CN115166839A - 基于深度学习分类的大地电磁测深法功率谱智能挑选方法 - Google Patents
基于深度学习分类的大地电磁测深法功率谱智能挑选方法 Download PDFInfo
- Publication number
- CN115166839A CN115166839A CN202210561666.9A CN202210561666A CN115166839A CN 115166839 A CN115166839 A CN 115166839A CN 202210561666 A CN202210561666 A CN 202210561666A CN 115166839 A CN115166839 A CN 115166839A
- Authority
- CN
- China
- Prior art keywords
- power spectrum
- phase
- deep learning
- rhoplus
- apparent resistivity
- 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
Links
Images
Classifications
-
- 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
- G01V3/38—Processing data, e.g. for analysis, for interpretation, for correction
-
- 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
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Environmental & Geological Engineering (AREA)
- Geology (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Geophysics (AREA)
- Measuring Magnetic Variables (AREA)
Abstract
本发明公开了基于深度学习分类的大地电磁测深法功率谱智能挑选方法,具体包括以下步骤:S1:对野外采集到的MT电场和磁场时间序列数据进行分段,计算每段时间序列的功率谱,获取MT子功率谱;S2:对所有MT子功率谱和全叠加后的总功率谱分别进行阻抗估计,分别计算得到视电阻率和相位;S3:利用全叠加后的视电阻率和相位进行Rhoplus反演,计算反演得到的电阻率和相位与子功率谱的视电阻率和相位之间的拟合差。本发明公开的基于深度学习分类的大地电磁测深法功率谱智能挑选方法具有在MT实测数据处理中可以极大节省人力成本,可以避免人工挑选功率谱的不确定性和随机性,有效抑制噪声对MT资料阻抗估计的影响效果。
Description
技术领域
本发明涉及地球物理勘探与应用技术领域,尤其涉及基于深度学习分类的大地电磁测深法功率谱智能挑选方法。
背景技术
大地电磁测深法(Magnetotelluric,简称MT)是一种利用天然场源的电磁勘探方法,天然场信号不稳定,不规则,信号弱易受电磁信号干扰。为了减少电磁噪声干扰影响,大地电磁数据处理需经一系列数据处理手段得到后续反演所需的阻抗、视电阻、相位、倾子等参,其中核心是大地电磁功率谱计算和张量阻抗元素估算。
为了压制噪声,常对大地电磁时间序列进行分段,计算获取多个功率谱,然后人机交互完成功率谱的挑选,这一过程费时费力,严重依赖个人经验,具有很大的随机性。
发明内容
本发明公开基于深度学习分类的大地电磁测深法功率谱智能挑选方法,旨在解决背景技术中提出的为了压制噪声,常对大地电磁时间序列进行分段,计算获取多个功率谱,然后人机交互完成功率谱的挑选,这一过程费时费力,严重依赖个人经验,具有很大的随机性的技术问题。
为了实现上述目的,本发明采用了如下技术方案:
基于深度学习分类的大地电磁测深法功率谱智能挑选方法,具体包括以下步骤:
S1:对野外采集到的MT电场和磁场时间序列数据进行分段,计算每段时间序列的功率谱,获取MT子功率谱;
S2:对所有MT子功率谱和全叠加后的总功率谱分别进行阻抗估计,分别计算得到视电阻率和相位;
S3:利用全叠加后的视电阻率和相位进行Rhoplus反演,计算反演得到的电阻率和相位与子功率谱的视电阻率和相位之间的拟合差;
S4:经数据归一化后进行深度神经网络分类;
S5:分类后选中功率谱的叠加谱进行阻抗估计计算视电阻率和相位;
S6:将选中功率谱计算得到的视电阻率和相位再次进行Rhoplus 反演计算拟合误差是否满足要求;
S7:当满足要求时则保存分类结果,反之不满足要求时则计算上一次分类选中功率谱的视电阻率和相位与反演之间的拟合差再次深度神经网络分类,直到拟合误差满足要求。
S8:输出智能挑选后的大地电磁标准格式功率谱EDI文件;
基于Rhoplus校正和深度学习分类的大地电磁测深法功率谱智能挑选结果相比功率谱全叠加结果可以有效改善实测MT数据质量。对比人工资料筛选结果分析认为深度神经网络分类可以避免人工挑选功率谱的不确定性和有效抑制噪声对阻抗估计的影响,超过人工手动编辑结果。
在一个优选的方案中,所述Rhoplus反演为反演视电阻率和相位参数的Rhoplus方法,且Rhoplus方法与常规最小二乘迭代拟合反演方法不同,Rhoplus方法通过构造物理有效的理想地电模型来进行观测数据的最优拟合,利用最优化方法获得稳定的数值解,所述Rhoplus 方法具体包括以下计算步骤:
在大地电磁法中,利用地表的电场和磁场分量,定义参数c(ω):
c(ω)=E(ω)/iωB(ω)
其中ω为圆频率,E(ω)、B(ω)分别为电场和磁场分量的频谱;视电阻率ρs(ω)和相位Φ(ω)与参数c(ω)之间存在下面的关系:
ρS(ω)=μ0ω|c(ω)|2
c(ω)和ρs(ω)、Φ(ω)之间的关系进一步整理为:
对于一维地电断面,c(ω)可以表达成下面的积分形式:
其中a0、λ,a(λ)为实数,且λ≥0,a(λ)≥0;将积分表达式离散化, 上式变为:
对于二维地电断面,由TM模式对应的电场、磁场分量所定义的参数c(ω)具有与一维地电断面对应的上述表达形式,所述Rhoplus方法最终为下面的分表达式:
其中ω=ivn是c(ω)的解;
积分式的右边可以看成是由一系列δ函数组成的数学模型对应的响应,这就表明,对于一维地电断面和二维地电断面的TM模式,其大地电磁响应视电阻率ρs和相位总存在1个由一系列δ函数组成的数学模型与之相对应。
在一个优选的方案中,所述S4步骤中,深度学习分类包括有 Logistic回归算法,且Logistic回归算法用来研究预测值y和样本 x各个维度的的非线性叠加关系,所述Logistic回归算法包括有 Logistic回归模型,且Logistic回归模型公式为
经过人工资料筛选的MT数据作为样本的训练集来训练分类模型,未进行编辑的MT数据样本作为测试集,视电阻率和相位与所述 RhoPlus反演的拟合差数据,经过归一化处理后作为网络的输入,深度神经网络可以提取数据特征,Logistic回归算法通过非线性的Sigmiod激活函数可以模仿生物神经科学中神经元信号传递的逻辑处理,将输入的重要特征进行分类。
由上可知,基于深度学习分类的大地电磁测深法功率谱智能挑选方法,具体包括以下步骤:
S1:对野外采集到的MT电场和磁场时间序列数据进行分段,计算每段时间序列的功率谱,获取MT子功率谱;
S2:对所有MT子功率谱和全叠加后的总功率谱分别进行阻抗估计,分别计算得到视电阻率和相位;
S3:利用全叠加后的视电阻率和相位进行Rhoplus反演,计算反演得到的电阻率和相位与子功率谱的视电阻率和相位之间的拟合差;
S4:经数据归一化后进行深度神经网络分类;
S5:分类后选中功率谱的叠加谱进行阻抗估计计算视电阻率和相位;
S6:将选中功率谱计算得到的视电阻率和相位再次进行Rhoplus 反演计算拟合误差是否满足要求;
S7:当满足要求时则保存分类结果,反之不满足要求时则计算上一次分类选中功率谱的视电阻率和相位与反演之间的拟合差再次深度神经网络分类,直到拟合误差满足要求。
S8:输出智能挑选后的大地电磁标准格式功率谱EDI文件。本发明提供的基于深度学习分类的大地电磁测深法功率谱智能挑选方法具有传统MT资料预处理的功率谱挑选方法是对分段后时间序列的子功率谱进行人工挑选后再叠加,虽然提升了整体数据质量,但费时费力,而且严重依赖个人经验,具有很大的随机性。针对MT功率谱阻抗估计特点,提出了基于Rhoplus校正的大地电磁测深法功率谱挑选深度学习分类方法。本发明在MT实测数据处理中可以极大节省人力成本,可以避免人工挑选功率谱的不确定性和随机性,有效抑制噪声对MT资料阻抗估计的影响的技术效果。
附图说明
图1为本发明提出的基于深度学习分类的大地电磁测深法功率谱智能挑选方法的整体流程图。
图2为本发明提出的基于深度学习分类的大地电磁测深法功率谱智能挑选方法的资料不同处理方法均方根误差对比表。
图3为本发明提出的基于深度学习分类的大地电磁测深法功率谱智能挑选方法的MT数据经过深度学习分类前后对比图。
图4为本发明提出的基于深度学习分类的大地电磁测深法功率谱智能挑选方法的深度神经网络分类和人工资料筛选结果对比图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。
本发明公开的基于深度学习分类的大地电磁测深法功率谱智能挑选方法主要应用于解决MT资料处理中人工挑选功率谱费时费力、主观性和随机性强的场景。
为了减少电磁干扰对大地电磁资料阻抗张量估计的影响,解决MT 资料处理中人工挑选功率谱费时费力,主观性和随机性的问题,提出了一种基于深度学习分类的大地电磁测深法功率谱智能挑选方法,该方法通过计算分段后MT时间序列的子功率谱全叠加阻抗估计结果与 Rhoplus反演的差值,利用深度神经网络剔除严重偏离Rhoplus反演结果的子功率谱,再对叠加后的功率谱重新阻抗估计,计算挑选后与 Rhoplus反演的拟合误差重复以上过程最后寻找最佳的功率谱组合。
参照图1,基于深度学习分类的大地电磁测深法功率谱智能挑选方法,具体包括以下步骤:
S1:对野外采集到的MT电场和磁场时间序列数据进行分段,计算每段时间序列的功率谱,获取MT子功率谱;
S2:对所有MT子功率谱和全叠加后的总功率谱分别进行阻抗估计,分别计算得到视电阻率和相位;
S3:利用全叠加后的视电阻率和相位进行Rhoplus反演,计算反演得到的电阻率和相位与子功率谱的视电阻率和相位之间的拟合差;
S4:经数据归一化后进行深度神经网络分类;
S5:分类后选中功率谱的叠加谱进行阻抗估计计算视电阻率和相位;
S6:将选中功率谱计算得到的视电阻率和相位再次进行Rhoplus 反演计算拟合误差是否满足要求;
S7:当满足要求时则保存分类结果,反之不满足要求时则计算上一次分类选中功率谱的视电阻率和相位与反演之间的拟合差再次深度神经网络分类,直到拟合误差满足要求。
S8:输出智能挑选后的大地电磁标准格式功率谱EDI文件;
基于Rhoplus校正和深度学习分类的大地电磁测深法功率谱智能挑选结果相比功率谱全叠加结果可以有效改善实测MT数据质量。对比人工资料筛选结果分析认为深度神经网络分类可以避免人工挑选功率谱的不确定性和有效抑制噪声对阻抗估计的影响,超过人工手动编辑结果。
参照图3,图3为MT数据经过深度学习分类前后对比图,深度学习分类能够有效改善MT数据在“死频带”的质量,明显优于功率谱全叠加阻抗估计,有效减少噪声对阻抗估计得影响。
在一个优选的实施方式中,Rhoplus反演为反演视电阻率和相位参数的Rhoplus方法,且Rhoplus方法与常规最小二乘迭代拟合反演方法不同,Rhoplus方法通过构造物理有效的理想地电模型来进行观测数据的最优拟合,利用最优化方法获得稳定的数值解;
由于Rhoplus方法考虑了阻抗视电阻率、相位数据的关联性以及数据在频率域的连续性,并具有完整的理论基础与明确的物理背景,为检测大地电磁测深曲线畸变程度并为研究畸变曲线校正方法提供了重要的理论基础。
在一个优选的实施方式中,Rhoplus方法具体包括以下计算步骤:
在大地电磁法中,利用地表的电场和磁场分量,定义参数c(ω):
c(ω)=E(ω)/iωB(ω)
其中ω为圆频率,E(ω)、B(ω)分别为电场和磁场分量的频谱;视电阻率ρs(ω)和相位Φ(ω)与参数c(ω)之间存在下面的关系:
ρS(ω)=μ0ω|c(ω)|2
c(ω)和ρs(ω)、Φ(ω)之间的关系进一步整理为:
在一个优选的实施方式中,对于一维地电断面,c(ω)可以表达成下面的积分形式:
其中a0、λ,a(λ)为实数,且λ≥0,a(λ)≥0;将积分表达式离散化, 上式变为
对于二维地电断面,由TM模式对应的电场、磁场分量所定义的参数c(ω)具有与一维地电断面对应的上述表达形式。
在一个优选的实施方式中,Rhoplus方法最终为下面的分表达式:
其中ω=ivn是c(ω)的解;
积分式的右边可以看成是由一系列δ函数组成的数学模型对应的响应,这就表明,对于一维地电断面和二维地电断面的TM模式,其大地电磁响应视电阻率ρs和相位总存在1个由一系列δ函数组成的数学模型与之相对应。
在一个优选的实施方式中,S4步骤中,深度学习分类包括有 Logistic回归算法,且Logistic回归算法用来研究预测值y和样本 x各个维度的的非线性叠加关系,Logistic回归算法包括有Logistic 回归模型,且Logistic回归模型公式为
在一个优选的实施方式中,经过人工资料筛选的MT数据作为样本的训练集来训练分类模型,未进行编辑的MT数据样本作为测试集,视电阻率和相位与RhoPlus反演的拟合差数据,经过归一化处理后作为网络的输入,深度神经网络可以提取数据特征,Logistic回归算法通过非线性的Sigmiod激活函数可以模仿生物神经科学中神经元信号传递的逻辑处理,将输入的重要特征进行分类。
参照图4,图4为深度神经网络分类和人工资料筛选结果对比图,可见,深度神经网络分类压制噪声效果良好,达到与人工手动编辑相似结果。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点,对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明,因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内,不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外,应当理解,虽然本说明书按照实施方式加以描述,但并非每个实施方式仅包含一个独立的技术方案,说明书的这种叙述方式仅仅是为清楚起见,本领域技术人员应当将说明书作为一个整体,各实施例中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。
Claims (7)
1.基于深度学习分类的大地电磁测深法功率谱智能挑选方法,其特征在于,具体包括以下步骤:
S1:对野外采集到的MT电场和磁场时间序列数据进行分段,计算每段时间序列的功率谱,获取MT子功率谱;
S2:对所有MT子功率谱和全叠加后的总功率谱分别进行阻抗估计,分别计算得到视电阻率和相位;
S3:利用全叠加后的视电阻率和相位进行Rhoplus反演,计算反演得到的电阻率和相位与子功率谱的视电阻率和相位之间的拟合差;
S4:经数据归一化后进行深度神经网络分类;
S5:分类后选中功率谱的叠加谱进行阻抗估计计算视电阻率和相位;
S6:将选中功率谱计算得到的视电阻率和相位再次进行Rhoplus反演计算拟合误差是否满足要求;
S7:当满足要求时则保存分类结果,反之不满足要求时则计算上一次分类选中功率谱的视电阻率和相位与反演之间的拟合差再次深度神经网络分类,直到拟合误差满足要求。
S8:输出智能挑选后的大地电磁标准格式功率谱EDI文件。
2.根据权利要求1所述的基于深度学习分类的大地电磁测深法功率谱智能挑选方法,其特征在于,所述Rhoplus反演为反演视电阻率和相位参数的Rhoplus方法,且Rhoplus方法与常规最小二乘迭代拟合反演方法不同,Rhoplus方法通过构造物理有效的理想地电模型来进行观测数据的最优拟合,利用最优化方法获得稳定的数值解。
7.根据权利要求6所述的基于深度学习分类的大地电磁测深法功率谱智能挑选方法,其特征在于,经过人工资料筛选的MT数据作为样本的训练集来训练分类模型,未进行编辑的MT数据样本作为测试集,视电阻率和相位与所述RhoPlus反演的拟合差数据,经过归一化处理后作为网络的输入,深度神经网络可以提取数据特征,Logistic回归算法通过非线性的Sigmiod激活函数可以模仿生物神经科学中神经元信号传递的逻辑处理,将输入的重要特征进行分类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210561666.9A CN115166839A (zh) | 2022-05-23 | 2022-05-23 | 基于深度学习分类的大地电磁测深法功率谱智能挑选方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210561666.9A CN115166839A (zh) | 2022-05-23 | 2022-05-23 | 基于深度学习分类的大地电磁测深法功率谱智能挑选方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115166839A true CN115166839A (zh) | 2022-10-11 |
Family
ID=83483119
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210561666.9A Pending CN115166839A (zh) | 2022-05-23 | 2022-05-23 | 基于深度学习分类的大地电磁测深法功率谱智能挑选方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115166839A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115508899A (zh) * | 2022-10-21 | 2022-12-23 | 中铁二院工程集团有限责任公司 | 基于最优化理论的航空大地电磁功率谱估算方法及设备 |
CN117233850A (zh) * | 2023-10-19 | 2023-12-15 | 中国地质调查局成都地质调查中心(西南地质科技创新中心) | 一种大地电磁信号处理方法与系统 |
CN117538944A (zh) * | 2023-11-24 | 2024-02-09 | 长江大学 | 一种大地电磁功率谱的挑谱方法 |
-
2022
- 2022-05-23 CN CN202210561666.9A patent/CN115166839A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115508899A (zh) * | 2022-10-21 | 2022-12-23 | 中铁二院工程集团有限责任公司 | 基于最优化理论的航空大地电磁功率谱估算方法及设备 |
CN115508899B (zh) * | 2022-10-21 | 2023-08-29 | 中铁二院工程集团有限责任公司 | 基于最优化理论的航空大地电磁功率谱估算方法及设备 |
CN117233850A (zh) * | 2023-10-19 | 2023-12-15 | 中国地质调查局成都地质调查中心(西南地质科技创新中心) | 一种大地电磁信号处理方法与系统 |
CN117233850B (zh) * | 2023-10-19 | 2024-01-26 | 中国地质调查局成都地质调查中心(西南地质科技创新中心) | 一种大地电磁信号处理方法与系统 |
CN117538944A (zh) * | 2023-11-24 | 2024-02-09 | 长江大学 | 一种大地电磁功率谱的挑谱方法 |
CN117538944B (zh) * | 2023-11-24 | 2024-04-05 | 长江大学 | 一种大地电磁功率谱的挑谱方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115166839A (zh) | 基于深度学习分类的大地电磁测深法功率谱智能挑选方法 | |
Babineau et al. | Modeling the electric field of weakly electric fish | |
Xin et al. | Deep community detection in topologically incomplete networks | |
Gorgij et al. | Groundwater budget forecasting, using hybrid wavelet-ANN-GP modelling: a case study of Azarshahr Plain, East Azerbaijan, Iran | |
CN110807760B (zh) | 一种烟叶分级方法及系统 | |
Cheng et al. | Graph-regularized dual Lasso for robust eQTL mapping | |
CN108596327A (zh) | 一种基于深度学习的地震速度谱人工智能拾取方法 | |
Jiang et al. | Nonlinear inversion of electrical resistivity imaging using pruning Bayesian neural networks | |
Wang et al. | Residual-sparse fuzzy C-means clustering incorporating morphological reconstruction and wavelet frame | |
Yakimov et al. | Multifractal analysis of neutral community spatial structure | |
Jiang et al. | Using wavelet packet denoising and ANFIS networks based on COSFLA optimization for electrical resistivity imaging inversion | |
CN114781254A (zh) | 一种电磁勘探反演模型的构建方法、装置及存储介质 | |
CN111160859A (zh) | 一种基于svd++和协同过滤的人力资源岗位推荐方法 | |
Li et al. | Magnetotelluric noise suppression via convolutional neural network | |
CN107909202B (zh) | 一种基于时间序列的油井产液量集成预测方法 | |
US20230341354A1 (en) | Intelligent inversion method for pipeline defects based on heterogeneous field signals | |
CN110688150B (zh) | 一种基于张量运算的二进制文件代码搜索检测方法及系统 | |
Voyer et al. | Improvements in the extraction of cell electric properties from their electrorotation spectrum | |
Ja’fari et al. | Integration of ANFIS, NN and GA to determine core porosity and permeability from conventional well log data | |
Luo et al. | Data assimilation with soft constraints (DASC) through a generalized iterative ensemble smoother | |
Luo et al. | Automatic first-arrival picking method via intelligent Markov optimal decision processes | |
CN115598714B (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 | |
CN113869350B (zh) | 基于空间特征差异的海流预测方法以及系统 | |
CN112907503B (zh) | 基于自适应卷积神经网络的南美白对虾品质检测方法 | |
Kang et al. | Inversions of time-domain spectral induced polarization data using stretched exponential |
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 |