基于无监督机器学习的磁异常矢量聚类反演方法技术

本申请实施例提供一种基于无监督机器学习的磁异常矢量聚类反演方法，属于地球物理勘测技术领域。该方法包括：将一组磁异常数据表示为公式1，磁化强度矢量反演为公式2；反演模型的磁化强度m与M个反演模型的三个分量之间的关系为公式3，M个反演模型沿x、y、z轴的三个分量为公式4；第j个反演模型的磁化方向单位矢量为公式5：通过求解目标函数极小,获得反演解,所述目标函数表示为公式6；FMC聚类分析的目标函数为公式7：根据先验信息形成引导式糊C均值聚类目标函数，所述引导式糊C均值聚类目标函数表示为公式8；根据公式8及公式6得到磁异常矢量聚类反演的总目标函数，总目标函数表示公式9。这样，可得较好的反演结果。可得较好的反演结果。可得较好的反演结果。

【技术实现步骤摘要】
基于无监督机器学习的磁异常矢量聚类反演方法


[0001]本申请涉及地球物理勘测
，尤其涉及一种基于无监督机器学习的磁异常矢量聚类反演方法。

技术介绍

[0002]磁法勘探是地球物理勘探的重要方法之一，利用磁异常反演可以构建地下三维空间的磁性结构，据此可以研究地下深部结构、地质构造以及矿产能源的分布情况。目前常用的磁异常物性反演方法在反演地下磁性分布时，通常假设反演目标体的磁化方向与地磁场方向一致，即认为剩磁可忽略。但当剩磁影响大或地下介质磁化方向多变时，该假设条件不成立，盲目假设为地磁场方向的反演结果往往偏离实际地质情况，误导地质解释。在一些地区受剩磁影响严重，洋壳的磁化方向多变，具有复杂的地壳结构，洋壳、陆壳及洋陆过渡壳共存，地质构造类型多样，致使地壳磁性结构差异大，采用传统磁异常反演方法无法取得比较好的反演结果。

技术实现思路

[0003]为了解决上述技术问题，本申请实施例提供了一种基于无监督机器学习的磁异常矢量聚类反演方法，所述方法包括：在地下反演空间建立网格剖分模型，设置地下存在预设数量的磁化方向，在反演中设置与所述预设数量相同的聚类数目；将一组磁异常数据表示为公式1，将磁化强度矢量反演表示为公式2；公式1：；公式2：；其中， d表示磁异常数据，表示各磁化方向的磁异常数据，m为反演模型的磁化强度，为地下模型磁化强度在x、y、z三个方向分量的灵敏度矩阵；若所述地下反演空间有M个反演模型，各模型单元的磁化强度J为感应磁化强度和剩余磁化强度之和，将反演模型的磁化强度m与M个反演模型在笛卡尔坐标系中沿x、y、z轴的三个分量之间的关系表示为公式3，将M个反演模型在笛卡尔坐标系中沿x、y、z轴的三个分量表示为公式4；公式3：；公式4：；其中，、及表示M个反演模型在笛卡尔坐标系中沿x、y、z轴的三个分量；
将第j个反演模型的磁化方向单位矢量表示为公式5：公式5：，1≤j≤M；基于Tikhonov正则化反演公式，通过求解目标函数极小,获得反演解,所述目标函数表示为公式6；公式6：；其中，为数据拟合项的权重系数，为模型项的权重系数，Gm为反演数据，为观测数据，β为正则化参数；将模糊C均值聚类分析的目标函数表示为公式7：公式7：；其中，表示第j个数据对第k个聚类中心的隶属度大小，q决定隶属度取值的模糊性，代表第k个聚类中心；将已知的先验信息用于聚类约束，形成引导式糊C均值聚类目标函数，所述引导式糊C均值聚类目标函数表示为公式8；公式8：；其中，表示第j个数据对第k个聚类中心的隶属度大小，m决定隶属度取值的模糊性,代表已知的聚类中心，η为权重系数；根据公式8及公式6得到磁异常矢量聚类反演的总目标函数，总目标函数表示公式9；公式9：；其中，γ表示聚类算法在反演中的权重系数。
[0004]在一实施方式中，所述方法还包括：根据公式9获得地下池化强度矢量及地质识别结果。
[0005]在一实施方式中，所述方法还包括：在对公式7进行极小化的过程中，更新聚类中心和隶属度。
[0006]在一实施方式中，所述方法还包括：模拟预设海洋陆缘多种地壳共存的结构特征，建立洋壳组合模型；
基于所述洋壳组合模型进行反演与地质识别应用试验。
[0007]在一实施方式中，所述模拟预设海洋陆缘多种地壳共存的结构特征，建立洋壳组合模型，包括：采用规格不同、磁化强度不同的多种长方体组合得到所述洋壳组合模型。
[0008]在一实施方式中，所述方法还包括：模拟具有磁异常条带特征的洋盆结构，建立正反向磁化洋壳模型；基于所述正反向磁化洋壳模型进行磁条带异常的矢量反演试验。
[0009]在一实施方式中，所述模拟具有磁异常条带特征的洋盆结构，建立正反向磁化洋壳模型，包括：模拟洋盆正反向磁化的洋壳岩石相间分布特征，将正向磁化模型和反向磁化模型相间布置，得到所述正反向磁化洋壳模型。
[0010]在一实施方式中，所述方法还包括：选取以预设海盆为核心的研究区域，所述研究区域的地壳结构包括陆壳、洋壳和洋陆过渡壳；对所述研究区域进行磁异常聚类反演，得到反演结果。
[0011]在一实施方式中，所述反演结果包括磁化强度和磁化方向聚类结果。
[0012]在一实施方式中，所述方法还包括：根据所述反演结果追踪洋盆内磁条带异常所对应的岩石磁性结构。
[0013]上述本申请提供的基于无监督机器学习的磁异常矢量聚类反演方法，对传统磁异常矢量反演技术的改进，是模糊聚类技术与磁化强度矢量反演技术的结合，实现自动聚类的三维磁化强度矢量反演。该方法以地质识别为目标导向，利用聚类目标函数对磁异常矢量反演施加约束，优化了传统磁异常矢量反演的目标函数，使其磁化强度反演聚焦于地质属性差异与分类，在反演地下三维磁性结构的同时，提供了用于地质属性划分与识别的聚类信息，从而将定量反演与地质解释合二为一，解决复杂情形下的磁异常反演与地质识别目标，通过理论模型试验与特定海域实测数据反演，表明该方法具有良好的应用效果。
附图说明
[0014]为了更清楚地说明本申请的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对本申请保护范围的限定。在各个附图中，类似的构成部分采用类似的编号。
[0015]图1示出了本申请实施例提供的磁异常矢量聚类反演方法的流程示意图之一；图2示出了本申请实施例提供的洋陆壳组合模型的结构示意图之一；图3示出了本申请实施例提供的正反向磁化洋壳模型的结构示意图之一；图4示出了本申请实施例提供的研究区域磁异常图的示意图之一；图5示出了本申请实施例提供的三维反演结果的示意图之一；图6示出了本申请实施例提供的磁化方向聚类结果的示意图之一；图7示出了本申请实施例提供的研究区域异常聚类分区结果的示意图域；图8示出了本申请实施例提供的海盆中部的条带磁异常的示意图域；图9示出了本申请实施例提供的磁化方向聚类结果的示意图之二；
图10示出了本申请实施例提供的研究区域异常聚类分区结果的示意图之二。
具体实施方式
[0016]下面将结合本申请实施例中附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。
[0017]通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
[0018]在下文中，可在本申请的各种实施例中使用的术语“包括”、“具有”及其同源词仅意在表示特定特征、数字、步骤、操作、元件、组件或前述项的组合，并且不应被理解为首先排除一个或更多个其它特征、数字、步骤、操作、元件、组件或前述项的组合的存在或增加一个或更多个特征、数字、步骤、操作、元件、组件或前述项的组合的可能性。
[0019]此外，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于无监督机器学习的磁异常矢量聚类反演方法，其特征在于，所述方法包括：在地下反演空间建立网格剖分模型，设置地下存在预设数量的磁化方向，在反演中设置与所述预设数量相同的聚类数目；一组磁异常数据为公式1，磁化强度矢量反演为公式2；公式1：；公式2：；其中， d为磁异常数据，为各磁化方向的磁异常数据，m为反演模型的磁化强度，为地下模型磁化强度在x、y、z三个方向分量的灵敏度矩阵；若所述地下反演空间有M个反演模型，各模型单元的磁化强度J为感应磁化强度和剩余磁化强度之和，反演模型的磁化强度m与M个反演模型在笛卡尔坐标系中沿x、y、z轴的三个分量之间的关系为公式3，M个反演模型在笛卡尔坐标系中沿x、y、z轴的三个分量为公式4；公式3：；公式4：；其中，、及表示M个反演模型在笛卡尔坐标系中沿x、y、z轴的三个分量；第j个反演模型的磁化方向单位矢量为公式5：公式5：，1≤j≤M；基于Tikhonov正则化反演公式，通过求解目标函数极小,获得反演解,所述目标函数表示为公式6；公式6：；其中，为数据拟合项的权重系数，为模型项的权重系数，Gm为反演数据，为观测数据，β为正则化参数；模糊C均值聚类分析的目标函数为公式7：公式7：；其中，表示第j个数据对第k个聚类中心的隶属度大小，q决定隶属度取值的模糊性，代表第k个聚类中心；将已知的先验信息用于聚类约束，形成引导式糊C均值聚类目标函数，所述引导式糊C均值聚类目标函数为公式8；
公式8：；其中，表示第j个数据对第k个聚类中心的隶属度大小，m决定隶属度取值的模糊性,代表已知的聚类中心，η为权重系数；根据公式8及公式6得到磁异常矢量聚类反演的总目标函数，所述...

【专利技术属性】
技术研发人员：李淑玲，
申请(专利权)人：中国地质大学北京，
类型：发明
国别省市：