基于混合密度神经网络的断层不确定性形态建模方法技术

本发明专利技术公开了一种基于混合密度神经网络的断层不确定性形态建模方法，通过先根据模糊数据进行随机建模，生成多个随机断层模型，再通过在断层模型的每一个断层带空间内部随机生成坐标点，来获得足够多的用于构建和训练混合密度神经网络的数据；通过混合密度神经网络在随机的模型中进行筛选和调整，从而确定符合断层的数据模型，再通过数据模型定量的生成目标的断层模型。解决了由于信息稀疏和模糊导致的断层模型不确定性的问题。本发明专利技术能够适用于断层规模大、延伸范围广，信息的稀疏和模糊的断层为地层、褶皱等大尺度地质构造的不确定性分析提供了重要参考。分析提供了重要参考。分析提供了重要参考。

【技术实现步骤摘要】
基于混合密度神经网络的断层不确定性形态建模方法


[0001]本专利技术涉及岩土工程、水利工程、地下工程等场地条件的实体结构建模和分析领域，具体涉及一种基于混合密度神经网络的断层不确定性形态建模方法。

技术介绍

[0002]水利水电工程区域地质体内一般会交错分布着一系列大尺度的结构面，主要体现为不同规模的复杂断层。断层是指岩层或岩体顺破裂面发生明显位移的地质构造，其往往受多期构造活动的影响，从而引发地层或岩体的复杂变形。断层建模一直是三维地质建模中的一个热点问题，准确的构建三维断层网络模型有助于对断层构造的定量分析以及后续地勘工作的开展。
[0003]在水利水电工程地质建模中，对于断层的最常用的处理方式是确定性的建模：通过综合利用地震剖面、钻孔、平硐、地表出露线等多源数据，结合专家推理，手动构建出断层的三维形态。从这一角度出发，目前已提出了一系列先进的解决方案，其发展程度较为成熟。
[0004]确定性的建模方式逻辑清晰、灵活且相对易于实现，却不利于断层的不确定性研究。因此，开始考虑如何将不确定性因素纳入建模分析。

技术实现思路

[0005]基于此，本专利技术提出了一种基于混合密度神经网络的断层不确定性形态建模方法，有效解决了断层规模大、延伸范围广，信息的稀疏和模糊导致的不确定性的问题，为地层、褶皱等大尺度地质构造的不确定性分析提供了重要参考。
[0006]根据本专利技术的一个方面，一种基于混合密度神经网络的断层不确定性形态建模方法，包括：
[0007]通过将地层或岩体的断层图形投影至三维空间，得到被展布到三维空间的数据；
[0008]根据地层或岩体断层的模糊勘察信息与上述的被展布到三维空间的数据，生成多个随机断层模型；
[0009]确定研究区域，根据上述断层的走向，将上述研究区域表面与上述断层走向一致的面作为观测面；
[0010]在上述观测面上生成与观测面一致的包含横纵空间维度的坐标轴，构建通过输入横纵空间维度，输出得到观测面垂直维度上的概率密度函数的混合密度神经网络；
[0011]在上述观测面上设置多个关键点，将上述关键点的横纵空间维度输入至上述混合密度神经网络，获得包括多个概率密度函数的混合高斯模型；
[0012]设定概率值，通过上述概率密度函数计算出混合累计概率分布函数，通过上述混合累计概率分布函数和上述概率值计算第二双侧分位点，根据上述第二双侧分位点定量拟合生成目标断层模型。
[0013]根据本专利技术的实施例，其中，上述断层图形包括钻孔点位数据、物探剖面线数和断
层迹线。
[0014]根据本专利技术的实施例，其中，上述模糊勘察信息包括断层产状数据以及断层延伸范围。
[0015]根据本专利技术的实施例，上述混合密度神经网络还包括，输入横纵空间维度，输出获得混合高斯分布函数；
[0016]根据积分原理获得上述高斯混合分布函数的第一双侧分位点；
[0017]根据上述双侧分位点对上述高斯混合分布函数进行截断纠偏，获得上述概率密度函数。
[0018]根据本专利技术的实施例，还包括：检验上述混合密度神经网络的有效性，上述有效性的检测方法包括：
[0019]以每个上述关键点为源生成垂直于上述观测面且指向上述断层带的检测线；
[0020]多次生成随机的上述断层带，并针对于每条上述检测线，在上述断层带内进行坐标点采样，获得随机检测点；
[0021]利用卡方检验，检测通过上述混合密度网络计算出的每条上述检测线所对应的概率密度函数与上述随机检测点的分布是否一致；
[0022]若每条上述检测线所对应的上述概率密度函数皆与上述随机检测点的分布一致，则确定上述混合密度神经网络有效。
[0023]根据本专利技术的实施例，其中，上述随机断层模型的生成方法包括：
[0024]对上述断层的倾向和倾角进行随机采样，得到包含上述断层的随机倾向和倾角的随机产状数据；
[0025]对上述断层的宽度进行随机采样，得到上述断层的随机宽度；
[0026]根据随机宽度移动断层面确定上述断层的边界，上述边界内所定义的空间即为上述随机断层模型。
[0027]根据本专利技术的实施例，其中，上述断层面通过根据模糊勘察信息将上述断层的出露线拉伸成面得到。
[0028]根据本专利技术的实施例，其中，上述混合密度神经网络可采用全连接，或加入卷积、残差模块的方式搭建。
[0029]根据本专利技术的实施例，其中，上述关键点的设置方式包括：
[0030]在上述观测面上均匀划分网格，将上述网格的交点作为关键点。
[0031]根据本专利技术的实施例，其中，上述混合密度神经网络的训练方法，包括：
[0032]在上述观测面内生成随机点，以上述随机点为源生成垂直于上述观测面且与贯穿上述断层带的随机测线；
[0033]在上述随机测线与上述断层带的交点之间生成随机坐标点，即随机内点；
[0034]将上述随机内点的横纵空间维度输入至上述混合密度神经网络，进行训练；
[0035]利用上述有效性的检测方法对上述混合密度神经网络进行验证，并根据验证结果调整上述混合密度神经网络，直至上述混合密度神经网络在每一条检测线上计算出的分布与上述随机检测点的分布一致。
[0036]从上述技术方案可以看出，本专利技术提供的基于混合密度神经网络的断层不确定性形态建模方法具有以下有益效果：
[0037]本专利技术公开了一种能够感知大尺度断层形态，并进行不确定性建模的方法。通过先根据模糊数据进行随机建模，生成多个随机断层模型，再通过在断层模型的每一个断层带空间内部随机生成坐标点；来获得足够多的用于构建和训练混合密度神经网络的数据，通过混合密度神经网络在随机的模型中进行筛选和调整，从而确定符合断层的数据模型，再通过数据模型定量的生成目标的断层模型。解决了由于信息稀疏和模糊导致的断层模型不确定性的问题。本专利技术能够适用于断层规模大、延伸范围广，信息的稀疏和模糊的断层为地层、褶皱等大尺度地质构造的不确定性分析提供了重要参考。
附图说明
[0038]图1为本专利技术实施例的随机断层建模与内点随机采样流程图；
[0039]图2为本专利技术实施例的MDN混合密度层纠偏示意图；
[0040]图3为本专利技术实施例的关键点与关键测线示例图；
[0041]图4为本专利技术实施例的混合密度的第二双侧分位点示意图；
[0042]图5为本专利技术实施例的0.85置信度下的随机断层带模型。
具体实施方式
[0043]为使本专利技术的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本专利技术作进一步的详细说明。
[0044]在对断层的不确定研究中，可以通过随机模拟，在参数或结构的随机扰动的基础上对断层进行重复建模，最终结合统计学方法实现其不确定性的衡量。
[0045]断层的不确定性建模方法可分为两类：第一类是基准模型扰动法，需要先将模型之间的基本的拓扑结构或大致的形态确定，再本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于混合密度神经网络的断层不确定性形态建模方法，包括：通过将地层或岩体的断层图形投影至三维空间，得到被展布到三维空间的数据；根据地层或岩体断层的模糊勘察信息与所述的被展布到三维空间的数据，生成多个随机断层模型；确定研究区域，根据所述断层的走向，将所述研究区域表面与所述断层走向一致的面作为观测面；在所述观测面上生成与观测面一致的包含横纵空间维度的坐标轴，构建通过输入横纵空间维度，输出得到观测面垂直维度上的概率密度函数的混合密度神经网络；在所述观测面上设置多个关键点，将所述关键点的横纵空间维度输入至所述混合密度神经网络，获得包括多个概率密度函数的混合高斯模型；设定概率值，通过所述概率密度函数计算出混合累计概率分布函数，通过所述混合累计概率分布函数和所述概率值计算第二双侧分位点，根据所述第二双侧分位点定量拟合生成目标断层模型。2.根据权利要求1所述的建模方法，其中，所述断层图形包括钻孔点位数据、物探剖面线数和断层迹线。3.根据权利要求1所述的建模方法，其中，所述模糊勘察信息包括断层产状数据以及断层延伸范围。4.根据权利要求1所述的建模方法，所述混合密度神经网络还包括，输入横纵空间维度，输出获得混合高斯分布函数；根据积分原理获得所述高斯混合分布函数的第一双侧分位点；根据所述双侧分位点对所述高斯混合分布函数进行截断纠偏，获得所述概率密度函数。5.根据权利要求1所述的建模方法，还包括：检验所述混合密度神经网络的有效性，所述有效性的检测方法包括：以每个所述关键点为源生成垂直于所述观测面的检测线；多次生成随机的断层带，并针对于每条所述检测线，在所述断层带内进行...

【专利技术属性】
技术研发人员：李明超，张佳文，韩帅，赵文超，
申请(专利权)人：天津大学，
类型：发明
国别省市：