CN112949089A - 一种基于离散卷积残差网络的含水层结构反演识别方法 - Google Patents
一种基于离散卷积残差网络的含水层结构反演识别方法 Download PDFInfo
- Publication number
- CN112949089A CN112949089A CN202110354004.XA CN202110354004A CN112949089A CN 112949089 A CN112949089 A CN 112949089A CN 202110354004 A CN202110354004 A CN 202110354004A CN 112949089 A CN112949089 A CN 112949089A
- Authority
- CN
- China
- Prior art keywords
- aquifer
- model
- aquifer structure
- training
- residual error
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000012549 training Methods 0.000 claims abstract description 53
- 238000002910 structure generation Methods 0.000 claims abstract description 29
- 238000010606 normalization Methods 0.000 claims abstract description 24
- 238000006467 substitution reaction Methods 0.000 claims abstract description 22
- 238000012545 processing Methods 0.000 claims abstract description 11
- 238000013528 artificial neural network Methods 0.000 claims abstract 3
- 238000004088 simulation Methods 0.000 claims description 25
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 10
- 238000013508 migration Methods 0.000 claims description 10
- 230000005012 migration Effects 0.000 claims description 10
- 238000006073 displacement reaction Methods 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 230000004044 response Effects 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000010276 construction Methods 0.000 claims description 2
- 238000013480 data collection Methods 0.000 claims description 2
- 238000013507 mapping Methods 0.000 claims 2
- 230000000694 effects Effects 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 4
- 239000003673 groundwater Substances 0.000 description 2
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 239000002901 radioactive waste Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
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
-
- 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
-
- 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
- Y02A20/00—Water conservation; Efficient water supply; Efficient water use
- Y02A20/152—Water filtration
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种基于离散卷积残差网络的含水层结构反演识别方法，包括以下步骤：根据含水层结构先验资料，建立含水层结构单个训练样本；基于单样本，训练神经网络含水层结构生成模型；依据场地资料，准备正演替代模型训练集；对训练集数据归一化处理；训练正演替代模型；对观测数据进行归一化处理；基于训练后的地质生成模型和正演替代模型，利用观测数据，对含水层结构生成模型的输入参数进行反演；将反演后的参数输入到含水层结构生成模型中，获取对应的后验含水层结构。本发明仅需要基于单个含水层结构训练样本，就可以利用观测资料对含水层结构进行反演，极大地提高含水层结构的反演速度，降低了含水层结构的不确定性。
Description
技术领域
本发明涉及一种基于离散卷积残差网络的含水层结构反演识别方法，属于基于多源观测数据对含水层非均质性结构反演识别问题研究。
背景技术
地下水水流及溶质模拟广泛地应用于各类水文地质领域应用，如场地污染物迁移预测、CO2地质封存、地下水资源管理和放射性废物地质存储等。
准确的地下水水流及溶质模拟依赖于含水层非均质性结构的准确刻画。仅依靠钻孔数据来获取含水层结构存在很大的不确定性，为了提高含水层结构刻画的准确性，利用实际观测数据，使用多源数据融合方法对含水层结构进行反演是目前一种十分有效的方法。
发明内容
本发的目的是提供一种基于离散卷积残差网络的含水层结构反演识别方法，该方法可以结合多源数据，如水头、浓度数据等，对含水层的非均质性结构进行反演识别，减少含水层非均质结构的不确定性，从而提高场地地下水流及溶质模拟的模拟精度。
如图1至图5所示，一种基于离散卷积残差网络的含水层结构反演识别方法，包括以下步骤：
步骤1：通过资料收集等方式，建立一个目标含水层的先验结构；
步骤2：将含水层先验结构作为训练集，利用并行单样本生成对抗网络对其进行学习，建立含水层结构生成模型；
步骤3：随机生成参数样本，输入到训练后的含水层结构生成模型，生成一系列与初始结构具有相同地质统计特征的含水层结构，将其输入到溶质运移模型中，得到对应的水头及浓度等状态分布场，建立由“含水层结构-状态场”样本构成的正演替代模型训练样本集；
步骤4：对步骤3获得的训练样本集作归一化处理；
步骤5：结合离散卷积层和稠密残差网络构建一个由含水层结构作为输入，状态场作为输出的正演替代模型；用步骤4中归一化处理后的训练样本集对本步骤中的正演替代模型进行训练；
步骤6：对观测水头、浓度数据采用步骤4相同的方法进行归一化处理；
步骤7：随机生成一系列含水层结构生成模型输入参数的样本，将参数样本输入到含水层结构生成模型中，获得对应的含水层结构；
步骤8：将步骤7生成的含水层结构输入到正演替代模型中，获得对应的状态场，从而获得观测点位置的水头及浓度模拟预测值；
步骤9：基于模拟预测值与实际观测数据，利用集合平滑器算法，对输入到含水层结构生成模型的参数样本进行更新；
步骤10：将步骤9更新后的参数输入到含水层结构生成模型中，并利用正演替代模型获取更新后含水层结构所对应观测点位置的水头及浓度模拟预测值；
步骤11：重复步骤9-10，直到达到设定的迭代次数；
步骤12：将最后更新得到的参数输入到含水层结构生成模型中，即可获得基于观测数据的后验含水层结构。
所述步骤1中目标含水层的初始结构需要与目标含水层结构具有相近的地质统计特征，如岩相体积比率、各方向延伸长度等；
所述步骤3中的训练集均以图像像素点值的形式存储和处理；
所述步骤3中通过编写程序，依据生成的含水层结构，自动地替换溶质运移模拟程序的输入文件中网格岩相，并且执行溶质运移模拟程序，最后将输出结果自动保存，从而得到由模型参数和模型响应构成的训练样本集；
所述步骤3中通过编写程序，实现溶质运移模拟程序的输入文件中模型参数改写，溶质运移模拟程序可执行程序的调用和输出文件中结果的读取，从而得到由模型参数和模型响应构成的训练样本集；
所述步骤4中的数据需要通过“0-1归一化”方法进行处理；其中水头、浓度分布场参数归一化计算公式为：
公式(1)中：ck和
分别表示网格k处归一化前、后的水头或浓度值，cmin和cmax分别表示训练样本中网格k处水头或浓度的最小及最大值。
所述步骤5中正演替代模型的损失函数采用基于正则化L1范数的目标函数：
公式(2)中yk表示溶质运移模拟在网格k处的模拟结果，
表示正演替代模型的预测结果，θ是正演替代模型中的可训练参数，w为正则化系数。
所述步骤5中正演替代模型在训练过程中需采用指数函数型学习率衰变策略，使得学习率能够随着迭代次数的增加而不断降低，学习率衰变策略如下式所示：
RN＝R0*en (3)
公式(3)中R0表示初始学习率，RN表示第n次迭代后的学习率,e表示衰变系数。
所述步骤5中正演替代模型训练过程采用早停法，即最终网络参数采用训练过程中的最优参数，最优参数为使得正演替代模型测试预测结果与溶质运移模拟结果的均方根误差(RMSE)最小时的参数，均方根误差公式表示如下：
公式(4)中yk表示溶质运移模拟在网格k处的模拟结果，
表示正演替代模型的预测结果，K为总网格数。
所述步骤6中观测数据的归一化处理，与步骤4相似，采用“0-1归一化”,归一化公式如下：
公式(5)中：obsk和
分别表示网格k处归一化前、后的水头或浓度值，cmin和cmax分别表示正演替代模型训练样本中网格k处水头或浓度的最小及最大值。
所述步骤3和步骤7中含水层结构模型的参数样本通过拉丁超立方采样方法实现。
所述步骤2和步骤5中的含水层结构生成模型和正演替代模型的搭建及训练均在pytorch框架下实现。
所述步骤6-步骤11是通过编写python程序自动实现，能够调用Fortran及MATLAB程序，自动化地生成参数初始样本、调用含水层结构生成模型、正演替代模型、自动调用集合平滑器程序更新参数，直至达到设定的迭代次数。
本发明的有益效果：
该方法可以结合多源数据，如水头、浓度数据等，对含水层的非均质性结构进行反演识别，减少含水层非均质结构的不确定性，从而提高场地地下水流及溶质模拟的模拟精度。
附图说明
图1为本发明的流程示意图。
图2为本发明的网络结构示意图。
图3为离散卷积结构示意图。
图4为本发明的离散卷积稠密残差块结构示意图。
图5为本发明所的正演替代模型的网络结构示意图。
图6为含水层先验结构与真实结构对比图。
图7为含水层后验结构与真实结构对比图。
具体实施方式
本实施例为一假想案例，本实施例以某三维冲击含水层结构数据库中随机抽取一部分作为目标含水层结构，基于该含水层结构，利用溶质运移模拟一个区域污染泄露的场景，生成对应水头及浓度分布场，从中抽取192个不同位置不同深度8个时间段共计1536个水头及浓度数据作为观测数据，基于这些观测数据对目标含水层结构进行反演；
本实施例中：
步骤1通过从同一含水层数据库中，获取与目标含水层结构具有相近地质统计特征但结构不同的另一含水层结构作为目标含水层结构的先验结构，含水层先验结构与真实结构如图6所示，先验结构与真实结构的相似度为66.7％。
步骤2中，含水层结构生成模型一共训练3个阶段，每个阶段训练1500次，重构损失系数设置为10，生成器和识别器的学习率分别设置为0.0005和0.00005，训练耗时600秒。
步骤3先利用拉丁超立方抽样随机抽取5000组含水层结构输入参数，通过已编好的程序自动地依次将参数输入到训练后的含水层结构生成模型中，将其生成的含水层结构替换溶质运移模拟中的网格文件中各网格所对应的岩相，其余参数设置与利用溶质运移模拟生成假象观测数据时的设置保持一致，然后运行溶质运移模拟，生成所对应的水头、浓度分布场，一共生成5000组“含水层结构-状态场”训练样本。
步骤4中，将步骤3获取的训练样本随机抽取其中80％作为训练集，剩余20％作为测试集，通过编写程序获取训练集中水头、浓度的最大最小值，利用公式(1)分别对训练集和测试集进行归一化处理。
步骤5中，正演替代模型的初始学习率和衰变系数分布设置为0.0005和0.99，L1损失函数的正则化系数设置为1×10-5，训练次数为500次，训练耗时15小时。
步骤6中，对1536个的观测数据，利用步骤4获得的水头、浓度的最大、最小值，通过公式(1)对其进行归一化处理，同时，为了增加反演的挑战性，对所有假想观测值都使用5％的观测误差对其进行扰动。
步骤7通过拉丁超立方抽样抽取3000组参数作为含水层结构生成模型的初始参数样本。
步骤7-11为含水层结构反演过程，通过编写程序自动实现其自动迭代，迭代次数设置为30次。
步骤12将迭代更新30次后的含水层输入参数输入到含水层结构生成模型中，即可获得基于本案例中观测数据的后验含水层结构，随机抽取其中一个结构，其与目标含水层结构的对比如图7所示，反演后的含水层结构和真实结构的相似度可以达90％以上；
由此可见，本发明可以利用多源观测数据对含水层结构进行有效的反演识别。
Claims (17)
1.一种基于离散卷积残差网络的含水层结构反演识别方法，其特征在于：包括以下步骤：
步骤1：通过资料收集方式，建立一个目标含水层的先验结构；
步骤2：将含水层先验结构作为训练集，利用并行单样本生成对抗网络对其进行学习，建立含水层结构生成模型；
步骤3：随机生成参数样本，输入到训练后的含水层结构生成模型，生成一系列与初始结构具有相同地质统计特征的含水层结构，将其输入到溶质运移模型中，得到对应的水头及浓度等状态分布场，建立由“含水层结构-状态场”样本构成的正演替代模型训练样本集；
步骤4：对步骤3获得的训练样本集作归一化处理；
步骤5：结合离散卷积层和稠密残差网络构建一个由含水层结构作为输入，状态场作为输出的正演替代模型；用步骤4中归一化处理后的训练样本集对本步骤中的正演替代模型进行训练；
步骤6：对观测水头、浓度数据采用步骤4相同的方法进行归一化处理；
步骤7：随机生成一系列含水层结构生成模型输入参数的样本，将参数样本输入到含水层结构生成模型中，获得对应的含水层结构；
步骤8：将步骤7生成的含水层结构输入到正演替代模型中，获得对应的状态场，从而获得观测点位置的水头及浓度模拟预测值；
步骤9：基于模拟预测值与实际观测数据，利用集合平滑器算法，对输入到含水层结构生成模型的参数样本进行更新；
步骤10：将步骤9更新后的参数输入到含水层结构生成模型中，并利用正演替代模型获取更新后含水层结构所对应观测点位置的水头及浓度模拟预测值；
步骤11：重复步骤9-10，直到达到设定的迭代次数；
步骤12：将最后更新得到的参数输入到含水层结构生成模型中，即可获得基于观测数据的后验含水层结构。
2.根据权利要求1所述的一种基于离散卷积残差网络的含水层结构反演识别方法，其特征在于：所述步骤1仅需要获取一个含水层结构先验模型。
3.根据权利要求1所述的一种基于离散卷积残差网络的含水层结构反演识别方法，其特征在于：所述步骤2中的含水层结构生成模型是基于并行单样本生成对抗网络实现的，其仅需要单个训练样本即可进行训练且相比于其他生成对抗网络具有更快的训练速度。
4.根据权利要求1所述的一种基于离散卷积残差网络的含水层结构反演识别方法，其特征在于：所述步骤2中基于并行单样本生成对抗网络的含水层结构生成模型的训练过程是分阶段进行的，含水层结构生成模型可以对含水层结构训练样本的大尺度到小尺度特征随训练阶段的增加依次进行学习。
5.根据权利要求1所述的一种基于离散卷积残差网络的含水层结构反演识别方法，其特征在于。所述步骤2中的含水层结构生成模型在第N阶段训练所采用的损失函数如下所示：
公式(1)中：GN,DN分别表示第N阶段的生成器和识别器，
表示WGAN-GP损失函数，其表达式如式(2)和(3)所示，
表示重构损失函数，其表达式如式(4)所示，γ为重构损失系数；
公式(2)、(3)中：Ptrain是训练数据分布,Pgen表示生成数据分布，
是从训练数据和生成数据中随机抽取的一个样本分布：
公式(4)中zrec为重构输入参数，由训练开始阶段随机产生，在训练过程中固定不变，XN表示含水层先验结构。
6.根据权利要求1所述的一种基于离散卷积残差网络的含水层结构反演识别方法，其特征在于：所述步骤3中“含水层结构-状态场”训练集均采用图像像素点值的形式，将正演替代模型的输入及输出均看作图像，将含水层结构到状态场的映射看作是一个图像回归问题。
7.根据权利要求1所述的一种基于离散卷积残差网络的含水层结构反演识别方法，其特征在于：所述步骤3中通过编写程序，依据生成的含水层结构，自动地替换溶质运移模拟程序的输入文件中网格岩相，并且执行溶质运移模拟程序，最后将输出结果自动保存，从而得到由模型参数和模型响应构成的训练样本集。
8.根据权利要求1所述的一种基于离散卷积残差网络的含水层结构反演识别方法，其特征在于：所述步骤4中的数据归一化通过“0-1归一化”方法进行处理；其中水头、浓度分布场参数归一化计算公式为：
公式(5)中：ck和
分别表示网格k处归一化前、后的水头或浓度值，cmin和cmax分别表示训练样本中网格k处水头或浓度的最小及最大值。
9.根据权利要求1所述的一种基于离散卷积残差网络的含水层结构反演识别方法，其特征在于：所述步骤5中正演替代模型使用离散卷积层代替传统卷积层，使得相比于其他同等复杂度的神经网络，在训练过程中占用更少的计算机显存。
10.根据权利要求1所述的一种基于离散卷积残差网络的含水层结构反演识别方法，其特征在于：所述步骤5中正演替代模型使用稠密残差结构，使正演替代可以更加有效地建立含水层结构与状态场之间的映射关系，获得较为理想的正演模型替代效果。
11.根据权利要求1所述的一种基于离散卷积残差网络的含水层结构反演识别方法，其特征在于：所述步骤5中正演替代模型的损失函数为基于正则化L1范数的目标函数：
公式(6)中yk表示溶质运移模拟在网格k处的模拟结果，
表示正演替代模型的预测结果，θ是正演替代模型中的可训练参数，w为正则化系数。
12.根据权利要求1所述的一种基于离散卷积残差网络的含水层结构反演识别方法，其特征在于：所述步骤5中正演替代模型在训练过程中采用指数函数型学习率衰变策略，使得学习率能够随着迭代次数的增加而不断降低，学习率衰变策略如下式所示：
RN＝R0*en (7)
公式(7)中R0表示初始学习率，RN表示第n次迭代后的学习率,e表示衰变系数。
13.根据权利要求1所述的一种基于离散卷积残差网络的含水层结构反演识别方法，其特征在于，所述步骤5中正演替代模型的训练采用早停法，即最终网络参数采用训练过程中的最优参数，最优参数为使得正演替代模型测试预测结果与溶质运移模拟结果的均方根误差(RMSE)最小时的参数，均方根误差公式表示如下：
公式(8)中yk表示溶质运移模拟在网格k处的模拟结果，
表示正演替代模型的预测结果，K为总网格数。
14.根据权利要求1所述的一种基于离散卷积残差网络的含水层结构反演识别方法，其特征在于：所述步骤6中观测数据的归一化处理，与步骤4相似，采用“0-1归一化”,归一化公式如下：
公式(9)中：obsk和
分别表示网格k处归一化前、后的水头或浓度值，cmin和cmax分别表示正演替代模型训练样本中网格k处水头或浓度的最小及最大值。
15.根据权利要求1所述的一种基于深度神经网络的多组分反应性溶质运移参数反演方法，其特征在于：所述步骤3和7中含水层结构模型的参数样本均通过拉丁超立方采样方法实现。
16.根据权利要求1所述的一种基于离散卷积残差网络的含水层结构反演识别方法，其特征在于：所述步骤2和步骤5中的含水层结构生成模型和正演替代模型的搭建及训练均在pytorch框架下实现。
17.根据权利要求1所述的一种基于离散卷积残差网络的含水层结构反演识别方法，其特征在于：所述步骤6-11是通过编写python程序自动实现，能够调用Fortran及MATLAB程序，自动化地生成参数初始样本、调用含水层结构生成模型、正演替代模型、自动调用集合平滑器程序更新参数，直至达到设定的迭代次数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110354004.XA CN112949089B (zh) | 2021-04-01 | 2021-04-01 | 一种基于离散卷积残差网络的含水层结构反演识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110354004.XA CN112949089B (zh) | 2021-04-01 | 2021-04-01 | 一种基于离散卷积残差网络的含水层结构反演识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112949089A true CN112949089A (zh) | 2021-06-11 |
| CN112949089B CN112949089B (zh) | 2022-11-15 |
Family
ID=76231988
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110354004.XA Expired - Fee Related CN112949089B (zh) | 2021-04-01 | 2021-04-01 | 一种基于离散卷积残差网络的含水层结构反演识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112949089B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113537354A (zh) * | 2021-07-19 | 2021-10-22 | 吉林大学 | 一种基于深度学习的含水层结构阶段式随机反演识别方法 |
| CN114818548A (zh) * | 2022-06-28 | 2022-07-29 | 南京大学 | 一种基于卷积生成对抗网络的含水层参数场反演方法 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102368095A (zh) * | 2011-09-10 | 2012-03-07 | 吉林大学 | 多指数拟合核磁共振地下水探测信号弛豫时间谱提取方法 |
| WO2016108913A1 (en) * | 2014-12-31 | 2016-07-07 | Halliburton Energy Services Inc. | Improving geosteering inversion using look-ahead look-around electromagnetic tool |
| CN108490496A (zh) * | 2018-03-26 | 2018-09-04 | 中国石油化工股份有限公司 | 基于拟径向基函数神经网络的重力场密度反演方法 |
| CN109190280A (zh) * | 2018-09-18 | 2019-01-11 | 东北农业大学 | 一种基于核极限学习机替代模型的地下水污染源反演识别方法 |
| CN109358176A (zh) * | 2018-10-26 | 2019-02-19 | 吉林大学 | 一种油页岩原位开采对地下水环境影响实验室模拟*** |
| US20190355347A1 (en) * | 2018-05-18 | 2019-11-21 | Baidu Usa Llc | Spectrogram to waveform synthesis using convolutional networks |
| CN110954948A (zh) * | 2018-09-27 | 2020-04-03 | 中国石油化工股份有限公司 | 一种岩石物理约束储层物性参数反演方法及*** |
| CN111126591A (zh) * | 2019-10-11 | 2020-05-08 | 重庆大学 | 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 |
| CN111983681A (zh) * | 2020-08-31 | 2020-11-24 | 电子科技大学 | 一种基于对抗学习的地震波阻抗反演方法 |
| CN112149353A (zh) * | 2020-09-24 | 2020-12-29 | 南京大学 | 基于卷积神经网络识别dnapl污染物在地下含水层分布的方法 |
| CN112384937A (zh) * | 2018-05-12 | 2021-02-19 | 地质探索***公司 | 地震数据解释*** |
-
2021
- 2021-04-01 CN CN202110354004.XA patent/CN112949089B/zh not_active Expired - Fee Related
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102368095A (zh) * | 2011-09-10 | 2012-03-07 | 吉林大学 | 多指数拟合核磁共振地下水探测信号弛豫时间谱提取方法 |
| WO2016108913A1 (en) * | 2014-12-31 | 2016-07-07 | Halliburton Energy Services Inc. | Improving geosteering inversion using look-ahead look-around electromagnetic tool |
| CN108490496A (zh) * | 2018-03-26 | 2018-09-04 | 中国石油化工股份有限公司 | 基于拟径向基函数神经网络的重力场密度反演方法 |
| CN112384937A (zh) * | 2018-05-12 | 2021-02-19 | 地质探索***公司 | 地震数据解释*** |
| US20190355347A1 (en) * | 2018-05-18 | 2019-11-21 | Baidu Usa Llc | Spectrogram to waveform synthesis using convolutional networks |
| CN109190280A (zh) * | 2018-09-18 | 2019-01-11 | 东北农业大学 | 一种基于核极限学习机替代模型的地下水污染源反演识别方法 |
| CN110954948A (zh) * | 2018-09-27 | 2020-04-03 | 中国石油化工股份有限公司 | 一种岩石物理约束储层物性参数反演方法及*** |
| CN109358176A (zh) * | 2018-10-26 | 2019-02-19 | 吉林大学 | 一种油页岩原位开采对地下水环境影响实验室模拟*** |
| CN111126591A (zh) * | 2019-10-11 | 2020-05-08 | 重庆大学 | 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 |
| CN111983681A (zh) * | 2020-08-31 | 2020-11-24 | 电子科技大学 | 一种基于对抗学习的地震波阻抗反演方法 |
| CN112149353A (zh) * | 2020-09-24 | 2020-12-29 | 南京大学 | 基于卷积神经网络识别dnapl污染物在地下含水层分布的方法 |
Non-Patent Citations (2)
| Title |
|---|
| A. KLOTZSCHE等: "3D characterization of an aquifer using full-waveform inversion and amplitude analysis", 《2013 7TH INTERNATIONAL WORKSHOP ON ADVANCED GROUND PENETRATING RADAR》 * |
| 李家兴: "基于深度学习的含水层参数反演研究", 《中国优秀硕士学位论文全文数据库基础科学辑》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113537354A (zh) * | 2021-07-19 | 2021-10-22 | 吉林大学 | 一种基于深度学习的含水层结构阶段式随机反演识别方法 |
| CN113537354B (zh) * | 2021-07-19 | 2022-07-12 | 吉林大学 | 一种基于深度学习的含水层结构阶段式随机反演识别方法 |
| CN114818548A (zh) * | 2022-06-28 | 2022-07-29 | 南京大学 | 一种基于卷积生成对抗网络的含水层参数场反演方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112949089B (zh) | 2022-11-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112949089B (zh) | 一种基于离散卷积残差网络的含水层结构反演识别方法 | |
| CN107886510A (zh) | 一种基于三维全卷积神经网络的***mri分割方法 | |
| CN108108836A (zh) | 一种基于时空深度学习的臭氧浓度分布预测方法和*** | |
| CN111461325B (zh) | 一种用于稀疏奖励环境问题的多目标分层强化学习算法 | |
| CN109300128B (zh) | 基于卷积神经网隐含结构的迁移学习图像处理方法 | |
| CN113780149A (zh) | 一种基于注意力机制的遥感图像建筑物目标高效提取方法 | |
| CN112906989B (zh) | 一种基于cnn-lstm的区域海表面温度预测方法 | |
| CN107146237A (zh) | 一种基于在线状态学习与估计的目标跟踪方法 | |
| CN113627093A (zh) | 一种基于改进Unet网络的水下机构跨尺度流场特征预测方法 | |
| CN112347531B (zh) | 一种脆性大理石三维裂纹扩展路径预测方法及*** | |
| CN117236390A (zh) | 一种基于交叉注意力扩散模型的储层预测方法 | |
| CN114283285A (zh) | 交叉一致性自训练遥感图像语义分割网络训练方法及装置 | |
| CN102592135A (zh) | 融合目标空间分布和时序分布特征子空间的视觉跟踪方法 | |
| CN115935372A (zh) | 一种基于图嵌入和双向门控图神经网络的漏洞检测方法 | |
| CN111931738B (zh) | 用于遥感影像的神经网络模型预训练方法、装置 | |
| CN113537354B (zh) | 一种基于深度学习的含水层结构阶段式随机反演识别方法 | |
| CN117454971A (zh) | 基于自适应掩码加权的投影式知识蒸馏方法 | |
| AU2021104794A4 (en) | Stage-wise stochastic inversion identification method of aquifer structure based on deep learning | |
| CN116826734A (zh) | 一种基于多输入模型的光伏发电功率预测方法及装置 | |
| CN116402874A (zh) | 基于时序光学图像与激光雷达数据的航天器深度补全方法 | |
| CN116316629A (zh) | 一种考虑拓扑特征学习的数据驱动最优潮流计算方法 | |
| CN114818548A (zh) | 一种基于卷积生成对抗网络的含水层参数场反演方法 | |
| AU2021102281A4 (en) | Inverse identification method of aquifer structure based on octave convolution residual network | |
| CN114220096A (zh) | 一种基于图像描述的遥感图像语义理解方法 | |
| CN110414146B (zh) | 一种基于深度学习的水环境治理项目设计参数优化方法 |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20221115 |