CN115577612A - 基于深度学习的隧道电阻率极化率联合反演梯度优化方法 - Google Patents
基于深度学习的隧道电阻率极化率联合反演梯度优化方法 Download PDFInfo
- Publication number
- CN115577612A CN115577612A CN202210932838.9A CN202210932838A CN115577612A CN 115577612 A CN115577612 A CN 115577612A CN 202210932838 A CN202210932838 A CN 202210932838A CN 115577612 A CN115577612 A CN 115577612A
- Authority
- CN
- China
- Prior art keywords
- tunnel
- gradient
- resistivity
- polarizability
- network
- 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
- 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
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
- G01N27/02—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance
- G01N27/04—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance by investigating resistance
- G01N27/041—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance by investigating resistance of a solid body
-
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- 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)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Chemical & Material Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Electrochemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Environmental & Geological Engineering (AREA)
- Geology (AREA)
- Remote Sensing (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geophysics (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明提供了一种基于深度学习的隧道电阻率极化率联合反演梯度优化方法,获取隧道三维地质数据;根据隧道三维地质数据以及预设的JointGradOptNet网络,得到隧道电阻率和极化率的联合反演梯度的优化预测结果;其中,JointGradOptNet网络的训练中,针对基于隧道前方常见的含水体构建隧道三维地质模型数据库,通过一次迭代的反演结果与初始均一地电模型的差得到网络的电阻率输入梯度与极化率输入梯度,通过地电模型与初始均一地电模型的差得到网络的电阻率目标梯度与极化率目标梯度;本发明实现了对隧道掌子面前方异常体较为精确的成像。
Description
技术领域
本发明涉及地球物理勘探技术领域,特别涉及一种基于深度学习的隧道电阻率极化率联合反演梯度优化方法。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术,并不必然构成现有技术。
电阻率探测方法作为最常用的地球物理勘探方法之一,被广泛应用于工程勘察、水文地质、环境调查、资源勘探等领域。由于电阻率法对水体响应敏感,被引入隧道超前地质预报领域来探测突涌水灾害源。近年来,具有屏蔽后方干扰和掌子面前向测深功能的聚焦测深型观测装置,被成功应用在多个隧道工程。聚焦测深型观测模式利用了同性电流相互排斥的原理,使掌子面电流产生类似聚束效应,降低了来自掌子面附近的强干扰。通过将同性源供电电极向后移动,增大供电和测量电极的距离,实现了对前方不同距离水体信息的有效感知。通过反演方法处理观测数据,以获取隧道前方含水体的分布信息。
据发明人了解,目前最常用的隧道电阻率数据反演方法多为线性反演,利用不同距离的观测数据信息,可以实现对隧道前方含水体的位置与形态信息捕捉,但传统线性反演方法存在严重依赖初始模型、容易陷入局部最优和计算效率较低等问题,有待进一步改进。近年来,随着深度学习方法的涌现,地球物理领域已经逐步开始利用深度学习方法解决反演成像问题,但该方法反演精度依赖数据质量和种类,存在过拟合问题,泛化性差,适用范围有限。传统方法和深度学习方法优缺点互补,如何有效结合两者优势、弥补各自不足尤为关键。目前,深度学习方法与传统方法结合相关工作多是以深度学习方法为主,一般仅在损失函数中加入物理约束来辅助训练,仍然不能解决深度学习方法存在的固有问题。并且目前尚未有研究实现在传统方法中引入深度学习方法。
实现在传统电法反演方法中引入深度学习方法存在以下两个难题:
(1)传统电法反演方法通过反复迭代更新模型参数,促使模型不断逼近真实模型,而深度学习反演方法通过大规模数据集训练网络参数,直接学习电法数据与模型之间的非线性映射关系,两种方法的工作逻辑截然不同。因此如何找到切入点,在传统电法反演流程中引入深度学习,利用深度学习优势辅助解决传统反演方法缺点,是深度学习与传统方法高效结合的首要问题。
(2)深度学习方法由于很强的非线性映射能力,当学习任务较单一时,学习结果易出现“以偏概全”,与客观规律相差甚远。特别是当前深度学习电阻率反演方法,大多只使用单一电阻率物性参数,易出现过拟合。因此,如何通过联合多种物性参数反演任务,引导深度神经网络参数向有实际意义的方向更新,学习到真正客观规律,是提高深度学习方法鲁棒性的关键问题。
发明内容
为了解决现有技术的不足,本发明一方面提供了一种基于深度学习的隧道电阻率反演梯度优化方法,针对隧道电阻率数据特性提出了深度学习电阻率反演梯度优化同域映射思路,构建了基于深度学习的隧道电阻率反演梯度优化方法,以传统反演为骨架,通过深度神经网络学习初始梯度与目标梯度之间的对应关系,优化传统反演梯度;在此基础上,本发明另一方面提供了一种基于深度学习的隧道电阻率极化率联合反演梯度优化方法,引入极化率数据,构建了以初始电阻率梯度和极化率梯度作为输入,双目标梯度作为输出的双通道联合梯度优化网络,并借鉴传统交叉梯度思想,引入共线损失函数对电阻率反演和极化率反演进行约束,保证两个物性参数向着相同方向变化。
为了实现上述目的,本发明采用如下技术方案:
本发明第一方面提供了一种基于深度学习的隧道电阻率反演梯度优化方法。
一种基于深度学习的隧道电阻率反演梯度优化方法,包括以下过程:
获取隧道三维地质数据;
根据隧道三维地质数据以及预设的GradOptNet网络,得到隧道电阻率反演梯度的优化预测结果;
其中,GradOptNet网络的训练中,针对基于隧道前方常见的含水体构建隧道三维地质模型数据库,通过一次迭代的反演结果与初始均一地电模型的差值得到GradOptNet网络的输入梯度,通过地电模型与初始均一地电模型的差值得到网络的目标梯度。
本发明第二方面提供了一种基于深度学习的隧道电阻率反演梯度优化系统。
一种基于深度学习的隧道电阻率反演梯度优化系统,包括:
数据获取模块,被配置为:获取隧道三维地质数据;
反演梯度优化优化模块,被配置为:根据隧道三维地质数据以及预设的GradOptNet网络,得到隧道电阻率反演梯度的优化预测结果;
其中,GradOptNet网络的训练中,针对基于隧道前方常见的含水体构建隧道三维地质模型数据库,通过一次迭代的反演结果与初始均一地电模型的差值得到GradOptNet网络的输入梯度,通过地电模型与初始均一地电模型的差值得到网络的目标梯度。
本发明第三方面提供了一种基于深度学习的隧道电阻率极化率联合反演梯度优化方法。
一种基于深度学习的隧道电阻率极化率联合反演梯度优化方法,包括以下过程:
获取隧道三维地质数据;
根据隧道三维地质数据以及预设的JointGradOptNet网络,得到隧道电阻率和极化率的联合反演梯度的优化预测结果;
其中,JointGradOptNet网络的训练中,针对基于隧道前方常见的含水体构建隧道三维地质模型数据库,通过一次迭代的反演结果与初始均一地电模型的差得到网络的电阻率输入梯度与极化率输入梯度,通过地电模型与初始均一地电模型的差得到网络的电阻率目标梯度与极化率目标梯度。
本发明第四方面提供了一种基于深度学习的隧道电阻率极化率联合反演梯度优化系统。
一种基于深度学习的隧道电阻率极化率联合反演梯度优化系统,包括:
数据获取模块,被配置为:获取隧道三维地质数据;
联合反演梯度优化模块,被配置为:根据隧道三维地质数据以及预设的JointGradOptNet网络,得到隧道电阻率和极化率的联合反演梯度的优化预测结果;
其中,JointGradOptNet网络的训练中,针对基于隧道前方常见的含水体构建隧道三维地质模型数据库,通过一次迭代的反演结果与初始均一地电模型的差得到网络的电阻率输入梯度与极化率输入梯度,通过地电模型与初始均一地电模型的差得到网络的电阻率目标梯度与极化率目标梯度。
与现有技术相比,本发明的有益效果是:
1、本发明针对如何在传统反演方法中引入深度学习,提出了传统反演方法为主深度学习为辅的双驱动反演思路,建立了基于深度学习的隧道电阻率反演梯度优化方法,以传统反演梯度为切入点,利用深度神经网络学习梯度到梯度之间的映射关系,实现了对隧道掌子面前方异常体较为精确的成像。
2、本发明针对深度学习方法过拟合问题,借鉴地球物理传统联合反演和深度学习多任务学习思想,提出了共线约束,建立了基于深度学习的隧道电阻率/ 极化率联合反演梯度优化算法,保证电阻率参数和极化率参数结构相似性,实现了电阻率/极化率的联合反演,提高了算法对数据含噪等扰动的鲁棒性。
本发明附加方面的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
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1为本发明实施例5提供的以梯度优化为任务的三维深度神经网络 GradOptNet方法流程图。
图2为本发明实施例5提供的GradOptNet的损失函数计算和网络示意图。
图3为本发明实施例5提供的隧道电阻率极化率联合反演梯度优化深度神经网络JointGradOptNet方法流程图。
图4为本发明实施例5提供的JointGradOptNet的损失函数计算和网络示意图。
图5为本发明实施例5提供的每个卷积层设置。
图6为本发明实施例5提供的隧道电阻率数据库示意图。
图7为本发明实施例5提供的极化率数据库示意图。
图8为本发明实施例5提供的深度学习反演结果一。
图9为本发明实施例5提供的深度学习反演结果二。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出,以下详细说明都是示例性的,旨在对本发明提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本发明的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
实施例1:
本发明实施例1提供了一种基于深度学习的隧道电阻率反演梯度优化方法,包括以下过程:
获取隧道三维地质数据;
根据隧道三维地质数据以及预设的GradOptNet网络,得到隧道电阻率反演梯度的优化预测结果;
其中,GradOptNet网络的训练中,针对基于隧道前方常见的含水体构建隧道三维地质模型数据库,通过一次迭代的反演结果与初始均一地电模型的差值得到GradOptNet网络的输入梯度,通过地电模型与初始均一地电模型的差值得到网络的目标梯度。
具体的,包括以下过程:
基于隧道前方常见的含水体构建隧道三维地质模型数据库,包括了10134个数值模拟数据。针对每个样本数据,数据集都同时有其对应的地电模型和相应的传统方法一次迭代的反演结果;
基于三维U-Net网络架构,针对隧道三维环境,构建了以梯度优化为任务的三维深度神经网络GradOptNet(Gradient Optimized Neural Network),随机抽取一组原始梯度数据,输入到GradOptNet进行训练,输出预测梯度;
计算数据损失函数,对输出预测梯度与真实目标梯度进行误差计算,并进行梯度回传,优化三维深度神经网络GradOptNet;
通过GradOptNet网络构造隧道电阻率原始梯度数据与地质模型的映射,在网络训练结束后,利用测试集数据进行测试,得到预测的目标梯度,将其与初始均一模型相加得到优化后的电阻率反演结果。
构建隧道三维地质模型数据库包括:
针对隧道前方常见含水地质构造,设计了三种类型的隧道典型异常体,主要包含断层模型、单个溶洞模型和两个溶洞模型;
针对隧道电阻率反演的实际应用场景,异常体只有一种形式即低电阻异常。最后,将数据集按10:1:1的比例随机分为训练集、验证集和测试集;
构造以梯度优化为任务的三维深度神经网络GradOptNet,该网络主要由两部分组成:编码器(Encoder)和解码器(Decoder);解码器通过压缩输入数据尺寸和扩充数据通道数两种方式提取数据的高层语义信息特征,获取全局信息;
均方差损失能适用于回归问题是由于在模型输出与真实值的误差服从高斯分布的假设下,最小化均方差损失函数与极大似然估计本质上是一致的,因此只要在这一假设成立的场景下,如回归问题,均方差损失能得到理想的预测效果。而电阻率深度学习反演可视作深度学习中的值回归问题,因此在本实施例中,GradOptNet损失函数上选择了MSE度量,通过MSE度量惩罚梯度预测值相对于目标梯度值的误差,因此GradOptNet的均方差损失函数为:
实施例2:
本发明实施例2提供了一种基于深度学习的隧道电阻率反演梯度优化系统,包括:
数据获取模块,被配置为:获取隧道三维地质数据;
反演梯度优化优化模块,被配置为:根据隧道三维地质数据以及预设的GradOptNet网络,得到隧道电阻率反演梯度的优化预测结果;
其中,GradOptNet网络的训练中,针对基于隧道前方常见的含水体构建隧道三维地质模型数据库,通过一次迭代的反演结果与初始均一地电模型的差值得到GradOptNet网络的输入梯度,通过地电模型与初始均一地电模型的差值得到网络的目标梯度。
所述系统的工作方法与实施例1所述的方法相同,这里不再赘述。
实施例3:
本发明实施例3提供了一种基于深度学习的隧道电阻率极化率联合反演梯度优化方法,包括以下过程:
获取隧道三维地质数据;
根据隧道三维地质数据以及预设的JointGradOptNet网络,得到隧道电阻率和极化率的联合反演梯度的优化预测结果;
其中,JointGradOptNet网络的训练中,针对基于隧道前方常见的含水体构建隧道三维地质模型数据库,通过一次迭代的反演结果与初始均一地电模型的差得到网络的电阻率输入梯度与极化率输入梯度,通过地电模型与初始均一地电模型的差得到网络的电阻率目标梯度与极化率目标梯度。
具体的,包括以下过程:
基于隧道前方常见的含水体构建隧道三维地质模型数据库,包括了10134个数值模拟数据,针对每个样本数据,数据集都同时有其对应的地电模型和相应的传统方法一次迭代的反演结果;
基于隧道电阻率反演梯度优化数据库的10134个电阻率数据,提供了电阻率数据相对应的极化率数值模拟数据,并且针对每个极化率数据,同时也提供其对应的极化率模型和相应的传统反演方法一次迭代的极化率反演结果;
基于电阻率三维深度神经网络GradOptNet,提出了隧道电阻率/极化率联合反演梯度优化深度神经网络JointGradOptNet;
基于联合反演网络JointGradOptNet,随机抽取一组联合的原始梯度数据,输入到JointGradOptNet进行训练,输出预测梯度;
基于数据损失函数,增加梯度共线约束项,对输出预测梯度与真实目标梯度进行误差计算,并进行梯度回传,优化联合反演网络JointGradOptNet。
针对隧道电阻率/极化率联合反演梯度优化数据库,通过一次迭代的反演结果与初始均一地电模型的差得到网络的电阻率输入梯度与极化率输入梯度通过地电模型与初始均一地电模型的差得到网络的电阻率目标梯度与极化率目标梯度构建了训练样本对。
针对隧道电阻率反演的实际应用场景,异常体只有一种形式即低电阻异常。最后,将数据集按10:1:1的比例随机分为训练集、验证集和测试集。
本实施例中,基于隧道电阻率数据,又继续相对应的极化率数值模拟数据。根据等效电阻率公式,通过异常体模型的电阻率ρ和极化率η,即可计算得出模型相应的等效电阻率。利用该等效电阻率进行正演,得到带有激发极化效应的电阻率正演结果继续通过地电模型进行正演,得到不带有激发极化效应的正演响应结果ρs。最后利用等效电阻率公式即可求出极化率的正演响应。
构造隧道电阻率/极化率联合反演梯度优化深度神经网络JointGradOptNet,该网络主要由一个编码器(Encoder)和两个解码器(Decoder)组成,两个解码器结构完全相同。JointGradOptNet编码器和解码器的具体构造与GradOptNet的编码器和解码器结构相同。JointGradOptNe的输入数据是电阻率与极化率的联合初始梯度,即一个二通道输入数据,两个通道分别为电阻率初始梯度和极化率初始梯度。JointGradOptNet通过编码器从电阻率和极化率的联合初始梯度信息中挖掘相关信息、提取共用特征,之后分别输入共用特征到两个解码器中,通过解码得到预测的目标电阻率梯度和目标极化率梯度。
基于深度学习的隧道电阻率/极化率反演梯度优化深度神经网络(JointGradOptNet)的输出是梯度,因此可以在输出梯度上增加梯度共线约束项,来很方便的实现如传统联合反演的交叉梯度,即:
最终,基于深度学习的隧道电阻率/极化率联合反演梯度优化方法的损失函数可定义为:
实施例4:
本发明实施例4提供了一种基于深度学习的隧道电阻率极化率联合反演梯度优化系统,包括:
数据获取模块,被配置为:获取隧道三维地质数据;
联合反演梯度优化模块,被配置为:根据隧道三维地质数据以及预设的JointGradOptNet网络,得到隧道电阻率和极化率的联合反演梯度的优化预测结果;
其中,JointGradOptNet网络的训练中,针对基于隧道前方常见的含水体构建隧道三维地质模型数据库,通过一次迭代的反演结果与初始均一地电模型的差得到网络的电阻率输入梯度与极化率输入梯度,通过地电模型与初始均一地电模型的差得到网络的电阻率目标梯度与极化率目标梯度。
所述系统的工作方法与实施例1所述的方法相同,这里不再赘述。
实施例5:
本发明实施例5提供了基于深度学习的隧道电阻率反演梯度优化方法(如图 1所示)以及基于深度学习的隧道电阻率/极化率联合反演梯度优化方法(如图2 所示),包括以下过程:
步骤S1,通过计算机数值模拟构建隧道三维地质模型数据库,所述数据库包括隧道电阻率梯度优化数据库(仅包含电阻率数据)和隧道电阻率/极化率数据库(包含电阻率数据和极化率);
本实例的方法主要针对隧道典型异常体,主要包含三种类型:断层模型、单个溶洞模型和两个溶洞模型,这里用不同位置、不同大小、不同数值的模型表示,如图6和图7所示。
本实施例的地电模型的基础设置如下:围岩电阻率设置为1000Ω·m,隧道空腔的电阻率值设置为10000000Ω·m,低电阻异常体的电阻率值设置为30Ω·m ~200Ω·m。本次数据模型大小为11×15×18,采用多同性源电极供电,共布设 3条测线,每条测线9个测点;极化率模型的围岩极化率设置为0.01,隧道空腔的极化率值设置为0,将高极化异常体的极化率值设置为0.46-0.12;
步骤S2,以梯度优化为任务的三维深度神经网络GradOptNet和在此基础上的隧道电阻率/极化率联合反演梯度优化深度神经网络JointGradOptNet;
本实施例中通过端到端的训练方式实现反演梯度优化,该网络主要由两部分组成:编码器(Encoder)和解码器(Decoder);解码器通过压缩输入数据尺寸和扩充数据通道数两种方式提取数据的高层语义信息特征,获取全局信息。
具体的,本实施例中使用4个conv-down块来组成编码器,每个conv-down块包含两个卷积操作和一个最大池化操作,其中每个卷积操作又包含一个三维卷积操作、批标准化操作以及ReLU激活函数。而解码器把编码器得到的全局信息进行上采样操作,最终得到与输入原始数据尺寸相同的预测结果,并且在解码过程中,通过短路连接(shortcut)将编码层获取的低层的局部信息引入到解码过程,将全局信息和局部信息结合保证解码结果细节信息不丢失。解码器由4个 conv-up块组成,每个conv-up块首先通过一个三维转置卷积层对特征进行上采样,然后通过卷积层进行额外的两个公共三维卷积操作,每个卷积层设置如图5 所示。
步骤S3,如3和图4所示,设计两种损失函数,完成以梯度优化为任务的三维深度神经网络GradOptNet和在此基础上的隧道电阻率/极化率联合反演梯度优化深度神经网络JointGradOptNet;
本实例中在GradOptNet损失函数上选择了MSE度量,通过MSE度量惩罚梯度预测值相对于目标梯度值的误差,因此均方差损失函数被定义为:
基于深度学习的隧道电阻率/极化率反演梯度优化深度神经网络(JointGradOptNet)的输出是梯度,因此可以在输出梯度上增加梯度共线约束项,来很方便的实现如传统联合反演的交叉梯度,即:
最终,基于深度学习的隧道电阻率/极化率联合反演梯度优化方法的损失函数可定义为:
步骤S4,训练GradOptNet网络和JointGradOptNet网络。
本实施例中主要网络参数和硬件条件为:计算采用单片NVIDIA TITAN Xp 实现;基于PyTorch平台搭建网络,SGD优化器批处理量(batchsize)为12,学习率(learningrate)为0.125,学习算法在整个训练数据集中的工作次数(epoch) 为400。
步骤S5,GradOptNet网络和JointGradOptNet网络构造了初始梯度数据与目标梯度数据的映射关系,可表示反演过程,代入测试集的部分结果如图8和图9所示。图8为GradOptNet网络反演结果,对比传统反演结果,该方法反演精度高、效果稳定,特别是对异常体边界以及电阻率值的刻画都更加准确。图9为基于 3dBw噪声强度的GradOptNet网络反演结果和JointGradOptNet网络反演结果对比,可有效缓解深度学习过拟合问题,提高了方法的鲁棒性。实施例训练网络用时约24小时,测试860组数据用时约1分钟,反演效率可以达到工程应用要求。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
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,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一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。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory, ROM)或随机存储记忆体(Random AccessMemory,RAM)等。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于深度学习的隧道电阻率反演梯度优化方法,其特征在于:
包括以下过程:
获取隧道三维地质数据;
根据隧道三维地质数据以及预设的GradOptNet网络,得到隧道电阻率反演梯度的优化预测结果;
其中,GradOptNet网络的训练中,针对基于隧道前方常见的含水体构建隧道三维地质模型数据库,通过一次迭代的反演结果与初始均一地电模型的差值得到GradOptNet网络的输入梯度,通过地电模型与初始均一地电模型的差值得到网络的目标梯度。
3.如权利要求1所述的基于深度学习的隧道电阻率反演梯度优化方法,其特征在于:
常见的含水体,包括:断层模型、单个溶洞模型和两个溶洞模型。
4.如权利要求1所述的基于深度学习的隧道电阻率反演梯度优化方法,其特征在于:
GradOptNet网络,包括:编码器和解码器;
编码器包括四个conv-down块,每个conv-down块包括两个卷积操作和一个最大池化操作,每个卷积操作包括一个三维卷积操作、批标准化操作以及ReLU激活函数;
解码器包括四个conv-up块,每个conv-up块首先通过一个三维转置卷积层对特征进行上采样,然后通过卷积层进行额外的两个公共三维卷积操作;
解码器把编码器得到的全局信息进行上采样操作,得到与输入原始数据尺寸相同的预测结果,在解码过程中,通过短路连接将编码层获取的低层的局部信息引入到解码过程以将全局信息和局部信息结合。
5.一种基于深度学习的隧道电阻率反演梯度优化系统,其特征在于:
包括:
数据获取模块,被配置为:获取隧道三维地质数据;
反演梯度优化优化模块,被配置为:根据隧道三维地质数据以及预设的GradOptNet网络,得到隧道电阻率反演梯度的优化预测结果;
其中,GradOptNet网络的训练中,针对基于隧道前方常见的含水体构建隧道三维地质模型数据库,通过一次迭代的反演结果与初始均一地电模型的差值得到GradOptNet网络的输入梯度,通过地电模型与初始均一地电模型的差值得到网络的目标梯度。
6.一种基于深度学习的隧道电阻率极化率联合反演梯度优化方法,其特征在于:
包括以下过程:
获取隧道三维地质数据;
根据隧道三维地质数据以及预设的JointGradOptNet网络,得到隧道电阻率和极化率的联合反演梯度的优化预测结果;
其中,JointGradOptNet网络的训练中,针对基于隧道前方常见的含水体构建隧道三维地质模型数据库,通过一次迭代的反演结果与初始均一地电模型的差得到网络的电阻率输入梯度与极化率输入梯度,通过地电模型与初始均一地电模型的差得到网络的电阻率目标梯度与极化率目标梯度。
8.如权利要求6所述的基于深度学习的隧道电阻率极化率联合反演梯度优化方法,其特征在于:
JointGradOptNet网络,包括:一个编码器和两个解码器,两个解码器结构完全相同;
编码器包括四个conv-down块,每个conv-down块包括两个卷积操作和一个最大池化操作,每个卷积操作包括一个三维卷积操作、批标准化操作以及ReLU激活函数;
解码器包括四个conv-up块,每个conv-up块首先通过一个三维转置卷积层对特征进行上采样,然后通过卷积层进行额外的两个公共三维卷积操作;
通过编码器从电阻率和极化率的联合初始梯度中提取共用特征,分别输入共用特征到两个解码器中,通过两个解码分别得到预测的目标电阻率梯度和目标极化率梯度。
10.一种基于深度学习的隧道电阻率极化率联合反演梯度优化系统,其特征在于:
包括:
数据获取模块,被配置为:获取隧道三维地质数据;
联合反演梯度优化模块,被配置为:根据隧道三维地质数据以及预设的JointGradOptNet网络,得到隧道电阻率和极化率的联合反演梯度的优化预测结果;
其中,JointGradOptNet网络的训练中,针对基于隧道前方常见的含水体构建隧道三维地质模型数据库,通过一次迭代的反演结果与初始均一地电模型的差得到网络的电阻率输入梯度与极化率输入梯度,通过地电模型与初始均一地电模型的差得到网络的电阻率目标梯度与极化率目标梯度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210932838.9A CN115577612A (zh) | 2022-08-04 | 2022-08-04 | 基于深度学习的隧道电阻率极化率联合反演梯度优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210932838.9A CN115577612A (zh) | 2022-08-04 | 2022-08-04 | 基于深度学习的隧道电阻率极化率联合反演梯度优化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115577612A true CN115577612A (zh) | 2023-01-06 |
Family
ID=84580075
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210932838.9A Pending CN115577612A (zh) | 2022-08-04 | 2022-08-04 | 基于深度学习的隧道电阻率极化率联合反演梯度优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115577612A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117709192A (zh) * | 2023-12-15 | 2024-03-15 | 中国矿业大学 | 一种深度学习驱动的电磁数据城市岩溶探测方法 |
CN117709192B (zh) * | 2023-12-15 | 2024-05-24 | 中国矿业大学 | 一种深度学习驱动的电磁数据城市岩溶探测方法 |
-
2022
- 2022-08-04 CN CN202210932838.9A patent/CN115577612A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117709192A (zh) * | 2023-12-15 | 2024-03-15 | 中国矿业大学 | 一种深度学习驱动的电磁数据城市岩溶探测方法 |
CN117709192B (zh) * | 2023-12-15 | 2024-05-24 | 中国矿业大学 | 一种深度学习驱动的电磁数据城市岩溶探测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113052371A (zh) | 基于深度卷积神经网络的剩余油分布预测方法及装置 | |
CN112926771B (zh) | 一种基于改进的时空图卷积网络产油量预测方法及系统 | |
CN110705179A (zh) | 基于融合神经网络的导水裂缝带高度精确预测方法及系统 | |
Li et al. | Identification of groundwater contamination sources using a statistical algorithm based on an improved Kalman filter and simulation optimization | |
CN111597753B (zh) | 数据深度变化特征自适应的二维电阻率反演方法及系统 | |
CN112735541A (zh) | 一种基于简单循环单元神经网络的污水处理水质预测方法 | |
CN111123374A (zh) | 一种基于匹配滤波的探地雷达全波形反演方法 | |
CN112949944A (zh) | 一种基于时空特征的地下水位智能预测方法及系统 | |
CN115577612A (zh) | 基于深度学习的隧道电阻率极化率联合反演梯度优化方法 | |
CN115458071B (zh) | 土壤重金属含量预测方法、装置与设备 | |
CN114943189B (zh) | 一种基于XGboost的声速剖面反演方法及系统 | |
Lacerda et al. | Using a machine learning proxy for localization in ensemble data assimilation | |
KR102500534B1 (ko) | 순환신경망 기반 수자원 정보 생성 장치 및 방법 | |
CN116385892A (zh) | 基于目标上下文卷积神经网络的数字高程模型提取方法 | |
CN114488314B (zh) | 一种基于陆地与水下直流电联合测量的地质反演方法 | |
CN111597752B (zh) | 平衡孔间敏感性的跨孔电阻率ct深度学习反演方法及系统 | |
CN116166642A (zh) | 基于引导信息的时空数据填补方法、系统、设备及介质 | |
CN115184998A (zh) | 一种基于改进U-net神经网络的瑞利波频散曲线自动提取方法 | |
CN111949945B (zh) | 一种确定烃源岩总有机碳含量的方法、装置、设备及系统 | |
CN114638048A (zh) | 三维喷管流场快速预测与敏感性参数分析方法及装置 | |
CN117192643A (zh) | 基于深度学习约束的电法与地震联合反演方法、存储介质 | |
KR102272084B1 (ko) | 환경 변화 예측 시스템 및 환경 변화 예측 방법 | |
Zhu et al. | A Decision Support Framework for Pollution Source Detection via Coupled Forward‐Inverse Optimization and Multi‐Information Fusion | |
Riccietti et al. | Multilevel physics informed neural networks (MPINNs) | |
CN114186583B (zh) | 一种储油罐罐壁腐蚀检测异常信号恢复方法及系统 |
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 |