探地雷达数据反演方法、装置、计算机设备及存储介质制造方法及图纸

本申请提供一种探地雷达数据反演方法、装置、计算机设备及存储介质，包括：接收探地雷达数据；调用预置的一阶段网络模型对所述探地雷达数据进行反演运算，得到第一介电常数模型；调用预置的二阶段网络模型对所述探地雷达数据和所述第一介电常数模型进行反演运算，得到第二介电常数模型。本申请确保了第一介电常数模型的精准度，并修改第一介电常数模型中的错误的结构特征，并得到更加准确的第二介电常数模型的技术效果，及极大的提高了探地雷达数据反演的运算效率，降低了计算资源的耗费。降低了计算资源的耗费。降低了计算资源的耗费。

【技术实现步骤摘要】
探地雷达数据反演方法、装置、计算机设备及存储介质


[0001]本申请涉及人工智能
，尤其涉及一种探地雷达数据反演方法、装置、计算机设备及存储介质。

技术介绍

[0002]探地雷达数据反演是：求解探地雷达数据与至少具有一个相对介电常数的介电常数模型空间对应的病态问题，病态问题是指输出结果对输入数据非常敏感的问题，即输入数据中微小的误差可能引起输出结果很大的变化，一般用条件数衡量问题的病态指标，条件数越大，问题病态程度越重。
[0003]然而，当前的探地雷达数据反演通常采用传统的探地雷达的全波形反演(FWI，full waveform inversion)方法，用于定性和定量重建地层结构图像的解决方案。它直接使用整个接收到的波形来匹配仿真的GPR数据。然后，它通过最小化两组数据之间的不匹配来重建结构的介电分布。
[0004]然而，专利技术人发现，传统的FWI通常利用迭代的方式来缩小模拟数据与探地雷达数据之间的误差，因此，完成一次的FWI工作需要耗费大量的计算资源；并且，FWI方法很难从探地雷达数据中，提取出与介电常数模型之间具有敏感关系的特征值，导致FWI方法的反演精度较低。

技术实现思路

[0005]本申请提供一种探地雷达数据反演方法、装置、计算机设备及存储介质，用以解决传统的FWI方法需要耗费大量的计算资源，并且FWI方法很难从探地雷达数据中，提取出与介电常数模型之间具有敏感关系的特征值，导致FWI方法的反演精度较低的问题。
[0006]第一方面，本申请提供一种探地雷达数据反演方法，包括：
[0007]接收探地雷达数据；其中，所述探地雷达数据是对目标区域的浅地表进行无损探测的电磁波的波形数据；
[0008]调用预置的一阶段网络模型对所述探地雷达数据进行反演运算，得到第一介电常数模型；其中，所述第一介电常数模型是决定所述电磁波在所述目标区域的地层结构中传播速度的因素；所述第一介电常数模型具有至少一个相对介电常数；所述相对介电常数是表征所述地层结构的介电性能的物理参数；
[0009]调用预置的二阶段网络模型对所述探地雷达数据和所述第一介电常数模型进行反演运算，得到第二介电常数模型；其中，所述第二介电常数模型包括根据所述探地雷达数据，对所述第一介电常数模型中的相对介电常数进行修正后的物理参数。
[0010]上述方案中，所述调用预置的一阶段网络模型对所述探地雷达数据进行反演运算之前，所述方法还包括：
[0011]获取第一训练样本；
[0012]通过所述第一训练样本预置的第一初始网络模型进行训练得到所述一阶段网络
模型。
[0013]上述方案中，所述调用预置的二阶段网络模型对所述探地雷达数据和所述第一介电常数模型进行反演运算之前，所述方法还包括：
[0014]获取第二训练样本；
[0015]通过所述第二训练样本和所述一阶段网络模型，对预置的第二初始网络模型进行训练得到所述二阶段网络模型。
[0016]上述方案中，所述获取第一训练样本之前，所述方法还包括：
[0017]获取地层结构，在所述地层结构中嵌入不规则块体使所述地层结构转为训练介电常数模型，及根据所述训练介电常数模型进行正演模拟得到训练探地雷达数据；
[0018]汇总一个所述训练介电常数模型及其所述训练探地雷达数据形成一个训练数据；
[0019]汇总若干个所述训练数据得到训练集合。
[0020]上述方案中，所述获取第一训练样本，包括：
[0021]从所述训练集合中获取M个训练数据，并汇总所述M个训练数据得到所述第一训练样本；其中，M为正整数，M≥1；
[0022]所述获取第二训练样本，包括：
[0023]从所述训练集合中获取N个训练数据，并汇总所述N个训练数据得到所述第二训练样本；其中，N为正整数，N≥1。
[0024]上述方案中，通过所述第一训练样本预置的第一初始网络模型进行训练得到所述一阶段网络模型，包括：
[0025]将所述第一训练样本中训练数据的训练探地雷达数据，作为所述第一初始网络模型的第一输入信息，及运行所述第一初始网络模型对所述第一输入信息进行反演运算得到第一输出信息；
[0026]将所述第一训练样本中训练数据的训练介电常数模型，作为所述第一初始网络模型的第一参照信息，通过预置的第一损失函数根据所述第一输出信息和所述第一参照信息生成第一损失值；其中，所述第一损失值表征了所述第一输出信息和所述第一参照信息之间的差异程度；
[0027]通过预置的优化模型根据所述第一损失值对所述第一初始网络模型进行迭代，以调整所述第一初始网络模型中隐藏层的权重，使所述第一初始网络模型生成的第一输出信息，与所述第一参照信息之间的第一损失值处于预置的第一阈值区间内，及迭代后的所述第一初始网络模型设为所述一阶段网络模型。
[0028]上述方案中，通过所述第二训练样本和所述一阶段网络模型，对预置的第二初始网络模型进行训练得到所述二阶段网络模型，包括：
[0029]将所述第二训练样本中训练数据的训练探地雷达数据作为第二输入信息，运行所述一阶段网络模型对所述第二输入信息进行反演运算得到一阶段输出信息，及运行所述第二初始网络模型对所述一阶段输出信息进行反演运算得到第二输出信息；
[0030]将所述第二训练样本中训练数据的训练介电常数模型，作为所述第二初始网络模型的第二参照信息，通过预置的第二损失函数根据所述第二输出信息和所述第二参照信息生成第二损失值；其中，所述第二损失值表征了所述第二输出信息和所述第二参照信息之间的差异程度；
[0031]通过预置的优化模型根据所述第二损失值对所述第二初始网络模型进行迭代，以调整所述第二初始网络模型中隐藏层的权重，使所述第二初始网络模型生成的第二输出信息，与所述第二参照信息之间的第二损失值处于预置的第二阈值区间内，及迭代后的所述第二初始网络模型设为所述二阶段网络模型。
[0032]第二方面，本申请提供一种探地雷达数据反演装置，包括：
[0033]输入模块，用于接收探地雷达数据；其中，所述探地雷达数据是对目标区域的浅地表进行无损探测的电磁波的波形数据；
[0034]第一反演模块，用于调用预置的一阶段网络模型对所述探地雷达数据进行反演运算，得到第一介电常数模型；其中，所述第一介电常数模型是决定所述电磁波在所述目标区域的地层结构中传播速度的因素；所述第一介电常数模型具有至少一个相对介电常数；所述相对介电常数是表征所述地层结构的介电性能的物理参数；
[0035]第二反演模块，用于调用预置的二阶段网络模型对所述探地雷达数据和所述第一介电常数模型进行反演运算，得到第二介电常数模型；其中，所述第二介电常数模型包括根据所述探地雷达数据，对所述第一介电常数模型中的相对介电常数进行修正后的物理参数。
[0036]第三方面，本申请提供一种计算机设备，包括：处理器以及与所述处理器通信连接的存储器；
[0037]所述存储器存本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种探地雷达数据反演方法，其特征在于，包括：接收探地雷达数据；其中，所述探地雷达数据是对目标区域的浅地表进行无损探测的电磁波的波形数据；调用预置的一阶段网络模型对所述探地雷达数据进行反演运算，得到第一介电常数模型；其中，所述第一介电常数模型是决定所述电磁波在所述目标区域的地层结构中传播速度的因素；所述第一介电常数模型具有至少一个相对介电常数；所述相对介电常数是表征所述地层结构的介电性能的物理参数；调用预置的二阶段网络模型对所述探地雷达数据和所述第一介电常数模型进行反演运算，得到第二介电常数模型；其中，所述第二介电常数模型包括根据所述探地雷达数据，对所述第一介电常数模型中的相对介电常数进行修正后的物理参数。2.根据权利要求1所述的探地雷达数据反演方法，其特征在于，所述调用预置的一阶段网络模型对所述探地雷达数据进行反演运算之前，所述方法还包括：获取第一训练样本；通过所述第一训练样本预置的第一初始网络模型进行训练得到所述一阶段网络模型。3.根据权利要求2所述的探地雷达数据反演方法，其特征在于，所述调用预置的二阶段网络模型对所述探地雷达数据和所述第一介电常数模型进行反演运算之前，所述方法还包括：获取第二训练样本；通过所述第二训练样本和所述一阶段网络模型，对预置的第二初始网络模型进行训练得到所述二阶段网络模型。4.根据权利要求3所述的探地雷达数据反演方法，其特征在于，所述获取第一训练样本之前，所述方法还包括：获取地层结构，在所述地层结构中嵌入不规则块体使所述地层结构转为训练介电常数模型，及根据所述训练介电常数模型进行正演模拟得到训练探地雷达数据；汇总一个所述训练介电常数模型及其所述训练探地雷达数据形成一个训练数据；汇总若干个所述训练数据得到训练集合。5.根据权利要求3所述的探地雷达数据反演方法，其特征在于，所述获取第一训练样本，包括：从所述训练集合中获取M个训练数据，并汇总所述M个训练数据得到所述第一训练样本；其中，M为正整数，M≥1；所述获取第二训练样本，包括：从所述训练集合中获取N个训练数据，并汇总所述N个训练数据得到所述第二训练样本；其中，N为正整数，N≥1。6.根据权利要求2所述的探地雷达数据反演方法，其特征在于，所述通过所述第一训练样本预置的第一初始网络模型进行训练得到所述一阶段网络模型，包括：将所述第一训练样本中训练数据的训练探地雷达数据，作为所述第一初始网络模型的第一输入信息，及运行所述第一初始网络模型对所述第一输入信息进行反演运算得到第一输出信息；将所述第一训练样本中训练数据的训练介电常数模型，作为所述第一初始网络模型的
第一参照信息，通过预置的第一损失函数根据所述第一输出信息和所述第一参照信息生成第一损失值；其中，所...

【专利技术属性】
技术研发人员：陆文凯，贾卓，
申请(专利权)人：清华大学，
类型：发明
国别省市：