【技术实现步骤摘要】
基于卷积神经网络的重力异常反演方法、系统、终端及介质
[0001]本专利技术属于地球物理反演
,尤其涉及一种基于卷积神经网络的重力异常反演方法、系统、终端及介质。
技术介绍
[0002]目前,重力勘探是地球物理勘探中非常重要的勘探手段之一,它具有探测面积广、成本较低及工作领域较广等优势,在油气勘查、矿产资源勘查、地质填图、地区的地质构造调查等领域具有广泛的应用。重力勘探通过测量地球重力场的分布,研究密度不均匀的地质体产生的重力异常,进行有针对的数据处理,完成相应的地质解释任务。利用异常分布的特征建立相应模型,依照模型对重力异常进行定量解释,这是重力勘探中的关键步骤,也是重力反演中最重要的一步。
[0003]物性反演是常见的重力异常反演方法,它主要是将包含特殊地质体的地下空间剖分成特定尺寸的网格单元,通常通过线性迭代方法求解。然而,线性迭代反演容易陷入局部极小值,计算耗时,并且数据量大时会占用大量的计算机内存。随着地球物理反演方法的发展,非线性方法因其具有全局寻优的特点而受到广泛关注。
[0004]通过上述分析,现有技术存在的问题及缺陷为:
[0005](1)现有技术容易陷入局部极小值,计算耗时,并且数据量大时会占用大量的计算机内存。
[0006](2)现有技术数据量少,不能满足使用深度学习方式解决地球物理反演问题时所需的大量磁异常数据的需求。
[0007](3)现有技术大多以依赖初始模型;现有技术反演,容易存在欠拟合或过拟合等问题。
[0008]解决以上问题及缺陷 ...
【技术保护点】
【技术特征摘要】
1.一种基于卷积神经网络的重力异常反演方法,其特征在于,所述基于卷积神经网络的重力异常反演方法包括:构建重力异常反演网络,并利用正演得到的数据集对所述重力异常反演网络进行训练,利用训练好的重力异常反演网络进行反演。2.如权利要求1所述基于卷积神经网络的重力异常反演方法,其特征在于,所述基于卷积神经网络的重力异常反演方法包括以下步骤:步骤一,构建不同形状的二维密度模型,进行正演得到重力异常数据,基于得到的重力异常数据构建样本数据集;步骤二,构建重力异常反演网络即AlexNet
‑
Gra;并对构建的样本数据集进行预处理以及划分;步骤三,利用处理后的样本数据集训练、优化、验证构建的AlexNet
‑
Gra网络,得到训练好的AlexNet
‑
Gra网络;步骤四,将重力异常数据输入到训练好的AlexNet
‑
Gra网络,即可得到反演结果。3.如权利要求2所述基于卷积神经网络的重力异常反演方法,其特征在于,所述构建不同形状的二维密度模型包括:将地下空间划分为800个即20行
×
40列的矩形单元格,所述每个单元格大小为25m
×
25m,地面观测点设置为101个,观测点之间的间隔为10m,构建3
×
3(75m
×
75m)、4
×
4(100m
×
100m)、5
×
5(125m
×
125m)、3
×
6(75m
×
150m)、6
×
3(150m
×
75m)、4
×
8(100m
×
200m)、8
×
4(200m
×
100m)共7个形状规则且单一的模型。4.如权利要求2所述基于卷积神经网络的重力异常反演方法,其特征在于,所述进行正演得到重力异常数据包括:利用矩阵方程表示密度模型m到重力异常d的映射关系;为模型样本设置不同的密度值进行正演即可生成相应数据;所述矩阵方程如下:d=Gm其中,d=(d1,d2,
……
,d
M
)
T
;m=(m1,m2,
……
,m
N
)
T
;M和N分别是观测点数量和网格单元的数量;G是M
×
N维核矩阵。5.如权利要求2所述基于卷积神经网络的重力异常反演方法,其特征在于,所述重力异常反演网络共有五个卷积核,三个池化层,两个全连接层;所述第一个卷积层的卷积核大小为1
×
11,第二个卷积层的卷积核大小为1
×
5,其他卷积层的卷积核大小为1
×
3,且步长均为1;所述三层池化层的大小都为1
×
3,且步长均为2;均采用VALID方式进行;所述对构建的样本...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。