基于深度学习的重力异常与重力梯度异常联合反演

高效高精度的反演算法在重力大数据时代背景下显得尤为重要,受深度学习卓越的非线性映射能力的启发,本文提出了一种基于深度学习的重力异常及重力梯度异常的联合反演方法.文中首先提出了一种基于网格点几何格架的重力异常及重力梯度异常的空间域快速正演算法,这为本文深度学习反演算法的实现奠定了基础;其次对大量的不同密度模型进行正演计算获得样本数据集;然后设计了一种端到端的深度学习网络结构(GraInvNet),再利用样本数据对该网络结构进行训练;最后进行反演预测.组合模型试验表明,多维度数据联合反演相比单一分量反演其结果更“聚焦”,且与模型边界高度吻合,并且对于复杂模型的姿态与物性预测具有极为显著的优势,以及对于含噪声数据的反演,其质量也不会降低;Vinton岩丘实测重力数据也验证了文中方法的有效性;从而证明了深度学习在重力数据的高效高精度反演方面具有的巨大潜力.     

基于全卷积神经网络的磁异常及磁梯度异常反演

地球物理反演问题具有病态性、不适定性,传统的线性反演方法面临着次优逼近和初始模型选择等挑战,为了提高磁场数据反演的精度,受深度学习卓越的非线性映射能力的启发,本文提出了一种基于全卷积神经网络的磁异常及磁梯度异常反演方法.文中首先提出了一种基于网格点几何格架的磁异常及磁梯度异常的空间域快速正演算法,这为本文全卷积神经网络反演算法的实现奠定了基础;随后对大量不同剩余磁化强度模型进行正演计算获得样本数据集,将正演数据作为输入层,磁化强度模型作为输出层,并基于U-net网络结构设计了一种端到端的网络结构(MagInvNet),再对该网络结构进行监督学习与参数优化;最后进行反演预测.三组模型试验表明,MagInvNet网络能够快速准确识别出磁异常体的位置与形状,并且能够准确的反演出异常体磁化强度的大小,对于含噪声数据,其反演结果的质量不会降低.本文最后利用安徽霍邱铁矿的航磁数据验证了文中方法的有效性.     

低纬度磁异常的初始模型约束全卷积神经网络化极方法

磁异常化极是磁测数据处理的重要基础工作,低纬度磁异常化极运算不稳定.深度学习是一种有效解决不稳定问题的数据驱动方法.然而,现有基于深度学习的位场数据处理仅以位场响应作为输入,缺乏场景外样本数据的通用性,往往导致深度学习网络预测结果的泛化性能不足.因此,为了克服这一问题以及进一步提高低纬度磁异常化极的精度.受“知识&数据”联合驱动深度学习网络结构的启发,本文提出一种基于初始模型约束的低纬度磁异常化极全卷积神经网络结构.该网络结构的输入包含两部分,一部分为低纬度磁异常,另外一部分为初始模型,网络输出为垂直磁化方向磁异常.训练与测试的磁异常数据采用基于网格点格架函数的空间域快速正演生成,以及对低纬度磁异常采用稳定的频率转换来获取初始模型,另外本文对数据集中10%的随机样本加入了5%的高斯噪声,以此增强全卷积神经网络结构的鲁棒性.理论模型试验验证了本文所提方法的有效性、精确性以及鲁棒性.最后,将本文方法应用于实际磁测数据,取得了良好的效果.     

基于深度学习的位场边界识别方法

边界识别是位场数据处理中极为重要的一种技术,现有的边界识别方法属于无监督式机器运算,其识别精度与地质体的空间分布存在很大关系,尤其是对深部复杂异常体的识别存在边界模糊的特点.为了进一步提高边界识别的精度,受深度学习卓越非线性映射能力和监督式学习优点的启发,本文提出了基于深度学习的位场边界识别方法,深度学习网络结构是一种...     

重力及其梯度异常正演的Moving-footprint大尺度模型分解方法

重力及其梯度异常正演计算效率决定了反演的可行性,也是高效构建足量、多样深度学习样本数据的基础。为了进一步提高重力及其梯度异常正演的计算速度,受航空电磁领域“Moving-footprint”快速正演技术的启发,本文在基于网格点几何格架函数空间域快速正演的基础上,提出了一种“Moving-footprint”大尺度模型分解的重力及其梯度异常正演计算方法。此方法在地下半空间内选择观测点正下方一定有效范围的子空间,该观测点异常近似为其对应子空间内长方体单元的异常和,而忽略子空间外长方体单元产生的异常;当观测点移动,其对应的子空间随之移动,从而可以将地下半空间长方体模型进行大尺度模型分解,为每一个计算点所对应的子空间进行正演计算。模型实验表明,在256×256×15个长方体模型的地下半空间内选取32×32×15的子空间进行计算,重力异常及部分梯度异常的相对平均误差小于10%,计算速度提高19倍;文中方法针对1 024×1 024×15个长方体模型计算时间约为32 min,相比已有算法中存在的超常规计算量的瓶颈问题具有显著的计算优势。