CN117556198A - 基于全波形井地电法的视电阻率去噪计算方法 - Google Patents

基于全波形井地电法的视电阻率去噪计算方法 Download PDF

Info

Publication number
CN117556198A
CN117556198A CN202410039159.8A CN202410039159A CN117556198A CN 117556198 A CN117556198 A CN 117556198A CN 202410039159 A CN202410039159 A CN 202410039159A CN 117556198 A CN117556198 A CN 117556198A
Authority
CN
China
Prior art keywords
measurement
potential
well
data
electric method
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.)
Granted
Application number
CN202410039159.8A
Other languages
English (en)
Other versions
CN117556198B (zh
Inventor
贾正元
张刚
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.)
China University of Geosciences Beijing
Original Assignee
China University of Geosciences Beijing
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 China University of Geosciences Beijing filed Critical China University of Geosciences Beijing
Priority to CN202410039159.8A priority Critical patent/CN117556198B/zh
Publication of CN117556198A publication Critical patent/CN117556198A/zh
Application granted granted Critical
Publication of CN117556198B publication Critical patent/CN117556198B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R27/00—Arrangements for measuring resistance, reactance, impedance, or electric characteristics derived therefrom
    • G01R27/02—Measuring real or complex resistance, reactance, impedance, or other two-pole characteristics derived therefrom, e.g. time constant
    • G01R27/20—Measuring earth resistance; Measuring contact resistance, e.g. of earth connections, e.g. plates
    • 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
    • G01V3/02—Electric or magnetic prospecting or detecting; Measuring magnetic field characteristics of the earth, e.g. declination, deviation operating with propagation of electric current
    • G01V3/04—Electric or magnetic prospecting or detecting; Measuring magnetic field characteristics of the earth, e.g. declination, deviation operating with propagation of electric current using dc
    • 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
    • G01V3/18—Electric or magnetic prospecting or detecting; Measuring magnetic field characteristics of the earth, e.g. declination, deviation specially adapted for well-logging
    • G01V3/20—Electric or magnetic prospecting or detecting; Measuring magnetic field characteristics of the earth, e.g. declination, deviation specially adapted for well-logging operating with propagation of electric current
    • G01V3/22—Electric or magnetic prospecting or detecting; Measuring magnetic field characteristics of the earth, e.g. declination, deviation specially adapted for well-logging operating with propagation of electric current using dc
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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
    • G06N3/043—Architecture, e.g. interconnection topology based on fuzzy logic, fuzzy membership or fuzzy inference, e.g. adaptive neuro-fuzzy inference systems [ANFIS]
    • 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
    • G06N3/047—Probabilistic or stochastic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/02—Computing arrangements based on specific mathematical models using fuzzy logic
    • G06N7/04—Physical realisation
    • G06N7/046—Implementation by means of a neural network
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • 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)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Optimization (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Computing Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Molecular Biology (AREA)
  • Environmental & Geological Engineering (AREA)
  • Geophysics (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Remote Sensing (AREA)
  • Health & Medical Sciences (AREA)
  • Algebra (AREA)
  • Biomedical Technology (AREA)
  • Geology (AREA)
  • General Health & Medical Sciences (AREA)
  • Automation & Control Theory (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Fuzzy Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Operations Research (AREA)
  • Databases & Information Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了基于全波形井地电法的视电阻率去噪计算方法，具体涉及数据处理领域，用于解决现如今不能高效的获得高精度的视电阻率数据和自然电位数据的问题，包括步骤S1，获取井地电法测量的不同阶段信息、井地电法测量的测量位置信息与井地电法测量的测量要求信息，并根据获取信息筛选确定自然电位和人工电位的获取方法；步骤S2，当选用移动窗平均法获取自然电位和人工电位时，构建模糊贝叶斯神经网络模型预测移动窗平均法的持续时间；通过根据井地电法测量的实际状态，选用移动窗平均法或排序法来获取自然电位和人工电位，并通过调节单次计算的窗口宽度在满足计算精度要求的前提下，有效减少计算量，提高计算效率。

Description

基于全波形井地电法的视电阻率去噪计算方法
技术领域
本发明涉及数据处理技术领域，更具体地说，本发明尤其涉及基于方波及休止波供电全波形采集的井地电法数据筛选和处理方法。
背景技术
目前，直流电法中较为通行的自然电位测量方式是一次测量法，即供电前连续采集数秒的自然电位求取平均作为本次测量的自然电位，并在后续采集的电位数据中通过设备硬件或软件处理的方式减去这一部分数值作为人工电位。然而自然电位在后续供电测量中实际上是变化的，这种方法无法精准的分离得到人工电位，因此影响到由此计算得到的视电阻率精度。其次，这种方法不能适用于井地电法测量，尤其是需要长期观测地电数据变化的全波形连续观测。第三，由于实测数据中不仅包含着目标体与围岩物性差异引起的异常数据，还含有各种干扰数据，而高质量的原始数据是后期反演结果准确性和可靠性的保证。
因此，现如今如何从连续观测的井地电法全波形数据中去噪后进行高精度的人工电位和自然电位分离，如何获得高精度的视电阻率数据和自然电位数据，为提高后期反演结果准确性和可靠性提供数据保证仍缺乏一种高效的手段。
发明内容
为了克服现有技术的上述缺陷，本发明的实施例提供基于全波形井地电法的视电阻率去噪计算方法，通过根据井地电法测量的实际状态，选用移动窗平均法或排序法来获取自然电位和人工电位，并通过调节单次计算的窗口宽度在满足计算精度要求的前提下，有效减少计算量，提高计算效率，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：
基于全波形井地电法的视电阻率去噪计算方法，包括如下步骤：
步骤S1，获取井地电法测量的不同阶段信息、井地电法测量的测量位置信息与井地电法测量的测量要求信息，并根据获取信息筛选确定自然电位和人工电位的获取方法；
步骤S2，当选用移动窗平均法获取自然电位和人工电位时，构建模糊贝叶斯神经网络模型预测移动窗平均法的持续时间。
在一个优选的实施方式中，在步骤S1中：
井地电法测量的不同阶段信息为井地电法已测量时间，井地电法测量的测量位置信息是指井地电法测量深度与井地电法测量范围，井地电法测量的测量要求信息为井地电法预计测量时间。
在一个优选的实施方式中，在步骤S1中：
将井地电法测量深度表示为D，井地电法测量范围表示为R，并分别确定它们的权重分配为α和β，α + β = 1，计算综合测量位置系数，具体过程如下：
对井地电法测量深度D和井地电法测量范围R进行标准化处理，使用最小-最大规范化或标准化方法，使其数值处于0到1之间；
设井地电法测量深度D的取值范围为[D_min, D_max]，井地电法测量范围R的取值范围为[R_min, R_max]，标准化后的深度和范围分别为：
；/>；
通过加权求和的方法计算综合测量位置系数P：；
其中，α和β分别为井地电法测量深度D和井地电法测量范围R的权重。
在一个优选的实施方式中，在步骤S1中：
将井地电法已测量时间标记为t，将井地电法预计测量时间标记为T，并将井地电法已测量时间t、井地电法预计测量时间T以及综合测量位置系数P进行加权求和确定综合影响系数E；
将综合影响系数E与综合影响阈值进行比较，若综合影响系数E大于等于综合影响阈值，则采用排序法获取自然电位和人工电位，反之则采用移动窗平均法获取自然电位和人工电位。
在一个优选的实施方式中，在步骤S1中：
当采用排序法获取自然电位和人工电位时，其具体步骤如下：
步骤S111，选择一个窗口宽度，为供电周期的整数倍；
步骤S112，将观测的原始数据中每个窗口宽度内数据排序，取中间1/3数量的采样点的电位值求平均得到每个窗口宽度内自然电位；
步骤S113，将每个窗口宽度内的电位原始观测数据减去对应该窗口宽度内的自然电位值，再将所有点排序求取前1/6 和后1/6数据的平均值，再将这两个平均值取绝对值平均得到测点的人工电位值；
步骤S114，将所有窗口宽度内所有自然电位求平均得到一个自然电位即为该测点的自然电位值；
其中，为人工电位、/>为自然电位、Noise为噪声干扰；/>是视电阻率，单位为欧姆米；K是测量装置系数，为实常数；I是发射电流；/>是MN两极的人工电位差。
在一个优选的实施方式中，在步骤S1中：
当采用移动窗平均法获取自然电位和人工电位时，其具体步骤如下：
步骤S121，选择一个窗口宽度，为供电周期的整数倍；
步骤S122，对第一个窗口宽度内的电位数据按升序排列，取中部数据求平均得到该窗口宽度内的自然电位（SPi）；
步骤S123，将该窗口宽度内的原始观测电位减去该窗口宽度内对应的自然电位（SPi）后，再进行升序排列取首部和尾部数据求平均得到该窗口宽度内的人工电位（CPi）；
步骤S124，以相同的窗口宽度随时间轴向后移动一个采样点，重复步骤2）和3）得到下一个窗口宽度内的自然电位（SPi+1）和人工电位（CPi+1）；
步骤S125，重复步骤4）直至计算窗口到电位时间序列的最末端，得到最后一个窗口宽度内的自然电位（SPN）和人工电位（CPN）；
步骤S126，计算测点的自然电位和人工电位如和/>。
在一个优选的实施方式中，在步骤S2中，模糊贝叶斯神经网络模型的构建方法如下：
收集样本数据，包括单位时间综合测量位置系数P的变化量、井地电法已测量时间与井地电法预计测量时间；
构建模糊贝叶斯神经网络模型，并输入样本数据进行训练；
应用训练好的模型进行预测。
在一个优选的实施方式中，在步骤S2.3中，将单位时间综合测量位置系数P的变化量、井地电法已测量时间与井地电法预计测量时间输入到模型中，通过前向神经网络计算输出，得到预测的采用移动窗平均法的时长值，当采用移动窗平均法的时长达到预测值时，为了更好地满足测量精度要求，此时切换成排序法进行测量。
本发明的技术效果和优点：
本发明通过根据井地电法测量的实际状态，选用移动窗平均法或排序法来获取自然电位和人工电位，并通过调节单次计算的窗口宽度在满足计算精度要求的前提下，有效减少计算量，提高计算效率。
附图说明
图1为本发明基于全波形井地电法的视电阻率去噪计算方法流程图；
图2为本发明采用排序法获取自然电位和人工电位的示意图；
图3为本发明采用移动窗平均法获取自然电位和人工电位的示意图。
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、完整的描述，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。基于本发明中的实施例，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，都属于本发明保护的范围。
本发明通过根据井地电法测量的实际状态，选用移动窗平均法或排序法来获取自然电位和人工电位，并通过调节单次计算的窗口宽度在满足计算精度要求的前提下，有效减少计算量，提高计算效率。
实施例1，本发明基于全波形井地电法的视电阻率去噪计算方法具体步骤如图1所示，包括：
步骤S1，获取井地电法测量的不同阶段信息、井地电法测量的测量位置信息与井地电法测量的测量要求信息，并根据获取信息筛选确定自然电位和人工电位的获取方法；
步骤S2，当选用移动窗平均法获取自然电位和人工电位时，构建模糊贝叶斯神经网络模型预测移动窗平均法的持续时间。
本发明根据井地电法测量时的具体数据特征的变化情况，可以选择使用移动窗平均法或排序法进行数据处理。如果数据变化呈现明显的阶跃或不连续性变化，使用排序法能更好地捕捉数据中的局部变化信息，并有效剔除可能存在的异常值。另一方面，如果需要分析数据的整体趋势变化，或者获取一定时间内的整体数据特征，移动窗平均法可以提供平滑的数据曲线，更好地展现数据的整体趋势变化。因此，在实际应用中，根据具体数据的特点和研究要求，合理地选择使用适当的数据处理方法，可以提高数据处理的准确性和有效性。
具体的，步骤S1中：
井地电法测量的不同阶段信息为井地电法已测量时间，若测量区域已测量时间较短，此时其处于测量的初期阶段，采用平均法比较适合。因为在初期阶段，通常会有较多的噪声干扰和较少的可靠数据样本，而平均法能够通过获取更多的自然电位数据来降低噪声干扰的影响，提高数据的稳定性和可靠性；而当井地电法已测量时间逐渐拉长，使用排序法比较合适。在这个阶段，需要对数据进行更精细的处理和分析，特别是需要对异常值和边界处的数据进行准确识别和处理，以保证数据处理的精度和可信度。排序法能够有效避免边界损失问题，提高数据处理的精度和准确性，因此更适用于后续的数据分析和解释阶段。
井地电法测量的测量位置信息是指，井地电法测量深度与井地电法测量范围，在测量深度较浅的情况下，由于受地表影响较大，可能存在较多的噪声干扰。在这种情况下，使用平均法可以通过获取更多的自然电位数据来降低噪声干扰的影响，提高数据的稳定性和可靠性，因此更为适用；在测量深度较深的情况下，可能存在更多的深部信息需要解释和分析。此时，对于边界处数据处理精度的要求较高，需要避免边界损失的影响。在这种情况下，使用排序法可以有效避免边界处数据的计算误差，提高数据处理的精度和准确性，因此更为适用。
同时，为了综合考虑井地电法测量深度与井地电法测量范围，本发明将井地电法测量深度表示为D，井地电法测量范围表示为R，并分别确定它们的权重分配为α和β（α + β= 1），计算综合测量位置系数，具体过程如下：
对井地电法测量深度D和井地电法测量范围R进行标准化处理，使用最小-最大规范化或标准化方法，使其数值处于0到1之间。
设井地电法测量深度D的取值范围为[D_min, D_max]，井地电法测量范围R的取值范围为[R_min, R_max]，标准化后的深度和范围分别为：
；/>；
通过加权求和的方法计算综合测量位置系数P：；
其中，α和β分别为深度和范围的权重，可以根据实际情况设定。
通过上述计算过程，可以将井地电法测量深度D和井地电法测量范围R综合成一个综合测量位置系数P，并利用该参数来指导数据处理方法的选择，以满足不同复杂程度和范围的测量需求。
井地电法测量的测量要求信息为井地电法预计测量时间，井地电法预计测量时间是指需要在多长时间内进行对测量区域进行测量完毕，由于移动窗平均法通常比排序法具有更小的计算资源和时间成本。移动窗平均法仅需要简单的数据平均计算和窗口移动操作，计算复杂度较低。而排序法需要对数据进行排序、提取等操作，相对计算量较大。因此，当井地电法预计测量时间有限的情况，移动窗平均法更为适用。
在步骤S1中，将井地电法已测量时间标记为t，将井地电法预计测量时间标记为T，并将井地电法已测量时间t、井地电法预计测量时间T以及综合测量位置系数P进行加权求和确定综合影响系数E，具体计算表达式可以为：E=a1t+a2T+a3P；式中，a1，a2，a3分别为井地电法已测量时间t、井地电法预计测量时间T以及综合测量位置系数P的预设比例系数，且a1，a2，a3均大于0。
由上述表达式可知，当井地电法已测量时间t越大时，说明井地电法测量阶段越靠后，此时越需要选择排序法进行测量，当井地电法预计测量时间T越大时，计算资源和时间资源越大，则采用排序法测量更加精确，当综合测量位置系数P越大时，则说明测量的深度和范围相应的越大，此时也应该选用排序法进行测量。因此，当综合影响系数E越大时，越需要选择排序法进行测量，反之则采用移动窗平均法获取自然电位和人工电位。
将综合影响系数E与综合影响阈值进行比较，若综合影响系数E大于等于综合影响阈值。则采用排序法获取自然电位和人工电位，反之则采用移动窗平均法获取自然电位和人工电位。
需要说明的是，a1，a2，a3的实际取值根据实际情况进行设置，例如，采用专家赋权法，即邀请相关领域的专家通过专业的意见调查和综合评估来确定各项指标的权重，以确保预设比例系数能够准确地反映综合影响系数中各项指标的重要性。此外，还可以考虑采用层次分析法、模糊综合评价法等多种方法来确定权重系数，以保证权重系数的客观性和科学性。在此不作赘述。同时，综合影响阈值也根据实际情况设置，例如可将三种参数对应的排序法与移动窗平均法的中间值代入综合影响系数E的计算公式，其得到的值作为综合影响阈值。
进一步的，当采用排序法获取自然电位和人工电位时，图2为排序法获取自然电位与人工电位示意图，其具体步骤如下：
步骤S111，选择一个窗口宽度，通常为供电周期的整数倍（N倍）；
步骤S112，将观测的原始数据中每个窗口宽度内数据排序，取中间1/3数量的采样点的电位值求平均得到每个窗口宽度内自然电位；
步骤S113，将每个窗口宽度内的电位原始观测数据减去对应该窗口宽度内的自然电位值，再将所有点排序求取前1/6 和后1/6数据的平均值，再将这两个平均值取绝对值平均得到该测点的人工电位值；
步骤S114，将所有窗口宽度内所有自然电位求平均得到一个自然电位即为该测点的自然电位值。
其中，为人工电位、/>为自然电位、Noise为噪声干扰；/>是视电阻率，单位为欧姆米；K是测量装置系数，为实常数；I是发射电流；/>是MN两极的人工电位差。
当采用移动窗平均法获取自然电位和人工电位时，图3移动窗平均法获取自然电位与人工电位示意图，其具体步骤如下：
步骤S121，选择一个窗口宽度，通常为供电周期的整数倍（N倍）；
步骤S122，对第一个窗口宽度内的电位数据按升序排列，取中部数据求平均得到该窗口宽度内的自然电位（SPi）；
步骤S123，将该窗口宽度内的原始观测电位减去该窗口宽度内对应的自然电位（SPi）后，再进行升序排列取首部和尾部数据求平均得到该窗口宽度内的人工电位（CPi）；
步骤S124，以相同的窗口宽度随时间轴向后移动一个采样点，重复步骤2）和3）得到下一个窗口宽度内的自然电位（SPi+1）和人工电位（CPi+1）；
步骤S125，重复步骤4）直至计算窗口到电位时间序列的最末端，得到最后一个窗口宽度内的自然电位（SPN）和人工电位（CPN）；
步骤S126，计算测点的自然电位和人工电位如和/>。
在步骤S2中，当采用移动窗平均法获取自然电位和人工电位时，获取井地电法单位时间综合测量位置系数P的变化量，并将单位时间综合测量位置系数P的变化量、井地电法已测量时间与井地电法预计测量时间作为模糊贝叶斯神经网络模型的输入，预测何时从移动窗平均法切换至排序法，即采用移动窗平均法的时长值。
需要说明的是，单位时间综合测量位置系数P的变化量根据实际情况获取，例如单位时间下降0.5m的测量深度，则其通过综合测量位置系数P的计算公式能够反应出综合测量位置系数P的变化量，同时，单位时间也根据实际情况进行设置，在此不再赘述。
进一步的，模糊贝叶斯神经网络模型的构建方法如下：
步骤S2.1，收集样本数据，包括单位时间综合测量位置系数P的变化量、井地电法已测量时间与井地电法预计测量时间；
例如，上述采集的样本数据均为历史数据，具体几组不做限定，例如采集100组数据，但不限于100组数据；
样本数据分为训练样本数据和检验样本数据，由样本输入和期望输出组成的样本对；例如本实施例中将80组数据作为训练样本数据，20组数据作为检验样本数据。
为了避免神经网络误差过大及防止局部神经元达到过饱和状态，对样本数据进行归一化处理，使得样本数据均在0到1之间，网络输出向量采用反归一化处理，即得到原输出值；样本数据的归一化公式为：；式中，/>为归一化后样本数据，/>为原始样本数据与原始样本数据最小值的比值，/>为原始样本数据最大值与原始样本数据最小值的比值；
经过归一化处理得到训练样本集，即
，
其中表示单位时间综合测量位置系数P的变化量，表示井地电法已测量时间，/>表示井地电法预计测量时间，/>表示采用移动窗平均法的时长值，n为采集365组数据即n=100。
步骤S2.2，构建模糊贝叶斯神经网络模型，并输入样本数据进行训练；
用于预测何时从移动窗平均法切换至排序法的神经网络模型由输入层、隐含层、输出层构成；输入层由单位时间综合测量位置系数P的变化量、井地电法已测量时间与井地电法预计测量时间1组数据组成，共15个神经元节点，隐含层由经验公式确定；输出层为移动窗平均法的时长值作为预测结果；隐含层由经验公式确定，经验公式为：；式中，G为隐含层神经元数，h输入层输入神经元数，m输出层输出神经元数，a的取值范围为1～10之间的常数；
建立所述模糊贝叶斯神经网络预测模型，确定模型的激励函数、训练函数、学习函数及神经网络性能指标；激励函数选择sigmod函数，即训练函数选择trainlm函数，学习函数选择贝叶斯函数，神经网络性能指标为：；
式中n为样本数量即采集的100组样本数据，表示输入向量，/>表示权值分量，/>表示期望输出目标值，i={1,2,3...n}。
预训练过程：通过预训练函数trainlm，设定训练目标、训练步数，训练误差精度，根据结果选择最佳的隐含层神经元数量；
创建一个前向神经网络：
net=newff（PR,[S1,S2...SN1],{TF1,TF2...TFN1},BTF,BLF,PF），其中，向量元素从1到N1；net为创建新的神经网络；PR为网络输入元素最大值、最小值组成的矩阵；[S1,S2...SN1]表示网络隐含层和输出层神经元数量；{TF1,TF2...TFN1}表示隐含层和输出层激励函数，为sigmod函数；BTF为网络的训练函数，为trainlm函数；BLF为网络的权值学习函数，为贝叶斯函数；PF为性能函数，默认为“mse”函数；
创建神经网络权值集：影响神经网络运算精确性和泛化能力的权值集合用ω表示，即其中 ,/>(i＝1 ,2 ,3 ...n)表示权值分量，n为采集365组数据即n=365；
创建权值评判集：采用改进专家评分法对神经网络权值模糊化，专家首先无交流进行评分，对评分结果进行由大到小排序，首尾专家进行协商再次评分，重新排序，依次类推，直到评分完为止。评判集用V表示，即V＝{,/>,/>,...,/>}，其中，/>(i＝1 ,2 ,3...n)表示权值分量的重要程度，n为采集365组数据即n=365；
进行专家评分：采用专家评分法对神经网络权值模糊化；
解模糊化：采用加权平均法进行解模糊，获得神经网络权值的先验概率，公式为：；
式中，P()表示神经网络权值的先验概率，/>表示评判者人数，/>表示评判者做出可能的评判结果，n为采集365组数据即n=365；
确定似然函数：假设期望输出目标值,/>,/>,...,/>是在高斯白噪声下产生的，似然函数为：/>；
其中，为归一化因子，γ为超参数；/>表示误差函数；
确定权值的后验概率为（先验概率公式*似然函数）/样本分布常数，具体表达式如下：；
式中，i＝(1 ,2 ,3 ,...,n)，j＝(1 ,2 ,3 ,...,n),为误差函数，/>,p(D）表示样本分布常数；
随机选取训练样本集D对模糊贝叶斯神经网络预测模型进行学习训练，用模糊知识及贝叶斯函数确定输入层-隐含层-输出层各权值，通过训练样本数据判断输出层的实际输出与期望输出是否满足神经网络性能指标要求；若未满足要求，则适当改变隐含层神经元数量，重新由模糊知识以及贝叶斯函数确定输入层-隐含层-输出层各权值，再次通过训练样本数据判断输出层的实际输出与期望输出是否满足神经网络性能指标要求；若满足要求，则训练结束，否则继续进行训练，直到满足神经网络性能指标要求为止；至此得到训练好的模型。
步骤S2.3应用训练好的模型进行预测；
将单位时间综合测量位置系数P的变化量、井地电法已测量时间与井地电法预计测量时间输入到模型中，通过前向神经网络计算输出，得到预测的采用移动窗平均法的时长值，当采用移动窗平均法的时长达到预测值时，为了更好地满足测量精度要求，此时切换成排序法进行测量。需要说明的是，此时的数据不再是历史数据而是实际需要预测的数据。
上述公式均是去量纲取其数值计算，公式是由采集大量数据进行软件模拟得到最近真实情况的一个公式，公式中的预设参数由本领域的技术人员根据实际情况进行设置。
上述实施例，可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时，上述实施例可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令或计算机程序。在计算机上加载或执行所述计算机指令或计算机程序时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以为通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质。半导体介质可以是固态硬盘。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(read-only memory，ROM)、随机存取存储器(random access memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本申请的具体实施方式，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以所述权利要求的保护范围为准。。

Claims (8)

1.基于全波形井地电法的视电阻率去噪计算方法，其特征在于，包括如下步骤：
步骤S1，获取井地电法测量的不同阶段信息、井地电法测量的测量位置信息与井地电法测量的测量要求信息，并根据获取信息筛选确定自然电位和人工电位的获取方法；
步骤S2，当选用移动窗平均法获取自然电位和人工电位时，构建模糊贝叶斯神经网络模型预测移动窗平均法的持续时间。
2.根据权利要求1所述的基于全波形井地电法的视电阻率去噪计算方法，其特征在于，在步骤S1中：
井地电法测量的不同阶段信息为井地电法已测量时间，井地电法测量的测量位置信息是指井地电法测量深度与井地电法测量范围，井地电法测量的测量要求信息为井地电法预计测量时间。
3.根据权利要求2所述的基于全波形井地电法的视电阻率去噪计算方法，其特征在于，在步骤S1中：
将井地电法测量深度表示为D，井地电法测量范围表示为R，并分别确定它们的权重分配为α和β，α + β = 1，计算综合测量位置系数，具体过程如下：
对井地电法测量深度D和井地电法测量范围R进行标准化处理，使用最小-最大规范化或标准化方法，使其数值处于0到1之间；
设井地电法测量深度D的取值范围为[D_min, D_max]，井地电法测量范围R的取值范围为[R_min, R_max]，标准化后的深度和范围分别为：
；/>；
通过加权求和的方法计算综合测量位置系数P：；
其中，α和β分别为井地电法测量深度D和井地电法测量范围R的权重。
4.根据权利要求3所述的基于全波形井地电法的视电阻率去噪计算方法，其特征在于，在步骤S1中：
将井地电法已测量时间标记为t，将井地电法预计测量时间标记为T，并将井地电法已测量时间t、井地电法预计测量时间T以及综合测量位置系数P进行加权求和确定综合影响系数E；
将综合影响系数E与综合影响阈值进行比较，若综合影响系数E大于等于综合影响阈值，则采用排序法获取自然电位和人工电位，反之则采用移动窗平均法获取自然电位和人工电位。
5.根据权利要求1所述的基于全波形井地电法的视电阻率去噪计算方法，其特征在于，在步骤S1中：
当采用排序法获取自然电位和人工电位时，其具体步骤如下：
步骤S111，选择一个窗口宽度，为供电周期的整数倍；
步骤S112，将观测的原始数据中每个窗口宽度内数据排序，取中间1/3数量的采样点的电位值求平均得到每个窗口宽度内自然电位 ；
步骤S113，将每个窗口宽度内的电位原始观测数据减去对应该窗口宽度内的自然电位值，再将所有点排序求取前1/6 和后1/6数据的平均值，再将这两个平均值取绝对值平均得到测点的人工电位值；
步骤S114，将所有窗口宽度内所有自然电位求平均得到一个自然电位即为该测点的自然电位值；
其中，为人工电位、/>为自然电位、Noise为噪声干扰；/>是视电阻率，单位为欧姆米；K是测量装置系数，为实常数；I是发射电流；/>是MN两极的人工电位差。
6.根据权利要求1所述的基于全波形井地电法的视电阻率去噪计算方法，其特征在于，在步骤S1中：
当采用移动窗平均法获取自然电位和人工电位时，其具体步骤如下：
步骤S121，选择一个窗口宽度，为供电周期的整数倍；
步骤S122，对第一个窗口宽度内的电位数据按升序排列，取中部数据求平均得到该窗口宽度内的自然电位（SPi）；
步骤S123，将该窗口宽度内的原始观测电位减去该窗口宽度内对应的自然电位（SPi）后，再进行升序排列取首部和尾部数据求平均得到该窗口宽度内的人工电位（CPi）；
步骤S124，以相同的窗口宽度随时间轴向后移动一个采样点，重复步骤2）和3）得到下一个窗口宽度内的自然电位（SPi+1）和人工电位（CPi+1）；
步骤S125，重复步骤4）直至计算窗口到电位时间序列的最末端，得到最后一个窗口宽度内的自然电位（SPN）和人工电位（CPN）；
步骤S126，计算测点的自然电位和人工电位如和/>。
7.根据权利要求1所述的基于全波形井地电法的视电阻率去噪计算方法，其特征在于：在步骤S2中，模糊贝叶斯神经网络模型的构建方法如下：
收集样本数据，包括单位时间综合测量位置系数P的变化量、井地电法已测量时间与井地电法预计测量时间；
构建模糊贝叶斯神经网络模型，并输入样本数据进行训练；
应用训练好的模型进行预测。
8.根据权利要求7所述的基于全波形井地电法的视电阻率去噪计算方法，其特征在于：在步骤S2.3中，将单位时间综合测量位置系数P的变化量、井地电法已测量时间与井地电法预计测量时间输入到模型中，通过前向神经网络计算输出，得到预测的采用移动窗平均法的时长值，当采用移动窗平均法的时长达到预测值时，为了更好地满足测量精度要求，此时切换成排序法进行测量。
CN202410039159.8A 2024-01-11 2024-01-11 基于全波形井地电法的视电阻率去噪计算方法 Active CN117556198B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410039159.8A CN117556198B (zh) 2024-01-11 2024-01-11 基于全波形井地电法的视电阻率去噪计算方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410039159.8A CN117556198B (zh) 2024-01-11 2024-01-11 基于全波形井地电法的视电阻率去噪计算方法

Publications (2)

Publication Number Publication Date
CN117556198A true CN117556198A (zh) 2024-02-13
CN117556198B CN117556198B (zh) 2024-04-02

Family

ID=89815125

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410039159.8A Active CN117556198B (zh) 2024-01-11 2024-01-11 基于全波形井地电法的视电阻率去噪计算方法

Country Status (1)

Country Link
CN (1) CN117556198B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117969958A (zh) * 2024-04-02 2024-05-03 杭州永德电气有限公司 一种电阻片配组产品检测方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104360402A (zh) * 2014-10-15 2015-02-18 安徽理工大学 一种井地联合并行电法测试方法与测试系统
LU502410B1 (en) * 2022-06-29 2023-09-11 Inst Geology & Geophysics Cas Method and System for Simulating Electromagnetic Field in Borehole-Ground Electromagnetic Transmission, and Electronic Device
CN117052471A (zh) * 2023-09-13 2023-11-14 河北煤炭科学研究院有限公司 一种煤矿地面区域注浆效果的监测方法及装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104360402A (zh) * 2014-10-15 2015-02-18 安徽理工大学 一种井地联合并行电法测试方法与测试系统
LU502410B1 (en) * 2022-06-29 2023-09-11 Inst Geology & Geophysics Cas Method and System for Simulating Electromagnetic Field in Borehole-Ground Electromagnetic Transmission, and Electronic Device
CN117052471A (zh) * 2023-09-13 2023-11-14 河北煤炭科学研究院有限公司 一种煤矿地面区域注浆效果的监测方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
张刚: "电阻率法层析成像研究及其应用", 《中国博士学位论文全文数据库 基础科学辑 (月刊)》, no. 2015, 15 October 2015 (2015-10-15) *
贾正元: "井—地电阻率法探测金属矿应用研究", 《中国博士学位论文全文数据库 基础科学辑 (月刊)》, no. 2016, 15 January 2016 (2016-01-15) *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117969958A (zh) * 2024-04-02 2024-05-03 杭州永德电气有限公司 一种电阻片配组产品检测方法及系统
CN117969958B (zh) * 2024-04-02 2024-06-07 杭州永德电气有限公司 一种电阻片配组产品检测方法及系统

Also Published As

Publication number Publication date
CN117556198B (zh) 2024-04-02

Similar Documents

Publication Publication Date Title
CN117556198B (zh) 基于全波形井地电法的视电阻率去噪计算方法
CN107765347B (zh) 一种高斯过程回归和粒子滤波的短期风速预测方法
CN111046327B (zh) 适用于低频振荡与次同步振荡辨识的Prony分析方法
CN104181524B (zh) 一种自适应粒子数的多目标粒子滤波检测前跟踪方法
CN110879927B (zh) 一种用于海目标检测的海杂波幅度统计分布现场建模方法
CN114911788B (zh) 一种数据插补方法、装置及存储介质
CN114861880B (zh) 基于空洞卷积神经网络的工业设备故障预测方法及装置
CN111830501B (zh) Hrrp历史特征辅助的信号模糊数据关联方法及系统
CN111783242B (zh) 一种基于rvm-kf的滚动轴承剩余寿命预测方法及装置
CN110633859A (zh) 一种两阶段分解集成的水文序列预测方法
CN110852440B (zh) 一种基于动态模糊神经网络的海洋锋预测方法
CN114154530A (zh) 一种心电时序信号房颤检测模型训练方法及装置
CN113866204A (zh) 一种基于贝叶斯正则化的土壤重金属定量分析方法
CN110135085B (zh) 基于自适应核密度估计辅助粒子滤波的疲劳裂纹评估方法
CN114972220B (zh) 一种图像处理方法、装置、电子设备及可读存储介质
CN115077932A (zh) 一种高机动救援装备综合试验的方法及系统
CN112098782A (zh) 一种基于神经网络的moa绝缘状态检测方法及系统
CN117233638A (zh) 锂电池soh的检测方法、装置、电子设备及存储介质
CN117370215B (zh) 寻优抽样方法、装置、电子设备及存储介质
CN117637063B (zh) 一种水质测量方法、装置、设备和存储介质
KR102584409B1 (ko) 인공지능 학습모델 성능저하 감지 방법 및 장치
CN117074913A (zh) 一种基于多目标优化区间的电路板v-i曲线不确定度量方法
Barana et al. Application of neural networks for the measurement of electronic temperature in nuclear fusion experiments
CN113035363A (zh) 一种概率密度加权的遗传代谢病筛查数据混合采样方法
CN117431346A (zh) 一种虫草发酵温度控制方法及系统

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
GR01 Patent grant
GR01 Patent grant