【技术实现步骤摘要】
基于多尺度无监督深度学习的溶洞反演与成像方法及系统
[0001]本专利技术属于地球物理探测
，涉及一种基于多尺度无监督深度学习的溶洞反演与成像方法及系统。
技术介绍
[0002]本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术。
[0003]近年来，一大批交通、水利水电等基础设施投入建设，然而，施工期常遭遇地下含水溶洞等不良地质体，如未能探明，将导致突涌水等灾害发生，造成经济损失和人员伤亡。跨孔电阻率CT探测因其对含水构造等低阻地质体敏感度高的优势，被广泛应用于地下含水溶洞的探测。
[0004]对含水溶洞反演和成像的效果主要依赖于反演方法，基于无监督的深度学习反演方法不借助实际电阻率模型，直接利用模拟数据拟合观测数据，可以更好应用在实际探测中。但是跨孔电阻率CT探测中利用无监督深度学习反演与成像溶洞还存在以下问题：
[0005](1)由于电场体积效应明显，在缺乏先验信息的情况下，电阻率反演成像结果与实际模型相差较大，特别对边界刻画效果不佳。
[0006](2)钻...
【技术保护点】
【技术特征摘要】
1.一种基于多尺度无监督深度学习的溶洞反演与成像方法，其特征是，包括以下步骤：构造多个低阻地电模型，进行正演模拟得到观测数据；构建深度学习网络，构造含多尺度与光滑约束的损失函数，计算模型梯度，使用学习率加权约束方法提高低敏感区的模型训练能力，更新深度学习网络参数，对深度学习网络进行训练，以确定观测数据与地电模型的映射关系；利用训练后的深度学习网络对采集的观测数据进行处理，得到对应的地电模型图，实现反演。2.如权利要求1所述的一种基于多尺度无监督深度学习的溶洞反演与成像方法，其特征是，构造多个低阻地电模型，进行正演模拟得到观测数据的具体过程包括：根据溶洞的实际发育形态，建立对应的形状、尺寸及空间分布的低阻地电模型；对于每一低阻地电模型，进行跨孔电阻率CT正演数值模拟，得到观测数据。3.如权利要求1所述的一种基于多尺度无监督深度学习的溶洞反演与成像方法，其特征是，构造含多尺度与光滑约束的损失函数，计算模型梯度的具体步骤包括：观测数据通过神经网络生成预测模型，经过正演网络后得到了预测数据，与观测数据共同计算数据残差，分别计算基于多尺度与光滑约束的模型梯度，并进行线性组合。4.如权利要求1所述的一种基于多尺度无监督深度学习的溶洞反演与成像方法，其特征是，使用学习率加权约束方法提高低敏感区的模型训练能力的具体过程包括：建立学习率加权函数，在二维跨孔电阻率CT中，考虑到敏感度以二次函数形式向中间衰减，将所述学习率加权函数按照电阻率模型网格的空间位置分为两段。5.如权利要求1所述的一种基于多尺度无监督深度学习的溶洞反演与成像方法，其特征是，更新深度学习网络参数的具体步骤包括：利用学习率加权约束方法，计算经学习率加权后的模型梯度，得到兼顾稳定收敛和边界刻画的梯度进行网络训练，以更新神经网络的参数。6.如权利要求1所述的一种基于多尺度无监督深度学习的溶洞反演与成像方法，其特征是，光滑约束损失函数...
【专利技术属性】
技术研发人员：刘征宇，蔡玉梅，庞永昊，张永恒，刘嘉雯，蒋鹏，
申请(专利权)人：山东大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。