基于多尺度无监督深度学习的溶洞反演与成像方法及系统技术方案

本发明专利技术提供了一种基于多尺度无监督深度学习的溶洞反演与成像方法及系统，构造多个低阻地电模型，进行正演模拟得到观测数据；构建深度学习网络，构造含多尺度与光滑约束的损失函数，计算模型梯度，使用学习率加权约束方法提高低敏感区的模型训练能力，更新深度学习网络参数，对深度学习网络进行训练，以确定观测数据与地电模型的映射关系；利用训练后的深度学习网络对采集的观测数据进行处理，得到对应的地电模型图，实现反演。实现反演。实现反演。

【技术实现步骤摘要】
基于多尺度无监督深度学习的溶洞反演与成像方法及系统


[0001]本专利技术属于地球物理探测
，涉及一种基于多尺度无监督深度学习的溶洞反演与成像方法及系统。

技术介绍

[0002]本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术。
[0003]近年来，一大批交通、水利水电等基础设施投入建设，然而，施工期常遭遇地下含水溶洞等不良地质体，如未能探明，将导致突涌水等灾害发生，造成经济损失和人员伤亡。跨孔电阻率CT探测因其对含水构造等低阻地质体敏感度高的优势，被广泛应用于地下含水溶洞的探测。
[0004]对含水溶洞反演和成像的效果主要依赖于反演方法，基于无监督的深度学习反演方法不借助实际电阻率模型，直接利用模拟数据拟合观测数据，可以更好应用在实际探测中。但是跨孔电阻率CT探测中利用无监督深度学习反演与成像溶洞还存在以下问题：
[0005](1)由于电场体积效应明显，在缺乏先验信息的情况下，电阻率反演成像结果与实际模型相差较大，特别对边界刻画效果不佳。
[0006](2)钻孔间数据敏感度分布不均，通常表现为距离电极近的区域敏感度要高于远离电极的区域，不均匀的敏感度会导致异常体成像效果差。

技术实现思路

[0007]本专利技术为了解决上述问题，提出了一种基于多尺度无监督深度学习的溶洞反演与成像方法及系统，本专利技术将多尺度方法计算的模型梯度加入神经网络中，构建基于多尺度无监督深度学习反演架构，提高网络对溶洞的边界刻画效果，同时基于空间敏感度分析直接在空间网格上施加差异化的学习率，增强远离孔区域的学习能力，提升低敏感区溶洞的成像效果。
[0008]根据一些实施例，本专利技术采用如下技术方案：
[0009]一种基于多尺度无监督深度学习的溶洞反演与成像方法，包括以下步骤：
[0010]构造多个低阻地电模型，进行正演模拟得到观测数据；
[0011]构建深度学习网络，构造含多尺度与光滑约束的损失函数，计算模型梯度，使用学习率加权约束方法提高低敏感区的模型训练能力，更新深度学习网络参数，对深度学习网络进行训练，以确定观测数据与地电模型的映射关系；
[0012]利用训练后的深度学习网络对采集的观测数据进行处理，得到对应的地电模型图，实现反演。
[0013]作为可选择的实施方式，构造多个低阻地电模型，进行正演模拟得到观测数据的具体过程包括：根据溶洞的实际发育形态，建立对应的形状、尺寸及空间分布的低阻地电模型；
[0014]对于每一低阻地电模型，进行跨孔电阻率CT正演数值模拟，得到观测数据。
[0015]作为可选择的实施方式，构造含多尺度与光滑约束的损失函数，计算模型梯度的具体步骤包括：观测数据通过神经网络生成预测模型，经过正演网络后得到了预测数据，与观测数据共同计算数据残差，分别计算基于多尺度与光滑约束的模型梯度，并进行线性组合。
[0016]作为可选择的实施方式，使用学习率加权约束方法提高低敏感区的模型训练能力的具体过程包括：建立学习率加权函数，在二维跨孔电阻率CT中，考虑到敏感度以二次函数形式向中间衰减，将所述学习率加权函数按照电阻率模型网格的空间位置分为两段。
[0017]作为可选择的实施方式，更新深度学习网络参数的具体步骤包括：利用学习率加权约束方法，计算经学习率加权后的模型梯度，得到兼顾稳定收敛和边界刻画的梯度进行网络训练，以更新神经网络的参数。
[0018]作为进一步限定的实施方式，光滑约束损失函数为：
[0019]L1＝(G(m)
‑
d
obs
)
T
(G(m)
‑
d
obs
)+λ(Cm)
T
(Cm)
[0020]m为预测地电模型的矩阵形式，d
obs
观测数据的矩阵形式，G(
·
)表示正演算子，λ是正则化因子，用于平衡数据项和模型项的权重，C为光滑度矩阵。
[0021]作为进一步限定的实施方式，多尺度约束损失函数为：
[0022][0023]其中，是小波变换后产生的特征系数，sgn(
·
)表示符号函数，C是小波变换算子，表示特征域中的敏感度矩阵，表达式为：γ是一个由值为γ的元素扩展的向量。
[0024]一种基于多尺度无监督深度学习的溶洞反演与成像系统，包括：
[0025]地电模型构造模块，被配置为构造多个低阻地电模型，进行正演模拟得到观测数据；
[0026]多尺度梯度训练模块，被配置为构建深度学习网络，构造含多尺度与光滑约束的损失函数，计算模型梯度，使用学习率加权约束方法提高低敏感区的模型训练能力，更新深度学习网络参数，对深度学习网络进行训练，以确定观测数据与地电模型的映射关系；
[0027]反演模块，被配置为利用训练后的深度学习网络对采集的观测数据进行处理，得到对应的地电模型图，实现反演。
[0028]一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行所述方法中的步骤。
[0029]一种终端设备，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行所述的方法中的步骤。
[0030]与现有技术相比，本专利技术的有益效果为：
[0031]本专利技术针对电阻率模型边界刻画较差的问题，将多尺度反演引入深度学习中，构造了含多尺度约束和光滑约束的损失函数，通过平衡多尺度与光滑约束梯度的权重因子，保证了神经网络在训练前期稳定收敛，训练后期通过多尺度刻画异常体边界，实现对较复杂地电模型的形态刻画。
[0032]本专利技术针对低敏感区域难以准确成像的问题，通过对距钻孔不同远近的网格单元赋予差异学习率权重，增强了反演网络对低敏感区的数据挖掘与反演能力，提升了整体成像效果。
附图说明
[0033]构成本专利技术的一部分的说明书附图用来提供对本专利技术的进一步理解，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。
[0034]图1是本实施例提出的一种基于多尺度无监督深度学习的溶洞反演与成像方法流程图；
[0035]图2是本实施例提出的基于多尺度梯度计算的网络训练流程图；
[0036]图3是一个实施例中所建立数据库中的地电模型示意图；
[0037]图4是一个实施例中的多尺度无监督深度学习反演结果。
具体实施方式
[0038]下面结合附图与实施例对本专利技术作进一步说明。
[0039]应该指出，以下详细说明都是例示性的，旨在对本专利技术提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本专利技术所属
的普通技术人员通常理解的相同含义。
[0040]需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本专利技术的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多尺度无监督深度学习的溶洞反演与成像方法，其特征是，包括以下步骤：构造多个低阻地电模型，进行正演模拟得到观测数据；构建深度学习网络，构造含多尺度与光滑约束的损失函数，计算模型梯度，使用学习率加权约束方法提高低敏感区的模型训练能力，更新深度学习网络参数，对深度学习网络进行训练，以确定观测数据与地电模型的映射关系；利用训练后的深度学习网络对采集的观测数据进行处理，得到对应的地电模型图，实现反演。2.如权利要求1所述的一种基于多尺度无监督深度学习的溶洞反演与成像方法，其特征是，构造多个低阻地电模型，进行正演模拟得到观测数据的具体过程包括：根据溶洞的实际发育形态，建立对应的形状、尺寸及空间分布的低阻地电模型；对于每一低阻地电模型，进行跨孔电阻率CT正演数值模拟，得到观测数据。3.如权利要求1所述的一种基于多尺度无监督深度学习的溶洞反演与成像方法，其特征是，构造含多尺度与光滑约束的损失函数，计算模型梯度的具体步骤包括：观测数据通过神经网络生成预测模型，经过正演网络后得到了预测数据，与观测数据共同计算数据残差，分别计算基于多尺度与光滑约束的模型梯度，并进行线性组合。4.如权利要求1所述的一种基于多尺度无监督深度学习的溶洞反演与成像方法，其特征是，使用学习率加权约束方法提高低敏感区的模型训练能力的具体过程包括：建立学习率加权函数，在二维跨孔电阻率CT中，考虑到敏感度以二次函数形式向中间衰减，将所述学习率加权函数按照电阻率模型网格的空间位置分为两段。5.如权利要求1所述的一种基于多尺度无监督深度学习的溶洞反演与成像方法，其特征是，更新深度学习网络参数的具体步骤包括：利用学习率加权约束方法，计算经学习率加权后的模型梯度，得到兼顾稳定收敛和边界刻画的梯度进行网络训练，以更新神经网络的参数。6.如权利要求1所述的一种基于多尺度无监督深度学习的溶洞反演与成像方法，其特征是，光滑约束损失函数...

【专利技术属性】
技术研发人员：刘征宇，蔡玉梅，庞永昊，张永恒，刘嘉雯，蒋鹏，
申请(专利权)人：山东大学，
类型：发明
国别省市：