CN115829001B - 一种瞬变电磁-激电场分离及多参数信息提取方法和系统 - Google Patents

Abstract

本发明提供了一种瞬变电磁‑激电场分离及多参数信息提取方法和系统，本方法包括：获取受激发极化效应影响的电磁数据；对受激发极化效应影响的电磁数据进行激发极化场和电磁场的分离处理，得到纯电磁响应场和纯激电响应场；基于纯电磁响应场和纯激电响应场，分别进行多参数信息反演，完成对地电参数的提取。本系统包括数据获取模块、场分离模块和参数反演模块。本发明收敛速度快、效果好，预测准确度较高。

Description

一种瞬变电磁-激电场分离及多参数信息提取方法和系统

技术领域

本发明属于地下结构多参数电性信息反演技术领域，尤其涉及一种瞬变电磁-激电场分离及多参数信息提取方法和系统。

背景技术

瞬变电磁法基于电磁感应定律，依据地下结构的电阻率差异，实现对地下目标体的探测。瞬变电磁勘探以其高分辨率、高效、大深度及低花费等优点被广泛用于金属矿产资源、油气资源、地下空洞及城市地下空间等的探测与勘探中。

在金属矿产资源的勘探，尤其是在隐伏矿体的勘探中，瞬变电磁法以其对地下无损勘探的优点，发挥着越来越重要的作用。但当地下存在低阻高极化体时，比如硫化物矿体、碳质凝灰岩等，它们所产生的激发极化效应会对电磁感应场产生影响，造成电磁数据的畸变，甚至使其出现符号反转现象。这些现象增加了对电磁数据反演的难度。在早期的反演阶段，人们通常将受激发极化效应影响的电磁数据作为噪声剔除，但这也可能去除了包含有用信息的数据，影响了反演解释的真实度和可信度。随着Cole-Cole模型的提出，学者开始了对电阻率和极化率等信息的同时反演，但该方法计算量大，目前仅限于一维反演。目前流行的一种反演算法是利用受激发极化效应影响较少的早期数据，通过三维反演获得地下电阻率结构，再利用反演得到的电阻率信息通过三维正演模拟得到纯电磁响应，从观测的数据中减去纯电磁响应得到纯激电响应，进一步对纯激电响应反演获得极化率等信息。但该方法经过多次三维正反演，计算量大。而且，野外实测的早期数据也可能包含激电响应，因此该方法不是适合所有的地下结构反演。

发明内容

为解决上述技术问题，本发明提出了一种基于深度学习的对含激发极化响应的电磁数据的场分离-多参数反演方法，基于深度神经网络，依次实现场分离和多参数信息反演，实现传统方法所不能实现的对原始数据的场分离，再对提取得到的纯电磁场和激电场响应进行反演，降低反演的复杂度，提高反演的效率。

为实现上述目的，本发明提供了一种瞬变电磁-激电场分离及多参数信息提取方法，包括如下步骤：

S1.获取受激发极化效应影响的电磁数据，所述受激发极化效应影响的电磁数据为激电-电磁场数据；

S2.对所述受激发极化效应影响的电磁数据进行激发极化场和电磁场的分离处理，得到纯电磁响应场和纯激电响应场；

S3.基于所述纯电磁响应场和所述纯激电响应场，分别进行多参数信息反演，完成对地电参数的提取，所述对地电参数包括预测层厚，预测电阻率和预测极化率。

优选的，所述S2中，所述激发极化场和电磁场的分离处理的方法包括：

构建第一卷积神经网络；

基于所述第一卷积神经网络，从所述激电-电磁场数据中分离得到所述纯电磁响应场；

从所述激电-电磁场数据中减去所述纯电磁响应场，得到所述纯激电响应场，完成所述激发极化场和电磁场的分离处理。

优选的，所述第一卷积神经网络共有七层，其中，第一层为Convld+ReLU，第二至第六层为Convld+BN+ReLU，第七层为Convld；

所述第一卷积神经网络的第一层至第六层中的一维卷积层的卷积核数量均为64，卷积核长度均为3，卷积步长均为1，扩充步长均为1；

所述第一卷积神经网络的第七层的卷积核数量为1，卷积核长度为3，卷积步长为1，扩充步长为1。

优选的，所述S3中，进行所述多参数信息反演的方法包括：

构建第二卷积神经网络和第三卷积神经网络；

基于所述纯电磁响应场和所述第二卷积神经网络，得到所述预测层厚和所述预测电阻率；

基于所述纯激电响应场和所述第三卷积神经网络，得到所述预测层厚和所述预测极化率。

优选的，所述第二卷积神经网络和所述第三卷积神经网络的结构相同，其中，第一层至第五层均为Convld+ReLU，第六层为MLP；

所述第二卷积神经网络和所述第三卷积神经网络的第一层至第五层的卷积核数量依次为64、32、16、8、4，步长均为1，扩充长度均为1。

另一方面，为实现上述目的，本申请还提供了一种瞬变电磁-激电场分离及多参数信息提取系统，包括数据获取模块、场分离模块和参数反演模块；

所述数据获取模块用于获取受激发极化效应影响的电磁数据，所述受激发极化效应影响的电磁数据为激电-电磁场数据；

所述场分离模块用于对所述受激发极化效应影响的电磁数据进行激发极化场和电磁场的分离处理，得到纯电磁响应场和纯激电响应场；

所述参数反演模块用于基于所述纯电磁响应场和所述纯激电响应场，分别进行多参数信息反演，完成对地电参数的提取，所述对地电参数包括预测层厚，预测电阻率和预测极化率。

优选的，所述场分离模块包括第一卷积神经网络单元和分离单元；

所述第一卷积神经网络单元用于从所述激电-电磁场数据中分离得到所述纯电磁响应场；

所述分离单元用于从所述激电-电磁场数据中减去所述纯电磁响应场，得到所述纯激电响应场。

优选的，所述第一卷积神经网络单元内设置有第一卷积神经网络；

所述第一卷积神经网络共有七层，其中，第一层为Convld+ReLU，第二至第六层为Convld+BN+ReLU，第七层为Convld；

所述第一卷积神经网络的第一层至第六层中的一维卷积层的卷积核数量均为64，卷积核长度均为3，卷积步长均为1，扩充步长均为1；

所述第一卷积神经网络的第七层的卷积核数量均为1，卷积核长度为3，卷积步长为1，扩充步长为1。

优选的，所述参数反演模块包括第二卷积神经网络单元和第三卷积神经网络单元；

所述第二卷积神经网络单元内设置有第二卷积神经网络，所述第二卷积神经网络单元用于基于所述纯电磁响应场和所述第二卷积神经网络，得到所述预测层厚和所述预测电阻率；

所述第三卷积神经网络单元内设置有第三卷积神经网络，所述第三卷积神经网络单元用于基于所述纯激电响应场和所述第三卷积神经网络，得到所述预测层厚和所述预测极化率。

优选的，所述第二卷积神经网络和所述第三卷积神经网络的结构相同，其中，第一层至第五层均为Convld+ReLU，卷积核数量依次为64、32、16、8、4，步长均为1，扩充长度均为1；第六层为MLP。

与现有技术相比，本发明具有如下优点和技术效果：

(1)本发明提出的改进方法收敛速度快、效果好。从图5可以看出，误差的的收敛性较好。

(2)本方法的预测准确度较高。从图6、7可以看出，神经网络分离出的电磁场和激电场与实际电磁场和激电场十分吻合；图8和图9也显示出，场分离-多参数反演框架能准确的反演出低阻极化层的物理参数和形状参数。

(3)在对实测数据的处理中，本方法也表现优异。如图11、12所示，该框架实现了电磁场和激电场的分离，反演出了低阻极化层，且，并且与钻井地层信息吻合。

附图说明

为了更清楚地说明本申请的技术方案，下面对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例一的瞬变电磁-激电场分离及多参数信息提取方法流程示意图；

图2为本发明实施例一中第一卷积神经网络的结构示意图；

图3为本发明实施例一中第二卷积神经网络和第三卷积神经网络的结构示意图；

图4为本发明实施例二中对受激发极化效应影响的电磁数据反演的整体技术路线示意图；

图5为本发明实施例二中经训练后的神经网络误差衰减曲线示意图，其中a、b、c分别为Net1、Net2、Net3的误差衰减曲线示意图；

图6为本发明实施例二中Net1的电磁场预测结果示意图；

图7为本发明实施例二中Net1的激电场预测结果示意图；

图8为本发明实施例二中Net2的电阻率结构预测结果示意图；

图9为本发明实施例二中Net3的极化率结构预测结果示意图；

图10为本发明实施例三中测点的实测综合响应衰减曲线示意图；

图11为本发明实施例三中分离出来的纯电磁响应场和纯激电响应场示意图，其中，a为纯电磁响应场示意图，b纯激电响应场示意图；

图12为本发明实施例三的多参数反演结果示意图，其中，a为电阻率剖面示意图，b为极化率剖面示意图。

图13为本发明实施例三中的实际钻井地层信息示意图；

图14为本发明实施例四的瞬变电磁-激电场分离及多参数信息提取系统结构示意图。

具体实施方式

考虑到对受激发极化效应影响的电磁数据反演的复杂度和难度，本发明提出了一种基于深度学习的对含激发极化响应的电磁数据的场分离-多参数反演方法。该方法主要分为两大部分：

第一部分是对受激发极化效应影响的电磁数据进行激发极化场和电磁场的分离，得到纯电磁场响应和纯激电响应。激电场和电磁场所依据的物理理论分别为激发极化效应和电磁感应定律，畸变电磁场是该两个场的叠加，这为从响应数据实现场分离提供了理论支持，但这是传统方法目前所不能解决的。因此，本发明提出了基于深度神经网络实现场分离。

第二部分是实现多参数信息的反演。利用第一部分提取得到的纯电磁响应和纯激电响应，分别构建两个深度神经网络，实现电阻率信息和极化率信息的分别反演。

下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。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。

为使本申请的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本申请作进一步详细的说明。

实施例一：

受激电效应影响的电磁响应数据不仅仅遵从电磁感应定律，这增加了反演的难度和可信度。因此，本实施例一提出了一种瞬变电磁-激电场分离及多参数信息提取方法，首先对激电-电磁场进行场分离，分别得到纯电磁响应场和纯激电响应场。这样，两种场分别遵循电磁感应定律和激发极化效应，降低了反演的难度。接着，分别对提取得到的两种场进行深度神经网络反演，分别得到地下电阻率结构和地下极化率结构。

如图1所示，为本实施例一的瞬变电磁-激电场分离及多参数信息提取方法流程示意图，主要包括以下步骤：

S1.获取受激发极化效应影响的电磁数据，本发明以受激发极化效应影响的电磁数据作为待处理的激电-电磁场数据。在本发明中，通过构建含有一层极化层的层状地电模型，采用接地导线源瞬变电磁装置，并引入Cole-Cole极化模型，首先计算频域电磁数据，然后通过余弦变换，将频域数据转换到时间域，获得受激电影响的瞬变电磁数据，便为所述受激发极化效应影响的电磁数据。

S2.对受激发极化效应影响的电磁数据进行激发极化场和电磁场的分离处理，得到纯电磁响应场和纯激电响应场。

在本实施例中，将激电-电磁场数据记为EMIP,将纯电磁响应场和纯激电响应场分别记为EM和IP，则根据电磁感应原理和激发极化效应，可以得到：

EMIP＝EM+IP (1)

由于不同的地电模型，其EMIP、EM和IP都是各不相同的，因此EMIP到EM或者EMIP到IP之间的映射是非线性的，在本实施例中，将两种映射分别记为F₁(x)和F₂(x)，它们满足：

EM＝F₁(EMIP) (2)

IP＝F₂(EMIP) (3)

由于EM和IP满足公式(1)，所以只要习得两种映射之一，便可实现激电-电磁场的分离。本实施例选择映射F₁(x)作为需要学习的映射，从EMIP利用公式(2)得到EM，再利用公式(1)得到IP，实现场分离。

为了习得高度非线性映射F₁(x)，在本实施例中，构建第一卷积神经网络Net1，其结构如图2所示，基本思想是用神经网络来最大程度的拟合这几种非线性映射。由于电磁-激电响应为一维数据，在本实施例中，其采样时间点为30个，其形状为(1×30)。因此，本实施例选用一维卷积层作为主要构建层。如图2所示，第一层为一维卷积层，为了从EMIP中提取出更多信息，将卷积核的数量设置为64；卷积核的长度我们设为3，为了保证数据的长度不变，将步长设为1，扩充长度选择为1；同时为了提升Net1对非线性的表征能力，采用线性整流函数ReLU对一维卷积层的输出进行处理，最终得到形状为(64×30)的数据。将提取到的特征继续向神经网络下一层输入。对于第二-六层，其结构相同，均为Conv1d+BN+ReLU。一维卷积层的卷积核数量为64，长度为3；卷积步长为1，扩充长度为1。BN层能对数据进行归一化，加入BN层能提高训练速度，减少时间成本。每一层均会输出形状为(64×30)的数据。最后一层为卷积层。由于电磁场EM的长度和激电-电磁场相同，形状为(1×30)，为了保证最后一个卷积层的输出数据形状为(1×30)，选择最后一层的卷积核数量为1，其他参数和别的层相同，便可得到形状为(1×30)的输出，即预测的电磁场，也即纯电磁响应场，记为

式中w为需要学习的参数矩阵。在训练集1上对神经网络进行训练，使用误差向后传播算法，不断更新参数矩阵w，使得所述第一神经网络所预测电磁场

和实际纯电磁场EM之间的误差能满足要求，即公式(4)能极大程度的拟合映射F₁(x)。进而利用公式(1)得到预测激电场，也即纯激电响应场，记为/>

该式能极大程度地拟合映射F₂(x)，从而实现从激电-电磁场中分离出激电场和电磁场。

S3.基于纯电磁响应场和纯激电响应场，分别习得电磁场与电阻率、层厚之间，以及激电场与极化率、层厚之间的映射，进行多参数信息反演，完成对地电参数的提取，即预测层厚，预测电阻率和预测极化率。

在本实施例中，电磁场与电阻率、层厚之间的映射记为F₃(x)，激电场与极化率、层厚之间的映射F₄(x)，则有：

(ρ，h)＝F₃(EM) (6)

(m，h)＝F₄(IP) (7)

其中ρ表示预测电阻率，h为层厚度，m为极化率。

为了能实现公式(6)和(7)，本实施例构建了第二卷积神经网络Net2和第三卷积神经网络Net3，分别用于习得映射F₃(x)和F₄(x)。Net2和Net3有相同的架构，如图3所示。它们的输入数据分别为纯电磁响应场和纯激电响应场，形状均为(1×30)；输出分别为层厚、电阻率或者层厚、极化率，长度均为2。第一层的卷积核数量为64，之后，为了将信息融合，后面四层的卷积核数量依次为32，16，8，4；步长为1，扩充长度为1。五层卷积层的输出分别为(64×30)，(32×30)，(16×30)，(8×30)，(4×30)。每个卷积层之后应用ReLU函数，增加神经网络对非线性的表征能力。最后一层为多层感知机MLP，将第五个卷积层的输出映射为层厚、电阻率(Net2)或者层厚、极化率(Net3)。虽然Net2和Net3的网络架构一样，但它们内部权重w1，w2不同，所习得映射也不同，分别为：

其中w1和w2分别为第二神经网络和第三神经网络的权重矩阵，

分别为预测层厚、预测电阻率和预测极化率。通过在训练集2上使用误差反向传播算法对第二神经网络进行训练，不断更新权重矩阵w1，使得/>

和h，ρ之间的误差满足要求，即公式(8)能拟合映射F₃；通过在训练集3上使用误差反向传播算法对第三神经网络进行训练，不断更新权重矩阵w2，使得/>

和h，m之间的误差满足要求，即公式(8)能拟合映射F₄。即通过训练，我们习得的w1和w2分别能够使第二和第三神经网络习得映射F₃和F₄。至此，便完成了对电阻率和极化率的反演，实现了多参数信息提取。

本发明将受激发极化效应影响的瞬变电磁响应分割为纯激发极化场和纯电磁场，并分别从纯激发极化场和纯电磁场中提取出多参数信息，是一种基于深度神经网络进行地下结构多参数电性信息的反演方法，适用于金属矿、油气、地热等资源能源的人工源电磁勘探领域。

实施例二

如图4所示，为采用本发明的瞬变电磁-激电场分离及多参数信息提取方法进行受激发极化效应影响的电磁数据反演的整体技术路线示意图，主要分为两大部分，一部分为场分离-多参数反演架构训练，另一部分为利用训练好的架构对野外实测数据进行反演。

首先进行数据集的构建。根据实际地质模型人为定义模型的参数如表1所示。

表1

根据表中参数范围，使用随机法生成一个模型中第二个地层的层厚、电阻率和极化率，构建出一个地电模型。用同样的方法，本实施例构建了30000个地电模型，记作模型集1。对于该模型集1，本实施例将其内的每一个地电模型第二层的极化率、时间常数和层相关系数均设为0，便得到了30000个不含极化层的模型，记为模型集2。对于模型集1中的每一个地电模型，本实施例采用接地导线源瞬变电磁装置，并引入Cole-Cole极化模型，首先计算频域电磁数据，然后通过余弦变换，将频域数据转换到时间域，获得受激电影响的瞬变电磁数据，计算出它的受激电效应影响的水平电场，便得到了含有30000个激电-电磁场的数据集，记为数据集1；对于模型集2，本实施例采用模型集1使用的相同的接地导线源瞬变电磁法，首先计算频域电磁数据，然后通过余弦变换，将频域数据转换到时间域，获得受激电影响的瞬变电磁数据，计算出30000个模型的不受激电激电效应影响的水平电场，便得到了含有30000个纯电磁场的数据集，记为数据集2。

接着，在对神经网络进行训练之前，本实施例进行训练集的构建。将上述数据集1中的一个激电-电磁场作为输入数据，将其对应的数据集2中的电磁场作为标签，构建成一个输入数据-标签对。将同样的方法作用于数据集1中的每一个数据，便得到了30000个输入数据-标签对，作为训练集1。训练集1用于该架构的第一部分，即场分离。利用训练集1对场分离神经网络Net1进行训练，使Net1能够习得激电-电磁场和电磁场之间的映射，Net1便完成了训练，能够实现从激电-电磁场中分离出电磁场，进而通过从激电-电磁场中减去电磁场，得到激电场。

将数据集2中的一个电磁场作为输入数据，将其对应的模型集2中的模型的第二层的厚度和电阻率作为标签，便得到了一个输入数据-标签对。将同样的方法用于数据集2中的每一个电磁场，便得到了30000个输入数据-标签对，构成训练集2。

将数据集1中的一个激电-电磁场减去对应的数据集2中的电磁场，得到一个激电场，作为输入数据，将该激电-电磁场对应的模型集1中模型的层厚和极化率作为标签，便构成了一个输入数据-标签对。将同样的方法用于数据集1中的每一个激电-电磁场，便得到了30000个输入数据-标签对，构成训练集3.

使用训练集1训练场分离神经网络，即第一卷积神经网络Net1,使Net1能够习得激电-电磁场和电磁场之间的映射；使用训练集2训练电阻率反演神经网络，即第二卷积神经网络Net2，使Net2能够习得电磁场和电阻率之间的映射；使用训练集3训练极化率反演神经网络，即第三卷积神经网络Net3，使Net3能够习得激电场和极化率之间的映射。

在本实施例中，设定训练轮数为50轮，将均方差MSE作为损失函数，通过误差反向传播算法实现对神经网络内部权重的更新，使其能够最大程度的习得输入数据和标签之间的映射。三个网络训练时的均方误差随训练轮数的变化曲线如图5所示，a、b、c分别为Net1、Net2、Net3的误差衰减曲线示意图。可见，三个神经网络的训练误差随着训练轮数逐渐减小，最后都在一个很小的误差附近波动，可见它们收敛性都很好，表明神经网络都已经习得输入数据和标签之间的映射，即Net1、Net2、Net3分别习得映射F₁(x)，F₃(x)，F₄(x)。即表明场分离-多参数反演架构已经训练完成。

对于训练好的架构，本实施例构建了一个H型地电模型架构进行测试。模型参数如下：

ρ₁＝300ohm·m，h₁＝80m；

ρ₂＝125ohm·m，h₂＝25m；

ρ₃＝300ohm·m，h₂＝95m.

将第二层设置为极化层，极化率为7.9％，计算出该模型上的激电-电磁场，将其输入到训练好的场分离-多参数反演架构中，进行处理。

对于Net1，其处理结果如图6、7所示。可见预测电磁场和预测激电场都十分准确。

对于Net2和Net3，反演得到的结果分别如图8和图9所示。从图中可以看出，电阻率和极化率的反演结果较好。

最后，再利用训练好的场分离-多参数反演架构对实测数据进行处理。首先将实测激电-电磁场输入到训练好的Net1中，经过Net1的处理，得到地下结构的纯电磁响应场，再从实测激电-电磁场中减去纯电磁响应场，便得到了纯激电响应场，完成了对实测数据的场分离；将得到了纯电磁响应场输入到训练好的Net2中进行处理，便得到了地层的厚度和电阻率；将得到的纯激电响应场输入到训练好的Net3中进行处理，便得到了地层的厚度和极化率。便完成了对地电参数的提取。

实施例三

本实施三为使用本发明的瞬变电磁-激电场分离及多参数信息提取方法，提取新疆喀拉通克铜镍矿集区地层的极化率信息的具体应用。

新疆喀拉通克铜镍矿集区具有强磁性、高密度、高极化率、低电阻率的特征，为进行激电信息的深度学习提取提提供了有力条件。新疆喀拉通克铜镍矿集区测区的数据采集工作采用电性源瞬变电磁法。测线L103位于测区的东南部，走向垂直于矿脉的延伸方向。测线L103的收发距为1000米，电场观测的基频为1Hz。发射线长度为1.5Km，发射电流为10A，接收电极距40m。

本实施例选取位于280米的测点的实测电磁-激电响应数据进行地下极化率信息的预测。该测点的实测综合响应衰减曲线如图10所示，由于地下存在高极化率含碳质凝灰岩层，衰减曲线出现了明显的符号反转现象。

将该测点的响应作为输入，使用训练好的场分离神经网络Net1进行电磁场和激电场的分离，得到分离的出来的纯电磁场和纯激电场，如图11所示。图11中，a为分离出来的该点的纯电磁响应场，b为纯激电响应场。预测出的两个场的衰减特征符合理论规律。

接下来，将预测到的纯电磁响应场和纯激电响应场分别作为输入，利用训练好的神经网络Net2和Net3分别进行处理，分别反演得到地下的电阻率和极化率剖面，如图12所示，其中，a为电阻率剖面示意图，b为极化率剖面示意图。

Net2反演得到的低阻薄层的厚度为44米，电阻率为63Ωm；Net3反演得到的层厚度为38米，极化率为5.8％。

对于L103号测线，280米点位的实测瞬变电磁响应，通过场分离-多参数反演框架的处理，得到该点的纯电磁场和纯激电场，并反演得到地下电阻率信息和极化率信息。从反演结果可知，在深度为80米的位置，有一个层厚为40米左右的低阻极化层。将反演结果与图13所示的钻井地层信息进行比较，可以看出反演得到低阻极化层的物理参数与碳质沉积凝灰岩层的参数吻合，验证了该场分离-多参数反演框架的有效性和准确性。

实施例四

如图14所示，为本发明实施例四的瞬变电磁-激电场分离及多参数信息提取系统结构示意图，主要包括数据获取模块、场分离模块和参数反演模块。

具体的，在本实施例中，数据获取模块用于获取受激发极化效应影响的电磁数据，受激发极化效应影响的电磁数据为待处理的激电-电磁场数据。

场分离模块用于对受激发极化效应影响的电磁数据进行激发极化场和电磁场的分离处理，得到纯电磁响应场和纯激电响应场。

参数反演模块用于基于纯电磁响应场和纯激电响应场，分别进行多参数信息反演，完成对地电参数的提取，对地电参数包括预测层厚，预测电阻率和预测极化率。

具体的，在本实施例中，场分离模块由第一卷积神经网络单元和分离单元组成。第一卷积神经网络单元用于从激电-电磁场数据中分离得到纯电磁响应场；分离单元用于从激电-电磁场数据中减去纯电磁响应场，得到纯激电响应场。

其中，第一卷积神经网络单元内设置有第一卷积神经网络，共有七层，其中，第一层为Convld+ReLU，第二至第六层为Convld+BN+ReLU，第七层为Convld；第一卷积神经网络的第一层至第六层中的一维卷积层的卷积核数量均为64，卷积核长度均为3，卷积步长均为1，扩充步长均为1，第七层的卷积核数量均为1，卷积核长度为3，卷积步长为1，扩充步长为1。

具体的，在本实施例中，参数反演模块由第二卷积神经网络单元和第三卷积神经网络单元组成。第二卷积神经网络单元内设置有第二卷积神经网络，第二卷积神经网络单元用于基于纯电磁响应场和第二卷积神经网络，得到预测层厚和预测电阻率；第三卷积神经网络单元内设置有第三卷积神经网络，第三卷积神经网络单元用于基于纯激电响应场和第三卷积神经网络，预测层厚和预测极化率。

在本实施例中，第二卷积神经网络和第三卷积神经网络的结构相同，其中，第一层至第五层均为Convld+ReLU，卷积核数量依次为64、32、16、8、4，步长均为1，扩充长度均为1。第六层为MLP。

以上，仅为本申请较佳的具体实施方式，但本申请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申请揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应该以权利要求的保护范围为准。

Claims (8)

1.一种瞬变电磁-激电场分离及多参数信息提取方法，其特征在于，包括如下步骤：

S1.获取受激发极化效应影响的电磁数据，所述受激发极化效应影响的电磁数据为激电-电磁场数据；

S2.对所述受激发极化效应影响的电磁数据进行激发极化场和电磁场的分离处理，得到纯电磁响应场和纯激电响应场；

S3.基于所述纯电磁响应场和所述纯激电响应场，分别进行多参数信息反演，完成对地电参数的提取，所述对地电参数包括预测层厚，预测电阻率和预测极化率；

其中，所述S2具体包括：

构建第一卷积神经网络；

基于所述第一卷积神经网络，从所述激电-电磁场数据中分离得到所述纯电磁响应场；具体为：

将激电-电磁场数据记为EMIP,将纯电磁响应场和纯激电响应场分别记为EM和IP，则根据电磁感应原理和激发极化效应，得到：

EMIP＝EM+IP 1

由于不同的地电模型，其EMIP、EM和IP都是各不相同的，因此EMIP到EM或者EMIP到IP之间的映射是非线性的，将两种映射分别记为F₁(x)和F₂(x)，它们满足：

EM＝F₁(EMIP) 2

IP＝F₂(EMIP) 3

选择映射F₁(x)作为需要学习的映射，从EMIP利用公式2得到EM，再利用公式1得到IP，实现场分离，即纯电磁响应场，记为

式中w为需要学习的参数矩阵；

从所述激电-电磁场数据中减去所述纯电磁响应场，得到所述纯激电响应场，完成所述激发极化场和电磁场的分离处理，具体为：

利用公式1得到预测激电场，也即纯激电响应场，记为

从而实现从激电-电磁场中分离出激电场和电磁场。

2.根据权利要求1所述的瞬变电磁-激电场分离及多参数信息提取方法，其特征在于，

所述第一卷积神经网络共有七层，其中，第一层为Convld+ReLU，第二至第六层为Convld+BN+ReLU，第七层为Convld；

所述第一卷积神经网络的第一层至第六层中的一维卷积层的卷积核数量均为64，卷积核长度均为3，卷积步长均为1，扩充步长均为1；

所述第一卷积神经网络的第七层的卷积核数量为1，卷积核长度为3，卷积步长为1，扩充步长为1。

3.根据权利要求1所述的瞬变电磁-激电场分离及多参数信息提取方法，其特征在于，

所述S3中，进行所述多参数信息反演的方法包括：

构建第二卷积神经网络和第三卷积神经网络；

基于所述纯电磁响应场和所述第二卷积神经网络，得到所述预测层厚和所述预测电阻率；

基于所述纯激电响应场和所述第三卷积神经网络，得到所述预测层厚和所述预测极化率。

4.根据权利要求3所述的瞬变电磁-激电场分离及多参数信息提取方法，其特征在于，

所述第二卷积神经网络和所述第三卷积神经网络的结构相同，其中，第一层至第五层均为Convld+ReLU，第六层为MLP；

所述第二卷积神经网络和所述第三卷积神经网络的第一层至第五层的卷积核数量依次为64、32、16、8、4，步长均为1，扩充长度均为1。

5.一种瞬变电磁-激电场分离及多参数信息提取系统，其特征在于，包括数据获取模块、场分离模块和参数反演模块；

所述数据获取模块用于获取受激发极化效应影响的电磁数据，所述受激发极化效应影响的电磁数据为激电-电磁场数据；

所述场分离模块用于对所述受激发极化效应影响的电磁数据进行激发极化场和电磁场的分离处理，得到纯电磁响应场和纯激电响应场；

所述参数反演模块用于基于所述纯电磁响应场和所述纯激电响应场，分别进行多参数信息反演，完成对地电参数的提取，所述对地电参数包括预测层厚，预测电阻率和预测极化率；

其中，所述场分离模块包括第一卷积神经网络单元和分离单元；

所述第一卷积神经网络单元用于从所述激电-电磁场数据中分离得到所述纯电磁响应场；具体的：将激电-电磁场数据记为EMIP,将纯电磁响应场和纯激电响应场分别记为EM和IP，则根据电磁感应原理和激发极化效应，得到：

EMIP＝EM+IP 1

由于不同的地电模型，其EMIP、EM和IP都是各不相同的，因此EMIP到EM或者EMIP到IP之间的映射是非线性的，将两种映射分别记为F₁(x)和F₂(x)，它们满足：

EM＝F₁(EMIP) 2

IP＝F₂(EMIP) 3

选择映射F₁(x)作为需要学习的映射，从EMIP利用公式2得到EM，再利用公式1得到IP，实现场分离，即纯电磁响应场，记为

式中w为需要学习的参数矩阵；

所述分离单元用于从所述激电-电磁场数据中减去所述纯电磁响应场，得到所述纯激电响应场；具体的，利用公式1得到预测激电场，也即纯激电响应场，记为

6.根据权利要求5所述的瞬变电磁-激电场分离及多参数信息提取系统，其特征在于，

所述第一卷积神经网络单元内设置有第一卷积神经网络；

所述第一卷积神经网络共有七层，其中，第一层为Convld+ReLU，第二至第六层为Convld+BN+ReLU，第七层为Convld；

所述第一卷积神经网络的第一层至第六层中的一维卷积层的卷积核数量均为64，卷积核长度均为3，卷积步长均为1，扩充步长均为1；

所述第一卷积神经网络的第七层的卷积核数量均为1，卷积核长度为3，卷积步长为1，扩充步长为1。

7.根据权利要求5所述的瞬变电磁-激电场分离及多参数信息提取系统，其特征在于，

所述参数反演模块包括第二卷积神经网络单元和第三卷积神经网络单元；

所述第二卷积神经网络单元内设置有第二卷积神经网络，所述第二卷积神经网络单元用于基于所述纯电磁响应场和所述第二卷积神经网络，得到所述预测层厚和所述预测电阻率；

所述第三卷积神经网络单元内设置有第三卷积神经网络，所述第三卷积神经网络单元用于基于所述纯激电响应场和所述第三卷积神经网络，得到所述预测层厚和所述预测极化率。

8.根据权利要求7所述的瞬变电磁-激电场分离及多参数信息提取系统，其特征在于，

所述第二卷积神经网络和所述第三卷积神经网络的结构相同，其中，第一层至第五层均为Convld+ReLU，卷积核数量依次为64、32、16、8、4，步长均为1，扩充长度均为1；第六层为MLP。

Images