基于深度学习的时频电磁与大地电磁联合反演方法技术

本发明专利技术公开了一种基于深度学习的时频电磁与大地电磁联合反演方法，包括如下步骤：a、建立神经网络N，包含三个深度卷积子网络NMT、NF、NT，NMT、NF、NT输出的m个通道的数据合并形成联合数据再连接中间过渡层FA，FA后连接处理联合数据的深度卷积网络NL，NL再连接输出层；b、获取大地电磁和时频电磁训练与验证数据体；c、将大地电磁响应数据体DMT输入NMT，将频域响应数据体DF输入NF，将时域响应数据体DT输入NT；d、深度卷积子网络NMT、NF、NT对数据进行卷积、池化运算后，输出数据到中间过渡层FA；e、中间过渡层FA对数据进行全连接或卷积‑池化运算后，输出数据到深度卷积网络NL；f、深度卷积网络NL对数据运算处理后经输出层输出m个值。

Time-frequency electromagnetic and magnetotelluric joint inversion method based on depth learning

The invention discloses a time-frequency electromagnetic and magnetotelluric joint inversion method based on deep learning, which includes the following steps: a. Establishing a neural network N comprising M channels of three deep convolution sub-networks NMT, NF, NT, NMT, NF and NT output, merging data to form joint data, then connecting intermediate transition layer FA, after FA connecting depth convolution network NL which processes joint data, and then connecting NL. Output layer; B. Obtain MT and time-frequency electromagnetic training and validation data body; C. Input MT response data body DMT into NMT, input frequency response data body DF into NF, and input time-domain response data body DT into NT; d, deep convolution sub-network NMT, NF, NT convolute and pool data, output data to intermediate transition layer FA; e, intermediate transition layer FA advance data. After full connection or convolution pooling operation, output data to deep convolution network NL; f, deep convolution network NL output m values after data operation.

【技术实现步骤摘要】
基于深度学习的时频电磁与大地电磁联合反演方法
本专利技术涉及地球物理电磁法联合反演新方法领域，特别是一种基于深度学习的时频电磁与大地电磁联合反演方法。
技术介绍
大地电磁法是一种基于天然场源的电磁勘探方法，其理论相对简单，勘探深度大，成本较低，因而应用非常广泛。其缺点是分辨率不高，资料反演多解性强，观测资料的品质也受天然场信号变化的影响，信号弱，信噪比低。为了克服大地电磁法的问题，可以使用有源电磁法做补充，如可控源电磁法，它在远场区可视为平面波，处理解释方法与大地电磁法是相似的。两种电磁法相结合，可以达到更好的勘探效果，降低解释的多解性。但可控源电磁法使用中远区的频率域响应资料，而且按大地电磁资料处理解释时会有场源效应。而时频电磁法是利用了时间域和频率域的全区响应数据，包含地面的频率域电场x分量、磁场y分量、时间域的三分量感生电动势响应数据。通过面积性测量可以获得探测目标区域内的多种信息，从而与大地电磁法的资料相结合，可以联合反演得到更为可靠的地下介质信息。理论上来说也比大地电磁资料单独反演的效果更好。因此，研究大地电磁与时频电磁资料联合反演算法很有必要。当前，电磁法联合反演都是用线性反演算法，需要给定一个较好的初始模型，理论计算响应值，再与观测数据进行比较，根据两者的误差大小不断调整理论模型，使得理论响应数据与观测数据拟合差小于一个给定的小值，最终给出一个解释结果模型。其问题是需要预先设定一个初始模型，很多线性反演算法都对这个初始模型有依赖性，如果初始模型设定不合适，反演效果也不好，即反演的多解性。事实上，地球物理反演问题多是非线性的不适定问题，反演收敛性难以保证。因此，需要寻找更符合理论问题的非线性反演方法，才可能更好地进行地球物理反演解释。而人工神经网络方法反演是一种非线性反演方法，RothandTarantola(1994,Neualnetworksandinversionofseismicdata.JournalofGeophysicalResearch,99,6753-6768)、Calderon-Macias等(2000，ArtificaialneuralnetworksforparameterestimationinGeophysics.GeophysicalProspecting,48,21-47)、Poulton(2001,ComputationalneuralnetworkforGeophysicaldataprocessing.Pergman,Amsterdam356p.)、SinghUK,TiwariRK和SinghSB,(2013，NeualnetworkmodelingandpredictionofresistivitystructuresusingVESschlumbergerdataoverageothermalarea)等都是将人工神经网络应用在地球物理资料识别、解释或反演方面。Spichak和Popova(2000，Artificialneuralnetworkinversionofmagnetotelluricdataintermsofthreedimensionalearthmacroparameters,GeophysicalJournalInternational)则将人工神经网络反演用于大地电磁资料反演中，王鹤等(2015，大地电磁人工神经网络反演，中南大学学报(自然科学版)，46卷第5期)采用了BP算法实现了大地电磁资料反演。这些人工神经网络反演算法中，多使用简单的3层网络或传统的BP神经网络，其上下层神经元是全连接的，只能反演数据量较少且数据类型单一的地球物理反演模型。而对大地电磁与时频电磁资料具有面积测量、频点多、延时点多时，反演数据量大，数据类型有三类9种不同分量，上面的简单神经网络就无法完成反演的任务。这些简单的全连接神经网络处理海量联合反演数据的主要困难有，第一，不能进行不同类型数据的运算；第二，处理海量数据时，会出现维数爆炸，网络参数非常多，使得反演计算根本无法进行；第三，网络深度不够，训练困难，经常出现网络不能收敛，需要重新设计网络结构和改善参数设置。另外，这些浅层网络，也容易陷入局部极小点上。2006年，Hinton提出了深层网络训练的方法和无监督和有监督训练微调结合，大大扩展了神经网络的功能。2012年他构建了卷积神经网络AlexNet，完全采用有监督训练，使得深度学习方法获得了广泛的认可，困扰线性反演方法的局部极小问题对他的深度学习网络的影响可以忽略。这种高级深层卷积神经网络大大提高了图片识别、模式识别等方面的应用效果，使得深度学习应用在地球物理反演方面成为可能。但是，深度卷积神经网络还不能直接解决大地电磁与时频电磁资料的联合反演问题，也没有通用的网络结构用于反演。当前的深度卷积神经网络适合于图片平面数据、语言型的时间序列数据等情况，输入数据类型是单一的。但地球物理联合反演使用的是多种类型数据，无法直接应用深度学习法的，需要解决多种类型的海量输入数据的处理和针对多类型数据的深度卷积网络的构造设计。
技术实现思路
为解决现有技术中存在的问题，本专利技术提供了一种基于深度学习的时频电磁与大地电磁联合反演方法，其针对时频电磁与大地电磁建立适应的神经网络，解决了时频电磁与大地电磁联合反演的问题，且能输入地球物理联合反演使用的多种类型数据，可直接应用深度学习法的，解决了多种类型的海量输入数据的处理和针对多类型数据的深度卷积网络的构造设计。本专利技术采用的技术方案是：一种基于深度学习的时频电磁与大地电磁联合反演方法，包括如下步骤：a、建立神经网络N，包含三个深度卷积子网络，分别记为NMT、NF、NT，三个深度卷积子网络NMT、NF、NT输出的m个通道的数据合并形成联合数据再连接中间过渡层FA，中间过渡层FA后连接处理联合数据的深度卷积网络NL，深度卷积网络NL再连接输出层，其中，层数m根据探测对象的深度和反演参数确定，为8～16层，各层厚度相同；b、按照反演数据的观测参数、系统参数和测点位置参数进行层状模型的正演模拟，经过主成分分析后得到大地电磁和时频电磁训练与验证数据体：含NMT个频点的大地电磁响应、ns个地面测点((xsk,ysk),k＝1,…,ns)的时频电磁响应、含个频点的频域响应和nt个延时tk(k＝1,…,nt)的时域响应；其中，大地电磁响应即视电阻率响应与分布在[0,2π]的相位响应，频域响应即Ex分量和Hy分量，时域响应即三分量感生电动势瞬变响应；c、将含NMT个频点的大地电磁响应数据体DMT输入神经网络的深度卷积子网络NMT，将ns个地面测点((xsk,ysk),k＝1,…,ns)的时频电磁响应和含个频点的频域响应数据体DF输入神经网络的深度卷积子网络NF，将nt个延时tk(k＝1,…,nt)的时域响应数据体DT输入神经网络的深度卷积子网络NT；d、深度卷积子网络NMT、NF、NT对数据进行卷积、池化运算后，输出数据到中间过渡层FA；e、中间过渡层FA对数据进行全连接或卷积-池化运算后，输出数据到深度卷积网络NL；f、深度卷积网络NL对数据运算处理后经输出层输出m个值。优选地，还包括如下步骤：对去噪后的联合反演数据进行同样的主成本文档来自技高网...

【技术保护点】
1.一种基于深度学习的时频电磁与大地电磁联合反演方法，其特征在于，包括如下步骤：a、建立神经网络N，包含三个深度卷积子网络，分别记为NMT、NF、NT，三个深度卷积子网络NMT、NF、NT输出的m个通道的数据合并形成联合数据再连接中间过渡层FA，中间过渡层FA后连接处理联合数据的深度卷积网络NL，深度卷积网络NL再连接输出层，其中，层数m根据探测对象的深度和反演参数确定，为8～16层，各层厚度相同；b、按照反演数据的观测参数、系统参数和测点位置参数进行层状模型的正演模拟，经过主成分分析后得到大地电磁和时频电磁训练与验证数据体：含N

【技术特征摘要】
1.一种基于深度学习的时频电磁与大地电磁联合反演方法，其特征在于，包括如下步骤：a、建立神经网络N，包含三个深度卷积子网络，分别记为NMT、NF、NT，三个深度卷积子网络NMT、NF、NT输出的m个通道的数据合并形成联合数据再连接中间过渡层FA，中间过渡层FA后连接处理联合数据的深度卷积网络NL，深度卷积网络NL再连接输出层，其中，层数m根据探测对象的深度和反演参数确定，为8～16层，各层厚度相同；b、按照反演数据的观测参数、系统参数和测点位置参数进行层状模型的正演模拟，经过主成分分析后得到大地电磁和时频电磁训练与验证数据体：含NMT个频点的大地电磁响应、ns个地面测点((xsk,ysk),k＝1,…,ns)的时频电磁响应、含个频点的频域响应和nt个延时tk(k＝1,…,nt)的时域响应；其中，大地电磁响应即视电阻率响应与分布在[0,2π]的相位响应，频域响应即Ex分量和Hy分量，时域响应即三分量感生电动势瞬变响应；c、将含NMT个频点的大地电磁响应数据体DMT输入神经网络的深度卷积子网络NMT，将ns个地面测点((xsk,ysk),k＝1,…,ns)的时频电磁响应和含个频点的频域响应数据体DF输入神经网络的深度卷积子网络NF，将nt个延时tk(k＝1,…,nt)的时域响应数据体DT输入神经网络的深度卷积子网络NT；d、深度卷积子网络NMT、NF、NT对数据进行卷积、池化运算后，输出数据到中间过渡层FA；e、中间过渡层FA对数据进行全连接或卷积-池化运算后，输出数据到深度卷积网络NL；f、深度卷积网络NL对数据运算处理后经输出层输出m个值。2.根据权利要求1所述的基于深度学习的时频电磁与大地电磁联合反演方法，其特征在于，还包括如下步骤：对去噪后的联合反演数据进行同样的主成分处理，用同样的频率或延时参数将对应的数据进行反演计算；对全部数据进行预处理：大地电磁响应数据体DMT,将各个频点下的视电阻率数据ρa，做0.1×lg(ρa)+0.2变换、对各相位值做除以2π的归一化处理；时频电磁法的频域响应数据体DF，对其中的第i个测点、第j个频点响应数据做相同的变换：其中，ns是测点个数，是频点数，do表示Ex分量或Hy分量数据，*表示复数的共轭，深度学习计算用的是处理后的数据d的实部和虚部；时频电磁法的频域响应数据体DT，三分量感生电动势响应数据其中，nt是延时个数。3.根据权利要求2所述的基于深度学习的时频电磁与大地电磁联合反演方法，其特征在于，网络输入数据DMT、DF、DT的个数为其中DMT的数据设计为1个通道，对应变换后的视电阻率数据和归一化相位数据，DF的数据设计为2个通道，分别对应d的分量实部和虚部数据，DT的数据设计为1个通道，对应三分量感生电动势响应数据变换后的vp数据(p＝x,y,z)的组合。4.根据权利要求3所述的基于深度学习的时频电磁与大地电磁联合反演方法，其特征在于，最终输出层输出m个值Rk(k＝1,2,…,m)，其与m层介质的层电阻率值有如下关系：各分块网络中，当数据的频点数、延时个数较小，不能施加池化步骤时，减小池化大小或者取消池化层。5.根据权利要求4所述的基于深度学习的时频电磁与大地电磁联合反演方法，其特征在于，深度卷积子网络NMT设计如下：对输入的2NMT个数据，应用2个卷积层、2个1×2的平均值池化层，形成2m个输出数据；其中，第一个卷积层的卷积核大小为1×5，卷积核个数为2m个，卷积步长为1；第二个卷积层的卷积核大小为1×7×2m，卷积核个数为m个，卷积步长为1；以上每个卷积层都设置一个偏置单元，再经过池化层处理，最终深度卷积子网络NMT将2组NMT维的输入数据变为m个通道，每个通道内有个输出的子隐层，深度卷积子网络NMT中应用的激活函数为6.根据权利要求5所述的基于深度学习的时频电磁与大地电磁...

【专利技术属性】
技术研发人员：毛立峰，胡祖志，陶德强，
申请(专利权)人：成都理工大学，中国石油集团东方地球物理勘探有限责任公司，
类型：发明
国别省市：四川,51