一种瞬变电磁深度学习反演方法、系统、设备及介质
- 国知局
- 2024-12-06 12:39:21
本发明属于地球物理探测,特别涉及一种瞬变电磁深度学习反演方法、系统、设备及介质。
背景技术:
1、瞬变电磁法是一种以电磁感应为基础的地球物理探测方法,由于其施工成本低、探测深度大、对金属良导体探测能力强,已经在矿产资源勘探、隧道超前预报、地下水文调查、工程地质勘察等领域得到了广泛应用。但在实际运用中下,仅靠解析二次场响应,只能定性分析地下高(低)阻异常体,无法准确描述地下异常体的物性参数及埋深位置。此时就需要通过瞬变电磁反演来进一步对地下物性参数分布进行定量解译。
2、在瞬变电磁数据解释方面,梯度类的线性化反演和完全非线性反演是目前主流的反演方法。线性化反演效率高,但是存在过于依赖初始模型、易丢失地层细节信息、难以准确刻画地层分布状况。且由于地下介质的复杂性,三维反演方法受限于运算量巨大的三维正演,反演效率很低。完全非线性反演方法对初始模型依赖较小,且不需要计算雅克比矩阵,近年成为热门研究方向。国内外学者已经实现了遗传算法、粒子群优化算法、模拟退火算法贝叶斯算法等多种最优化反演方法,但是该类方法由于复杂的电磁理论和数据处理过程,在实际工程中难以大范围地投入使用。
3、神经网络技术自20世纪80年代兴起以来,已被广泛应用于图像处理、语音识别、股票预测等领域,近年来也已经被引入以解决大地电磁、地震、测井等地球物理反演问题。瞬变电磁神经网络反演不同于具有全空间搜索解的非线性蒙特卡洛类反演方法,通过海量理论模型训练建立模型物性参数和电磁响应之间的矩阵映射关系,不需要大量的正演计算,可以极大地提高反演效率。bp神经网络、监督下降法等浅层神经网络以及粒子群神经网络、遗传神经网络、卷积神经网络等深度神经网络反演算法已经被应用于瞬变电磁反演。瞬变电磁响应数据随时间呈现衰减,因此瞬变电磁反演属于典型的时间序列问题。基于此范涛等构建了一种基于长短时记忆网络(lstm)的seq2seq反演模型,证明了rnn类反演方法在理论层面的合理性与可行性。但是lstm对于空间特征的提取能力相比时间特征而言略显薄弱,且lstm的串行处理方式极大地限制了模型的训练速度。
技术实现思路
1、本发明的目的在于提供一种瞬变电磁深度学习反演方法、系统、设备及介质,以解决传统rnn神经网络因误差逐层累积不能满足长序列数据分析的问题。
2、为实现上述目的,本发明采用以下技术方案:
3、第一方面,本发明提供一种瞬变电磁深度学习反演方法,包括:
4、构建层状电阻率模型,通过正演生成层状电阻率模型对应的瞬变电磁响应数据;
5、构建informer模型,将电磁响应数据作为输入数据进行informer模型训练,同时采用优化器来动态调整学习率,获得训练后的深度-电阻率地层模型;
6、使用训练后的深度-电阻率地层模型对输入采集的的真实瞬变电电磁响应数据进行反演,得到实际的地层电阻率分布情况。
7、进一步的,构建层状电阻率模型,包括:
8、据实际地质资料中天然岩石电阻率范围以及地层分布深度特征设计相应约束的层状电阻率模型。
9、进一步的,通过正演生成层状电阻率模型对应的瞬变电磁响应数据,包括:
10、通过基于汉克尔变换和余弦变换的瞬变电磁一维正演程序得到层状电阻率模型对应的瞬变电磁响应数据,采样时间-视电阻率;
11、合成样本集包括:由nt个时间测道在不同时间测量的瞬变电磁数据d;层状电阻率模型层数np对应的电阻率值合成的深度-电阻率地电模型m,将样本集划分为训练集、验证集和测试集。
12、进一步的,构建informer模型,包括:
13、informer模型包括编码器、解码器和多头概率稀疏自注意力,模型的输入数据为瞬变电磁响应数据,输入层的维度由时间测道nt决定;模型的输出数据为深度-电阻率地电模型,输出层的维度由层状电阻率模型层数np决定;将编码器得到的特征向量输入到解码器进行解码,输出预测的地层地层电阻率模型参数。
14、进一步的,将电磁响应数据作为输入数据进行informer模型训练,同时采用优化器来动态调整学习率,获得训练后的深度-电阻率地层模型,包括:
15、使用训练集来训练informer模型,在训练过程中,通过最小化预测结果与真实模型之间的误差来调整模型的参数,采用自适应矩估计算法adam作为优化算法,采用reducelronplateau优化器来动态调整学习率。
16、进一步的,采用adam算法优化权重与偏执,reducelronplateau优化器设置初始学习率lr=0.01,周期调整参数patience=10,学习率调整的因子参数factor=0.1。
17、进一步的,使用训练后的深度-电阻率地层模型对输入采集的的真实瞬变电磁响应数据进行反演,得到实际的地层电阻率分布情况,包括:
18、将预处理后的真实瞬变电磁响应数据输入到训练好的深度-电阻率地层模型中,模型通过深度学习算法对输入数据进行特征提取和映射,输出地层电阻率的初步分布图像。
19、第二方面,本发明提供一种瞬变电磁深度学习反演系统,包括:
20、数据获取模块,用于构建层状电阻率模型,通过正演生成层状电阻率模型对应的瞬变电磁响应数据;
21、模型构建模块,用于构建informer模型,将电磁响应数据作为输入数据进行informer模型训练,同时采用优化器来动态调整学习率,获得训练后的深度-电阻率地层模型;
22、反演输出模块,用于使用训练后的深度-电阻率地层模型对输入采集的的真实瞬变电磁响应数据进行反演,得到实际的地层电阻率分布情况。
23、第三方面,本发明提供一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现一种瞬变电磁深度学习反演方法的步骤。
24、第四方面,本发明提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现一种瞬变电磁深度学习反演方法的步骤。
25、与现有技术相比,本发明有以下技术效果:
26、本发明通过正演生成的层状电阻率模型对应的瞬变电磁响应数据(本文转化为采样时间-视电阻率),将电磁响应数据作为输入数据特征进行informer模型训练,同时采用reducelronplateau优化器来动态调整学习率,最终获得深度-电阻率的地层模型作为输出结果;针对瞬变电磁数据与实际地质模型之间的非线性复杂关系,本发明将informer模型用于瞬变电磁反演中,并验证其有效性。本发明相比目前常见的反演方法具有反演效率高、结果贴合实际地质情况等优势。informer模型能够在序列信息完整性的基础上,精准地捕捉输入序列中的长期依赖关系。这一特性对于处理长序列时间序列问题非常重要,有助于维持序列的连贯性与完整性。相比传统的模型如lstm和gru,在处理长序列时,informer模型能够更有效地保留序列中的重要信息,从而提高了反演的精度。
27、本发明引入informer模型具有更高的泛化能力和运算速度。这意味着在不同数据集上,informer模型都能够表现出更好的性能,并且能够更快地完成计算任务。在瞬变电磁反演中,这一特点将大大提高反演的效率,同时也有助于处理大规模数据。
28、本发明在瞬变电磁反演中,需要处理大量的时间序列数据,cnn、gnn等神经网络结构对时序性问题的处理能力欠缺,而rnn以及在此基础上改进的lstm、transformer等模型架构由于串行处理模式效率低下,而informer模型的设计初衷就是应对长序列时间序列问题,因此在处理这类任务时表现出了卓越的性能。它能够有效地处理长序列数据,并且在保持反演精度的同时提高了计算速度,为瞬变电磁深度神经网络反演提供了全新的解决方案。
本文地址:https://www.jishuxx.com/zhuanli/20241204/342435.html
版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件至 YYfuon@163.com 举报,一经查实,本站将立刻删除。