基于目标数据集驱动的瞬变电磁反演模型构建方法技术

本发明专利技术涉及基于目标数据集驱动的瞬变电磁反演模型构建方法，包括：构建初始训练集，利用初始训练集对第一卷积神经网络进行训练，获取初始瞬变电磁反演网络模型；将待测电磁响应数据输入初始瞬变电磁反演模型进行预测，获取电阻率值；对电阻率值进行正演模拟，获取正演模拟的电磁响应数据，并基于正演模拟的电磁响应数据和电阻率值，构建预测数据；提取初始训练集中与待测电磁响应数据的相似数据，基于相似数据和预测数据构建目标数据集；将初始瞬变电磁反演模型中的参数迁移至第二卷积神经网络对目标数据集对进行迭代学习，获取瞬变电磁反演模型。本发明专利技术旨在通过迭代训练策略，在对待测数据进行深度学习反演时，提高网络对待测数据反演的精度。

【技术实现步骤摘要】

本专利技术涉及瞬变电磁反演，特别是涉及基于目标数据集驱动的瞬变电磁反演模型构建方法。

技术介绍

1、目前，瞬变电磁反演主要分为两种：线性反演和非线性反演。线性反演方法，如occam反演和马夸特反演，对初始模型的依赖程度较大，反演结果的质量很大程度上取决于能否找到合适的初始模型；非线性反演方法，如模拟退火算法、粒子群算法和贝叶斯反演，由于地球物理模型的复杂性，通常需要巨大的计算量。随着硬件计算能力水平的提高，基于深度学习的电磁反演已成为研究热点。vladimir puzyrev(2019)首次探索了深度学习方法在电磁反演中的潜力。随后近些年，基于深度学习的方法在csem反演、mt反演、aem反演等领域也展开了大量研究。

2、然而，上述基于深度学习的反演方法是完全数据驱动的，其性能很大程度上取决于训练样本集的丰富程度。在处理与训练样本集分布不同的数据时，效果往往不尽如人意。对此，许多学者进行了改进，通过将物理约束添加到深度学习网络的损失函数中，以控制网络的训练过程。例如，jin et al.(2019)在卷积神经网络预测的随钻测井(lwd)电磁响应本文档来自技高网...

【技术保护点】

1.基于目标数据集驱动的瞬变电磁反演模型构建方法，其特征在于，包括：

2.根据权利要求1所述的基于目标数据集驱动的瞬变电磁反演模型构建方法，其特征在于，获取所述初始训练集包括：

3.根据权利要求2所述的基于目标数据集驱动的瞬变电磁反演模型构建方法，其特征在于，对所述控制点进行插值包括：采用B样条插值方法进行插值。

4.根据权利要求2所述的基于目标数据集驱动的瞬变电磁反演模型构建方法，其特征在于，卷积神经网络包括：输入层、输出层、卷积层和全连接层，其中，所述输入层用于输入所述电磁响应，所述输出层用于输出所述电阻率值，所述卷积层提取的数据特征输入到全连接层...

【技术特征摘要】

1.基于目标数据集驱动的瞬变电磁反演模型构建方法，其特征在于，包括：

2.根据权利要求1所述的基于目标数据集驱动的瞬变电磁反演模型构建方法，其特征在于，获取所述初始训练集包括：

3.根据权利要求2所述的基于目标数据集驱动的瞬变电磁反演模型构建方法，其特征在于，对所述控制点进行插值包括：采用b样条插值方法进行插值。

4.根据权利要求2所述的基于目标数据集驱动的瞬变电磁反演模型构建方法，其特征在于，卷积神经网络包括：输入层、输出层、卷积层和全连接层，其中，...

【专利技术属性】
技术研发人员：李子腾，李海，李柯颖，
申请(专利权)人：中国科学院地质与地球物理研究所，
类型：发明
国别省市：