| 低纬度磁异常的初始模型约束全卷积神经网络化极方法 |
| |
| 引用本文： | 张志厚, 刘慰心, 石泽玉, 张健, 路润琪, 谢小国, 徐正宣, 张天一. 2023. 低纬度磁异常的初始模型约束全卷积神经网络化极方法. 地球物理学报, 66(1): 412-429, doi: 10.6038/cjg2022P0871 |
| |
| 作者姓名： | 张志厚 刘慰心 石泽玉 张健 路润琪 谢小国 徐正宣 张天一 |
| |
| 作者单位： | 西南交通大学地球科学与环境工程学院,成都 611756;西南交通大学,高速铁路线路工程教育部重点实验室,成都 610031;西南交通大学地球科学与环境工程学院,成都 611756;四川省华地建设工程有限责任公司,成都 610081;四川省地质矿产勘查开发局成都水文地质工程地质中心,成都 610081;西南交通大学地球科学与环境工程学院,成都 611756;中铁二院成都地勘岩土工程有限责任公司,成都 610000 |
| |
| 基金项目： | 四川省科技厅科技计划项目(2021YJ0031);;国家重点研发计划项目(2018YFC1505401); |
| |
| 摘 要： | 
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.
|
| 关 键 词： | 低纬度磁异常 初始模型 深度学习 化极 联合驱动 |
| 收稿时间： | 2021-11-22 |
| 修稿时间： | 2022-12-07 |
| 本文献已被 万方数据 等数据库收录！ |
| 点击此处可从《地球物理学报》浏览原始摘要信息 |
|
点击此处可从《地球物理学报》下载免费的PDF全文 |
|
