System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于磁异常数据反演磁源深度,适用于磁异常数据的处理与解释领域,具体来说是一种基于深度学习的分形分布磁异常数据反演磁源深度方法。
技术介绍
1、磁法勘探是常用的地球物理勘探方法之一,对测量得到的磁异常数据进行处理与解释,就可以还原地下地质体的分布特性。其中,利用磁异常数据能够实现对地下磁层深度信息的反演,目前常用的处理手段是根据磁异常的功率谱对磁源底部深度信息进行求解,但反演方法的选择会影响结果的精度。
2、bouligand等人在journal of geophysical research[2009,114,b11104]上发表的论文“mapping curie temperature depth in the western united states with afractal model for crustal magnetization”根据径向平均功率谱的理论公式,利用曲线拟合直接从径向平均功率谱密度函数估计底部深度,并应用在美国西部地区实测磁异常数据中,但对于功率谱解析式中三个参数同时变化的情况,该方法误差非常大。
3、kumar等人在journal of geophysical research:solid earth[2020,125(3)]上发表的论文“estimation of depth to bottom of magnetic sources using spectralmethods:application on iran's aeromagnetic data”利
4、中国专利cn113064211b公开了一种“基于海洋磁力异常小波变换的居里面深度计算方法”,居里深度可视为磁层底部深度,对磁异常数据进行小波变换;再通过功率谱的计算顶深和平均中心深度,进而估算居里面的深度。利用磁力异常小波4阶变换,实现压制浅部异常,突出深部异常功能,在一定程度上提高了计算的准确性。
5、上述方法在求解时需要对数据进行频域转换,傅里叶变换或小波变换的窗口大小都会对结果带来很大影响,同时直线拟合的区间选取不当也会给结果造成误差,使深度估计结果的不准确。
技术实现思路
1、本专利技术所要解决的技术问题在于提供一种基于深度学习的分形分布磁异常数据反演磁源深度方法,解决人为进行窗口大小和波数的选择造成的精确度问题。
2、本专利技术是这样实现的,
3、一种基于深度学习的分形分布磁异常数据反演磁源深度方法,该方法包括:
4、a、通过仿真生成磁化强度为分形分布的磁异常数据;
5、b、设计基于特征解耦的深度学习网络模型结构和参数,初始化深度学习网络模型参数;
6、c、将磁异常数据输入深度学习网络模型,计算功率谱,垂直磁化条件下层状地质体径向功率谱计算公式为:
7、为径向波数,c为常数,δz为磁层厚度,β为分形指数,zt为磁层顶部深度,磁源底部深度zb=zt+δz;并采用adam优化算法使损失函数最小化,完成深度学习网络模型训练,利用训练数据集进行网络性能测试;
8、
9、d、对实测的磁异常数据进行数据预处理,并将处理好的数据送入深度学习网络模型,完成磁层底部深度的反演。
10、进一步地,所述步骤a具体包括:
11、a1、生成一组三维白噪声数组,使其磁化强度满足正态分布;
12、a2、将三维白噪声数组通过傅里叶变换转换到频域,此时其功率谱密度为常数;
13、a3、傅里叶变换后的功率谱值乘以磁化强度的功率谱;
14、a4、进行傅里叶逆变换转换回空间磁化强度数组,磁化强度满足分形分布。
15、进一步地,所述步骤c还包括:
16、c1、在功率谱中加入位置编码,将功率谱序列数据分别输向zt、zb和β编码器进行特征解耦,同时在旁支添加解码器做辅助任务,用以监督特征解耦的准确性;编码器选用lstm神经网络,设置网络隐藏层数为l层,隐藏单元数量为m,输入特征维度为n;
17、c2、经过编码器提取得到zt、zb和β特征解耦后的三个特征向量,在三个特征向量之间加入自注意力机制,经过计算得到输出的预测值
18、每一个预测结果与实测值都会有一个差值et,将所得误差求和,运用adam优化算法不断更新权重直至总误差满足精度要求,adam算法参数更新公式为:
19、
20、其中,mt=η(β1mt-1+(1-β1)gt)为一阶动量,vt=β2vt-1+(1-β2)diag(gt2)为二阶动量,β1、β2为权重衰减系数,ε为平滑项,防止分母为0;
21、c3、再将输出数据经过池化层和回归层回归出磁源底部深度信息。
22、进一步地,步骤d具体包括:
23、d1、对于实测磁异常数据,将数据投影到墨卡托坐标系;
24、d2、投影后的数据做插值和扩边,填补缺失的部分数据点,得到处理后的实测磁异常数据;
25、d3、将实测磁异常数据送入深度学习网络模型进行计算,得到磁源底部深度计算结果。
26、本专利技术与现有技术相比,有益效果在于:
27、本专利技术首先对于二维分形分布磁异常,通过本专利技术的深度学习网络模型对功率谱数据进行处理,模型的输入为磁异常数据,通过计算提取功率谱,在功率谱中加入位置编码,编码器选用lstm神经网络,将功率谱序列数据分别输向zt、zb和β编码器进行特征解耦,在旁支加入解码器用以监督特征解耦的准确性,在解耦的特征之间加入自注意力机制,再进行特征融合,最后回归出磁源底部深度信息。
28、本专利技术针对功率谱信号的特征,选用适合处理长序列数据的神经网络模型,构建磁异常数据与磁源底部深度之间的复杂映射关系,从磁异常数据的功率谱中得到有效信息,是西安磁源底部深度的反演。与传统方法相比,无需讨论傅里叶变换或小波变换的窗口大小对结果带来的影响,同时避免直线拟合的区间选取不当造成的误差,使功率谱的有效信息得到充分的利用,提高计算结果精度。
本文档来自技高网...【技术保护点】
1.一种基于深度学习的分形分布磁异常数据反演磁源深度方法,其特征在于,该方法包括:
2.按照权利要求1所述的基于深度学习的分形分布磁异常数据反演磁源深度方法,其特征在于,
3.按照权利要求1所述的基于深度学习的分形分布磁异常数据反演磁源深度方法,其特征在于,
4.按照权利要求1所述的基于深度学习的分形分布磁异常数据反演磁源深度方法,其特征在于,
【技术特征摘要】
1.一种基于深度学习的分形分布磁异常数据反演磁源深度方法,其特征在于,该方法包括:
2.按照权利要求1所述的基于深度学习的分形分布磁异常数据反演磁源深度方法,其特征在于,
<...
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。