[发明专利]一种基于卷积神经网络的航空瞬变电磁数据反演方法

权利要求书

1.一种基于卷积神经网络的航空瞬变电磁数据反演方法，包括以下步骤：

A：生成合成数据集，包括：

A1：根据自然界电阻率取值范围和反演采用的纵向网格生成层状电阻率模型；

A2：随机生成收发装置高度；

A3：按照航空瞬变电磁的观测系统参数和采样模式进行层状电阻率模型的正演模拟，得到航空瞬变电磁响应数据；

合成数据集样本包含：含N_t个时间采样点的航空瞬变电磁响应数据d^L，收发装置高度h和层状电阻率模型的N_ρ层电阻率值m^L；生成的合成数据集分为训练集与测试集；

B：建立卷积神经网络：卷积神经网络包含输入层、卷积层、全连接层和输出层，输入数据为航空瞬变电磁响应观测数据，输出数据为网络预测的电阻率模型参数，输入层和输出层的维度分别根据时间采样点和模型参数确定，卷积层包含卷积、池化和激活运算；将卷积层运算后的特征数据展开成一维向量，与收发装置高度进行拼接，传入全连接层；经过全连接层运算后，网络输出预测的电阻率模型参数；

C：选取适当的训练集规模和训练周期：根据网络输出结果与合成电阻率模型的差距迭代调整网络中的参数，直到网络训练收敛；根据不同规模训练集的反演误差随训练周期增长的下降情况，确定训练集规模和训练周期，保证网络收敛效果和训练效率，得到完成训练的卷积神经网络；

D：测试网络反演效果：计算网络对测试集的反演结果与合成电阻率模型之间的误差以及其对应的航空瞬变电磁响应数据之间的误差，评估网络的反演效果和响应数据的拟合情况；

E：电阻率模型反演：将新采集的航空瞬变电磁响应数据输入至卷积神经网络中，得到网络输出即为网络反演的电阻率结果。

2.如权利要求1所述的基于卷积神经网络的航空瞬变电磁数据反演方法，其特征在于，步骤A中，采用纵向均匀网格对层状电阻率模型进行剖分；电阻率值分布于1-10000Ω·m内，随深度连续变化，取其对数值作为网络目标输出；收发装置高度在25-100m之间随机设定。

3.如权利要求2所述的基于卷积神经网络的航空瞬变电磁数据反演方法，其特征在于，步骤A中通过插值的方法使得层状电阻率模型的电阻率值随深度连续变化。

4.如权利要求1所述的基于卷积神经网络的航空瞬变电磁数据反演方法，其特征在于，步骤B中，卷积神经网络的结构设计如下：

对于时间采样点个数为N_t的输入数据，应用包含3个卷积层和3个全连接层的卷积神经网络结构，输出N_ρ层的输出数据；其中：

第一个卷积层的卷积核大小为1×15，卷积核个数为卷积步长为1；

第二个卷积层的卷积核大小为1×15，卷积核个数为卷积步长为1；

第三个卷积层的卷积核大小为1×5，卷积核个数为卷积步长为1；

卷积层均采用大小为1×2，步长为2的平均池化；

激活函数采用f(x)＝max(0,x)；

第一个卷积层运算输出数据维度为

第二个卷积层运算输出数据维度为

第三个卷积层运算输出数据维度为

其中表示向上取整；

三个卷积层运算完毕后，将第三个卷积层的输出数据拉伸成一维向量，长度为与收发装置高度进行拼接。

5.如权利要求1所述的基于卷积神经网络的航空瞬变电磁数据反演方法，其特征在于，步骤C中将含N_t个时间采样点的航空瞬变电磁响应数据输入至步骤B建立的卷积神经网络中，经输出层输出向量v^O，v^O与层状电阻率模型的N_ρ层电阻率值反演结果m^O的关系为：v^O＝lg(m^O)；迭代调整网络参数降低目标函数，使得v^O接近lg(m^L)，进而完成网络训练。