[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

说明书

本公开提供了一种数据深度变化特征自适应的二维电阻率反演方法及系统，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；构造携带电阻率数据项垂向权重的反演损失函数，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，能够有效提高反演质量，尤其是深部区域的反演精度。

技术领域

本公开属于二维电阻率反演技术领域，涉及一种数据深度变化特征自适应的二维电阻率反演方法及系统。

背景技术

本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。

地表二维电阻率探测是一种常见的地球物理勘探方法。电阻率反演成像是通过观测得到的视电阻率数据反算地下介质电阻率分布的过程，是电阻率探测的核心问题。电阻率反演是一个典型的非线性问题，目前通用的成熟方法通过目标函数的高阶项省略将其转化为线性问题求解，存在易陷入局部最优，初始模型依赖性强，反演精度不足等问题。针对现有方法的问题，从电阻率反演的非线性本质出发，利用新兴的深度神经网络强大的复杂函数非线性拟合能力提高电阻率反演的成像质量成为解决电阻率反演难题的全新方案。

据发明人了解，目前深度学习反演方案尚未在电阻率反演领域发展推广，其核心难题在于针对自然图像处理的深度卷积网络具有权值共享属性和固定的卷积核幅值。而视电阻率数据与自然图像不同，其异常响应特征随深度位置变化而变化，即具有深度变化特征。视电阻率数据的深度变化特征直接导致：①异常特征难以有效捕捉和区别，网络输出模糊，进而难以实现准确反演成像；②深部区域异常特征不明显，深部异常体反演效果不佳。

发明内容

本公开为了解决上述问题，提出了一种数据深度变化特征自适应的二维电阻率反演方法及系统，本公开能够有效提高反演质量，尤其是深部区域的反演精度。

根据一些实施例，本公开采用如下技术方案：

一种数据深度变化特征自适应的二维电阻率反演方法，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；

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；

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。

上述技术方案中，通过携带数据项垂向权重的反演损失函数控制卷积神经网络，并利用典型地电模型数据集训练卷积神经网络，能够自适应视电阻率深度变化特征，同时根据数据特性调整不同深度位置的网络学习能力，通过深度特征自适应深度学习反演方法直接建立视电阻率数据与反演结果间的端对端映射关系。

作为可选择的实施方式，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。

作为可选择的实施方式，深度变化特征自适应卷积网络包括：

所述针对视电阻率深度变化特征的自适应卷积，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：