一种卷积神经网络结果的重力多参量数据密度加权反演方法技术

本发明专利技术公开了一种卷积神经网络结果的重力多参量数据密度加权反演方法，包括以下步骤：搭建深度学习的神经网络结构，并针对目标地质体构建训练集；训练普通参数；训练最优网络模型；将实测异常输入到神经网络中，并将其预测结果作为下一步反演的初始模型；采用三维正则化反演方法，并引入密度权进行约束，正则化反演问题通过寻找最小化目标函数的优化问题来解决，对参数反演结果进行正演，检验反演拟合程度，并进行多次迭代反演，直至得到高精度的反演结果，本发明专利技术通过将深度学习引入到重力数据反演当中，提出了基于深度学习结果的物性反演方法，在获得较为精确的地下地质体分布的同时，大大提高了反演的效率。大大提高了反演的效率。大大提高了反演的效率。

【技术实现步骤摘要】
一种卷积神经网络结果的重力多参量数据密度加权反演方法


[0001]本专利技术属于基于深度学习的物性反演方法
，尤其涉及一种卷积神经网络结果的重力多参量数据密度加权反演方法。

技术介绍

[0002]重力勘探具有轻便，快捷，投入少的优点，随着航空物探及重力梯度仪的发展，使得大尺度重力及其梯度的多参量数据测量成为可能，而随着数据量的增加，对重力数据的反演带来了负担。
[0003]计算机硬件设备的发展，深度学习被广泛应用于各个领域。对于地球物理反演问题，在对神经网络进行训练后，可以快速的得到地质体的物性及分布，但由于神经网络的泛化能力较差，其结果依赖于训练集的构建，得到的结果往往不能达到解释所需要的精度，影响其实施应用。

技术实现思路

[0004]本专利技术通过通过引入神经网络提高了反演的速度及精度，而引入密度权的反演为不同区域地质体提供了一定的泛化能力，增加了反演的效率及精度，解决了以上问题。
[0005]具体的，本专利技术是通过以下技术方案实现的：
[0006]提供一种卷积神经网络结果的重力多参量数据密度加权反演方法，包括以下步骤：
[0007]步骤1：搭建深度学习的神经网络结构，并针对目标地质体构建训练集；
[0008]步骤2：训练普通参数；
[0009]步骤3：训练最优网络模型；
[0010]步骤4：将实测异常输入到神经网络中，并将其预测结果作为下一步反演的初始模型；
[0011]步骤5：采用三维正则化反演方法，并引入密度权进行约束，正则化反演问题通过寻找最小化目标函数的优化问题来解决，目标函数表示为：
[0012]P(m)＝Φ
d
(m)+λΦ
m
(m)
[0013]其中λ是正则化参数；
[0014][0015][0016]其中W
d
是数据加权矩阵,W
m
是模型加权矩阵；
[0017]步骤6：对参数反演结果进行正演，检验反演拟合程度，并进行多次迭代反演，直至得到高精度的反演结果。
[0018]优选的，步骤2中训练普通参数是给定超参数，在训练集上利用学习算法训练普通参数，使得网络模型在训练集上的误差降低到可接受的程度。
[0019]优选的，步骤3中训练最优网络模型是在验证集上验证不同网络模型的泛化能力，并根据网络模型性能对网络结构和超参数进行调整。
[0020]优选的，步骤5中在传统反演中，W
d
由深度权w
z
构成，其表达式为：
[0021][0022]其中，z
j
为第j个模型单元的中心埋深，z0为观测高度，对重力反演而言，深度加权系数β＝2；
[0023]将反演流程中W
d
由深度权w
z
和密度权w
ρ
构成，密度权w
ρ
表达式为
[0024][0025]其中，m0为深度学习快速成像方法得到的初始模型。
[0026]与现有技术相比，本专利技术具有以下有益的技术效果：
[0027]本专利技术通过将深度学习引入到重力数据反演当中，提出了基于深度学习结果的物性反演方法，对于训练好的神经网络，仅需几秒钟的时间就可以给出一个初始的结果，并将其以初始模型或密度权的形式加入到正则化反演当中，在获得较为精确的地下地质体分布的同时，大大提高了反演的效率。
附图说明
[0028]图1是本专利技术提供的一种卷积神经网络结果的重力多参量数据密度加权反演方法的反演流程图；
[0029]图2是本专利技术实施例中深度学习成像结果图；
[0030]图3是本专利技术实施例中的正则化反演结果图。
具体实施方式
[0031]为了能够更清楚地理解本专利技术的上述目的、特征和优点，下面结合附图和具体实施例对本专利技术进行详细描述。需要说明的是，在不冲突的情况下，本专利技术的实施例及实施例中的特征可以相互组合。
[0032]除非另有定义，本文所使用的所有的技术和科学术语与属于本专利技术的
的技术人员通常理解的含义相同。本文中在本专利技术的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本专利技术。
[0033]具体如图1所示，提供一种卷积神经网络结果的重力多参量数据密度加权反演方法，包括以下步骤：
[0034]步骤1：搭建深度学习的神经网络结构，并针对目标地质体构建训练集；
[0035]步骤2：训练普通参数；给定超参数，在训练集上利用学习算法训练普通参数，使得网络模型在训练集上的误差降低到可接受的程度。
[0036]步骤3：训练最优网络模型；在验证集上验证不同网络模型的泛化能力，并根据网络模型性能对网络结构和超参数进行调整。
[0037]步骤4：将实测异常输入到神经网络中，并将其预测结果作为下一步反演的初始模
型。
[0038]步骤5：采用三维正则化反演方法，并引入密度权进行约束，正则化反演问题通过寻找最小化目标函数的优化问题来解决，目标函数表示为：
[0039]P(m)＝Φ
d
(m)+λΦ
m
(m)
[0040]其中λ是正则化参数；
[0041][0042][0043]其中W
d
是数据加权矩阵,W
m
是模型加权矩阵；
[0044]在传统反演中，W
d
由深度权w
z
构成，其表达式为：
[0045][0046]其中，z
j
为第j个模型单元的中心埋深，z0为观测高度，对重力反演而言，深度加权系数β＝2；
[0047]将反演流程中W
d
由深度权w
z
和密度权w
ρ
构成，密度权w
ρ
表达式为
[0048][0049]其中，m0为深度学习快速成像方法得到的初始模型。
[0050]步骤6：对参数反演结果进行正演，检验反演拟合程度，并进行多次迭代反演，直至得到高精度的反演结果。
[0051]具体使用过程中，先采集地区重力数据，并对其进行均匀采样，然后采用神经网络对地下三维结构进行预测，快速得到一个初始结果；把得到的初始结果作为初始模型及密度权加入到反演当中，再迭代计算并在拟合差足够小时停止迭代，最后绘制反演所得密度空间分布图像。
[0052]对比例：下表为本专利技术与传统物性反演方法，在采用同等反演精度下，相同采样点距、相同成图精度、相同的截止条件，反演相同数据时采用同一的计算机的同一软件反演时的运行时间以及内存占用率对比表：
[0053] 运行时间达到给定拟合差所需迭代次数本实施例16.435s21传统方法321.094s355
[0054]结合可得到，本实施例中的方法反演速度提高，反演结果更加准确且收敛。
[0055]最后应说明的是，以上实施例仅用以说明本专利技术的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种卷积神经网络结果的重力多参量数据密度加权反演方法，其特征在于，包括以下步骤：步骤1：搭建深度学习的神经网络结构，并针对目标地质体构建训练集；步骤2：训练普通参数；步骤3：训练最优网络模型；步骤4：将实测异常输入到神经网络中，并将其预测结果作为下一步反演的初始模型；步骤5：采用三维正则化反演方法，并引入密度权进行约束，正则化反演问题通过寻找最小化目标函数的优化问题来解决，目标函数表示为：P(m)＝Φ
d
(m)+λΦ
m
(m)其中λ是正则化参数；参数；其中W
d
是数据加权矩阵,W
m
是模型加权矩阵；步骤6：对参数反演结果进行正演，检验反演拟合程度，并进行多次迭代反演，直至得到高精度的反演结果。2.根据权利要求1所述的一种卷积神经网络结果的重力多参量数据密度加权反演方法，其特征在于，步骤2中训练普通参数是给定超参数，在训...

【专利技术属性】
技术研发人员：马国庆，蒋哲欣，李丽丽，
申请(专利权)人：吉林大学，
类型：发明
国别省市：