[发明专利]数据深度变化特征自适应的二维电阻率反演方法及系统

权利要求书

1.一种数据深度变化特征自适应的二维电阻率反演方法，其特征是：包括以下步骤：

构建不同地电模型的视电阻率-电阻率模型数据对的数据集；

构造不同层位深度的卷积核振幅和偏移量根据电阻率深度变化特征自适应可变的自适应卷积网络，电阻率深度变化特征自适应可变的自适应卷积网络包括：

所述自适应卷积，通过网络训练学习不同深度位置的卷积核振幅和偏移量，则具有与深度变化特征匹配灵活度的深度变化特征的自适应卷积核为：

其中，α(h)_k，β(h)_k，A(h)_k为所需学习的深度变化特征适应参量，α(h)_k和β(h)_k是网络节点k的水平和垂直位置，A(h)_k是卷积核w_c，k的振幅值，b为偏移量；

构造携带数据项垂向权重的电阻率深度学习反演损失函数，所述数据项垂向权重dw形式为：

其中m_i，j是电阻率模型位置(i,j)的预测值，λ是与电极装置尺寸和电流电极位置相关的常数，参数β取决于数据类型和问题的维数；

携带数据项垂向权重的电阻率深度学习反演损失函数为：

其中，反演电阻率值为电阻率模型值为m_i,j；

利用所述数据集，对所述反演损失函数控制的自适应卷积网络进行训练，建立视电阻率数据与电阻率模型间的映射关系；

将观测视电阻率数据输入训练后的自适应卷积网络，通过建立的映射关系输出电阻率成像结果，实现地表二维电阻率深度学习反演。

2.如权利要求1所述的一种数据深度变化特征自适应的二维电阻率反演方法，其特征是：所述地电模型为单个或多个不同形态高阻/低阻异常体组合。

3.如权利要求1所述的一种数据深度变化特征自适应的二维电阻率反演方法，其特征是：对于大小为k的卷积核和垂直长度为h的输入，赋值附加参数总量3×k×h。

4.如权利要求1所述的一种数据深度变化特征自适应的二维电阻率反演方法，其特征是：携带数据项垂向权重的电阻率深度学习反演损失函数包括：

在深度学习反演损失函数中施加数据项垂向权重对视电阻率数据深度变化特征进行针对性的训练标准调配。

5.一种数据深度变化特征自适应的二维电阻率反演系统，其特征是：包括：

数据集构建模块，被配置为构建不同地电模型的视电阻率-电阻率模型数据对的数据集；

网络模型构建模块，被配置为构造不同层位深度的卷积核振幅和偏移量根据电阻率深度变化特征自适应可变的自适应卷积网络，电阻率深度变化特征自适应可变的自适应卷积网络包括：

所述自适应卷积，通过网络训练学习不同深度位置的卷积核振幅和偏移量，则具有与深度变化特征匹配灵活度的深度变化特征的自适应卷积核为：

其中，α(h)_k，β(h)_k，A(h)_k为所需学习的深度变化特征适应参量，α(h)_k和β(h)_k是网络节点k的水平和垂直位置，A(h)_k是卷积核w_c，k的振幅值，b为偏移量；

反演损失函数构建模块，被配置构造携带数据项垂向权重的电阻率深度学习反演损失函数，所述数据项垂向权重dw形式为：

其中m_i，j是电阻率模型位置(i,j)的预测值，λ是与电极装置尺寸和电流电极位置相关的常数，参数β取决于数据类型和问题的维数；

携带数据项垂向权重的电阻率深度学习反演损失函数为：

其中，反演电阻率值为电阻率模型值为m_i,j；

训练模块，被配置为利用所述数据集，对所述反演损失函数控制的自适应卷积网络进行训练，建立视电阻率数据与电阻率模型间的映射关系；

反演模块，被配置为将观测视电阻率数据输入训练后的自适应卷积网络，通过建立的映射关系输出电阻率成像结果，实现地表二维电阻率深度学习反演。