CN111597753B - 数据深度变化特征自适应的二维电阻率反演方法及*** - Google Patents

数据深度变化特征自适应的二维电阻率反演方法及*** Download PDF

Info

Publication number
CN111597753B
CN111597753B CN202010269141.9A CN202010269141A CN111597753B CN 111597753 B CN111597753 B CN 111597753B CN 202010269141 A CN202010269141 A CN 202010269141A CN 111597753 B CN111597753 B CN 111597753B
Authority
CN
China
Prior art keywords
resistivity
data
inversion
adaptive
self
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010269141.9A
Other languages
English (en)
Other versions
CN111597753A (zh
Inventor
刘斌
蒋鹏
郭谦
刘本超
聂利超
刘征宇
汤宇婷
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong University
Original Assignee
Shandong University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shandong University filed Critical Shandong University
Priority to CN202010269141.9A priority Critical patent/CN111597753B/zh
Publication of CN111597753A publication Critical patent/CN111597753A/zh
Application granted granted Critical
Publication of CN111597753B publication Critical patent/CN111597753B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/30—Assessment of water resources

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Measurement Of Resistance Or Impedance (AREA)

Abstract

本公开提供了一种数据深度变化特征自适应的二维电阻率反演方法及***，构建不同地电模型的视电阻率‑电阻率模型数据对的数据集；构造不同层位深度的卷积核振幅和偏移量根据电阻率深度变化特征自适应可变的自适应卷积网络；构造携带电阻率数据项垂向权重的反演损失函数，利用所述数据集，对所述反演损失函数控制的自适应卷积网络进行训练，建立视电阻率数据与电阻率模型间的映射关系；将观测视电阻率数据输入训练后的自适应卷积网络，通过建立的映射关系输出电阻率成像结果，实现地表二维电阻率深度学习反演，能够有效提高反演质量，尤其是深部区域的反演精度。

Description

数据深度变化特征自适应的二维电阻率反演方法及***
技术领域
本公开属于二维电阻率反演技术领域，涉及一种数据深度变化特征自适应的二维电阻率反演方法及***。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。
地表二维电阻率探测是一种常见的地球物理勘探方法。电阻率反演成像是通过观测得到的视电阻率数据反算地下介质电阻率分布的过程，是电阻率探测的核心问题。电阻率反演是一个典型的非线性问题，目前通用的成熟方法通过目标函数的高阶项省略将其转化为线性问题求解，存在易陷入局部最优，初始模型依赖性强，反演精度不足等问题。针对现有方法的问题，从电阻率反演的非线性本质出发，利用新兴的深度神经网络强大的复杂函数非线性拟合能力提高电阻率反演的成像质量成为解决电阻率反演难题的全新方案。
据发明人了解，目前深度学习反演方案尚未在电阻率反演领域发展推广，其核心难题在于针对自然图像处理的深度卷积网络具有权值共享属性和固定的卷积核幅值。而视电阻率数据与自然图像不同，其异常响应特征随深度位置变化而变化，即具有深度变化特征。视电阻率数据的深度变化特征直接导致：①异常特征难以有效捕捉和区别，网络输出模糊，进而难以实现准确反演成像；②深部区域异常特征不明显，深部异常体反演效果不佳。
发明内容
本公开为了解决上述问题，提出了一种数据深度变化特征自适应的二维电阻率反演方法及***，本公开能够有效提高反演质量，尤其是深部区域的反演精度。
根据一些实施例，本公开采用如下技术方案：
一种数据深度变化特征自适应的二维电阻率反演方法，包括以下步骤：
构建不同地电模型的视电阻率-电阻率模型数据对的数据集；
构造不同层位深度的卷积核振幅和偏移量根据电阻率深度变化特征自适应可变的自适应卷积网络；
构造携带数据项垂向权重的电阻率深度学习反演损失函数；
利用所述数据集，对所述反演损失函数控制的自适应卷积网络进行训练，建立视电阻率数据与电阻率模型间的映射关系；
将观测视电阻率数据输入训练后的自适应卷积网络，通过建立的映射关系输出电阻率成像结果，实现地表二维电阻率深度学习反演。
上述技术方案中，通过携带数据项垂向权重的反演损失函数控制卷积神经网络，并利用典型地电模型数据集训练卷积神经网络，能够自适应视电阻率深度变化特征，同时根据数据特性调整不同深度位置的网络学习能力，通过深度特征自适应深度学习反演方法直接建立视电阻率数据与反演结果间的端对端映射关系。
作为可选择的实施方式，所述地电模型为单个或多个不同形态高阻/低阻异常体组合。
作为可选择的实施方式，深度变化特征自适应卷积网络包括：
所述针对视电阻率深度变化特征的自适应卷积，通过网络训练学习不同深度位置的卷积核振幅和偏移量，则具有与深度变化特征匹配灵活度的深度变化特征的自适应卷积核为：
Figure BDA0002442437240000031
其中，α(h)k，β(h)k，A(h)k为所需学***和垂直位置，A(h)k是卷积核wc的振幅值，对于大小为k的卷积核和垂直长度为h的输入，赋值附加参数总量3×k×h。
作为可选择的实施方式，携带数据项垂向权重的电阻率深度学习反演损失函数包括：
在深度学习反演损失函数中施加数据项垂向权重对视电阻率数据深度变化特征进行针对性的训练标准调配。
作为进一步的实施方式，所述数据项垂向权重dw形式为：
Figure BDA0002442437240000032
其中mi，j是电阻率模型位置(i,j)的预测值，λ是与电极装置尺寸和电流电极位置相关的常数，参数β取决于数据类型和问题的维数。
作为进一步的实施方式，携带数据项垂向权重的电阻率深度学习反演损失函数为：
Figure BDA0002442437240000041
其中，反演电阻率值为
Figure BDA0002442437240000042
电阻率模型值为mi,j。
反演过程中，携带数据项垂向权重的电阻率深度学习反演损失函数针对地表激发电场在不同垂直方向位置的衰减特征，通过对不同垂直方向位置的模型预测值与真实值的不一致程度进行加权差异化度量达到控制自适应卷积网络的目的。
一种数据深度变化特征自适应的二维电阻率反演***，包括：
数据集构建模块，被配置为构建不同地电模型的视电阻率-电阻率模型数据对的数据集；
网络模型构建模块，被配置为构造不同层位深度的卷积核振幅和偏移量根据电阻率深度变化特征自适应可变的自适应卷积网络；
反演损失函数构建模块，被配置为构造携带数据项垂向权重的电阻率深度学习反演损失函数；
训练模块，被配置为利用所述数据集，对所述反演损失函数控制的自适应卷积网络进行训练，建立视电阻率数据与电阻率模型间的映射关系；
反演模块，被配置为将观测视电阻率数据输入训练后的自适应卷积网络，通过建立的映射关系输出电阻率成像结果，实现地表二维电阻率深度学习反演。
一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行所述的一种数据深度变化特征自适应的二维电阻率反演方法的步骤。
一种终端设备，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行所述的一种数据深度变化特征自适应的二维电阻率反演方法的步骤。
与现有技术相比，本公开的有益效果为：
本公开采用电阻率数据深度变化特征自适应卷积核，即自适应卷积为不同层位深度的卷积核振幅和偏移量是根据电阻率深度变化特征自适应可变的，对于深部异常特征的卷积核覆盖区域更广，解决了异常特征难以有效捕捉和区别，深度反演网络输出模糊的问题，有效提高反演质量。
本公开采用携带数据项垂向权重的电阻率深度学习反演损失函数进行网络能力重分布，有效提高深部区域的反演效果，且数据项垂向权重根据电阻率深度变化特征对网络学习能力进行重分配，使得网络将更多异常特征学习能力投入深部区域。
本公开通过完全非线性的深度神经网络反演方法避免了线性方法的高阶省略。
针对视电阻率数据响应特征随深度增加产生的特征范围增大，特征边界不明显，异常响应不易识别的深部变化特性，通过电阻率数据深度变化特征自适应卷积核改变不同深度位置卷积核的振幅和偏移量，使得不同深部位置的卷积核覆盖面积增大并与深部特征变化自适应，更全面的捕捉异常响应特征，实现具有深部变化特征的电阻率数据异常响应特征的可变尺度学习，从而有效提高了反演精度。
本公开通过携带数据项垂向权重的电阻率深度学习反演损失函数重分配了网络学习能力，将网络能力向电场衰减的深部区域集中，从而提高了深部区域的反演精度。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。
图1为一种数据深度变化特征自适应的二维电阻率深度学习反演方法流程图；
图2为本实施例中所建立数据库中的地电模型示意图；
图3为本实施例中的深度学习反演结果。
具体实施方式：
下面结合附图与实施例对本公开作进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
一种数据深度变化特征自适应的二维电阻率深度学习反演方法，包括如下步骤：
构建海量典型地电模型数据集，所述典型地电模型为单个或多个不同形态高阻/低阻异常体组合，所述数据集包括不同地电模型的视电阻率-电阻率模型数据对；
构造深度变化特征自适应卷积网络，所述自适应卷积为不同层位深度的卷积核振幅和偏移量是根据电阻率深度变化特征自适应可变的，对于深部异常特征的卷积核覆盖区域更广。
构造携带数据项垂向权重的电阻率深度学习反演损失函数，所述数据项垂向权重根据电阻率深度变化特征对网络学习能力进行重分配，使得网络将更多异常特征学习能力投入深部区域。
通过携带数据项垂向权重的电阻率深度学习反演损失函数控制的深度变化特征自适应卷积网络对海量典型地电模型数据集进行训练，网络建立视电阻率数据与电阻率模型间的复杂映射关系。
输入观测视电阻率数据，通过建立的网络映射输出电阻率成像结果，实现地表二维电阻率深度学习反演。
进一步地，深度变化特征自适应卷积网络包括：
所述针对视电阻率深度变化特征的自适应卷积，通过网络训练学习不同深度位置的卷积核振幅和偏移量，则具有与深度变化特征匹配灵活度的深度变化特征的自适应卷积核为：
Figure BDA0002442437240000081
其中，α(h)k，β(h)k，A(h)k为所需学***和垂直位置，A(h)k是卷积核wc的振幅值。
所述对于大小为k的卷积核和垂直长度为h的输入，赋值附加参数总量3×k×h。
进一步地，携带数据项垂向权重的电阻率深度学习反演损失函数包括：
在深度学习反演损失函数中施加数据项垂向权重对视电阻率数据深度变化特征进行针对性的训练标准调配。所述数据项垂向权重dw形式为：
Figure BDA0002442437240000082
其中mi，j是电阻率模型位置(i,j)的预测值。λ是与电极装置尺寸和电流电极位置相关的常数。参数β取决于数据类型和问题的维数。
携带数据项垂向权重的电阻率深度学习反演损失函数为：
Figure BDA0002442437240000083
其中，反演电阻率值为
Figure BDA0002442437240000084
电阻率模型值为mi,j。
作为典型的实施方式，本实施例公开了一种数据深度变化特征自适应的二维电阻率深度学习反演方法，如图1所示，包括以下步骤：
步骤一，通过有限元正演构建海量典型地电模型数据集。
地电模型如图2所示，为一个或多个规则或不规则的高/低阻异常体组合而成。
本实施例的模型大小为6.3m×1.2m，电极点为64个，电极间距为0.1m，反演网格大小为0.05m×0.05m，低阻异常体电阻率值分别为10欧姆米和30欧姆米，高阻异常体电阻率值分别为950欧姆米和1000欧姆米，背景电阻率500欧姆米；
每个地电模型正演视电阻率数据和温纳-施伦贝谢观测装置下的两组正演数据；
本实施例的数据库包含29160组二维视电阻率剖面-电阻率模型数据对，其中规则异常体算例14580组，异形异常体算例14580组，测试集、验证集、训练集比例为1:1:10。
步骤二，搭建视电阻率数据深度变化特征自适应卷积神经网络。
本实施例的数据深度变化特征自适应卷积应用在基于U-Net的网络架构中，网络层数为5层，输入通道为1，卷积核大小均为3×3，通过构建两个垂直自适应卷积层来捕捉数据的深度变化模式，从而生成用于卷积层的可区分特征。
步骤三，在损失函数中增加用于调配电阻率探测深部区域网络学习能力的数据项垂向权重。
本实施例中使用的损失函数计算公式为：
Figure BDA0002442437240000091
式中，v为数据值项；α为光滑因子，取值0.2；λ为8；β为1。
步骤四，训练深度反演网络。
本实施例中主要网络参数和硬件条件为：计算采用单片NVIDIATITANXp实现。基于PyTorch平台搭建网络，SGD优化器批处理量(batchsize)为5，学习率(learningrate)为0.1，动量(momentum)为0.9，权重衰减(weightdecay)为1e-4，学习算法在整个训练数据集中的工作次数(epoch)为500。
步骤五，在训练完成的网络中输入视电阻率数据，得到较为精确的反演结果如图3所示。可以说明本发明能够较准确的反演获得目标体的位置和形态，即使是异常体埋深较深的区域，也能有较好的反演效果。
本领域内的技术人员应明白，本公开的实施例可提供为方法、***、或计算机程序产品。因此，本公开可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本公开是参照根据本公开实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。
上述虽然结合附图对本公开的具体实施方式进行了描述，但并非对本公开保护范围的限制，所属领域技术人员应该明白，在本公开的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。

Claims (7)

1.一种数据深度变化特征自适应的二维电阻率反演方法，其特征是：包括以下步骤：
构建不同地电模型的视电阻率-电阻率模型数据对的数据集；
构造不同层位深度的卷积核振幅和偏移量根据电阻率深度变化特征自适应可变的自适应卷积网络，电阻率深度变化特征自适应可变的自适应卷积网络包括：
所述自适应卷积，通过网络训练学习不同深度位置的卷积核振幅和偏移量，则具有与深度变化特征匹配灵活度的深度变化特征的自适应卷积核为：
Figure FDA0004139528030000011
其中，α(h)k，β(h)k，A(h)k为所需学***和垂直位置，A(h)k是卷积核wc，k的振幅值，b为偏移量；
构造携带数据项垂向权重的电阻率深度学习反演损失函数，所述数据项垂向权重dw形式为：
Figure FDA0004139528030000012
其中mi，j是电阻率模型位置(i,j)的预测值，λ是与电极装置尺寸和电流电极位置相关的常数，参数β取决于数据类型和问题的维数；
携带数据项垂向权重的电阻率深度学习反演损失函数为：
Figure FDA0004139528030000013
其中，反演电阻率值为
Figure FDA0004139528030000014
电阻率模型值为mi,j；
利用所述数据集，对所述反演损失函数控制的自适应卷积网络进行训练，建立视电阻率数据与电阻率模型间的映射关系；
将观测视电阻率数据输入训练后的自适应卷积网络，通过建立的映射关系输出电阻率成像结果，实现地表二维电阻率深度学习反演。
2.如权利要求1所述的一种数据深度变化特征自适应的二维电阻率反演方法，其特征是：所述地电模型为单个或多个不同形态高阻/低阻异常体组合。
3.如权利要求1所述的一种数据深度变化特征自适应的二维电阻率反演方法，其特征是：对于大小为k的卷积核和垂直长度为h的输入，赋值附加参数总量3×k×h。
4.如权利要求1所述的一种数据深度变化特征自适应的二维电阻率反演方法，其特征是：携带数据项垂向权重的电阻率深度学习反演损失函数包括：
在深度学习反演损失函数中施加数据项垂向权重对视电阻率数据深度变化特征进行针对性的训练标准调配。
5.一种数据深度变化特征自适应的二维电阻率反演***，其特征是：包括：
数据集构建模块，被配置为构建不同地电模型的视电阻率-电阻率模型数据对的数据集；
网络模型构建模块，被配置为构造不同层位深度的卷积核振幅和偏移量根据电阻率深度变化特征自适应可变的自适应卷积网络，电阻率深度变化特征自适应可变的自适应卷积网络包括：
所述自适应卷积，通过网络训练学习不同深度位置的卷积核振幅和偏移量，则具有与深度变化特征匹配灵活度的深度变化特征的自适应卷积核为：
Figure FDA0004139528030000031
其中，α(h)k，β(h)k，A(h)k为所需学***和垂直位置，A(h)k是卷积核wc，k的振幅值，b为偏移量；
反演损失函数构建模块，被配置构造携带数据项垂向权重的电阻率深度学习反演损失函数，所述数据项垂向权重dw形式为：
Figure FDA0004139528030000032
其中mi，j是电阻率模型位置(i,j)的预测值，λ是与电极装置尺寸和电流电极位置相关的常数，参数β取决于数据类型和问题的维数；
携带数据项垂向权重的电阻率深度学习反演损失函数为：
Figure FDA0004139528030000033
其中，反演电阻率值为
Figure FDA0004139528030000034
电阻率模型值为mi,j；
训练模块，被配置为利用所述数据集，对所述反演损失函数控制的自适应卷积网络进行训练，建立视电阻率数据与电阻率模型间的映射关系；
反演模块，被配置为将观测视电阻率数据输入训练后的自适应卷积网络，通过建立的映射关系输出电阻率成像结果，实现地表二维电阻率深度学习反演。
6.一种计算机可读存储介质，其特征是：其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行权利要求1-4中任一项所述的一种数据深度变化特征自适应的二维电阻率反演方法的步骤。
7.一种终端设备，其特征是：包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行权利要求1-4中任一项所述的一种数据深度变化特征自适应的二维电阻率反演方法的步骤。
CN202010269141.9A 2020-04-08 2020-04-08 数据深度变化特征自适应的二维电阻率反演方法及*** Active CN111597753B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010269141.9A CN111597753B (zh) 2020-04-08 2020-04-08 数据深度变化特征自适应的二维电阻率反演方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010269141.9A CN111597753B (zh) 2020-04-08 2020-04-08 数据深度变化特征自适应的二维电阻率反演方法及***

Publications (2)

Publication Number Publication Date
CN111597753A CN111597753A (zh) 2020-08-28
CN111597753B true CN111597753B (zh) 2023-06-30

Family

ID=72188685

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010269141.9A Active CN111597753B (zh) 2020-04-08 2020-04-08 数据深度变化特征自适应的二维电阻率反演方法及***

Country Status (1)

Country Link
CN (1) CN111597753B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112199887A (zh) * 2020-09-30 2021-01-08 山东大学 基于对抗生成网络和伪标注的半监督电阻率反演方法及***
CN112364911B (zh) * 2020-11-06 2022-11-11 东北石油大学 电阻率成像的反演方法、装置及存储介质
CN115166842A (zh) * 2022-06-24 2022-10-11 山东大学 基于可变网格的隧道直流电阻率自适应反演方法及***
CN115755201A (zh) * 2022-11-21 2023-03-07 深蓝感知(杭州)物联科技有限公司 基于神经网络模型的拖曳式瞬变电磁视电阻率计算方法
CN116090293A (zh) * 2022-12-20 2023-05-09 山东大学 基于无监督深度学习的直流电阻率反演方法及***

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017113205A1 (zh) * 2015-12-30 2017-07-06 中国科学院深圳先进技术研究院 一种基于深度卷积神经网络的快速磁共振成像方法及装置
CN110333543A (zh) * 2019-07-03 2019-10-15 山东大学 基于反射系数分析的低阻体解释及成像方法与***
CN110888172A (zh) * 2019-11-11 2020-03-17 吉林大学 一种基于神经网络的粗糙介质电磁响应电阻率成像方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109212617B (zh) * 2018-08-24 2020-09-08 中国石油天然气股份有限公司 电成像测井相自动识别方法及装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017113205A1 (zh) * 2015-12-30 2017-07-06 中国科学院深圳先进技术研究院 一种基于深度卷积神经网络的快速磁共振成像方法及装置
CN110333543A (zh) * 2019-07-03 2019-10-15 山东大学 基于反射系数分析的低阻体解释及成像方法与***
CN110888172A (zh) * 2019-11-11 2020-03-17 吉林大学 一种基于神经网络的粗糙介质电磁响应电阻率成像方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Bin Liu 等.Full waveform inversion based on inequality constraint for cross-hole radar.Journal of Applied Geophysics.2019,118-127. *
刘斌等.基于自适应加权光滑约束与PCG算法的三维电阻率探测反演成像.岩土工程学报.2012,(第09期),92-99. *

Also Published As

Publication number Publication date
CN111597753A (zh) 2020-08-28

Similar Documents

Publication Publication Date Title
CN111597753B (zh) 数据深度变化特征自适应的二维电阻率反演方法及***
CN111126591B (zh) 一种基于空间约束技术的大地电磁深度神经网络反演方法
WO2022227206A1 (zh) 一种基于全卷积神经网络的大地电磁反演方法
CN105549106B (zh) 一种重力多界面反演方法
US10439594B2 (en) Actually-measured marine environment data assimilation method based on sequence recursive filtering three-dimensional variation
Yassin et al. Binary particle swarm optimization structure selection of nonlinear autoregressive moving average with exogenous inputs (NARMAX) model of a flexible robot arm
Jiang et al. Nonlinear inversion of electrical resistivity imaging using pruning Bayesian neural networks
CN109800517B (zh) 一种改进的磁流变阻尼器逆向建模方法
CN111158059B (zh) 基于三次b样条函数的重力反演方法
Aranha et al. Optimization of oil reservoir models using tuned evolutionary algorithms and adaptive differential evolution
WO2020257263A1 (en) Systems and methods for solving geosteering inverse problems in downhole environments using a deep neural network
Setiyoko et al. Minimax approach for semivariogram fitting in ordinary kriging
CN109711051B (zh) 一种考虑滑床岩体结构特征的桩顶位移非线性预测方法
CN109712207B (zh) V-Net深度成像方法
CN105277974A (zh) 一种地层数据插值方法
CN116011338A (zh) 一种基于自编码器和深度神经网络的全波形反演方法
CN116577821A (zh) 基于神经网络的时移地震预测方法和***
CN112016956B (zh) 基于bp神经网络的矿石品位估值方法及装置
Tang et al. Fundamental matrix estimation by multiobjective genetic algorithm with Taguchi's method
CN111597752B (zh) 平衡孔间敏感性的跨孔电阻率ct深度学习反演方法及***
Berretta et al. Adaptive Environmental Sampling: The Interplay Between Geostatistics and Geometry.
CN117010260A (zh) 一种裂缝性油藏自动历史拟合模型预测方法、***及设备
US20120101786A1 (en) Method for parameterizing and morphing stochastic reservoir models
CN110794469B (zh) 基于最小地质特征单元约束的重力反演方法
CN103837894A (zh) 获取剩余静校正量的方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant