基于卷积神经网络的重力异常反演方法、系统、终端及介质技术方案

本发明专利技术属于地球物理反演技术领域，公开了一种基于卷积神经网络的重力异常反演方法，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；构建重力异常反演网络即AlexNet

【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的难度为：
[0009](1)如何改变传统方法的初始模型依赖问题，减少计算时间，提高反演结果精度。
[0010](2)如何设计不同的地质体密度模型，得到多样化的训练样本。
[0011](3)由于重力异常数据没有固定的深度分辨率，对于垂直双模型的样本，容易出现粘合现象，导致反演结果不佳。
[0012]解决以上问题及缺陷的意义为：本专利技术公开了一种重力异常反演网络 (AlexNet
‑
Gra)，实现了一系列完整的反演，通过设计成不同形状的模型通过正演得到大量数据后，可以准确的反演出重力异常体的位置和密度，能有效解决重力异常反演问题。

技术实现思路

[0013]针对现有技术存在的问题，本专利技术提供了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。
[0014]本专利技术是这样实现的，一种基于卷积神经网络的重力异常反演方法，包括：
[0015]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。
[0016]进一步，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：
[0017]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；
[0018]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；
[0019]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；
[0020]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。
[0021]进一步，所述构建不同形状的二维密度模型包括：
[0022]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)、
[0023]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。
[0024]进一步，所述进行正演得到重力异常数据包括：
[0025]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。
[0026]进一步，所述矩阵方程如下：
[0027]d＝Gm
[0028]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。
[0029]进一步，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；
[0030]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；
[0031]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。
[0032]进一步，所述对构建的样本数据集进行划分包括：将数据集前80％作为训练集，后前20％作为测试集。
[0033]进一步，所述利用处理后的样本数据集训练、优化、验证构建的AlexNet
‑
Gra 网络包括：
[0034]设定参数，利用划分的训练集训练AlexNet
‑
Gra网络；并利用测试集验证所述AlexNet
‑
Gra网络是否达到预期效果；如果没有达到，则修改参数，再次训练；如果训练的网络达到预期效果，则输入验证集数据，重构地下模型。
[0035]进一步，所述修改参数包括：
[0036](1)选取优化函数，对网络中的需要更新的权重和偏差进行优化；
[0037](2)选取目标函数：
[0038][0039]式中，L(m,m
′
)表示模型恢复程度，表示数据拟合程度，表示权重衰减正则化，λ表示正则化参数，n表示训练集的大小；所述正则化项不包括偏置值。
[0040]进一步，所述优化函数如下：
[0041][0042]其中，Θ表示网络中需要更新的权重和偏差；Net(
·
)卷积神经网络表示从观测数据d到预测密度模型m
pred
之间的映射；L是MSE损失函数。
[0043]本专利技术的另一目的在于提供一种实施所述基于卷积神经网络的重力异常反演方法的基于卷积神经本文档来自技高网...

【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...

【专利技术属性】
技术研发人员：熊杰，王蓉，薛瑞洁，
申请(专利权)人：长江大学，
类型：发明
国别省市：