CN115238565A - 电阻率模型重构网络训练方法、电磁反演方法及装置 - Google Patents

电阻率模型重构网络训练方法、电磁反演方法及装置 Download PDF

Info

Publication number
CN115238565A
CN115238565A CN202210631581.3A CN202210631581A CN115238565A CN 115238565 A CN115238565 A CN 115238565A CN 202210631581 A CN202210631581 A CN 202210631581A CN 115238565 A CN115238565 A CN 115238565A
Authority
CN
China
Prior art keywords
data
resistivity model
reconstruction network
model reconstruction
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
Application number
CN202210631581.3A
Other languages
English (en)
Inventor
陆文凯
贾卓
李尹硕
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 CN202210631581.3A priority Critical patent/CN115238565A/zh
Publication of CN115238565A publication Critical patent/CN115238565A/zh
Pending legal-status Critical Current

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

Abstract

本申请提供一种电阻率模型重构网络训练方法、电磁反演方法及装置，其中，所述方法包括：基于随机等效介质技术模拟矿床结构，并将所述矿床结构嵌入到随机的起伏地层结构中，得到包含矿床结构的地质模型；基于已有地质资料将所述地质模型转化为电阻率模型，并根据所述电阻率模型获取样本数据集，所述样本数据集包括随机模拟的起伏地层结构数据、矿床结构数据以及对应的电阻率数据；基于所述样本数据集对初始电阻率模型重构网络进行训练，得到电阻率模型重构网络，所述电阻率模型重构网络用于对第一电磁反演数据进行深度学习，得到第二电磁反演数据。本申请样本的随机性更高，有助于提高网络的准确性和泛化性，可有效提高深度学习的反演精度。

Description

电阻率模型重构网络训练方法、电磁反演方法及装置
技术领域
本申请实施例涉及电磁反演技术领域，尤其涉及一种电阻率模型重构网络训练方法、电磁反演方法及装置。
背景技术
由散射体外部散射场时、空、频域分布特性的遥感探测结果，推断或者重建被测目标和媒质的几何形态与电参数特性，称为电磁反演。传统方法获得的反演结果通常会存在分辨率较低、深部异常体难以反演等问题。
相关技术中，考虑到深度神经网络具有强大的非线性映射与特征提取能力，能够通过学习自动提取出数据空间中的规则，并存储在网络模型中，因此提出了利用神经网络来实现电磁反演工作，其反演模型的精度相比于传统算法虽然有了一定的提升，但由于使用的训练样本集与测试集的模型比较简单且有明显规律，导致反演精度受到一定影响。
发明内容
鉴于上述问题，本申请提供一种电阻率模型重构网络训练方法、电磁反演方法及装置，用以解决相关技术中用于训练模型的样本集简单且有规律，导致反演精度的问题。
为了实现上述目的，本申请提供如下技术方案：
根据本申请实施例的一方面，提供一种电阻率模型重构网络训练方法，包括：
基于随机等效介质技术模拟矿床结构，并将所述矿床结构嵌入到随机的起伏地层结构中，得到包含矿床结构的地质模型；
基于已有地质资料将所述地质模型转化为电阻率模型，并根据所述电阻率模型获取样本数据集，所述样本数据集包括随机模拟的起伏地层结构数据、矿床结构数据以及对应的电阻率数据；
基于所述样本数据集对初始电阻率模型重构网络进行训练，得到电阻率模型重构网络，所述电阻率模型重构网络用于对第一电磁反演数据进行深度学习，得到第二电磁反演数据。
在一种实施方式中，基于随机等效介质技术模拟矿床结构，根据以下公式得到：
Figure BDA0003680193190000021
式中，f(x，y，z)表示矿床结构对应的值，r表示模糊因子，x、y、z分别表示三维坐标不同方向的值，a、b、c分别表示x、y、z方向上的自相关长度。
在一种实施方式中，所述基于所述样本数据集对所述初始电阻率模型重构网络进行训练，得到电阻率模型重构网络，包括：
构建所述初始电阻率模型重构网络的损失函数；
将所述训练集的待处理数据输入至所述初始电阻率模型重构网络中，得到网络处理结果；
基于所述损失函数计算所述网络处理结果及所述待处理数据对应的目标结果之间的损失值；
判断所述损失值是否达到预设阈值；
若否，则优化训练所述初始电阻率模型重构网络，并返回执行将训练集的数据输入至所述初始电阻率模型重构网络中，直到计算得到的损失值达到预设阈值；
若达到预设阈值，则将所述初始电阻率模型重构网络作为电阻率模型重构网络。
在一种实施方式中，所述构建所述初始电阻率模型重构网络的损失函数，包括：
基于均方误差MSE算法构建所述初始电阻率模型重构网络的损失函数；
所述优化训练所述初始电阻率模型重构网络，包括：
基于亚当Adam优化器优化训练所述初始电阻率模型重构网络。
在一种实施方式中，所述初始电阻率模型重构网络是基于注意力机制和语义分割网络U-net搭建的网络。
在一种实施方式中，在生成样本数据集之后，在获取样本数据集之后，还包括：
采用有限单元FEM算法模拟所述地质模型的响应数据；
采用非线性共轭梯度NLCG算法基于所述响应数据生成第一电磁反演数据。
根据本申请实施例的另一方面，提供一种基于深度学习的电磁反演方法，包括：
将第一电磁反演数据输入至电阻率模型重构网络中进行深度学习，得到第二电磁反演数据；
其中，所述电阻率模型重构网络为采用所述的电阻率模型重构网络训练方法训练生成的。
根据本申请实施例的又一方面，提供一种电阻率模型重构网络训练装置，包括：
模拟模块，其设置为基于随机等效介质技术模拟矿床结构，并将所述矿床结构嵌入到随机的起伏地层结构中，得到包含矿床结构的地质模型；
转化生成模块，其设置为基于已有地质资料将所述地质模型转化为电阻率模型，并根据所述电阻率模型获取样本数据集，所述样本数据集包括随机模拟的起伏地层结构数据、矿床结构数据以及对应的电阻率数据；
训练模块，其设置为基于所述样本数据集对初始电阻率模型重构网络进行训练，得到电阻率模型重构网络，所述电阻率模型重构网络用于对第一电磁反演数据进行深度学习，得到第二电磁反演数据。
根据本申请实施例的再一方面，提供一种基于深度学习的电磁反演装置，包括：
深度学习模块，其设置为将第一电磁反演数据输入至电阻率模型重构网络中进行深度学习，得到第二电磁反演数据；
其中，所述电阻率模型重构网络为采用所述的电阻率模型重构网络训练方法训练生成的。
根据本申请实施例的又一方面，提供一种电子设备，包括：处理器和存储器；
所述存储器存储计算机执行指令；
所述处理器执行所述存储器存储的计算机执行指令，使得所述电子设备执行所述的电阻率模型重构网络训练方法，或者所述的基于深度学习的电磁反演方法。
根据本申请实施例提供的电阻率模型重构网络训练方法、电磁反演方法及装置，基于随机等效介质技术模拟矿床结构，并将所述矿床结构嵌入到随机的起伏地层结构中，得到包含矿床结构的地质模型，并基于已有地质资料将所述地质模型转化为电阻率模型，并根据所述电阻率模型获取样本数据集，所述样本数据集包括随机模拟的起伏地层结构数据、矿床结构数据以及对应的电阻率数据，再基于所述样本数据集对初始电阻率模型重构网络进行训练，得到电阻率模型重构网络，所述电阻率模型重构网络用于对第一电磁反演数据进行深度学习，得到第二电磁反演数据。本申请样本的随机性更高，有助于提高网络的准确性和泛化性，可有效提高深度学习的反演精度。
附图说明
图1为本申请实施例的可能的场景示意图；
图2为本申请实施例提供的一种电阻率模型重构网络训练方法的流程示意图；
图3为图2中地质模型的示意图；
图4为本申请实施例中电阻率模型重构网络的结构示意图；
图5为本申请实施例中注意力融合模块的结构示意图；
图6为本申请实施例提供的跨尺度特征融合模块的结构示意图；
图7为本申请实施例提供的一种基于深度学习的电磁反演方法的流程示意图之一；
图8为本申请实施例提供的一种基于深度学习的电磁反演方法的流程示意图之二；
图9为本申请实施例的实验仿真结果示意图；
图10为本申请实施例提供的一种电阻率模型重构网络训练装置的结构示意图；
图11为本申请实施例提供的一种基于深度学习的电磁反演装置的结构示意图；
图12为本申请实施例提供的一种电子设备的结构示意图。
通过上述附图，已示出本申请明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本申请构思的范围，而是通过参考特定实施例为本领域技术人员说明本申请的概念。
具体实施方式
相关技术中，采用电磁法勘探实现电磁反演，电磁法勘探是利用地表采集的观测数据来推断地下电阻率结构的技术，该方法具有识别低阻体灵敏，高阻体信号薄弱的特点，对浅部结构探测能力较强，深部异常体规模较小时，识别能力较差，但电磁法测深时会受到体积效应的影响，观测点探测的响应数据来源于该位置下方区域范围内的总体效应。当深部的异常体具有足够大尺度的情况下，响应信号才有一定的识别信息，若识别信号强度较小，反演结果中的异常体将难以复原。此外，当利用传统算法计算反演模型时，规模较大的异常体周边也会出现一些虚假异常。由于上述原因，传统方法的反演结果通常会存在分辨率较低、深部异常体难以反演等的情况。
深度神经网络具有强大的非线性映射与特征提取能力，能够通过学习自动提取出数据空间中的规则，并存储在网络模型中。图像超分辨率网络是从低分辨率图像中获得高分辨率图像，该网络被广泛应用于很多领域，如人脸识别、医学成像等，鉴于图像超分辨率网络的特点，相关技术中还使用了多任务学习技术实现了高分辨率的地震速度成像，提高反演(Full Waveform Inversion，FWI)的效率和精度。在此基础上，以及通过利用地震数据强化了速度模型的边界信息，进一步提升了速度模型的分辨率。
现阶段，电磁反演的工作主要利用其他方法作为约束来提升反演效果，相关技术也采用了神经网络实现了电磁反演工作，反演模型的精度相比于传统算法虽然有了一定的提升，但是使用的训练样本集与测试集的模型比较简单且有明显规律，一些技术中使用监督下降的方法实现在电磁的二维反演成像，该方法在训练样本集中加入了先验知识后进行学习，虽然大幅度减少了反演成像所需时间，但反演精度与传统算法相比并没有明显的改进。
以上研究都表明了在地球物理或医学成像领域中，深度学习技术在一定程度上提升了成像结果的分辨率，同时具有很高效的适应性。在电磁反演成像的领域中，多种技术的约束在一定程度上推进了反演成像工作的进展，但其反演精度仍然具有很大的改进空间。
针对上述技术问题，本申请实施例提供了一种电阻率模型重构网络训练方法及基于深度学习的电磁反演方法，通过在生成样本数据集时引入高斯椭圆方程随机干扰建立多尺度随机介质模型，把复杂非均匀介质中的非均匀结构看成一个空间随机过程，用统计学方法描述介质非均匀性，其与相关技术相比，训练数据包含大量具有代表性特征，样本的随机性极高，有助于提高网络的准确性和泛化性，所训练的电阻率模型重构网络具有分辨率高、深部异常结构预测能力强等优点，此外，本申请实施例借助传统反演结果作为先验信息实现高精度的电阻率图像预测，可以有效增强电磁反演数据的精度，有利于地质解释的应用。
为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请的实施例中的附图，对本申请实施例中的技术方案进行更加详细的描述。在附图中，自始至终相同或类似的标号表示相同或类似的部件或具有相同或类似功能的部件。所描述的实施例是本申请一部分实施例，而不是全部的实施例。下面通过参考附图描述的实施例是示例性的，旨在用于解释本申请，而不能理解为对本申请的限制。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
图1为本申请实施例提供的一种可能的场景示意图，如图1所示，包括终端设备110和服务器120，终端110和服务器120之间通过有线或者无线网络相互连接。在一些实施例中，终端110用于向服务器120提供用于训练电阻率模型重构网络所需的参数，如网络初始化参数以及模型训练超参数等，服务器120用于基于终端110提供的数据，对阻率模型重构网络进行训练。可选地，在训练电阻率模型重构网络的过程中，服务器120承担主要计算工作，终端110承担次要计算工作；或者，服务器120承担次要计算工作，终端110承担主要计算工作；或者，服务器120或终端110分别能够单独承担计算工作。
其中，终端设备110可以包括但不限于，电脑、智能手机、平板电脑、电子书阅读器、动态影像专家压缩标准音频层面3(Moving Picture experts group audio layer III，简称MP3)播放器、动态影像专家压缩标准音频层面4(Moving Picture experts group audiolayer IV，简称MP4)播放器、便携计算机、车载电脑、可穿戴设备、台式计算机、机顶盒、智能电视等等。
服务器120可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
可选地，上述终端110或服务器120的数量可以更多或更少，本申请实施例对此不加以限定。在一些实施例中，上述终端110和服务器120还可以作为区块链系统中的节点，将训练获得的电阻率模型重构网络同步给区块链其它节点，以实现电阻率模型重构网络的广泛应用。
上面对本申请的场景示意图进行了简单说明，下面以应用于图1中的服务器120为例，来详细说明本申请实施例提供的电阻率模型重构网络方法。
请参照图2，图2为本申请实施例提供一种电阻率模型重构网络训练方法，如图2所示，所示方法包括步骤S201-S203。
步骤S201、基于随机等效介质技术模拟矿床结构，并将所述矿床结构嵌入到随机的起伏地层结构中，得到包含矿床结构的地质模型。
具体地，预先准备随机模拟的起伏地层结构，示例性的，由上至下分别包括沙土、大理岩、混合岩、花岗岩，然后利用随机等效介质技术模拟矿床结构，并将矿床结构嵌入到起伏地层结构中。
结合图3所示，图3为采用步骤S201生成的地质模型的可能的一种示例图，其中A、B、C、D、E为矿层结构在地层结构中分布的区域。相较于相关技术中采用明显且有明显规律的地质模型作为样本集基础，本实施例采用随机等效介质技术生成具有随机非均匀特征的矿床结构，实现矿床结构的随机模拟，并将随机模拟的矿床结构嵌入到随机的起伏地层结构，得到的地质模型更加丰富且更符合实际地质情况。
可以理解的是，等效介质技术，为了解决地震勘探的实际问题，常常用等效的均匀介质代替实际介质，即等效介质模型，其中的参数用平均值或者从其他参数导出的等效值表示。随机等效介质技术相较于等效介质技术而言，即，采用的是随机非均匀分布的方式采用等效介质代替实际介质。
在一种实施方式中，为了进一步提高矿床结构的随机性，本实施例中基于随机等效介质技术模拟矿床结构，根据以下公式得到：
Figure BDA0003680193190000081
式中，f(x，y，z)表示矿床结构对应的值，r表示模糊因子，x、y、z分别表示三维坐标不同方向的值，a、b、c分别表示x、y、z方向上的自相关长度。
上述公式中，采用的是非均匀性的混合型函数随机介质建模方法模拟的矿床结构，通过选择局部扰动半径(a、b、c)和局部扰动强度(r)，即可随机构造出各种不同形式的模拟矿床结构，可以达到矿床结构在不同三维坐标下的非均匀分布效果。
步骤S202、基于已有地质资料将所述地质模型转化为电阻率模型，并根据所述电阻率模型获取样本数据集，所述样本数据集包括随机模拟的起伏地层结构数据、矿床结构数据以及对应的电阻率数据。
本实施例中，已有地质资料即实际地质资料，也就是说，矿床结构与地层结构的电阻率数据来源于实际资料，在一些实施例中，考虑到地层结构中的岩体，电阻率数据还包括岩体的电阻率数据，本领域技术人员可以结合实际应用对岩体的电阻率数据在一个合理的区间内随机生成。与相关技术不同的是，本实施例的样本数据集是基于实际地质资料和相关数学方法随机生成，样本数据集更加随机和非均匀化，能够涵盖更多的可能性，基于该样本数据集训练出的模型网络更加精确。
本实施例的电阻率模型与传统的电阻率模型不同的是，本实施例的电阻率模型是根据实际地质资料和随机模型的地质模型转化得到。以典型矿床结构的电阻率模型为例：最低电阻率体——第四系覆盖层，只影响电测深曲线的首支；低电阻率体——铁铜矿体；中低电阻率体——砂页岩；高电阻率体——闪长岩；特高电阻率体——灰岩。
其中高电阻率体、特高电阻率体类物性体所占体积较大，而低电阻率体类体物体性则相反。虽然它们电性相差较大，但从体积勘探角度出发，低电阻率体类物性体在地表产生的低阻异常可被高电阻率体、特高电阻率体类物性体产生的高阻异常所掩盖。由于高电阻率体、特高电阻率体类物性体电阻率之间也有差异，低电阻率体类又位于高电阻率体、特高电阻率体类之间(接触带)处，则可把接触带作为间接找矿标志。
步骤S203、基于所述样本数据集对初始电阻率模型重构网络进行训练，得到电阻率模型重构网络，所述电阻率模型重构网络用于对第一电磁反演数据进行深度学习，得到第二电磁反演数据。
本实施例中，首先建立初始模型网络初始电阻率模型重构网络，并利用样本数据集对初始电阻率模型重构网络进行训练，以确定电阻率模型重构网络中的最终参数例如权重和/或偏置。
为了提高网络模型的准确性，利用注意力机制和语义分割网络搭建初始电阻率模型重构网络，具体地，所述初始电阻率模型重构网络是基于注意力机制和语义分割网络U-net搭建的网络。
如图4所示，图4为实施提供的初始电阻率模型重构网络结构的示意图，可以理解的是，初始电阻率模型重构网络和电阻率模型重构网络为同一网络结构，二者区别在于网络参数(权重、偏置)的不同。
本实施例中，电阻率模型重构网络结构使用了语义分割网络U-Net的编解码结构，并在解码过程中使用跨尺度的特征注意力模块(Cross-Scale Feature Attention，CSFA)，充分利用不同尺度(scale)的特征信息。示例性的，可进行3次下采样操作，由“stride”步长参数为2的卷积层实现，网络中包括4个尺度的特征图，大小比为8：4：2：1，在编码过程中，对特征图的每个尺度都应用Res Block进行特征提取，可以理解的是，Res Block是构成ResNet的基础模块，用于进行特征提取，它在深度学习的发展中扮演了极为重要的角色。对于CSFA模块内的每个尺度，它通过双线性插值从其他尺度接收共享特征，然后，将使用卷积块注意模块(Convolutional Block Attention Module，CBAM)来细化连接的特征。编码器得到的各种尺度的特征图在每次上采样后都会通过局部残差连接放入相应的解码层。这两组特征将通过注意力融合模块(Attention Merge)连接起来。其中，注意力融合模块的结构如图5所示，跨尺度的特征注意力模块如图6所示。
需要说明的是，本实施例的电阻率模型重构网络，网络的输入数据(第一电磁反演数据)和输出数据(第二电磁反演数据)均为二维数据，利用传统反演结果作为先验知识，在此基础上能够有效提高反演结果的精度。
在一种实施方式中，所述基于所述样本数据集对所述初始电阻率模型重构网络进行训练，得到电阻率模型重构网络，包括步骤a-f。
a.构建所述初始电阻率模型重构网络的损失函数。
本实施例中，为了提高损失函数的准确性，所述构建所述初始电阻率模型重构网络的损失函数，具体为：基于均方误差MSE算法构建所述初始电阻率模型重构网络的损失函数。
可以理解的是，均方误差(Mean squared error，MSE)算法，是反映估计量与被估计量之间差异程度的一种度量。本实施例中，损失函数的表达式为：
Figure BDA0003680193190000101
式中，y为网络处理结果，r为目标结果，1/n代表均值，i、j分别表示第i个训练集对应的待处理数据，如矿床结构数据和起伏地层结构数据。其中，目标结果，即电阻率模型中该矿床结构数据和起伏地层结构数据对应的电阻率数据，该电阻率数据为实际地质资料。
b.将所述训练集的待处理数据输入至所述初始电阻率模型重构网络中，得到网络处理结果。
c.基于所述损失函数计算所述网络处理结果及所述待处理数据对应的目标结果之间的损失值。
可以理解的是，网络处理结果，即训练集的数据(矿床结构数据和起伏地层结构数据)输入至初始电阻率模型重构网络中获得的电阻率预测结果，目标结果即训练集的数据对应的实际电阻率数据。
d.判断所述损失值是否达到预设阈值，若否，则执行步骤e，如是，则执行步骤f。
本实施例中，预设阈值即损失值达到最小，本领域技术人员可以结合实际应用对该预设阈值进行适应性设定。
e.优化训练所述初始电阻率模型重构网络，并返回执行步骤b将训练集的数据输入至所述初始电阻率模型重构网络中，直到计算得到的损失值达到预设阈值。
本实施例中，优化训练初始电阻率模型重构网络，具体为：基于亚当Adam优化器优化训练所述初始电阻率模型重构网络。
Adam优化器吸收了自适应学习率的梯度下降算法和动量梯度下降算法的优点，既能适应稀疏梯度(自然语言和计算机视觉问题)，又能缓解梯度震荡的问题。本实施例利用Adam优化器对初始电阻率模型重构网络的网络参数进行优化训练能够有效提高初始电阻率模型重构网络的预测精度。
在一些实施例中，采用Adam优化器进行训练的过程中采用衰减学习率，学习率由初始学习率η0、衰减周期T、衰减率α三个参数表征，训练过程中实时学习率表达式为：ηk＝αKη0，式中k为当前学习率衰减次数，在将样本数据集投入训练之后，在文本文件中记录训练次数、损失函数数值、学习率，储存网络参数到特定文件。
f.将所述初始电阻率模型重构网络作为电阻率模型重构网络。
进一步地，可以将样本数据集划分为了训练集和测试集，示例性的，电阻率模型的尺寸为4000m×2000m，网格数为200×100。样本集中包含1000组数据，800个划分在训练集中，200个划分在测试集中。其中，电阻率模型和反演模型的尺寸一致。在生成电阻率模型重构网络后，基于测试集对该电阻率模型重构网络进一步优化。
在一种实施方式中，通过在获取样本数据集时生成传统电磁反演数据，进而将传统电磁反演数据输入至训练好的模型网络中，以实现对传统电磁反演数据的精度增强。具体地，在获取样本数据集(步骤S202)之后，还包括以下步骤：
采用有限单元FEM算法模拟所述地质模型的响应数据；
采用非线性共轭梯度NLCG算法基于所述响应数据生成第一电磁反演数据。
有限单元(Finite Element Method，FEM)算法，又称有限元法或有限元素法，是一个数值方法解偏微分方程。FEM是一种高效能、常用的计算方法，它能够将连续体离散化为若干个有限大小的单元体的集合，能够适应于复杂的几何构形，可以很好的模拟出地质模型的响应数据，即，正演模拟数据。
非线性共轭梯度(Non-linear conjugate gradient，NLCG)，其具有计算量小、占用内存小等特点，在电磁反演中得到了普遍应用，此处不再赘述。
示例性的，获得了地质模型后，使用FEM模拟该模型的响应数据(视电阻率与阻抗相位)，模拟的响应数据中施加2.5％均值高斯噪音，然后根据模拟的响应数据，将均匀半空间模型作为反演的初始模型，利用NLCG算法(NLCG)通过迭代生成反演结果(第一电磁反演数据)，也就是本实施例提到的传统反演数据。
本实施例中，反演采用的初始模型可以是电阻率100Ω的均匀半空间，起电阻率模型和反演模型的尺寸一致，均为4000m*2000m，网格数为200*100。
请参照图7，图7是本公开实施例提供的一种基于深度学习的电磁反演方法的流程示意图，所述方法包括步骤S701。
步骤S701、将第一电磁反演数据输入至电阻率模型重构网络中进行深度学习，得到第二电磁反演数据；
其中，所述电阻率模型重构网络为采用所述的电阻率模型重构网络训练方法训练生成的。
示例性的，结合图8所示，首先利用电阻率模型对应的样本数据集输入至电阻率模型重构网络中对网络进行训练，并先后利用FEM算法和NLCG生成第一电磁反演数据，再将第一电磁反演数据输入至电阻率模型重构网络中进行深度学习，得到第二电磁反演数据，其中第二电磁反演数据对应图8中输出的未知问号处。
需要说明的是，本实施例的电阻率模型重构网络，网络的输入数据(第一电磁反演数据)和输出数据(第二电磁反演数据)均为二维数据，利用传统反演结果作为先验知识，在此基础上能够有效提高反演结果的精度。
为验证本实施例所使用的电阻率模型重构网络的有效性，本实施例利用电阻率模型进行试验，并得到了实验仿真结果。网络预测的电阻率图像如图9所示，从左至右分别是(真实)电阻率模型、传统反演结果(第一电磁反演数据)、网络增强结果(第二电磁反演数据)、白色虚线位置(电阻率模型图像中示出)对应的电阻率曲线对比以及黑色虚线位置(电阻率模型图像中示出)对应的电阻率曲线对比，从预测的结果来看，网络预测的电阻率图像比传统反演的分辨率明显提高。从第四排与第五排的预测结果来看，网络能够对深部信号微弱的异常体进行一定程度的恢复。从对应的正演模拟数据中可看出深部异常体对应的信号比较薄弱，这也导致传统反演难以通过微弱的信号计算出深部异常体信息，而本实施例搭建的网络能够通过对微弱的异常信号进行识别，从而实现良好的结构特征恢复。从几条电阻率曲线的对比结果来看，网络预测的电阻率曲线更加接近了真实结果，几乎与真实曲线一致。从传统反演的图像中可以看出矿床结构周围存在一些虚假异常，而网络预测的图像中这些虚假异常也得到了明显的压制。
在不借助其他地球物理方法约束的基础上，将本实施例所实现的算法和传统电磁反演算法进行量化对比，以及加入与相关技术中的深度学习算法的反演结果进行对比，对比结果如下表1所示。
与传统电磁反演算法相比，本实施例不仅能够大幅度提升了反演成像的分辨率，还减少了计算机的使用内存。与相关技术中的深度学习反演技术相比，本实施例能够将传统反演结果的结构与特征作为先验信息，重构出更高精度的电阻率图像。深度学习的反演算法在预测复杂结构模型的结果时，虽然成像耗时情况理想，但是反演结果的精度较差，其主要原因在于该方法在反演预测的过程中缺少先验知识的约束，且网络结构(例如用于训练网络的样本数据集简单且有明显规律)也比较单一，处理复杂模型的能力不足。
表1：测试结果量化对比
Figure BDA0003680193190000131
本申请实施例相应还提供一种电阻率模型重构网络训练装置，如图10所示，所述装置包括模拟模块101、转化生成模块102及训练模块103。
模拟模块101，其设置为基于随机等效介质技术模拟矿床结构，并将所述矿床结构嵌入到随机的起伏地层结构中，得到包含矿床结构的地质模型；
转化生成模块102，其设置为基于已有地质资料将所述地质模型转化为电阻率模型，并根据所述电阻率模型获取样本数据集，所述样本数据集包括随机模拟的起伏地层结构数据、矿床结构数据以及对应的电阻率数据；
训练模块103，其设置为基于所述样本数据集对初始电阻率模型重构网络进行训练，得到电阻率模型重构网络，所述电阻率模型重构网络用于对第一电磁反演数据进行深度学习，得到第二电磁反演数据。
在一种实施方式中，模拟模块包括以下公式：
Figure BDA0003680193190000141
式中，f(x，y，z)表示矿床结构对应的值，r表示模糊因子，x、y、z分别表示三维坐标不同方向的值，a、b、c分别表示x、y、z方向上的自相关长度。
在一种实施方式中，所述训练模块包括：
构建单元，其设置为构建所述初始电阻率模型重构网络的损失函数；
输入单元，其设置为将所述训练集的待处理数据输入至所述初始电阻率模型重构网络中，得到网络处理结果；
计算单元，其设置为基于所述损失函数计算所述网络处理结果及所述待处理数据对应的目标结果之间的损失值；
判断单元，其设置为判断所述损失值是否达到预设阈值；
训练单元，其设置为在没有达到预设阈值时，优化训练所述初始电阻率模型重构网络；
返回执行模块，其设置为返回输入单元将训练集的数据输入至所述初始电阻率模型重构网络中，直到计算得到的损失值达到预设阈值；
生成单元，其设置为在达到预设阈值时，将所述初始电阻率模型重构网络作为电阻率模型重构网络。
在一种实施方式中，所述构建模块具体设置为，基于均方误差MSE算法构建所述初始电阻率模型重构网络的损失函数；
所述优化训练模块，具体设置为基于亚当Adam优化器优化训练所述初始电阻率模型重构网络。
在一种实施方式中，所述初始电阻率模型重构网络是基于注意力机制和语义分割网络U-net搭建的网络。
在一种实施方式中，所述模拟还设置为，在转化生成模块102获取样本数据集之后，采用有限单元FEM算法模拟所述地质模型的响应数据；
所述装置还包括：生成模块，其设置为采用非线性共轭梯度NLCG算法基于所述响应数据生成第一电磁反演数据。
本申请实施例相应还提供一种基于深度学习的电磁反演装置，如图11所示，所述装置包括深度学习模块111，
深度学习模块111，其设置为将第一电磁反演数据输入至电阻率模型重构网络中进行深度学习，得到第二电磁反演数据；
其中，所述电阻率模型重构网络为采用所述的电阻率模型重构网络训练方法训练生成的。
本申请实施例相应还提供一种电子设备，如图12所示，所述电子设备包括：存储器121和处理器122；
所述存储器121存储计算机执行指令；
所述处理器122执行所述存储器121存储的计算机执行指令，使得所述电子设备执行所述的电阻率模型重构网络训练方法，或者所述的基于深度学习的电磁反演方法。
本申请实施例相应还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现所述的电阻率模型重构网络训练方法，或者所述的基于深度学习的电磁反演方法。
本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统、装置中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。在硬件实施方式中，在以上描述中提及的功能模块/单元之间的划分不一定对应于物理组件的划分；例如，一个物理组件可以具有多个功能，或者一个功能或步骤可以由若干物理组件合作执行。某些物理组件或所有物理组件可以被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。
如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。
此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。
在本申请实施例的描述中，术语“和/或”仅仅表示一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，术语“至少一种”表示多种中的任一种或多种中的至少两种的任意组合，例如，包括A、B、中的至少一种，可以表示包括A、B和C沟通的集合中选择的任意一个或多个元素。
在本申请实施例的描述中，术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，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、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
最后应说明的是：以上各实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述各实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。

Claims (10)

1.一种电阻率模型重构网络训练方法，其特征在于，包括：
基于随机等效介质技术模拟矿床结构，并将所述矿床结构嵌入到随机的起伏地层结构中，得到包含矿床结构的地质模型；
基于已有地质资料将所述地质模型转化为电阻率模型，并根据所述电阻率模型获取样本数据集，所述样本数据集包括随机模拟的起伏地层结构数据、矿床结构数据以及对应的电阻率数据；
基于所述样本数据集对初始电阻率模型重构网络进行训练，得到电阻率模型重构网络，所述电阻率模型重构网络用于对第一电磁反演数据进行深度学习，得到第二电磁反演数据。
2.根据权利要求1所述的方法，其特征在于，基于随机等效介质技术模拟矿床结构，根据以下公式得到：
Figure FDA0003680193180000011
式中，f(x，y，z)表示矿床结构对应的值，r表示模糊因子，x、y、z分别表示三维坐标不同方向的值，a、b、c分别表示x、y、z方向上的自相关长度。
3.根据权利要求1所述的方法，其特征在于，所述基于所述样本数据集对所述初始电阻率模型重构网络进行训练，得到电阻率模型重构网络，包括：
构建所述初始电阻率模型重构网络的损失函数；
将所述训练集的待处理数据输入至所述初始电阻率模型重构网络中，得到网络处理结果；
基于所述损失函数计算所述网络处理结果及所述待处理数据对应的目标结果之间的损失值；
判断所述损失值是否达到预设阈值；
若否，则优化训练所述初始电阻率模型重构网络，并返回执行将训练集的数据输入至所述初始电阻率模型重构网络中，直到计算得到的损失值达到预设阈值；
若达到预设阈值，则将所述初始电阻率模型重构网络作为电阻率模型重构网络。
4.根据权利要求3所述的方法，其特征在于，所述构建所述初始电阻率模型重构网络的损失函数，包括：
基于均方误差MSE算法构建所述初始电阻率模型重构网络的损失函数；
所述优化训练所述初始电阻率模型重构网络，包括：
基于亚当Adam优化器优化训练所述初始电阻率模型重构网络。
5.根据权利要求1所述的方法，其特征在于，所述初始电阻率模型重构网络是基于注意力机制和语义分割网络U-net搭建的网络。
6.根据权利要求1-5任一项所述的方法，其特征在于，在获取样本数据集之后，还包括：
采用有限单元FEM算法模拟所述地质模型的响应数据；
采用非线性共轭梯度NLCG算法基于所述响应数据生成第一电磁反演数据。
7.一种基于深度学习的电磁反演方法，其特征在于，包括：
将第一电磁反演数据输入至电阻率模型重构网络中进行深度学习，得到第二电磁反演数据；
其中，所述电阻率模型重构网络为采用如权利要求1-6任一项所述的电阻率模型重构网络训练方法训练生成的。
8.一种电阻率模型重构网络训练装置，其特征在于，包括：
模拟模块，其设置为基于随机等效介质技术模拟矿床结构，并将所述矿床结构嵌入到随机的起伏地层结构中，得到包含矿床结构的地质模型；
转化生成模块，其设置为基于已有地质资料将所述地质模型转化为电阻率模型，并根据所述电阻率模型获取样本数据集，所述样本数据集包括随机模拟的起伏地层结构数据、矿床结构数据以及对应的电阻率数据；
训练模块，其设置为基于所述样本数据集对初始电阻率模型重构网络进行训练，得到电阻率模型重构网络，所述电阻率模型重构网络用于对第一电磁反演数据进行深度学习，得到第二电磁反演数据。
9.一种基于深度学习的电磁反演装置，其特征在于，包括：
深度学习模块，其设置为将第一电磁反演数据输入至电阻率模型重构网络中进行深度学习，得到第二电磁反演数据；
其中，所述电阻率模型重构网络为采用如权利要求1-6任一项所述的电阻率模型重构网络训练方法训练生成的。
10.一种电子设备，包括：处理器和存储器；
所述存储器存储计算机执行指令；
所述处理器执行所述存储器存储的计算机执行指令，使得所述电子设备执行权利要求1-6中任一项所述的电阻率模型重构网络训练方法，或者权利要求7所述的基于深度学习的电磁反演方法。
CN202210631581.3A 2022-06-06 2022-06-06 电阻率模型重构网络训练方法、电磁反演方法及装置 Pending CN115238565A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210631581.3A CN115238565A (zh) 2022-06-06 2022-06-06 电阻率模型重构网络训练方法、电磁反演方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210631581.3A CN115238565A (zh) 2022-06-06 2022-06-06 电阻率模型重构网络训练方法、电磁反演方法及装置

Publications (1)

Publication Number Publication Date
CN115238565A true CN115238565A (zh) 2022-10-25

Family

ID=83670307

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210631581.3A Pending CN115238565A (zh) 2022-06-06 2022-06-06 电阻率模型重构网络训练方法、电磁反演方法及装置

Country Status (1)

Country Link
CN (1) CN115238565A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116595706A (zh) * 2023-02-28 2023-08-15 南方科技大学 基于宽度学习反演地下结构的方法、电子设备及存储介质
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

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116595706A (zh) * 2023-02-28 2023-08-15 南方科技大学 基于宽度学习反演地下结构的方法、电子设备及存储介质
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

Similar Documents

Publication Publication Date Title
Jørgensen et al. A method for cognitive 3D geological voxel modelling of AEM data
CN115238565A (zh) 电阻率模型重构网络训练方法、电磁反演方法及装置
Pyrcz et al. Stratigraphic rule-based reservoir modeling
Zhang et al. U-net generative adversarial network for subsurface facies modeling
Bi et al. Deep relative geologic time: A deep learning method for simultaneously interpreting 3‐D seismic horizons and faults
Xiao et al. Conditioning of deep-learning surrogate models to image data with application to reservoir characterization
Tzu-hao et al. Reservoir uncertainty quantification using probabilistic history matching workflow
Korjani et al. Reservoir characterization using fuzzy kriging and deep learning neural networks
Dong et al. EisNet: Extracting bedrock and internal layers from radiostratigraphy of ice sheets with machine learning
Shakeel et al. ALADDIn: Autoencoder-LSTM-based anomaly detector of deformation in InSAR
Cui et al. Characterization of subsurface hydrogeological structures with convolutional conditional neural processes on limited training data
Titus et al. Conditioning surface-based geological models to well data using artificial neural networks
Asif et al. Automated transient electromagnetic data processing for ground-based and airborne systems by a deep learning expert system
Lv et al. Fast forward approximation and multitask inversion of gravity anomaly based on UNet3+
CN116127314B (zh) 基于自适应多尺度深度学习网络预测地下密度的方法
Roncoroni et al. Efficient extraction of seismic reflection with Deep Learning
Liu et al. Application of sample-compressed neural network and adaptive-clustering algorithm for magnetotelluric inverse modeling
Liu et al. Impact of geostatistical nonstationarity on convolutional neural network predictions
Zhang et al. 3D Airborne Electromagnetic Data Inversion with Flight Altitude Correction
CN110989032B (zh) 一种基于倾斜角的重力水平总梯度断裂识别方法
Kraipeerapun et al. Porosity prediction using bagging of complementary neural networks
US11454733B2 (en) System and method for analysis of subsurface data
Nuhn et al. Preparation of complex landslide simulation results with clustering approaches for decision support and early warning
Jo et al. Conditioning stratigraphic, rule-Based models with generative adversarial networks: A deepwater lobe, deep learning example
Martinez et al. Noise estimation in gravity gradient data after equivalent source processing

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