【技术实现步骤摘要】
本专利技术属于地球物理勘探，尤其是涉及一种基于视觉自注意力机制的大地电磁二维成像方法。
技术介绍
1、大地电磁测深方法是一种以自然产生的、在频域上具有广谱性的电磁场来探测深层地质结构的方法。它不需要人为给定电源，只依赖于大地电磁场，因此该方法优点是成本较低，工序相对方便；由于该方法不依赖于高阻介质，对低阻介质具有较高的分辨能力，探测深度和范围可随着电磁场的变化而变化，其探测范围可从几十米到数百千米不等，是当前最为常用的一种地球物理探深方法。
2、常规的大地电磁法基于地面实测数据（包括视电阻率、阻抗相位、倾角等）进行相关的数学运算，从而得到与真实环境相符的地电模型。然而，在选取不同的极化模式数据、反演方法或初始参数后，其反演结果往往会有一些差别，即具有多解性。同时，常规算法在求解过程中需要解决一个大规模的非线性逆问题，求解过程复杂且耗时，因此存在计算效率不高的问题。常规的反演方法可分为两种，即直接反演和间接反演(梁宏达，2012)。直接反演法如：bostick反演法和蒙特卡罗法，此类算法容易受到数据误差的影响，且精度或计算效率不高。例如，bostick反演法的计算精度不高，难以直接应用于工程实践；蒙特卡罗法的计算量较大，需要进行大量的随机抽样，特别是在高维度的反演问题中，需要进行更多的随机抽样，计算时间也会更长。常见的间接反演法如：occam反演法、快速松弛反演法、非线性共轭梯度反演法等。该类方法对初始模型的依赖性较强，计算效率虽然相对于蒙特卡罗法已有了很大的提高，但是随着测点数和初始模型的网格密度的增加，该方法的求解
3、随着人工智能浪潮的兴起，众多学者开始运用人工智能的方法对交叉学科问题进行求解与优化，并获得了较好的结果。在地球物理领域，研究人员把深度学习技术应用到大地电磁正演和反演、地震数据的自动处理与解释、航空电磁数据的解释，并在信号去噪、测井数据的岩性识别、砂岩储层的孔隙中的流体识别等方面取得了突破。
4、具体的传统方式包括以下两种：
5、1）传统成像方法，传统大地电磁成像一般基于反演方法实现。大地电磁反演是通过在地面上测量的视电阻率和相位，反推出一个既能满足观测资料，又能与真实状况相符的地电模型。在实际应用中，大地电磁反演就是寻找总体目标函数的最小值。
6、；
7、如上式所示，总目标函数由数据函数和约束函数两部分组成，两者相加得到一个加权因子，为和的权重因子，又称拉格朗日因子。当目标函数被确定之后，反演问题就变成了求取目标函数最小值的问题。根据反演计算方法的不同，可将反演方法分为两类：直接反演法和间接反演法。直接反演是直接从观测数据出发，通过某种近似方法，确定场值和模型间的关系，进而获得所需要的反演结果。bostick直接反演方法是当前最常用的反演方法之一，它不需要初始模型或反复迭代，可以直接从观测数据中推断出地下介质的电性参数。该方法的基本原理是：在特定的频率下，地下介质的电阻率只与该频率趋肤深度内的介质电性有关，而在更深的区域内，介质电性不受影响。因此，通过低频渐近线的交点可以反映一定深度的地下平均电阻率。由于该方法不需要预先定义模型或依赖于超参数，所以反演结果具有唯一性。间接反演法需要用户提供初始化模型，并根据观测资料计算反演模型中的参数变量。通过反复的迭代，使拟合误差满足要求，得到最佳的反演结果，该方法是建立在最优化理论基础上的一种反演方法。occam反演方法是一种非线性最小二乘反演方法，其主要目的是在保证模型光滑的前提下，尽可能地拟合原始观测数据。occam反演方法因其不受研究者经验的限制就能得到一个反映地层基本信息的光滑模型，因此被广泛使用。非线性共轭梯度法(nonlinear conjugate gradient method，nlcg)也是基于最优化思想的反演算法。该方法避免了直接求解雅可比矩阵，而是在每一次迭代中分别求一次正演和一次伴随正演。由于该方法稳定性和收敛性较好，已成为大地电磁测深数据处理的主要方法之一。
8、2）基于深度学习技术的大地电磁成像方法，随着深度学习技术的快速发展，越来越多的地球物理学者开始逐步探索将深度学习技术应用于解决地球物理学问题，包括将其应用于大地电磁成像领域。基于深度学习的大地电磁成像方法可分为两类，一类是通过神经网络模型替换传统反演方法中的部分最优化过程，如邓飞等人(2022)使用面向大地电磁正演的conv-bilstm正演网络和d-linknet正演网络模型替换occam反演算法中的正演响应计算过程，实现反演算法的加速，在调用正演响应计算的速度上较于传统反演方法的相同过程快约15倍。此类方法在传统反演方法的框架内对部分计算过程的替代和优化，其计算仍在传统反演方法框架约束内进行，因此其计算原理和计算结果会更贴近传统方法。另一类方法是通过构建反演样本集和神经网络模型实现端到端的反演：王鹤等人(2015)将已知地电模型的视电阻率数组作为神经网络输入，地电模型参数作为网络输出，采用bp算法(back propagation algorithm)进行学习训练，初步验证了基于神经网络的大地电磁成像方法的可行性和有效性；柳庆瑜(2020)将基于k近邻电磁反演方法与基于卷积神经网络的反演算法进行效果对比，结果表明：基于卷积神经网络的电磁反演算法的泛化性更强，更适合处理复杂反演问题。范振宇(2020)使用残差网络模块、多尺度池化模块，以及特征融合模块、分割分类模块相组合，设计出大地电磁反演的深度学习卷积神经网络模型结构，并采用改进的分类问题损失函数，实验证明，深度学习反演效果可以很好地恢复异常体电阻率和几何形态，且受静态效应影响较小。刘高村(2022)将基于自注意力机制的transformer模型首次用于大地电磁反演，将大地电磁二维响应数据转换为一维输入至经典transformer网络中，验证了基于自注意力机制的大地电磁成像方法的有效性。基于深度学习的端到端成像方法不再受传统反演方法的制约，因此具有更快的计算速度和更佳的性能，尤其是在有监督训练样本集精度较高、训练样本集充足的情况下，其准确率和泛化性表现较好。
9、传统大地电磁二维成像方法的主要缺点：
10、大地电磁反演方法需要通过较复杂的计算，对于单幅大地电磁二维成像，取决于测点和频点的疏密程度，需要数分钟甚至数十分钟方能完成，计算耗时较长；间接反演方法可以部分提升反演计算的效率，但间接反演方法需要用户提供初始化模型，初始模型设置的优劣程度将直接影响到反演结果。
11、现有基于深度学习成像方法的主要缺点：
12、通过神经网络模型替换传统反演方法中的部分最优化过程的深度学习成像方法，其计算效率和准确性的提升空间受到传统反演方法的约束，可提升空间不高，且易受传统反演方法误差影响；端到端的深度学习成像方法完全依赖于对样本集的学习，因而对网络的泛化性能，样本集的数量、准确性和分布均衡均提出了更高的要求。但是，大地电磁成像有监督样本获取困难，因此目前基于深度学习实现的大地电磁二维成像方法多采用正演模拟的方式生成训练样本本文档来自技高网...
【技术保护点】
1.一种基于视觉自注意力机制的大地电磁二维成像方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于视觉自注意力机制的大地电磁二维成像方法，其特征在于，S1中通过正演模拟的方式生成大地电磁二维成像训练样本的具体方法是：
3.根据权利要求1所述的一种基于视觉自注意力机制的大地电磁二维成像方法，其特征在于，S1中通过开源数据构建预训练样本方式为：将某一测点和该测点沿某一方向的所有测点连接起来形成测线，将测线上每个测点的频点响应按相应位置排布后生成该测线的视电阻率响应图，以此作为一条预训练样本。
【技术特征摘要】
1.一种基于视觉自注意力机制的大地电磁二维成像方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于视觉自注意力机制的大地电磁二维成像方法，其特征在于，s1中通过正演模拟的方式生成大地电磁二维成像训练样本的具体方法是：
3.根据权...
【专利技术属性】
技术研发人员：罗耀华，王绪本，唐昊宇，罗钏江，王向鹏，李家臣，
申请(专利权)人：成都理工大学，
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。