勘察信息将断层的出露线拉伸成面得到。
根据本发明的实施例，步骤二中，断层带的生成方法包括：
对断层的倾向和倾角进行随机采样，得到包含断层的随机倾向和倾角的随机产状数据；
对断层的宽度进行随机采样，得到断层的随机宽度；
根据随机宽度移动断层面确定所述断层的边界，所述边界内所定义的空间即为所述随机断层模型。
其中，图1中(c)为F1随机断层带；
图1中(d)为断层网络研究区域与F1断层的观测面。
例如，如图1中(c)-图1中(d)所示，对于一条倾向为N52°～70°E，倾角65°～70°的断层，可先假设这两个参数在区间内服从某一中分布(如均匀分布)，并对这两个参数进行随机采样。根据随机生成的产状数据(走向倾斜倾角)将断层的出露线拉伸成面，即可生成一个断层面。
之后，对断层的宽度进行随机采样，假设采样结果为D。沿断层面的倾向和“负倾向”(与倾向呈180°的方位)分别移动D/2的距离，可确定出该断层带的两条边界，并可据此生成一个有厚度的随机断层带。如果勘察资料中还包含其他钻孔点位等数据，可在上述基础上对模型的形态进行相应的约束，从而减小模型的随机性。
断层的倾向表示为断层面上与走向线相垂直的线叫倾斜线或真倾斜线,它在水平面上的投影所指的沿平面向下倾斜的方位。
断层的倾角表示在垂直断层面走向的直立剖面上该层面与水平面间的夹角。岩层层面上的真倾斜线与其在水平面上投影线的夹角叫倾角。
根据本发明的实施例，步骤四具体包括：
如图1中(d)所示，确定出能容下研究区域的最小长方体，根据断层的走向，确定断层的观测面。
断层的走向表示岩层在地面上的延伸方向。断层面与水平面的交线叫走向线,走向线的延伸方向即为断层的走向。
根据本发明的实施例，步骤四中，如果断层的走向接近于东西方向，则以XZ为观测面；如果走向更接近南北走向，则以YZ为观测面。
这样做的目的是使观测范围尽可能大，有利于提升混合密度神经网络模型的性能，同时也可以提高算法的运算速度。图中1(d)所示为东西向断层F1的观测面。
根据本发明的实施例，步骤四中，混合密度神经网络还包括，输入横纵空间维度，输出获得混合高斯分布函数；
根据积分原理获得高斯混合分布函数的第一双侧分位点；
根据第一双侧分位点对高斯混合分布函数进行截断纠偏，获得概率密度函数。
根据本发明的实施例，步骤四中，搭建的混合密度神经网络(MDN)输入为两个维度，即观测面的两个空间维度；输出值为一个维度，即空间上与观测面垂直的维度。
图2为本发明实施例的MDN混合密度层纠偏示意图。
其中，图2中(a)为纠偏前的概率密度函数；
图2中(b)为纠偏后的概率密度函数。
例如，如图2所示，根据本发明的实施例，步骤五具体的为：
输入为(X，Z)，输入为Y。模型的神经网络部分可采用常规的全连接方式搭建，也可根据数据的复杂程度与数据量的大小适当加入卷积、残差等模块提高性能。超参数的设置原则也与常规的神经网络设计原则一致。模型的混合密度部分采用混合高斯函数。
根据本发明的实施例，由于高斯分布的取值范围是(-∞，+∞)，其最终有可能输出较为极端的结果，可能过大或过小。为了避免特殊情况的出现，提出对混合密度网络输出结果进行截断纠偏：由于混合高斯分布函数是可以显示表达的，可根据积分原理求出其任意的分位数，因此规定取混合分布的双侧α(取0.99)分位数为临界如式(1)所示：
P{|T|≥tα/2}＝α (1)
对于α双侧分位点以外的值予以截断，即当MDN输出值不符合该条件时，舍弃该值并重新计算，如图2中(a)所示。概率密度函数在其全部取值范围内的积分和为1，但是纠偏后变成了0.99。因此，将被截断后的概率分布同时扩大100/99的倍数，以保证最终的积分和为1，如图2中(b)所示。
根据本发明的实施例，步骤五中，混合密度神经网络可采用全连接，或加入卷积、残差模块的方式搭建。
根据本发明的实施例，步骤五中还包括，混合密度神经网络的训练方法，包括：
S1：在观测面内生成随机点，以随机点为源生成垂直于观测面且与贯穿断层带的随机测线；
S2：在随机测线与断层带的交点之间生成随机内点；
S3：将随机内点的横纵空间维度输入至混合密度神经网络进行训练；
S4：利用卡方检验，获得每条检测线所对应的高斯训练函数与随机检测点的分布情况，根据分布情况调整训练混合密度神经网络，直至混合密度网络在每一条检验线上计算出的分布与所述随机检测点的分布一致。
根据本发明的实施例，S1-S2具体包括：
在观测面内随机生成点，并以这些点为源生成垂直于观测面且指向断层带的测线，并保证这些测线的长度在俯视图中均能穿过该断层；
区分出与断层带相交的“有效线”以及不与断层带相交的“无效线”，如图1中(e)所示，图1中(e)为F1断层的随机测线；
计算每一条有效线与断层带两个边界面的交点，并在这两个交点之间的线段上以一定概率分布生成随机点(如均匀分布或正态分布)，即断层带的随机内点，如图1(f)所示，图1中(f)为F1断层的随机内点。
以随机点为源生成垂直于观测面且与贯穿断层带的检测线。
图3为本发明实施例的关键点与检测线示例图。
图3中(a)为测平面与关键点的设置图；
图3中(b)为关键点形成的断层的第一测线。
例如，如图3所示，根据本发明的实施例，步骤五具体的为：
在测平面上设置一定数量的关键点，如图3中(a)所示，将测平面划分成了8×8的网格，并将网格的交点作为关键点；
如图3中(b)所示，以每个关键点为源生成垂直于测平面且指向断层带的第一测线。
根据本发明的实施例，步骤五中还包括：检验混合密度神经网络的有效性，有效性的检测方法包括：
步骤(1)以每个关键点为源生成垂直于观测面且指向断层带的检测线；
步骤(2)多次生成随机的断层带，并针对于每条检测线，在断层带内进行坐标点采样，获得随机检测点；
步骤(3)利用卡方检验，检测每条检测线所对应的概率密度函数与随机检测点的分布是否一致；
步骤(4)若每条检测线所对应的概率密度函数皆与随机检测点的分布一致，则确定混合密度神经网络有效。
根据本发明的实施例，步骤(3)具体的为：
将每一条检测线的两个空间分量(如X和Z)输入已训练好的MDN模型，得出一组混合高斯模型。
利用卡方检验，检测每一条检测线所对应的混合高斯分布与随机检测点的分布，当所有的检测线都能通过检验时，证明模型是有效的。卡方检验的公式如式(2)所示：
式中，Oi为实际观察频次，对应的是随机检测点直方图的频次；Ei为理论值，可根据MDN的输出计算而得。
根据本发明的实施例，步骤六中，关键点的设置方式包括：
在观测面上均匀划分网格，将网格的交点作为关键点。
图4为本发明实施例的混合密度的第二双侧分位点示意图。
根据本发明的实施例，步骤六具体的为：
设定概率值a；
在将测平面上的点输入到MDN后，MDN将输出一组混合参数，这组参数构成的概率分布基本该点出Y值(偏东西走向的断层)或X值(偏南北向的断层)的取值的可能性；
根据混合概率分布计算出混合累计概率分布函数，如式(3)所示：
式中t代表Y值或X值。
根据式(3)找到t值的双侧α分位点，当设定的概率为0.85时，双侧分位点分别为t0.075和t0.925，如图4所示，该两个分位点即为此处断层模型两个边界的取值。依据上述过程生成每个网格点所对应的断层模型的两个边界点，在分别对两个边界拟合成面，即可生成最终定量化的断层带模型，如图5所示。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于混合密度神经网络的断层不确定性形态建模方法，包括：
通过将地层或岩体的断层图形投影至三维空间，得到被展布到三维空间的数据；
根据地层或岩体断层的模糊勘察信息与所述的被展布到三维空间的数据，生成多个随机断层模型；
确定研究区域，根据所述断层的走向，将所述研究区域表面与所述断层走向一致的面作为观测面；
在所述观测面上生成与观测面一致的包含横纵空间维度的坐标轴，构建通过输入横纵空间维度，输出得到观测面垂直维度上的概率密度函数的混合密度神经网络；
在所述观测面上设置多个关键点，将所述关键点的横纵空间维度输入至所述混合密度神经网络，获得包括多个概率密度函数的混合高斯模型；
设定概率值，通过所述概率密度函数计算出混合累计概率分布函数，通过所述混合累计概率分布函数和所述概率值计算第二双侧分位点，根据所述第二双侧分位点定量拟合生成目标断层模型。
2.根据权利要求1所述的建模方法，其中，所述断层图形包括钻孔点位数据、物探剖面线数和断层迹线。
3.根据权利要求1所述的建模方法，其中，所述模糊勘察信息包括断层产状数据以及断层延伸范围。
4.根据权利要求1所述的建模方法，所述混合密度神经网络还包括，输入横纵空间维度，输出获得混合高斯分布函数；
根据积分原理获得所述高斯混合分布函数的第一双侧分位点；
根据所述双侧分位点对所述高斯混合分布函数进行截断纠偏，获得所述概率密度函数。
5.根据权利要求1所述的建模方法，还包括：检验所述混合密度神经网络的有效性，所述有效性的检测方法包括：
以每个所述关键点为源生成垂直于所述观测面的检测线；
多次生成随机的断层带，并针对于每条所述检测线，在所述断层带内进行坐标点采样，获得随机检测点；
利用卡方检验，检测通过所述混合密度网络计算出的每条所述检测线所对应的概率密度函数与所述随机检测点的分布是否一致；
若每条所述检测线所对应的所述概率密度函数皆与所述随机检测点的分布一致，则确定所述混合密度神经网络有效。
6.根据权利要求1所述的建模方法，其中，所述随机断层模型的生成方法包括：
对所述断层的倾向和倾角进行随机采样，得到包含所述断层的随机倾向和倾角的随机产状数据；
对所述断层的宽度进行随机采样，得到所述断层的随机宽度；
根据随机宽度移动断层面确定所述断层的边界，所述边界内所定义的空间即为所述随机断层模型。
7.根据权利要求6所述的建模方法，其中，所述断层面通过根据模糊勘察信息将所述断层的出露线拉伸成面得到。
8.根据权利要求1所述的建模方法，其中，所述混合密度神经网络可采用全连接，或加入卷积、残差模块的方式搭建。
9.根据权利要求1所述的建模方法，其中，所述关键点的设置方式包括：
在所述观测面上均匀划分网格，将所述网格的交点作为关键点。
10.根据权利要求5所述的建模方法，其中，所述混合密度神经网络的训练方法，包括：
在所述观测面内生成随机点，以所述随机点为源生成垂直于所述观测面且与贯穿所述断层带的随机测线；
在所述随机测线与所述断层带的交点之间生成随机坐标点，即随机内点；
将所述随机内点的横纵空间维度输入至所述混合密度神经网络，进行训练；
利用所述有效性的检测方法对所述混合密度神经网络进行验证，并根据验证结果调整所述混合密度神经网络，直至所述混合密度神经网络在每一条检测线上计算出的分布与所述随机检测点的分布一致。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210487428.8A CN114882185B (zh) | 2022-05-06 | 2022-05-06 | 基于混合密度神经网络的断层不确定性形态建模方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210487428.8A CN114882185B (zh) | 2022-05-06 | 2022-05-06 | 基于混合密度神经网络的断层不确定性形态建模方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114882185A true CN114882185A (zh) | 2022-08-09 |
| CN114882185B CN114882185B (zh) | 2024-05-31 |
Family
ID=82672974
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210487428.8A Active CN114882185B (zh) | 2022-05-06 | 2022-05-06 | 基于混合密度神经网络的断层不确定性形态建模方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114882185B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103514630A (zh) * | 2013-10-16 | 2014-01-15 | 北京石油化工学院 | 断层构造三维建模方法 |
| CN109035411A (zh) * | 2018-07-30 | 2018-12-18 | 中国石油化工股份有限公司 | 基于正演模拟的三维地层角点网格体元建模方法 |
| US20200104341A1 (en) * | 2018-10-01 | 2020-04-02 | International Business Machines Corporation | Performing uncertainty quantification analysis with efficient two dimensional random fields |
| CN111968227A (zh) * | 2020-06-02 | 2020-11-20 | 中南大学 | 三维地质断层网络不确定性分析方法、系统及存储介质 |
| CN112327903A (zh) * | 2020-09-15 | 2021-02-05 | 南京航空航天大学 | 一种基于深度混合密度网络的航空器轨迹生成方法 |
| US20210110264A1 (en) * | 2020-12-21 | 2021-04-15 | Intel Corporation | Methods and apparatus to facilitate efficient knowledge sharing among neural networks |
-
2022
- 2022-05-06 CN CN202210487428.8A patent/CN114882185B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103514630A (zh) * | 2013-10-16 | 2014-01-15 | 北京石油化工学院 | 断层构造三维建模方法 |
| CN109035411A (zh) * | 2018-07-30 | 2018-12-18 | 中国石油化工股份有限公司 | 基于正演模拟的三维地层角点网格体元建模方法 |
| US20200104341A1 (en) * | 2018-10-01 | 2020-04-02 | International Business Machines Corporation | Performing uncertainty quantification analysis with efficient two dimensional random fields |
| CN111968227A (zh) * | 2020-06-02 | 2020-11-20 | 中南大学 | 三维地质断层网络不确定性分析方法、系统及存储介质 |
| CN112327903A (zh) * | 2020-09-15 | 2021-02-05 | 南京航空航天大学 | 一种基于深度混合密度网络的航空器轨迹生成方法 |
| US20210110264A1 (en) * | 2020-12-21 | 2021-04-15 | Intel Corporation | Methods and apparatus to facilitate efficient knowledge sharing among neural networks |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114882185B (zh) | 2024-05-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Dong et al. | Collaborative localization method using analytical and iterative solutions for microseismic/acoustic emission sources in the rockmass structure for underground mining | |
| CN102609986B (zh) | 数字矿山中矿体建模系统及其建模和检测方法 | |
| Meyer et al. | Geologic stochastic modeling and connectivity assessment of fracture systems in the Boston area | |
| Zhang | Advances in three-dimensional block cutting analysis and its applications | |
| CN112035939B (zh) | 一种双侧壁导坑隧道的岩土体参数随机场建模方法 | |
| CN114943178A (zh) | 一种三维地质模型建模方法、装置及计算机设备 | |
| M. Tóth et al. | Relationship between the geometric parameters of rock fractures, the size of percolation clusters and REV | |
| CN110609321A (zh) | 一种基于速度模型数据库的微震源定位方法 | |
| CN113689559A (zh) | 提高地质三维模型内容表达精度的网格状图切地质剖面布线方法 | |
| CN110850057B (zh) | 一种基于自相似性理论的储层裂缝建模方法及系统 | |
| CN107045141B (zh) | 基于反时到时差数据库的微地震/地震震源快速定位方法 | |
| Li et al. | Uncertainty visualisation of a 3D geological geometry model and its application in GIS-based mineral resource assessment: a case study in Huayuan District, Northwestern Hunan Province, China | |
| Han et al. | Deep learning–based stochastic modelling and uncertainty analysis of fault networks | |
| CN113221228A (zh) | 水电站地下洞群围岩力学参数反演方法 | |
| CN114882185B (zh) | 基于混合密度神经网络的断层不确定性形态建模方法 | |
| Goeury et al. | Finding good solutions to telemac optimization problems with a metaheuristic | |
| Chen et al. | Probabilistic back analysis for geotechnical engineering based on Bayesian and support vector machine | |
| CN109933921B (zh) | 一种滚石灾害风险评估方法、装置、系统及存储介质 | |
| CN114398696A (zh) | 一种碱性花岗型铀矿床三维精细建模方法 | |
| Mushayandebvu et al. | Subsurface geometry of the Revell Batholith by constrained geophysical modelling, NW Ontario, Canada | |
| CN108132486A (zh) | 一种重磁梯度与地震数据联合界面反演的优化模拟退火法 | |
| CN112346115A (zh) | 地下硐室群含空洞、复杂岩体波速环境下的微震震源定位方法 | |
| CN112211646B (zh) | 一种适合隧道工程岩体结构精细化重构的方法及系统 | |
| RU2815465C1 (ru) | Система полудетерминированного моделирования трещиноватости на основе беспорядочной матрицы | |
| CN113808265B (zh) | 大尺度区域三维地质模型建模剖面的构建方法 |
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 |