一种基于全卷积神经网络的大地电磁反演方法转让专利
申请号 : CN202110455258.0
文献号 : CN113158571B
文献日 : 2022-04-15
发明人 : 王中兴 , 康利利 , 安志国 , 王若 , 尹雄
申请人 : 中国科学院地质与地球物理研究所
摘要 :
权利要求 :
1.一种基于全卷积神经网络的大地电磁反演方法,其特征在于,包括:基于地质信息构建多维度地电模型,正演计算对应维度的视电阻率,组成样本集,并按特定比例将所述样本集划分为多个训练集和多个测试集;
构建全卷积神经网络结构模型,得到初始化全卷积神经网络模型参数;
所述多维度地电模型包括:层状地电模型、二维地电模型或三维地电模型;
所述全卷积神经网络模型参数包括:卷积层的层数、池化层的层数、上采样层的层数、卷积层中卷积核尺寸、池化层的池化窗口大小、上采样层的上采样窗口大小和移动步长;
所述多维度地电模型为所述层状地电模型时,增大所述卷积层中卷积核尺寸、增大所述池化层的池化窗口大小和增大所述上采样层的上采样窗口大小;
所述多维度地电模型为二维地电模型和所述三维地电模型时,减小所述卷积层中卷积核尺寸、减小所述池化层的池化窗口大小和减小所述上采样层的上采样窗口大小;
基于所述训练集和所述测试集,将所述视电阻率作为输入数据,以所述地电模型的电阻率作为输出数据,对所述全卷积神经网络结构模型进行训练和测试,得到优化全卷积神经网络结构模型参数;
分析所述训练集和所述测试集对应的拟合误差变化,当所述训练集的拟合误差减小且所述测试集的拟合误差增大时,结束训练,得到训练完成的全卷积神经网络结构模型;
将实际测量的所述视电阻率输入训练完成的所述全卷积神经网络结构模型中进行反演,并分析反演结果的精度;
对所述全卷积神经网络结构模型进行训练和测试时包括:利用损失函数计算所述全卷积神经网络结构模型的输出数据与输入数据对应的所述多维度地电模型之间的误差,并通过误差反向传播算法对所述全卷积神经网络结构模型参数进行优化;
训练所述层状地电模型时,增加训练数据,以抑制过拟合现象;
训练所述二维地电模型时,采用正则化方法,在所述损失函数中加入权值衰减以抑制过拟合现象;
训练所述三维地电模型时,随机删除神经元以抑制过拟合现象。
2.根据权利要求1所述的方法,其特征在于,所述基于地质信息构建多维度地电模型,正演计算对应维度的视电阻率,组成样本集包括:采用规则的几何形状标识所述地电模型的地下异常体的所在区域,正演计算得到所述地下异常体的视电阻率;
设置所述地电模型中地下异常体的视电阻率的取值范围,组成样本集;
其中,所述地下异常体的视电阻率在取值范围内能够任意取值。
3.根据权利要求1所述的方法,其特征在于,所述层状地电模型的地下异常体的视电阻率沿深度方向变化;
所述二维地电模型的地下异常体的视电阻率同时沿深度方向和横向方向进行变化,或同时沿深度方向和纵向方向进行变化;
所述三维地电模型的地下异常体的视电阻率同时沿深度方向、纵向方向和横向方向进行变化。
4.根据权利要求1所述的方法,其特征在于,所述损失函数包括:平均绝对值误差或均方误差;
所述多维度地电模型为所述层状地电模型时,所述误差反向传播算法选择自适应梯度下降算法;
所述多维度地电模型为二维地电模型和所述三维地电模型时,所述误差反向传播算法选择自适应矩估计法。
5.根据权利要求1所述的方法,其特征在于,所述训练集的个数大于所述测试集的个数。
6.根据权利要求1所述的方法,其特征在于,所述特定比例包括:训练集的个数和测试集的个数的整数比;
所述特定比例大于5:1。
7.根据权利要求1所述的方法,其特征在于,所述分析反演结果的精度包括:分析所述反演结果的拟合误差,当所述拟合误差低于设定误差阈值,所述反演结果经正演计算得到的仿真数据与实测数据之间的相对误差小于设定误差阈值时,反演结果满足精度要求;
否则重新构建所述全卷积神经网络结构模型。
8.根据权利要求7所述的方法,其特征在于,所述分析反演结果的精度之后还包括:将所述反演结果中的电性异常区域及其电阻率的高低与地质特征的电性信息进行定性对比,分析所述反演结果与所述地质特征的电性信息的一致性。
9.根据权利要求3所述的方法,其特征在于,所述多维度地电模型为所述二维地电模型和所述三维地电模型时,减小迭代误差阈值,增加迭代次数。
说明书 :
一种基于全卷积神经网络的大地电磁反演方法
技术领域
背景技术
‑4 4
10 ‑10Hz),利用电磁波传播的趋肤效应原理,即高频电磁场穿透浅,低频电磁场穿透深,
在场源和接收点间距不变的条件下,改变电磁场的频率来达到测深的目的,即在地表采集
相互正交的电磁场分量,经数据处理后得到地下介质的垂向电性结构信息。该方法不需要
人工源,在实际生产中成本低,施工简单方便,还具有探测深度大,不受高阻层屏蔽,对于介
质中的低阻体分辨能力强等优点,被广泛应用于矿藏、油气、地热等资源的勘探开发,以及
地球深部构造研究等领域。
型的过程;反演结果的优劣直接影响地质解释的准确程度,进而影响矿产资源详查、确定井
位等的勘探开发工作。
(Non‑linear Conjugate Gradient Inversion,NLCG)等。但目前的这些反演方法存在:对
于初始模型具有较强依赖性、容易陷入局部极值等的问题。
算法(Particle Swarm Optimization,PSO),人工神经网络法(Artificial Neural
Network,ANN)等。虽然此类非线性全局寻优反演方法能够克服局部极值问题,获得全局最
优解,但需要耗费大量的运算内存与较长的运算时间。此外,人工神经网络法所用的网络收
敛速度慢,预测精度随电阻率数据量的增大和模型参数的增加而降低,网络传输过程中会
损失位置信息,并且在训练过程中容易出现过拟合现象。
发明内容
耗,提高拟合精度,以解决现有技术中存在的问题。
电阻率,组成样本集,并按特定比例将所述样本集划分为多个训练集和多个测试集;构建全
卷积神经网络结构模型,得到初始化全卷积神经网络模型参数;基于所述训练集和所述测
试集,将所述视电阻率作为输入数据,以所述地电模型的电阻率作为输出数据,对所述全卷
积神经网络结构模型进行训练和测试,得到优化全卷积神经网络结构模型参数;分析所述
训练集和所述测试集对应的拟合误差变化,当所述训练集的拟合误差减小且所述测试集的
拟合误差增大时,结束训练,得到训练完成的全卷积神经网络结构模型;将实际测量的所述
视电阻率输入训练完成的所述全卷积神经网络结构模型中进行反演,并分析反演结果的精
度。
演计算得到所述地下异常体的视电阻率;设置所述地电模型中地下异常体的视电阻率的取
值范围,组成样本集;其中,所述地下异常体的视电阻率在取值范内能够任意取值。
的地下异常体的视电阻率同时沿深度方向(Z轴)和横向方向(X轴)进行变化,或同时沿深度
方向(Z轴)和纵向方向(Y轴)进行变化;所述三维地电模型的地下异常体的视电阻率同时沿
深度方向(Z轴)、纵向方向(Y轴)和横向方向(X轴)进行变化。
之间的误差,并通过误差反向传播算法对所述全卷积神经网络结构模型参数进行优化。
电模型为二维地电模型和所述三维地电模型时,所述误差反向传播算法选择自适应矩估计
法。
和移动步长。
维度地电模型为二维地电模型和所述三维地电模型时,减小所述卷积层中卷积核尺寸、减
小所述池化层的池化窗口大小和减小所述上采样层的上采样窗口大小。
误差小于设定误差阈值时,反演结果满足精度要求;否则重新构建所述全卷积神经网络结
构模型。
述地质特征的电性信息的一致性。
训练所述三维地电模型时,随机删除神经元以抑制过拟合现象。
附图说明
具体实施方式
明的范围。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本
发明的概念。
演,即实现大地电磁的视电阻率到电阻率的模型的非线性映射。图1是本发明提供的基于全
卷积神经网络的大地电磁反演方法的流程示意图,如图1所示,基于全卷积神经网络的大地
电磁反演方法包括以下步骤:
个数大于测试集的个数。
练以得到网络模型参数,测试集则用于定期判断地电模型训练的程度,因此,训练集的个数
大于测试集的个数。
的训练集对地电模型进行训练后,进行一次测试;即用5个训练集对地电模型进行训练后,
用1个测试集判断地电模型训练的程度。当测试集判断地电模型训练得到的拟合误差满足
精度要求时,结束地电模型的训练。
的地电模型,被用于拟合不包含训练集的其他测试或实测数据时,拟合精度过低甚至完全
不能拟合的现象。
电模型为二维地电模型时,地下异常体视电阻率将同时沿深度(Z轴)和横向(X轴)两个方向
进行变化或同时沿深度(Z轴)和纵向(Y轴)两个方向进行变化,即二维模型;当地电模型为
三维地电模型时,地下异常体视电阻率将同时沿深度(Z轴)、纵向(Y轴)和横向(X轴)三个方
向进行变化,即三维模型。
体的视电阻率;当地电模型为三维地电模型(三维)时,用三维正演方法计算得到地下异常
体的视电阻率。
型参数。
样窗口大小和移动步长。
模型的卷积核尺寸、池化窗口和上采样窗口可大些,二维模型和三维模型则依据异常的尺
寸设置的尽量小一些。
分。全卷积神经网络结构模型的卷积部分与解卷积部分对称,即每层的输出数据由前一层
的部分输入数据经过卷积运算得到。
和上采样层3的层数相等。保证全卷积神经网络的卷积(编码)部分和解卷积(解码)部分对
应的网络结构完全对称,以恢复数据维度。
型可采用dropout技术,即随机删除神经元的方法抑制过拟合现象。
为层状地电模型(一维)时,用均方误差计算;当地电模型为二维地电模型(二维)和三维地
电模型(三维)时,用平均绝对值误差计算。
训练过程中,第L‑1次更新全卷积神经网络参数后,计算得到的输出地电模型数据;n表示:
网络训练过程中,第L‑1次更新全卷积神经网络参数后,计算得到的输出地电模型数据总个
L
数;yj表示:网络训练过程中,训练集或测试集中的地电模型参数中的第j个元素;yj表示:
网络训练过程中,第L‑1次更新全卷积神经网络参数后,计算得到的输出地电模型数据的第
j个元素;j表示:地电模型数据的元素标识。
程中,第L‑1次更新全卷积神经网络参数后,计算得到的输出地电模型数据;n表示:网络训
练过程中,第L‑1次更新全卷积神经网络参数后,计算得到的输出地电模型数据总个数;yj
L
表示:网络训练过程中,训练集或测试集中的地电模型参数中的第j个元素;yj 表示:网络训
练过程中,第L‑1次更新全卷积神经网络参数后,计算得到的输出地电模型数据的第j个元
素;j表示:地电模型数据的元素标识。
经网络结构模型。
电性异常区域及其电阻率的高低与已知地质资料吻合。
中的(b)的中间矩形区域)表示高阻,电阻率取值范围在1000‑1500Ω·m之间,浅色区域(图
3中的(a)的中间矩形区域,图3中的(b)的外围区域)表示低阻,电阻率取值范围在100‑600
Ω·m。图3中的(a)和(b)的中间的矩形区域表示异常体,其他的区域为均匀围岩。异常体的
横向和纵向尺度均在1.2‑4km之间变化。
电模型,选取其中8000组作训练集,剩余的1500组作测试集。
向上延展8个空气层单元,保证空气层延伸至10公里。在地面上等距离选取32个测点,测点
‑3 2
距为200m,在频率范围10 ‑10Hz内按对数等间隔选取36个频点。
池化层,以对特征张量进行下采样。卷积核设置为3×3,步长为2。池化层的池化窗口为2×
2,步长为2,池化方式为最大池化。编码部分的输出特征向量经过一层卷积核为3×3,步长
为2的卷积层后,进入解码流程。解码部分对称设计卷积层和上采样层,即每隔1个上采样层
对特征向量进行两层卷积。卷积核仍为3×3,步长为2,上采样窗口为2×2,步长为2。经过两
次上采样后,特征张量的维度还原为池化之前的维度。再经过裁剪(Crop)操作,使维度与输
出数据维度一致。
步长为2的最大池化层下采样后,特征向量维度变为9×8×64。对称地,解卷积部分,经过两
次窗口2×2、步长为2的上采样后,特征向量矩阵维度恢复至36×32×64。此后特征向量经
过1层1×1卷积核的卷积层,得到矩阵维度为36×32×1的准输出层。输出数据5不考虑延展
区,只输出对应深度内的反演电阻率即可,输出设置为28个深度。因此,将准输出矩阵经过
裁剪后,可得到维度为28×32×1的输出数据。该结构中,在每一层卷积层后使用ReLU激活
函数来增强非线性映射能力。
实施例一提供的仿真模型反演中网络模型测试误差示意图。
仿真模型反演效果。图6中所示为横向尺度2.4km、纵向尺度2km的高阻异常体,背景电阻率
值为183Ω·m,高阻异常体电阻率值为1310Ω·m。
设备iEM‑I电磁法探测系统,接收机为DRU‑1C型,磁传感器为IMC‑03型。系统工作频率范围
为0.0001‑10kHz,采集时间按照所需的最低频率设计,该工作区各测点采集时长大于8小
时。截取其中的320‑0.088Hz频段的观测数据,频率按等对数间隔分布,共计48个频点。
和形状。利用矩形区域标识由浅至深范围内的高阻和低阻异常体。设置背景电阻率在100‑
300Ω·m之间。
范围设置为5‑10Ω·m的随机数,标号为⑥的低阻体电阻率范围设置为0.1‑5Ω·m的随机
数,据此建立1000个样本集。其中,训练集850个,测试集150个。
应的不同深度的输出电阻率数据。输出电阻率模型参数深度为0‑5km,且纵向即深度方向的
网格按200m等间隔分布,即设计输出数据为各测点在0‑5km范围内26个网格深度处的电阻
率,输出矩阵维度为26×50。
积层后使用ReLU激活函数来增强非线性映射能力。模型训练过程中,选择MSE作为损失函
数,优化器设置为Adam,迭代历元(epoch)设置为15,初始学习率为0.0001,对上述反演网络
进行训练,得到卷积神经网络结构模型参数。
能够显示出0‑3km范围内的深部花岗岩高阻体,4‑8km之间的低阻体。在10‑12km范围内的低
阻体位置对应良好,而且,地表浅部两个局部高阻体也有一定表现。依据浅部2km范围内的
电阻率变化趋势,基本能够判断出与常规反演结果相似的断裂带位置和走向。
述样本集划分为多个训练集和多个测试集;构建全卷积神经网络结构模型,根据训练集,将
视电阻率作为输入数据,以所述地电模型的电阻率作为输出数据,对所述全卷积神经网络
模型进行训练,得到全卷积神经网络模型参数;根据所述测试集,将所述视电阻率作为输入
数据,以所述地电模型的电阻率作为输出数据,对所述全卷积网络模型进行测试;统计所述
训练集和所述测试集对应的拟合误差变化趋势,当训练集拟合误差减小而测试集拟合误差
增大时,结束训练,保存全卷积神经网络模型参数;根据保存的全卷积神经网络模型参数对
实测数据进行反演,得到电阻率。
修改、等同替换、改进等,均应包含在本发明的保护范围之内。此外,本发明所附权利要求旨
在涵盖落入所附权利要求范围和边界、或者这种范围和边界的等同形式内的全部变化和修
改例。