基于卷积神经网络的大地电磁反演

发布时间：2021-11-15 15:23

　　为了提高大地电磁二维反演精度,提出一种基于卷积神经网络的大地电磁反演方法。具体实现步骤如下:首先,对不同模型进行二维正演构建样本数据集;其次,将视电阻率和相位数据作为双通道网络输入,与其对应的地电模型参数作为输出搭建卷积神经网络框架,并对该网络进行监督学习与调参,从而获取最佳反演网络排列及超参数;最后,利用已训练好的网络对未知地电模型进行反演。通过理论模型检验的方法探讨大地电磁TM模式下多种地电模型体的卷积神经网络反演成像效果,并讨论输入分量和模型体深度对反演效果的影响。研究结果表明:本文提出的反演方法能对地电模型实现精准定位与成像,"聚焦"效果比最小二乘反演的优;同时,视电阻率和相位联合反演结果优于单一参量反演结果,浅部模型体的反演结果比深部模型体的优,并且联合反演的均方误差是单一反演的30%～50%。实测结果验证了所提出方法的有效性。 

【文章来源】：中南大学学报(自然科学版). 2020,51(09)北大核心EICSCD

【文章页数】：12 页

【部分图文】：

CNN示意图

式中：ujl为卷积层l第j个通道的净激活输出，它是通过对前一层输出的特征图xjl-1进行卷积求和与偏置操作后得到的；xjl为卷积层l第j个通道的输出；f (?)为激活函数；Mj为特征图子集；kil,j为卷积核；bjl为卷积层的偏置项；“*”为卷积符号。1.1.2 池化层

2)样本数据集构建及输入。通过大地电磁二维正演获取样本数据集，正演方法采用有限单元法[38]。为提高计算效率与精度，对网格进行双二次插值，并将整个网格划分为2个区域：目标区域和网格外延区域。目标区域为地质体的赋存区域，同时也是数据采集区域，以均匀网格剖分；网格外延区域的网格步长按二倍递增。在目标区域内，地质体按一定步长进行移动，以获取不同位置的视电阻率及相位，并记录相应地电模型参数。采用零-均值归一化方法对数据集进行标准化，将标准化后的视电阻率及相位作为CNN双通道输入，相应模型地电参数作为输出。3)卷积。将步骤2)中的输入数据进行卷积处理，即将每一个位置的输入进行卷积变换映射成新值，将卷积核看成权重记为向量w，输入数据记为向量x，则该位置卷积结果为y=w"x+b，即向量内积加上偏置，将x变换为y，然后通过激活函数激活即可得到卷积结果，在此过程中，不同的卷积核将实现数据不同特征的提取。

【参考文献】：
期刊论文
[1]基于卷积神经网络的地震偏移剖面中散射体的定位和成像[J]. 奚先,黄江清.  地球物理学报. 2020(02)
[2]应用卷积神经网络识别测井相[J]. 何旭,李忠伟,刘昕,张涛.  石油地球物理勘探. 2019(05)
[3]地震油气储层的小样本卷积神经网络学习与预测[J]. 林年添,张栋,张凯,王守进,付超,张建彬,张冲.  地球物理学报. 2018(10)
[4]基于遗传神经网络的大地电磁反演[J]. 王鹤,刘梦琳,席振铢,彭星亮,何航.  地球物理学报. 2018(04)
[5]卷积神经网络研究综述[J]. 周飞燕,金林鹏,董军.  计算机学报. 2017(06)
[6]卷积神经网络研究综述[J]. 李彦冬,郝宗波,雷航.  计算机应用. 2016(09)
[7]基于混沌振荡PSO-BP算法的电阻率层析成像非线性反演[J]. 戴前伟,江沸菠.  中国有色金属学报. 2013(10)
[8]大地电磁双二次插值FEM正演及最小二乘正则化联合反演[J]. 冯德山,王珣.  中国有色金属学报. 2013(09)
[9]应用RBF神经网络反演二维重力密度分布[J]. 耿美霞,杨庆节.  石油地球物理勘探. 2013(04)
[10]地球物理资料非线性反演方法讲座(五) 人工神经网络反演法[J]. 王家映.  工程地球物理学报. 2008(03)



本文编号：3497033