基于拟径向基函数神经网络的重力场密度反演方法技术

本发明专利技术提供一种基于拟径向基函数神经网络的重力场密度反演方法，包括以下步骤：建立重力观测系统；建立网格化模型；建立重力正演核函数矩阵；建立径向基函数神经网络；训练神经网络；输出反演结果。本发明专利技术利用径向基函数压缩了模型空间，在保证复杂模型表征能力的前提下，实现了反演参数的降维；提出了一种拟神经网络结构，不需要样本标签对进行训练，避免了建立训练数据集的困难，并基于该拟神经网络结构实现了重力场密度反演算法。提高反演结果的垂向分辨率和可靠性，并具有较强的抗噪能力，扩展了重力反演方法的应用领域。

Gravity field density inversion method based on quasi radial basis function neural network

The invention provides a gravity field density inversion method based on quasi-radial basis function neural network, which comprises the following steps: establishing gravity observation system; establishing grid model; establishing gravity forward kernel function matrix; establishing radial basis function neural network; training neural network; and outputting inversion results. The method uses radial basis function to compress the model space, realizes the dimensionality reduction of inversion parameters on the premise of guaranteeing the characterization ability of complex model, and proposes a quasi-neural network structure, which does not need the training of sample label pairs, avoids the difficulty of establishing training data set, and realizes it based on the quasi-neural network structure. Gravity field density inversion algorithm. It improves the vertical resolution and reliability of the inversion results, and has strong anti-noise ability, and expands the application field of gravity inversion method.

【技术实现步骤摘要】
基于拟径向基函数神经网络的重力场密度反演方法
本专利技术属于地球物理反演领域，具体地指一种重力反演方法，尤其涉及基于拟径向基函数神经网络利用重力场数据反演地下目标密度模型的一种方法。
技术介绍
重力勘探因其数据采集快速、价格低廉，在区域地质调查、盆地格架研究、深大断裂侦察等方面有着广泛的应用，然而重力反演方法的垂向分辨率低、反演结果多解性强，制约了其在高精度勘探领域，如油气勘探，中的应用。导致上述问题的根本原因在于重力反问题的不适定性。首先，重力资料采集密度低，数据数量少，而高分辨率反演需要对地下半空间高密度剖分，使得反演的未知参数数量远大于数据数量，导致反演方程组严重欠定；其次，重力正演核函数随深度加大迅速衰减，浅层网格的核函数与深层网格的核函数相差多个数量级，当反演方程组欠定时，导致反演结果趋肤；第三，由于上述两个原因，反演方程组稳定性差，当存在重力数据噪声、网格剖分误差和计算误差时，反演结果受噪声污染严重，可靠性低。目前基于广义线性反演理论的重力反演方法主要通过施加约束来解决反演欠定性和稳定性问题，通过对核函数深度加权解决反演趋肤问题。光滑类约束不能提高反演结果分辨率，聚焦类约本文档来自技高网...

【技术保护点】
1.基于拟径向基函数神经网络的重力场密度反演方法，其特征在于，所述方法步骤如下：(1)建立重力观测系统：对于二维观测系统坐标为(X,Z)，X为水平方向坐标，Z为观测点高程；三维观测系统坐标为(X,Y,Z)，X和Y是相互垂直的水平方向坐标，Z是观测点高程；(2)建立网格化模型：将反演目标区域网格剖分，二维反演剖分网格为矩形，三维反演剖分网格为直立六面体，网格数据格式分为(X1,X2,Z1,Z2)和(X1,X2,Y1,Y2,Z1,Z2)，X1和X2为网格X水平方向起始坐标和终止坐标，Y1和Y2为网格Y水平方向起始坐标和终止坐标，Z1和Z2为网格垂向起始坐标和终止坐标，在地表处可加密剖分刻画起伏地形...

【技术特征摘要】
1.基于拟径向基函数神经网络的重力场密度反演方法，其特征在于，所述方法步骤如下：(1)建立重力观测系统：对于二维观测系统坐标为(X,Z)，X为水平方向坐标，Z为观测点高程；三维观测系统坐标为(X,Y,Z)，X和Y是相互垂直的水平方向坐标，Z是观测点高程；(2)建立网格化模型：将反演目标区域网格剖分，二维反演剖分网格为矩形，三维反演剖分网格为直立六面体，网格数据格式分为(X1,X2,Z1,Z2)和(X1,X2,Y1,Y2,Z1,Z2)，X1和X2为网格X水平方向起始坐标和终止坐标，Y1和Y2为网格Y水平方向起始坐标和终止坐标，Z1和Z2为网格垂向起始坐标和终止坐标，在地表处可加密剖分刻画起伏地形；每个网格的密度为常数；(3)建立重力正演核函数矩阵：其三维计算公式为其中为网格角点到观测点的距离，u1＝X1-X；u2＝X2-X；v1＝Y1-Y；v2＝Y2-Y；w1＝Z1-Z；w2＝Z2-Z；二维计算公式为其中其他变量定义同上，假设有M个观测点，N个网格，则核函数矩阵为M行N列的矩阵；(4)建立径向基函数神经网络；(5)训练神经网络；(6)输出反演结果即密度模型。2.根据权利要求1所述的基于拟径向基函数神经网络的重力场密度反演方法，其特征在于，所述步骤(1)中，观测系统是平面观测系统或者曲面观测系统，观测点是等间距分布或者不等间距任意分布。3.根据权利要求1所述的基于拟径向基函数神经网络的重力场密度反演方法，其特征在于，所述步骤(2)中，网格是均匀网格或者不均匀网格。4.根据权利要求1所述的基于拟径向基函数神经网络的重力场密度反演方法，其特征在于，所述步骤(4)包括如下子步骤：(4.1)建立输入层：输入层数据为步骤(2)所建立的网格中心坐...

【专利技术属性】
技术研发人员：相鹏，刘佳，陈学国，王金铎，于会臻，谭绍泉，王有涛，张建华，杨国杰，王月蕾，
申请(专利权)人：中国石油化工股份有限公司，中国石油化工股份有限公司胜利油田分公司勘探开发研究院，
类型：发明
国别省市：北京,11