[发明专利]电阻率成像的反演方法、装置及存储介质

权利要求书

1.一种电阻率成像的反演方法，其特征在于，包括：

获取训练数据集，所述训练数据集为根据地下的多个预设电阻率异构体的预设电阻率和预设位置数据，经过电阻率测量正演所得；所述训练数据集包括正演视电阻率和正演位置数据；

将所述训练数据集输入至预设卷积神经网络进行训练，所述预设卷积神经网络的输入为正演视电阻率和正演位置数据，所述预设卷积神经网络的输出为地下电阻率模型图像；

根据训练后的预设卷积神经网络进行反演，得到反演结果；

所述预设卷积神经网络为融合注意力机制的多分枝残差U-net结构的卷积神经网络，包括第一层、第二层、第三层和第四层；

所述第一层包括第一残差模块I、第二残差模块I和第三残差模块I组成，所述第一残差模块I接收正演位置数据，所述第二残差模块I接收正演视电阻率；

所述第二层包括第一残差模块II、第二残差模块II和第一残差模块III，所述第一残差模块II接收所述第一残差模块I的输出，所述第二残差模块II的输入数据为所述第一残差模块I的输出数据和所述第二残差模块I的输出数据的合并结果；

所述第三层包括第三残差模块II、第四残差模块II和第二残差模块III，所述第三残差模块II接收所述第一残差模块II的输出，所述第四残差模块II的输入数据为所述第一残差模块II的输出数据和所述第二残差模块II的输出数据的合并结果；

所述第四层包括第五残差模块II、第六残差模块II和第三残差模块III，所述第五残差模块II接收所述第三残差模块II的输出，所述第六残差模块II的输入数据为所述第三残差模块II的输出数据和所述第四残差模块II的输出数据的合并结果；

所述第五残差模块II的输出数据与所述第六残差模块II的输出数据进行合并后，通过注意力门进行运算后，输入至所述第三残差模块III；

所述第三残差模块II的输出数据与所述第四残差模块II的输出数据进行合并后，通过注意力门进行运算后，与所述第三残差模块III的输出数据进行乘积运算，将运算结果输入值所述第二残差模块III；

所述第一残差模块II的输出数据与所述第二残差模块II的输出数据进行合并后，通过注意力门进行运算后，与所述第二残差模块III的输出数据进行乘积运算，将运算结果输入值所述第一残差模块III；

所述第一残差模块I的输出数据与所述第二残差模块I的输出数据进行合并后，通过注意力门进行运算后，与所述第一残差模块III的输出数据进行乘积运算，将运算结果输入值所述第三残差模块I；所述第三残差模块I输出地下电阻率模型图像。

2.根据权利要求1所述的方法，其特征在于，所述获取训练数据集，包括：

构建地下的多个预设电阻率异构体的预设电阻率和预设位置数据，所述多个预设电阻率异构体包括多种类型的电阻率异构体；

根据多个预设电阻率异构体的预设电阻率和预设位置数据进行电阻率测量正演，得到所述多个预设电阻率异构体的正演视电阻率和正演位置数据；

将所述多个预设电阻率异构体的正演视电阻率和正演位置数据按照预设比例，划分为训练数据集、验证数据集和测试数据集。

3.根据权利要求2所述的方法，其特征在于，在将所述训练数据集输入至预设卷积神经网络进行训练之后，还包括：

根据所述验证数据集对所述预设卷积神经网络进行验证；

根据验证结果优化所述预设卷积神经网络。

4.根据权利要求3所述的方法，其特征在于，所述根据训练后的预设卷积神经网络进行反演，得到反演结果，包括：

将所述测试数据集输入至验证优化后的所述预设卷积神经网络进行反演；

根据验证优化后的所述预设卷积神经网络输出的地下电阻率模型图像和所述测试数据集确定反演结果。

5.根据权利要求1所述的方法，其特征在于，从所述第一层至所述第四层，残差模块的卷积核数量每层成倍增加。

6.根据权利要求1所述的方法，其特征在于，所述通过注意力门进行运算，包括：

根据预设激活函数、高层次山下文信息提供的门信号和所述注意力门的输入数据生成所述注意力门的输出。