基于深度学习耦合约束的重磁联合反演方法、系统及终端.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115826083A(43)申请公布日2023.03.21(21)申请号202211303333.2(22)申请日2022.10.24(71)申请人长江大学地址434100湖北省荆州市南环路1号(72)发明人熊杰杨浩康陈宇旋薛瑞洁(74)专利代理机构北京金智普华知识产权代理有限公司11401专利代理师张晓博(51)Int.Cl.G01V11/00(2006.01)G06N3/08(2023.01)权利要求书2页说明书12页附图11页(54)发明名称基于深度学习耦合约束的重磁联合反演方法、系统及终端(57)摘要本发明属于重磁勘探技术领域，公开了一种基于深度学习耦合约束的重磁联合反演方法、系统及终端，基于重磁异常体模型进行正演以及高斯模糊模拟产生样本数据集，构建Trans_FCN反演网络；利用样本数据集训练所述Trans_FCN重磁模型转换网络实现重磁数据之间的“软”映射；最后由训练好的深度神经网络为联合反演提供“正确”的参考模型。本发明可以准确的反演出重磁异常体的位置和物性，具有较强的学习能力和一定的泛化能力，能有效解决重磁异常数据反演问题。本发明设计不同物性和尺寸模型，通过移动模型位置、设置不同的物性组合并进行高斯模糊得到大量数据后，可以同时学习到重磁模型之间的物性耦合和结构耦合关系，能够有效提高联合反演效果。CN115826083ACN115826083A权利要求书1/2页1.一种基于深度学习耦合约束的重磁联合反演方法，其特征在于，包括：利用重磁异常体模型产生样本数据集，构建重磁模型转换网络Trans_FCN；基于所述样本数据集训练所述重磁模型转换网络Trans_FCN；利用所述重磁模型转换网络Trans_FCN为重磁联合反演提供“正确”的参考模型，最终得到更为可靠的反演结果。2.如权利要求1所述的基于深度学习耦合约束的重磁联合反演方法，其特征在于，所述基于深度学习耦合约束的重磁联合反演方法包括以下步骤：步骤一，采用Matlab语言设计大量重磁异常体模型，并进行高斯模糊生成样本数据集；步骤二，构建重磁模型转换网络，并利用生成的样本数据集对构建的Trans_FCN网络进行训练，优化所述Trans_FCN网络的网络参数；步骤三，将重磁单独反演结果输入到训练好的Trans_FCN网络中，为下一步重磁反演提供“正确”的参考模型，实现重磁物性模型的交互，提高重磁联合反演的可靠性，重复步骤三最终得到重磁反演结果。3.如权利要求2所述的基于深度学习耦合约束的重磁联合反演方法，其特征在于，所述步骤一中具体过程为：(1.1)给定异常体形状：首先，确定一个指定大小的地下模型区域，再对所述区域进行网格剖分，最后，设计一些不同的异常体块并遍历地下网格模型的每一个位置，遍历地下网格模型时将舍去靠近边缘位置的异常体模型；(1.2)给定异常体重磁参数值：按照已知某地的地下介质的磁化率和密度之间的关系对步骤(1.1)中的异常体模型进行赋值，得到相应的异常体密度模型和磁化率模型；(1.3)高斯模糊：由于在高斯牛顿法反演的过程中加入了光滑约束使得反演的结果没有尖锐的边界，所以对步骤(1.2)生成的异常体密度模型和磁化率模型进行高斯滤波，用来模糊重磁地下模型的反演转换结果。4.如权利要求3所述的基于深度学习耦合约束的重磁联合反演方法，其特征在于，所述异常体的密度和磁化率是根据先验知识选取的，则深度神经网络能够学习到重磁间的物性耦合关系，所述步骤(1.3)在训练前对神经网络输入输出物性模型均进行高斯模糊，使得神经网络可以从训练集中学习到重磁数据间的结构耦合关系。5.如权利要求1所述的基于深度学习耦合约束的重磁联合反演方法，其特征在于，所述重磁物性转换网络Trans_FCN包括：所述Trans_FCN的输入数据大小为M×N×K，输出大小的数据同样为M×N×K，M、N、K分别为x，y，z三个方向剖分的网格数；所述Trans_FCN网络的结构包含三个部分：编码部分、解码部分和跳跃连接；所述编码部分包含多个3×3大小的卷积、批归一化层、Relu激活函数、2×2最大池化层，同时解码部分采用2×2的反卷积层、多个3×3的卷积层、批归一化层、Relu激活函数，对应的解码恢复部分表示输出。6.如权利要求2所述的基于深度学习耦合约束的重磁联合反演方法，其特征在于，所述步骤二包括：首先，对所述样本数据集进行预处理，将数据集随机分为训练集和测试集；然后，设定参数，利用所述训练集训练Trans_FCN网络，并利用测试集检查网络是否达2CN115826083A权利要求书2/2页到能实现重磁地下异常体物性模型的相互转换并且不发生失真，如果没有，则修改参数，再次训练，直到达到设定的最大迭代次数；最后，如果训练的网络达到预期效果，则