CN115826059A - 一种瞬变电磁快速超前预测方法 - Google Patents
一种瞬变电磁快速超前预测方法 Download PDFInfo
- Publication number
- CN115826059A CN115826059A CN202211534973.4A CN202211534973A CN115826059A CN 115826059 A CN115826059 A CN 115826059A CN 202211534973 A CN202211534973 A CN 202211534973A CN 115826059 A CN115826059 A CN 115826059A
- Authority
- CN
- China
- Prior art keywords
- tunnel
- transient electromagnetic
- model
- data
- 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
- 230000001052 transient effect Effects 0.000 title claims abstract description 73
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000012549 training Methods 0.000 claims abstract description 36
- 230000005672 electromagnetic field Effects 0.000 claims abstract description 29
- 238000004364 calculation method Methods 0.000 claims abstract description 14
- 238000003062 neural network model Methods 0.000 claims abstract description 13
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 8
- 230000002159 abnormal effect Effects 0.000 claims description 42
- 230000006870 function Effects 0.000 claims description 19
- 230000005856 abnormality Effects 0.000 claims description 15
- 238000012360 testing method Methods 0.000 claims description 11
- 238000001514 detection method Methods 0.000 claims description 9
- 238000004088 simulation Methods 0.000 claims description 8
- 238000011176 pooling Methods 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 238000013135 deep learning Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000005192 partition Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 2
- 230000002194 synthesizing effect Effects 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 9
- 238000010586 diagram Methods 0.000 description 18
- 238000013528 artificial neural network Methods 0.000 description 8
- 238000010276 construction Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 239000011435 rock Substances 0.000 description 6
- 238000006243 chemical reaction Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 239000002131 composite material Substances 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000008092 positive effect Effects 0.000 description 2
- 238000012827 research and development Methods 0.000 description 2
- 230000005641 tunneling Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000593 degrading effect Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
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
- G01V3/08—Electric or magnetic prospecting or detecting; Measuring magnetic field characteristics of the earth, e.g. declination, deviation operating with magnetic or electric fields produced or modified by objects or geological structures or by detecting devices
-
- 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
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Electromagnetism (AREA)
- Environmental & Geological Engineering (AREA)
- Geology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Geophysics (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明属于隧道超前预测技术领域,公开了一种瞬变电磁快速超前预测方法,基于实际勘探需要,设置观测系统;随机生成大量理论的隧道电阻率模型;基于观测系统和数值模拟算法,对隧道电阻率模型进行数值计算,得到每个模型对应的瞬变电磁场数据;构建残差神经网络模型,设计损失函数,利用得到的每个模型对应的瞬变电磁场数据对ResNet进行训练;利用训练好的ResNet模型对新的观测数据进行预测,得到隧道TEM数据反演结果。与现有的瞬变电磁隧道超前预测技术相比,本发明的瞬变电磁快速超前预测方法更加准确,反演的假异常的可能性减少;在1秒内即可完成反演,更加高效,为实时隧道超前预测奠定了基础。
Description
技术领域
本发明属于隧道超前预测技术领域,尤其涉及一种瞬变电磁快速超前预测方法。
背景技术
目前,瞬变电磁法(transient electromagnetic method,TEM)是一种隧道超前预测的常用方法。它是一种时间域电磁法,其通过发射跃阶电流脉冲信号发射到岩层中,断电后采集由地下异常体引起的二次场衰减信号,根据不同岩石电阻率的具有不同的电磁场衰减信号,来探测地下电阻率异常体的分布。它的主要优势在于发射装置和接收装置可以不接地,这种特性使得航空和半航空瞬变电磁成为可能,同时也为实时隧道超前预测奠定了基础。
瞬变电磁超前探测技术可以预测前方岩石的电阻率信息,对低阻异常体非常敏感,因此可以判断隧道前方是否存在富水异常体,从而可以更好地指引盾构挖掘方案,且最大程度避免隧道上方地层沉降、水涌等地质灾害。就目前国内相关方面现状而言,隧道施工安全防范意识普遍薄弱,进行隧道超前预报,根据预报结果制定合理的施工方案并采取相应的措施,对降低地质灾害发生几率,消除安全隐患至关重要。提高隧道瞬变电磁超前预测技术,采用精准、有效的隧道超前预报系统进行地质超前预报,在隧道建设、城市地下空间建设和矿山能源开采等方面具有广阔的应用前景。
隧道瞬变电磁超前预测技术以一维反演解释为主,中心回线装置应用较多。通常假设探测前方区域为层状介质,以半空间或者全空间层状模型的解析解为基础,推导出全区视电阻率的换算公式。得到实测的感应电动势后,可以换算为视电阻率,或者直接反演感应电动势,得到反演的电阻率模型。通过视电阻率和反演结果,可以对隧道前方介质结构以及是否存在富水异常体进行判断。
隧道瞬变电磁超前预测技术主要以一维反演解释为主,这种反演具有较大的不确定性。与地面瞬变电磁不同,隧道内部瞬变电磁场非唯一性更强,传感器采集的数据可能同时受到隧道前方和隧道周围岩石的影响,因此反演结果易受周围岩石的影响,且容易出现反演假异常。此外,二、三维隧道全空间瞬变电磁反演存在较大的非唯一性,且计算效率较低,一次反演时长可能高达十小时甚至数天,可能会严重地影响隧道掘进施工进展。因此如何降低瞬变电磁反演的非唯一性,提高二三维反演的效率是一个亟待解决的问题。
通过上述分析,现有技术存在的问题及缺陷为:
(1)现有隧道瞬变电磁超前预测技术以一维反演解释为主,反演结果易受周围岩石影响容易出现反演假异常,故一维反演具有较大的不确定性。
(2)二、三维隧道全空间瞬变电磁反演存在较大非唯一性,计算效率较低,一次反演时长可能高达十小时甚至数天,严重地影响隧道掘进施工进展。
发明内容
针对现有技术存在的问题,本发明提供了一种瞬变电磁快速超前预测方法,尤其涉及一种基于ResNet的瞬变电磁快速超前预测方法。
本发明是这样实现的,一种瞬变电磁快速超前预测方法,瞬变电磁快速超前预测方法包括:基于实际勘探需要,设置观测系统;随机生成大量理论的隧道电阻率模型;基于观测系统和数值模拟算法,对隧道电阻率模型进行数值计算,得到每个模型对应的瞬变电磁场数据;构建残差神经网络模型,设计损失函数,利用得到的每个模型对应的瞬变电磁场数据对ResNet进行训练;利用训练好的ResNet模型对新的观测数据进行预测,得到隧道TEM数据反演结果。
进一步,瞬变电磁快速超前预测方法包括以下步骤:
步骤一,设置观测系统并对隧道空间中的三维瞬变电磁场进行数值模拟,获得训练数据集;
步骤二,构建残差神经网络模型并进行性能评估;通过反向传播不断更新残差网络的超参数,完成残差神经网络模型的训练。
进一步,步骤一中,在隧道超前探测中,采用中心回线装置对隧道周围以及正前方进行扫描,并布置观测系统。设置数据采集通道n个(根据仪器和探测覆盖范围需要设定),位于隧道上方和下方采集点仅采集Z方向的感应电动势,前方的采集点以接收线圈法向方向为探测方向,在180°范围内进行旋转,范围[-90°,90°],间隔10°;每个通道内设置时间采样点30个,在10-5到10-3s内对数间隔。
进一步,步骤一中,对隧道空间中的三维瞬变电磁场进行数值模拟,每个模拟数据添加5%的高斯噪声,得到训练数据集。
假设隧道环境为全空间的各向同性非均匀介质,存在电阻率为1e8的隧道空间,低阻异常体位于隧道周围任意位置处。设置背景电阻率,低阻异常体的大小,空间位置,低阻异常电阻率在一定范围内均匀随机变化。背景电阻率变化范围[1e2,1e5]Ω·m,低阻异常体电阻率变化范围[0.1,10]Ω·m。采用方块形态代替任意可能的异常形态,边长大小范围为[10,30]m。
瞬变电磁场实质上为电磁场的衰减信号,采集感应电动势并取log10,再取绝对值,将输入数据的数量级控制在20以内的正数。输入数据为二维结构,横坐标为距离或扫描角度的通道数,纵坐标为时间的通道数。将上、下、前三个数据集按照空间位置合成一张图作为ResNet输入,使神经网络可以学习到三个二维图片的空间位置。
将每个模型中低阻异常体的中心位置坐标投影至一维空间,空间范围x∈[0,90]m,间隔0.2m,故输出层的神经元个数为450个。将坐标附近的标签值设置为高斯分布,模型中心点位于高斯函数的最大值点,高斯分布的方差设置为5m。生成理论模型及对应的模拟数据集,其中90%用于训练,10%用于测试。
进一步,步骤二中,用于隧道TEM数据训练的深度学习网络左右各4层,共包含10个卷积层,2个池化层。选取RELU激活函数作用于卷积层的输出,使用Batch_Normilization对数据进行标准化;利用ShortCut将浅层网络的信息直接传递到深层;对最后一层卷积层作用sigmoid函数,使输出值范围在[0,1]。
通过预测变量qi和标签pi之间的交叉熵评估ResNet的性能,表达式为:
其中,i=0,1分别表示存在异常的类和不存在低阻异常的分类,存在异常的类和不存在低阻异常的分类的和恒为1;x∈[0,90]表示输出分布的横坐标。通过反向传播不断更新残差网络的超参数,完成残差神经网络模型的训练。
进一步,步骤二中,将预测区域分成十个区,按顺序分为1~9,每个区域表示一个类,没有异常为0类;依据预测标签的极大值对应的坐标,得到预测的分类结果,并利用下式与标签计算测试集和训练集的准确度:
其中,K为分区总数9,I为预测分类和标签分类的距离。
本发明的另一目的在于提供一种应用所述的瞬变电磁快速超前预测方法的瞬变电磁快速超前预测系统,瞬变电磁快速超前预测系统包括:
隧道电阻率模型生成模块,用于基于实际勘探需要,设置观测系统,并随机生成大量理论的隧道电阻率模型;
模型数值计算模块,用于基于观测系统和数值模拟算法,对隧道电阻率模型进行数值计算,得到每个模型对应的瞬变电磁场数据;
模型训练模块,用于构建残差神经网络模型,设计损失函数,用得到的每个模型对应的瞬变电磁场数据对ResNet进行训练;
观测数据预测模块,用于利用训练好的ResNet模型对新的观测数据进行预测,得到隧道TEM数据的反演结果。
本发明的另一目的在于提供一种计算机设备,计算机设备包括存储器和处理器,存储器存储有计算机程序,计算机程序被处理器执行时,使得处理器执行所述的瞬变电磁快速超前预测方法的步骤。
本发明的另一目的在于提供一种计算机可读存储介质,存储有计算机程序,计算机程序被处理器执行时,使得处理器执行所述的瞬变电磁快速超前预测方法的步骤。
本发明的另一目的在于提供一种信息数据处理终端,信息数据处理终端用于实现所述的瞬变电磁快速超前预测系统。
结合上述的技术方案和解决的技术问题,本发明所要保护的技术方案所具备的优点及积极效果为:
第一,针对上述现有技术存在的技术问题以及解决该问题的难度,紧密结合本发明的所要保护的技术方案以及研发过程中结果和数据等,详细、深刻地分析本发明技术方案如何解决的技术问题,解决问题之后带来的一些具备创造性的技术效果。具体描述如下:
本发明提供了一种利用基于残差神经网络(ResNet)的瞬变电磁二维快速反演技术,基于三维数据,相比常规一维反演降低了非唯一性;反演算法在1秒内得到预测结果,实现了对隧道前方是否存在危险异常、以及存在异常的大致方位进行实时监测,相比于常规二三维反演极大地提高了数据处理效率。
本发明基于残差神经网络,实现隧道TEM数据的快速反演,即半定量地评估是否存在低阻异常体,并确定其大致位置。本发明核心保护以下技术方案:1)半定量ResNet预测思路:基于残差神经网络,利用TEM数据对预测隧道前方是否存在低阻异常,以及异常的方位进行半定量预测;2)电阻率模型训练集的产生方式,输入数据的处理以及标签的设计方案;3)损失函数的设计。
本发明提供的瞬变电磁二维快速反演技术,一方面反演模型是基于三维数据集得到,相比一维反演利用了更多的三维信息的数据,对反演模型的约束加强,降低了一维反演的非唯一性;另一方面在神经网络模型训练好之后,给定测量数据可以在1秒内得到预测结果,极大地提高了计算效率,实现了对隧道前方是否存在危险异常、以及存在异常的大致方位进行实时监测。
第二,把技术方案看做一个整体或者从产品的角度,本发明所要保护的技术方案具备的技术效果和优点,具体描述如下:
与现有的瞬变电磁隧道超前预测技术相比,本发明的主要优点在于:
1)更加准确,反演的假异常的可能性减少;
2)更加高效,传统方法中,一维反演通常需要1个小时左右,二三维反演通常在数小时到数十小时,本发明的方法在1秒内即可完成反演,这为实时隧道超前预测奠定了基础。
第三,作为本发明的权利要求的创造性辅助证据,还体现在以下几个重要方面:
(1)本发明的技术方案转化后的预期收益和商业价值为:
由于本发明计算效率较高,有希望实现快速实时反演,提高了隧道施工效率。
(2)本发明的技术方案填补了国内外业内技术空白:
首次将深度学习应用到TEM超前预测,实现了隧道内部二三维TEM超前预测的定性反演,以及实时反演。
(3)本发明的技术方案是否解决了人们一直渴望解决、但始终未能获得成功的技术难题:
一定程度上解决了隧道瞬变电磁一维不确定性较大的问题,以及二三维反演效率低下的问题。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例中所需要使用的附图做简单的介绍,显而易见地,下面所描述的附图仅仅是本发明的一些实施例,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是本发明实施例提供的瞬变电磁快速超前预测方法流程图;
图2是本发明实施例提供的观测系统与输入数据的结构图;
图3是本发明实施例提供的电阻率模型设置方法及部分模型图;
图4是本发明实施例提供的用于超前预测的ResNet框架图,特征图上方的数字表示特征图的层数,长和宽;层数对应着滤波器的个数;池化层表示对特征图进行下采样的最大池化操作;
图5A是本发明实施例提供的训练过程中的损失函数的演化图;
图5B是本发明实施例提供的训练过程中的准确率的演化图;
图6A是本发明实施例提供的合成模型异常在隧道上方的示意图;
图6B是本发明实施例提供的ResNet预测结果的概率分布图1;
图6C是本发明实施例提供的换算后的预测异常体空间分布图1,颜色越深表示存在低阻体的可能性越大,虚线表示异常存在的具体位置;
图6D是本发明实施例提供的合成模型异常在隧道前方的示意图;
图6E是本发明实施例提供的ResNet预测结果的概率分布图2;
图6F是本发明实施例提供的换算后的预测异常体空间分布图2,颜色越深表示存在低阻体的可能性越大,虚线表示异常存在的具体位置;
图7A是本发明实施例提供的合成模型异常在隧道下方的情况示意图;
图7B是本发明实施例提供的ResNet预测结果的概率分布图1;
图7C是本发明实施例提供的换算后的预测异常体空间分布图1,颜色越深表示存在低阻体的可能性越大,虚线表示异常存在的具体位置。
图7D是本发明实施例提供的合成模型不存在异常体的情况示意图;
图7E是本发明实施例提供的ResNet预测结果的概率分布图2;
图7F是本发明实施例提供的换算后的预测异常体空间分布图2,颜色越深表示存在低阻体的可能性越大,虚线表示异常存在的具体位置。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
针对现有技术存在的问题,本发明提供了一种瞬变电磁快速超前预测方法,下面结合附图对本发明作详细的描述。
为了使本领域技术人员充分了解本发明如何具体实现,该部分是对权利要求技术方案进行展开说明的解释说明实施例。
如图1所示,本发明实施例提供的瞬变电磁快速超前预测方法包括以下步骤:
S101,基于实际勘探需要,设置观测系统;
S102,随机生成大量理论的隧道电阻率模型;
S103,基于观测系统和数值模拟算法,对隧道电阻率模型进行数值计算,得到每个模型对应的瞬变电磁场数据;
S104,构建残差神经网络(ResNet)模型,设计损失函数,用得到的每个模型对应的瞬变电磁场数据对ResNet进行训练;
S105,利用训练好的模型对新的观测数据进行预测,得到反演结果。
作为优选实施例,本发明实施例提供的瞬变电磁快速超前预测方法,具体包括以下步骤:
(1)观测系统与数据准备
在隧道超前探测中,采用中心回线装置对隧道周围以及正前方进行扫描,观测系统的布置如图2所示。假设共设置数据采集通道38个,隧道上方9个,下方9个,前方19个;位于隧道上方和下方采集点仅采集Z方向的感应电动势,前方的采集点以接收线圈法向方向为探测方向,在180°范围内进行旋转,范围[-90°,90°],间隔10°,一共可以得到19个通道。每个通道内时间采样点30个,在10-5到10-3s内对数间隔。
本发明利用有限体积法对隧道空间中的三维瞬变电磁场进行数值模拟,每个模拟数据添加了5%的高斯噪声,以得到大量的训练数据集。假设隧道环境为全空间的各向同性非均匀介质中,存在一个电阻率为1e8(空气的电阻率)的隧道空间,一个低阻异常体位于隧道周围任意位置处。为了提高数据的泛化能力,设置背景电阻率,低阻异常体的大小,空间位置,低阻异常电阻率在一定范围内均匀随机变化(见图3)。背景电阻率变化范围[1e2,1e5]Ω·m,低阻异常体电阻率变化范围[0.1,10]Ω·m。由于瞬变电磁场对异常体的形态并不敏感,因此采用方块形态来代替任意可能的异常形态,边长大小范围为[10,30]m。
瞬变电磁场实质上为电磁场的衰减信号,通常采集感应电动势,得到的感应电动势数量级通常较低,且差异巨大,一般位于10-5到10-18,不利于神经元的传递。为此将得到的值取log10,然后取绝对值(见图2)。可以将输入数据的数量级控制在20以内的正数,这是一个合理神经网络输入值。输入数据为二维结构,横坐标为距离或者扫描角度的通道数,纵坐标为时间的通道数。为了获取三个位置上的空间结构,本发明将三个数据集(上、下、前)按照空间位置合成为一张图,作为ResNet的输入。
为了半定量地评估隧道附近是否存在低阻异常体、以及其空间位置,合理地设置数据标签尤为重要。本发明将每个模型中低阻异常体的中心位置坐标,投影到一维空间上,空间范围x∈[0,90]m,间隔0.2m,因此输出层的神经元个数为450个。在实际情况下,模型的中心点存在一定的不确定性,为此本发明设置坐标附近的标签值设置为高斯分布,模型中心点位于高斯函数的最大值点,高斯分布的方差设置为5m。这种设置不但减少了数据集误差的影响,加速了网络的收敛,同时使得同时距离比较相近的异常体在标签上存在部分重合,表现出一定的相关性,使得网络的预测结果更加稳定。
基于以上设置,一共生成理论模型以及对应的模拟数据集4000个,其中90%用于训练,10%用于测试。
(2)残差神经网络构建
用于隧道TEM数据训练的深度学习框架如图4所示。网络左右各4层,一共包含10个卷积层,2个池化层。卷积层具有局部感知、参数共享的作用,相对于全连接层可以就极大的减少了权重的数量。池化层具有降低信息冗余、提升模型的尺度不变性、旋转不变性以及防止过拟合的作用。选取RELU激活函数作用于卷积层的输出,提高神经网络的非线性能力,且提高了反向求取梯度的效率;此外,ReLu会使一部分神经元的输出为0,这样就造成了网络的稀疏性,并且减少了参数的相互依存关系,缓解了过拟合问题的发生。卷积操作之后使用了Batch_Normilization对数据进行标准化,以进一步防止梯度消失或梯度爆炸现象,同时可以增加正则化效果。利用ShortCut将浅层网络的信息直接传递到深层,以防止随着网络层数的增加,发生网络退化的现象。为了得到预测的概率分布,对最后一层卷积层作用sigmoid函数,使输出值范围在[0,1]。
本发明通过预测变量qi和标签pi之间的交叉熵来评估ResNet的性能,其具体表达式为:
其中i=0,1分别表示存在异常的类和不存在低阻异常的分类,两者之和恒为1,x∈[0,90]表示输出分布的横坐标。通过反向传播不断更新残差网络的超参数,可以完成训练。
图5展示了训练过程中的损失函数和准确率的演化,可以看出训练过程的训练集和测试集的误差随着迭代次数的增加逐渐下降,最终都低于0.05,这说明了模型能够很好的学习到训练集中的特征。为了更好地揭示预测结果与标签的吻合程度,本发明将预测区域分成十个区(按顺序分为1~9,每个区域表示一个类,没有异常为0类,见图6C),依据预测标签的极大值对应的坐标,可以得到预测的分类结果,然后用下式与标签计算准确度:
其中K为分区总数9,I为预测分类和标签分类的距离。
图5B中显示了测试集的准确率演化结果,随着迭代次数的增加,测试集和训练集的准确度逐渐逼近99%,表示ResNet较好地学习到了TEM的电磁场特征,可以用于有效地预测隧道前方的低阻异常体。
为了说明所提出的反演方案的有效性和适用性,本发明展示了来自测试数据集的多个合成数据反演结果(见图6、7)。对于不同的电阻率模型,ResNet可以准确地恢复异常体的方位;尽管预测的波形比标签相对更矮,但是最大值对应良好,可以较好地反应异常体的位置。当异常体不存在时,预测概率分布值非常低,与标签对应良好,说明ResNet可以有效区分隧道前方及其周围100m范围内低阻异常体是否存在,也说明了本发明反演方法的有效性。
本发明实施例提供的瞬变电磁快速超前预测系统包括:
隧道电阻率模型生成模块,用于基于实际勘探需要,设置观测系统,并随机生成大量理论的隧道电阻率模型;
模型数值计算模块,用于基于观测系统和数值模拟算法,对隧道电阻率模型进行数值计算,得到每个模型对应的瞬变电磁场数据;
模型训练模块,用于构建残差神经网络模型,设计损失函数,用得到的每个模型对应的瞬变电磁场数据对ResNet进行训练;
观测数据预测模块,用于利用训练好的ResNet模型对新的观测数据进行预测,得到隧道TEM数据的反演结果。
本发明实施例在研发或者使用过程中取得了一些积极效果,和现有技术相比的确具备很大的优势,下面内容结合试验过程的数据、图表等进行描述。
为了说明所提出的反演方案的有效性和适用性,本发明展示了来自测试数据集的多个合成数据反演结果(见图6、7)。对于不同的电阻率模型,ResNet可以准确地恢复异常体的方位;尽管预测的波形比标签相对更矮,但是最大值对应良好,可以较好地反应异常体的位置。当异常体不存在时,预测概率分布值非常低,与标签对应良好,说明ResNet可以有效区分隧道前方及其周围100m范围内低阻异常体是否存在,也说明了本发明反演方法的有效性。
应当注意,本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现;软件部分可以存储在存储器中,由适当的指令执行系统,例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现,例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现,也可以用由各种类型的处理器执行的软件实现,也可以由上述硬件电路和软件的结合例如固件来实现。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种瞬变电磁快速超前预测方法,其特征在于,瞬变电磁快速超前预测方法包括:基于实际勘探需要,设置观测系统;随机生成大量理论的隧道电阻率模型;基于观测系统和数值模拟算法,对隧道电阻率模型进行数值计算,得到每个模型对应的瞬变电磁场数据;构建残差神经网络模型,设计损失函数,利用得到的每个模型对应的瞬变电磁场数据对ResNet进行训练;利用训练好的ResNet模型对新的观测数据进行预测,得到隧道TEM数据反演结果。
2.如权利要求1所述瞬变电磁快速超前预测方法,其特征在于,瞬变电磁快速超前预测方法包括以下步骤:
步骤一,设置观测系统并使用有限体积法对隧道空间中的三维瞬变电磁场进行数值模拟,获得训练数据集;
步骤二,构建残差神经网络模型并进行性能评估;通过反向传播不断更新残差网络的超参数,完成残差神经网络模型的训练。
3.如权利要求2所述瞬变电磁快速超前预测方法,其特征在于,步骤一中,在隧道超前探测中,采用中心回线装置对隧道周围以及正前方进行扫描,并布置观测系统;设置数据采集通道n个,位于隧道上方和下方采集点仅采集Z方向的感应电动势,前方的采集点以接收线圈法向方向为探测方向,在180°范围内进行旋转,范围[990°,90°],间隔10°;每个通道内设置时间采样点m个,在10-5到10-3s内对数间隔。
4.如权利要求2所述瞬变电磁快速超前预测方法,其特征在于,步骤一中,使用有限体积法对隧道空间中的三维瞬变电磁场进行数值模拟,每个模拟数据添加5%的高斯噪声,得到训练数据集;
当隧道环境为全空间的各向同性非均匀介质中,存在电阻率为1e8的隧道空间,低阻异常体位于隧道周围任意位置处;设置背景电阻率,低阻异常体的大小,空间位置,低阻异常电阻率在一定范围内均匀随机变化;背景电阻率变化范围[1e2,1e5]Ω·m,低阻异常体电阻率变化范围[0.1,10]Ω·m;采用方块形态代替任意可能的异常形态,边长大小范围为[10,30]m;
瞬变电磁场实质上为电磁场的衰减信号,采集感应电动势并取log10,再取绝对值,将输入数据的数量级控制在20以内的正数;输入数据为二维结构,横坐标为距离或扫描角度的通道数,纵坐标为时间的通道数;将上、下、前三个数据集按照空间位置合成一张图作为ResNet输入,获得三个位置的空间结构;
将每个模型中低阻异常体的中心位置坐标投影至一维空间,空间范围x∈[0,90]m,间隔0.2m,故输出层的神经元个数为450个;将坐标附近的标签值设置为高斯分布,模型中心点位于高斯函数的最大值点,高斯分布的方差设置为5m;生成理论模型及对应的模拟数据集,其中90%用于训练,10%用于测试。
5.如权利要求2所述瞬变电磁快速超前预测方法,其特征在于,步骤二中,用于隧道TEM数据训练的深度学习网络左右各4层,共包含10个卷积层,2个池化层;选取RELU激活函数作用于卷积层的输出,使用Batch_Normilization对数据进行标准化;利用ShortCut将浅层网络的信息直接传递到深层;对最后一层卷积层作用sigmoid函数,使输出值范围在[0,1];
通过预测变量qi和标签pi之间的交叉熵评估ResNet的性能,表达式为:
其中,i=0,1分别表示存在异常的类和不存在低阻异常的分类,存在异常的类和不存在低阻异常的分类的和恒为1;x∈[0,90]表示输出分布的横坐标;通过反向传播不断更新残差网络的超参数,完成残差神经网络模型的训练。
7.一种应用如权利要求1~6任意一项所述瞬变电磁快速超前预测方法的瞬变电磁快速超前预测系统,其特征在于,瞬变电磁快速超前预测系统包括:
隧道电阻率模型生成模块,用于基于实际勘探需要,设置观测系统,并随机生成大量理论的隧道电阻率模型;
模型数值计算模块,用于基于观测系统和数值模拟算法,对隧道电阻率模型进行数值计算,得到每个模型对应的瞬变电磁场数据;
模型训练模块,用于构建残差神经网络模型,设计损失函数,用得到的每个模型对应的瞬变电磁场数据对ResNet进行训练;
观测数据预测模块,用于利用训练好的ResNet模型对新的观测数据进行预测,得到隧道TEM数据的反演结果。
8.一种计算机设备,其特征在于,计算机设备包括存储器和处理器,存储器存储有计算机程序,计算机程序被处理器执行时,使得处理器执行如权利要求1~6任意一项所述瞬变电磁快速超前预测方法的步骤。
9.一种计算机可读存储介质,存储有计算机程序,计算机程序被处理器执行时,使得处理器执行如权利要求1~6任意一项所述瞬变电磁快速超前预测方法的步骤。
10.一种信息数据处理终端,其特征在于,信息数据处理终端用于实现如权利要求7所述瞬变电磁快速超前预测系统。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211534973.4A CN115826059A (zh) | 2022-11-30 | 2022-11-30 | 一种瞬变电磁快速超前预测方法 |
GB2311850.8A GB2624954A (en) | 2022-11-30 | 2023-08-02 | Transient electromagnetic rapid tunnel prediction method |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211534973.4A CN115826059A (zh) | 2022-11-30 | 2022-11-30 | 一种瞬变电磁快速超前预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115826059A true CN115826059A (zh) | 2023-03-21 |
Family
ID=85544800
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211534973.4A Pending CN115826059A (zh) | 2022-11-30 | 2022-11-30 | 一种瞬变电磁快速超前预测方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN115826059A (zh) |
GB (1) | GB2624954A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116859478A (zh) * | 2023-09-05 | 2023-10-10 | 中国地质大学(武汉) | 一种基于瞬变电磁法成像的地下水模拟方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116859470A (zh) * | 2023-07-07 | 2023-10-10 | 电子科技大学长三角研究院(湖州) | 隧道超前预测电磁观测系统及探测方法 |
-
2022
- 2022-11-30 CN CN202211534973.4A patent/CN115826059A/zh active Pending
-
2023
- 2023-08-02 GB GB2311850.8A patent/GB2624954A/en active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116859478A (zh) * | 2023-09-05 | 2023-10-10 | 中国地质大学(武汉) | 一种基于瞬变电磁法成像的地下水模拟方法及系统 |
CN116859478B (zh) * | 2023-09-05 | 2023-11-28 | 中国地质大学(武汉) | 一种基于瞬变电磁法成像的地下水模拟方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
GB2624954A (en) | 2024-06-05 |
GB202311850D0 (en) | 2023-09-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | Tunnel boring machine vibration-based deep learning for the ground identification of working faces | |
Simpson | Current and future applications of 3-D global earth-ionosphere models based on the full-vector Maxwell’s equations FDTD method | |
Wu et al. | Convolutional neural network inversion of airborne transient electromagnetic data | |
CN107193001B (zh) | 基于探地雷达的岩溶隧道不良地质预报专家系统及实现方法 | |
Wang et al. | Data-driven S-wave velocity prediction method via a deep-learning-based deep convolutional gated recurrent unit fusion network | |
Hu et al. | 3D characteristic analysis-based targeting of concealed Kiruna-type Fe oxide-apatite mineralization within the Yangzhuang deposit of the Zhonggu orefield, southern Ningwu volcanic basin, middle-lower Yangtze River metallogenic Belt, China | |
Fedorov et al. | Automated seismic monitoring system for the European Arctic | |
CN115826059A (zh) | 一种瞬变电磁快速超前预测方法 | |
Liu et al. | HLSTM: Heterogeneous long short-term memory network for large-scale InSAR ground subsidence prediction | |
CN114036841A (zh) | 基于半监督支持向量机模型的滑坡易发性预测方法及系统 | |
Li et al. | A new comprehensive geological prediction method based on constrained inversion and integrated interpretation for water-bearing tunnel structures | |
CN115935139A (zh) | 一种海洋观测数据的空间场插补方法 | |
Zhao et al. | Unfavorable geology recognition in front of shallow tunnel face using machine learning | |
Liang et al. | Hybrid support vector machine optimization model for inversion of tunnel transient electromagnetic method | |
Chen et al. | Fast transdimensional Bayesian transient electromagnetic imaging for urban underground space detection | |
Huang et al. | Uncertainties of landslide susceptibility prediction: influences of random errors in landslide conditioning factors and errors reduction by low pass filter method | |
Wang et al. | Predicting geological interfaces using stacking ensemble learning with multi-scale features | |
Yue et al. | Automatic recognition of defects behind railway tunnel linings in GPR images using transfer learning | |
Tobely et al. | Position detection of unexploded ordnance from airborne magnetic anomaly data using 3-D self organized feature map | |
CN113341459A (zh) | 基于机器学习和动力学计算融合的地震定位方法与设备 | |
Peng et al. | Recognition of rock micro-fracture signal based on deep convolution neural network inception algorithm | |
Feng et al. | Comparative Study on Three Autoencoder‐Based Deep Learning Algorithms for Geochemical Anomaly Identification | |
CN115469376A (zh) | 基于非同源数据隧道超前地质预报综合探测方法及系统 | |
Fischer et al. | A cellular automata‐based deterministic inversion algorithm for the characterization of linear structural heterogeneities | |
CN116861347A (zh) | 一种基于深度学习模型的磁力异常数据计算方法 |
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 |