一种适用于强电磁干扰地区的深部采空区探测方法技术

本发明专利技术公开了一种适用于强电磁干扰地区的深部采空区探测方法，该方法针对强干扰背景下不同电性异常特点，分步实施不同的处理策略，即首先针对在强干扰背景下获得的原始CSAMT数据采用深度神经网络学习与预测方法进行异常值剔除；然后在静态校正过程中采用多方向时变二维中值空间滤波法以消除静态效应；随后采用均值阈值分割算法对反演后的视电阻率进行处理以去除浅部异常信息；最后对反演获得的电阻率进行基于幂函数的加权滤波处理以增强深部采空区电性特征。经过本发明专利技术处理后，CSAMT深部采空区有效电性特征得到了明显增强，所刻画的采空区边界更加清晰，测区深部采空区的探测精度明显提高。

【技术实现步骤摘要】
一种适用于强电磁干扰地区的深部采空区探测方法
本专利技术涉及一种适用于强电磁干扰地区的深部采空区探测方法。
技术介绍
近年来，由于不明采空区所引起的塌陷、突水、有毒气体泄漏等事故频发，已经严重影响到城市建设、资源开发和环境保护等领域，甚至还威胁到人员和财产安全，带来了巨大的损失。因此，如何能够准确探测煤层采空区的分布范围，具有重要的现实意义。对此国内外学者将物探方法应用于采空区预测，目前常用的有浅层高分辨地震勘探、高密度电法勘探、探地雷达精细探测、瞬变电磁和EH4等方法，均已取得良好的预测结果。可控源音频大地电磁发(Controlled-SourceAudiomagnetotellurics，简称CSAMT)具有勘探深度范围大、抗干扰能力强、高阻屏蔽作用小、分辨率高、工作效率高等优点，被广泛应用于地热资源探测、桥梁隧道工程、古墓探测、煤矿采空区预测、水文地质、溶洞预测、有色金属矿床、石油勘探开发等领域。近年来，CSAMT逐渐被应用于采空区探测，并且在采空区探测时也取得了良好的效果，因此，CSAMT为采空区的预测提供了新的方法。然而，大部分采空区位于煤矿以及村庄等附近，采空区分布的地方往往有较多的动力电线和高压线，因此电磁干扰异常强烈、各类随机噪声干扰，从而导致有效信号被隐藏。综上，如何确保在强电磁干扰地区能够获得高精度的CSAMT数据，去除浅部异常信息，同时增强深部采空区的电性特征，以便能够实现采空区的准确预测，具有重要的现实意义。
技术实现思路
本专利技术的目的在于提出一种适用于强电磁干扰地区的深部采空区探测方法，以便对强电磁干扰地区因多干扰因素影响产生的电性异常进行滤除，从而提高测区采空区探测精度。本专利技术为了实现上述目的，采用如下技术方案：一种适用于强电磁干扰地区的深部采空区探测方法，包括如下步骤：I.基于深度神经网络学习与预测方法对原始采集的CSAMT数据进行异常值剔除；具体过程如下：I.1.设计深度神经网络结构设计两个输入层，输入参数分别为频率、电阻率；设计两个输出层，输出为0或者1，若输出为0，则代表为异常值，进行剔除；若输出为1，代表正常值，进行保留；深度神经网络的隐藏层数设为K层，每个隐藏层的神经元的数量由公式(1)得到：l＝2+α1(1)式中，α1为正整数，且α1的取值范围为[1,10]，K的取值范围是[5,10]；其中，深度神经网络的激励函数采用Relu函数，深度神经网络优化算法采用Adagrad算法，深度神经网络采用Dropout正则化方法以防止过拟合现象；I.2.基于样本数据曲线拟合进行标签制作，具体过程如下：从原始采集的CSAMT数据中随机选取几组点号的数据作为样本数据；已知某一点号获得的一系列CSAMT数据为首先将电阻率转换为对数值，则：其中，i1代表某一点号的第i1个数据点；代表某一点号的第i1个卡尼亚电阻率，表示第i1个卡尼亚电阻率对应的频率；随后，对数据点通过最小二乘法进行曲线拟合，获得函数解析式为：最后，依据曲线拟合结果进行标签制作，则标签函数：式中，ε为误差；若输出F＝0，则第i1个卡尼亚电阻率对应的点代表为异常值，进行剔除，若输出F＝1，则第i1个卡尼亚电阻率对应的点代表正常值，进行保留；I.3.将步骤I.2中的样本数据进行划分，80％的作为学习样本，20％的作为验证样本；首先将学习样本输入步骤I.1设计的深度神经网络结构中，进行深度神经网络模型训练；假设深度神经网络某一神经元的输出为：式中，j为大于0的整数；为深度神经网络中第k个隐藏层的第j个神经元的输出，k∈K；为深度神经网络中第k个隐藏层的第j个神经元的输入；f为深度神经网络的激活函数；为第k-1层的第i个神经元到第k层的第j个神经元的连接权重；为深度神经网络第k层第j个神经元的偏置项；在误差反向传播中，需要对深度神经网络的预测输出和期望输出进行计算，得到深度神经网络的预测输出和期望输出之间的误差，误差计算公式为：式中，dic为期望输出，yic为深度神经网络的预测输出，q为训练样本数目；由公式(5)和(6)可知，误差函数ek是由各个神经元决定的；不断对深度神经网络的连接权重和偏置项进行修改，使深度神经网络的误差函数ek满足设定的误差函数阈值；连接权重和偏置的更新过程如下：bjk(h+1)＝bjk-1(h)+ηδi(8)式中，h表示第h个训练步数，h为大于0的整数；为第h个训练步数得到的权系数；η为学习率，η的取值范围为(0,0.05]；δi＝(di-yi)y′i，其中，y′i为yi的导数；bjk(h)为第h个训练步数得到的偏置；通过上述步骤，完成深度神经网络模型的训练；随后，用检验样本对深度神经网络模型的异常值剔除效果以及稳定性进行测试，若测试结果的准确率达到精度要求，则完成模型的训练与测试；若不能达到精度要求，重复上述训练过程，直至深度神经网络模型达到精度要求为止；I.4.对野外的不同剖面不同点号处的数据输入训练好的模型，自动进行异常点的剔除；II.基于多方向时变二维中值空间滤波法对异常值剔除后的CSAMT数据进行静态校正；具体过程如下：II.1.确定滤波窗口选取C作为中值滤波的基准窗口，对异常值剔除后的CSAMT数据进行中值滤波；位置(m,n)处的中值输出表示为：其中，表示以C作为基准窗口(m,n)位置处的中值；ia＝m-(C-1)/2,…,m+(C-1)/2；ja＝n-(C-1)/2,…,n+(C-1)/2；随后引入下式，计算阈值T：ρix,iy表示原始电阻率值，ix＝1,…,Nx，iy＝1,…,Ny，Nx为电阻率剖面横向的点数，Ny为电阻率剖面纵向的点数；再根据阈值T，分别设定时变窗口的大小：式中，Cia,ja为滤波时的应用窗口大小，α,β,γ,δ分别表示常数，且α＞β,δ＞γ；II.2.确定滤波方向对于Cia,ja＝2N+1为滤波窗口，当中心点位于(m,n)时，滤波函数被定义为：其中，N为大于0的常数，W1[m,n]、W2[m,n]、W3[m,n]、W4[m,n]分别表示经过中心点(m,n)的四个不同方向上的各个电阻率值；ρ(m+ka,n)为点(m+ka,n)处的电阻率值；ρ(m,n+ka)为点(m,n+ka)处的电阻率值；ρ(m+ka,n+ka)为点(m+ka,n+ka)处的电阻率值；ρ(m+ka,n-ka)为点(m+ka,n-ka)处的电阻率值；中值滤波的输出中值ρMLM(m,n)被定义为：ρMLM(m,n)＝median[Ymax(m,n),Ymin(m,n),ρ(m,n)](13)其中：Ymax(m,n)＝max1≤ib≤4[Zib(m,n)](14)Ymin＝min1≤ib≤4[Zib(m,n)](15)Zib(m,n)＝median[Wib[(m,n)]],ib＝1,2,3,4(16)随后计算Cia,ja＝2N+1滤波窗口内的平均值ρAVE(m,n)，则：然后将中心点(m,n)处的平均值ρAVE(m,n)和中心点(m,n)处的中值ρMLM(m,n)进行比值，即得到静态校正系数K(m,n)，K(m,n)数学表达式如下：最后，将公式(18)所得到的静态校正系数K(m,n)与实际电阻率值ρ(m,n)相乘，即可得到校正后的视电阻率值ρ′(m,n)，数学表达式如下：ρ′(m,n)＝K(m,n)本文档来自技高网...

【技术保护点】
1.一种适用于强电磁干扰地区的深部采空区探测方法，其特征在于，包括如下步骤：I.基于深度神经网络学习与预测方法对原始采集的CSAMT数据进行异常值剔除；具体过程如下：I.1.设计深度神经网络结构设计两个输入层，输入参数分别为频率、电阻率；设计两个输出层，输出为0或者1，若输出为0，则代表为异常值，进行剔除；若输出为1，代表正常值，进行保留；深度神经网络的隐藏层数设为K层，每个隐藏层的神经元的数量由公式(1)得到：l＝2+α1                            (1)式中，α1为正整数，且α1的取值范围为[1,10]，K的取值范围是[5,10]；其中，深度神经网络的激励函数采用Relu函数，深度神经网络优化算法采用Adagrad算法，深度神经网络采用Dropout正则化方法以防止过拟合现象；I.2.基于样本数据曲线拟合进行标签制作，具体过程如下：从原始采集的CSAMT数据中随机选取几组点号的数据作为样本数据；已知某一点号获得的一系列CSAMT数据为

【技术特征摘要】
1.一种适用于强电磁干扰地区的深部采空区探测方法，其特征在于，包括如下步骤：I.基于深度神经网络学习与预测方法对原始采集的CSAMT数据进行异常值剔除；具体过程如下：I.1.设计深度神经网络结构设计两个输入层，输入参数分别为频率、电阻率；设计两个输出层，输出为0或者1，若输出为0，则代表为异常值，进行剔除；若输出为1，代表正常值，进行保留；深度神经网络的隐藏层数设为K层，每个隐藏层的神经元的数量由公式(1)得到：l＝2+α1(1)式中，α1为正整数，且α1的取值范围为[1,10]，K的取值范围是[5,10]；其中，深度神经网络的激励函数采用Relu函数，深度神经网络优化算法采用Adagrad算法，深度神经网络采用Dropout正则化方法以防止过拟合现象；I.2.基于样本数据曲线拟合进行标签制作，具体过程如下：从原始采集的CSAMT数据中随机选取几组点号的数据作为样本数据；已知某一点号获得的一系列CSAMT数据为首先将电阻率转换为对数值，则：其中，i1代表某一点号的第i1个数据点；代表某一点号的第i1个卡尼亚电阻率，表示第i1个卡尼亚电阻率对应的频率；随后，对数据点通过最小二乘法进行曲线拟合，获得函数解析式为：最后，依据曲线拟合结果进行标签制作，则标签函数：式中，ε为误差；若输出F＝0，则第i1个卡尼亚电阻率对应的点代表为异常值，进行剔除，若输出F＝1，则第i1个卡尼亚电阻率对应的点代表正常值，进行保留；I.3.将步骤I.2中的样本数据进行划分，80％的作为学习样本，20％的作为验证样本；首先将学习样本输入步骤I.1设计的深度神经网络结构中，进行深度神经网络模型训练；假设深度神经网络某一神经元的输出为：式中，j为大于0的整数；为深度神经网络中第k个隐藏层的第j个神经元的输出，k∈K；为深度神经网络中第k个隐藏层的第j个神经元的输入；f为深度神经网络的激活函数；为第k-1层的第i个神经元到第k层的第j个神经元的连接权重；为深度神经网络第k层第j个神经元的偏置项；在误差反向传播中，需要对深度神经网络的预测输出和期望输出进行计算，得到深度神经网络的预测输出和期望输出之间的误差，误差计算公式为：式中，dic为期望输出，yic为深度神经网络的预测输出，q为训练样本数目；由公式(5)和(6)可知，误差函数ek是由各个神经元决定的；不断对深度神经网络的连接权重和偏置项进行修改，使深度神经网络的误差函数ek满足设定的误差函数阈值；连接权重和偏置的更新过程如下：bjk(h+1)＝bjk-1(h)+ηδi(8)式中，h表示第h个训练步数，h为大于0的整数；为第h个训练步数得到的权系数；η为学习率，η的取值范围为(0,0.05]；δi＝(di-yi)y′i，其中，y′i为yi的导数；bjk(h)为第h个训练步数得到的偏置；通过上述步骤，完成深度神经网络模型的训练；随后，用检验样本对深度神经网络模型的异常值剔除效果以及稳定性进行测试，若测试结果的准确率达到精度要求，则完成模型的训练与测试；若不能达到精度要求，重复上述训练过程，直至深度神经网络模型达到精度要求为止；I.4.对野外的不同剖面不同点号处的数据输入训练好的模型，自动进行异常点的剔除；II.基于多方向时变二维中值空间滤波法对异常值剔除后的CSAMT数据进行静态校正；具体过程如下：II.1.确定滤波窗口选取C作为中值滤波的基准窗口，对异常值剔除后的CSAMT数据进行中值滤波；位置(m,n)处的中值输出表...

【专利技术属性】
技术研发人员：林年添，张凯，张冲，聂西坤，田高鹏，杨久强，王晓东，汤健健，李建平，宋翠玉，
申请(专利权)人：山东科技大学，
类型：发明
国别省市：山东,37