基于子区域编码的深度学习大地电磁数据反演方法与装置制造方法及图纸

本发明专利技术公开了基于子区域编码的深度学习大地电磁数据反演方法与装置，该方法包括：将大地电磁数据的反演区域划分为多个编码子区域；根据多个编码子区域的先验信息构建训练数据集；利用训练数据集训练深度学习模型生成有先验区域的编码，并利用直接映射生成无先验区域的编码，以进行地电模型的重参数化得到重参数化结果；基于重参数化结果进行编码的优化，以实现大地电磁数据反演。本发明专利技术能够灵活地嵌入不同复杂度、确定度和空间范围的先验信息；能够根据先验信息的质量自适应地提升反演效果；能够强化特定区域或方向上的重建分辨率；训练集复杂度和训练计算量较低。训练集复杂度和训练计算量较低。训练集复杂度和训练计算量较低。

【技术实现步骤摘要】
基于子区域编码的深度学习大地电磁数据反演方法与装置


[0001]本专利技术涉地球物理反演成像
，特别是涉及基于子区域编码的深度学习大地电磁数据反演方法与装置。

技术介绍

[0002]大地电磁法(MT)是一种地球物理电磁探测方法。它通过测量天然场源激发出的电场和磁场推断地下结构的电导率，广泛应用于油气勘探、矿产勘探、地壳和上地幔结构研究等领域。
[0003]MT数据反演一般将模型离散成网格，为每个网格点分配电导率参数，在反演中重建每个网格点处的电导率。在高斯假设下，采用确定性反演框架，迭代地优化反问题的目标函数。目标函数一般包括数据残差与合适的正则化项，一般是基于L2或L1范数的正则化。这种基于像素的方法对边界的刻画较为模糊，缺乏精细结构的分辨率。地球物理学家对测区有各种先验认识，但这些先验知识没有用来约束大地电磁模型的重建。
[0004]模型重参数化方法合理地构建描述模型的参数空间，从而向反演嵌入先验信息。现有的基于模型重参数化的反演主要包括基于模型的反演和基于参数变换的反演。在基于模型的反演中，测区模型中的层和块分别用开和闭的多边形刻画，通过反演多边形中心点和顶点的坐标完成模型重建。这种方法通过构建初始模型融入先验信息，减少参数数量，灵活地约束反演模型的拓扑结构。然而，该方法病态度较高，且难以融入不同不确定度的先验信息。在基于参数变换的反演中，通过PCA、SVD或小波变换等参数变换获取模型在变换域中的系数，通过反演该系数实现模型的重建。这种方法通过设计特定的基函数来表示先验信息。然而，这种方式设计的基函数对先验信息的表示能力较弱，难以嵌入模式复杂的先验信息。
[0005]基于深度学习的重参数方法可以根据融入先验的训练集自动选取参数空间，灵活地实现模型重参数化。深度生成模型，包括变分自编码器(VAE)和对抗生成网络(GAN)，可以通过自监督训练构造参数隐空间。在反演中通过反演模型在隐空间中的编码来重建模型。然而目前的编码方式一般是对全反演区域进行编码，在高维和复杂背景的问题中这种编码方式对训练集的多样性和规模有较高要求，且训练集生成的灵活度不够，难以嵌入不同不确定度的、作用范围受限的先验信息。

技术实现思路

[0006]本专利技术旨在至少在一定程度上解决相关技术中的技术问题之一。
[0007]为此，本专利技术提出一种基于子区域编码的深度学习大地电磁数据反演方法。将反演区域依某种准则划分为若干子区域，在子区域范围内利用先验信息生成训练集，分别利用深度学习模型和直接映射生成有先验区域和无先验区域的编码，实现模型的重参数化。同步反演所有子区域的编码，从各编码中恢复地电模型，从而灵活地在大地电磁数据反演中融入先验信息，提升反演准确率和分辨率。
[0008]本专利技术的第二方面在于提出一种基于子区域编码的深度学习大地电磁数据反演装置。
[0009]为达上述目的，本专利技术一方面提出一种基于子区域编码的深度学习大地电磁数据反演方法，包括：
[0010]将大地电磁数据的反演区域划分为多个编码子区域；
[0011]根据所述多个编码子区域的先验信息构建训练数据集；
[0012]利用所述训练数据集训练深度学习模型生成有先验区域的编码，并利用直接映射生成无先验区域的编码，以进行地电模型的重参数化得到重参数化结果；
[0013]基于所述重参数化结果进行编码的优化，以实现大地电磁数据反演。
[0014]本专利技术实施的基于子区域编码的深度学习大地电磁数据反演方法还可以具有以下附加技术特征：
[0015]进一步地，所述大地电磁数据反演的目标函数为：
[0016][0017][0018][0019]其中，{v
i
}为所有子区域的隐变量构成的集合，v为子区域隐变量组成的全区域隐变量；{D
i
}为所有子区域上的隐变量到地电模型的映射族，{D
i
(v
i
)}为所有子区域地电模型构成的集合，D(v)为子区域地电模型组成的全区域地电模型，F为求解大地电磁正问题的前向算子，R为描述地电模型光滑度的正则项，S为约束编码范数的正则化项，d
obs
为大地电磁观测数据，α,β和γ为调节各项的参数。
[0020]进一步地，所述映射族包括神经网络和直接映射，其中，所述神经网络包括多种结构的网络。
[0021]进一步地，所述正则项R包括第一多个形式，所述正则化项S包括第二多个形式。
[0022]进一步地，极小化所述目标函数，包括多种极小化方法。
[0023]为达上述目的，本专利技术另一方面提出一种基于子区域编码的深度学习大地电磁数据反演装置，包括：
[0024]地电模型划分模块，用于将大地电磁数据的反演区域划分为多个编码子区域；
[0025]训练集构建模块，用于根据所述多个编码子区域的先验信息构建训练数据集；
[0026]重参数模块，用于利用所述训练数据集训练深度学习模型生成有先验区域的编码，并利用直接映射生成无先验区域的编码，以进行地电模型的重参数化得到重参数化结果；
[0027]反演模块，用于基于所述重参数化结果进行编码的优化，以实现大地电磁数据反演。
[0028]本专利技术实施例的基于子区域编码的深度学习大地电磁数据反演方法和装置，能灵活地嵌入多种多样的泛在先验知识，保证深度学习训练的成本较低，提升反演的准确率和
分辨率。
[0029]本专利技术附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本专利技术的实践了解到。
附图说明
[0030]本专利技术上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
[0031]图1为根据本专利技术实施例的基于子区域编码的深度学习大地电磁数据反演方法流程图；
[0032]图2为根据本专利技术实施例的基于子区域编码的深度学习大地电磁数据反演方法的架构图；
[0033]图3为根据本专利技术实施例的地电模型划分方式的示意图；
[0034]图4为根据本专利技术实施例的神经网络训练中所用的数据集示意图；
[0035]图5为根据本专利技术实施例的仿真测试情况示意图；
[0036]图6为根据本专利技术实施例的变分自编码器(VAE)的结构示意图；
[0037]图7为根据本专利技术实施例的基于子区域编码的深度学习大地电磁数据反演装置的结构图。
具体实施方式
[0038]需要说明的是，在不冲突的情况下，本专利技术中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本专利技术。
[0039]为了使本
的人员更好地理解本专利技术方案，下面将结合本专利技术实施例中的附图，对本专利技术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专利技术一部分的实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本专利技术本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于子区域编码的深度学习大地电磁数据反演方法，其特征在于，包括以下步骤：将大地电磁数据的反演区域划分为多个编码子区域；根据所述多个编码子区域的先验信息构建训练数据集；利用所述训练数据集训练深度学习模型生成有先验区域的编码，并利用直接映射生成无先验区域的编码，以进行地电模型的重参数化得到重参数化结果；基于所述重参数化结果进行编码的优化，以实现大地电磁数据反演。2.根据权利要求1所述的方法，其特征在于，所述大地电磁数据反演的目标函数为：2.根据权利要求1所述的方法，其特征在于，所述大地电磁数据反演的目标函数为：2.根据权利要求1所述的方法，其特征在于，所述大地电磁数据反演的目标函数为：其中，{v
i
}为所有子区域的隐变量构成的集合，v为子区域隐变量组成的全区域隐变量；{D
i
}为所有子区域上的隐变量到地电模型的映射族，{D
i
(v
i
)}为所有子区域地电模型构成的集合，D(v)为子区域地电模型组成的全区域地电模型，F为求解大地电磁正问题的前向算子，R为描述地电模型光滑度的正则项，S为约束编码范数的正则化项，d
obs
为大地电磁观测数据，α,β和γ为调节各项的参数。3.根据权利要求2所述的方法，其特征在于，所述映射族包括神经网络和直接映射，其中，所述神经网络包括多种结构的网络。4.根据权利要求2所述的方法，其特征在于，所述正则项R包括第一多个形式，所述正则化项S包括第二多个形式。5.根据权利要求2所述的方法，其特征在于，极小化所述目标函数，包括多种极小化方法。6.一种...

【专利技术属性】
技术研发人员：李懋坤，周虹宇，郭睿，杨帆，许慎恒，
申请(专利权)人：清华大学，
类型：发明
国别省市：