[发明专利]基于深度学习的大地电磁数据静位移校正方法及装置

说明书

本申请提出一种基于深度学习的大地电磁数据静位移校正方法和装置，其中，方法包括：获取先验信息，根据先验信息构建训练集，获取训练集，根据训练集设计深度神经网络，构建训练深度神经网络的目标函数，通过优化算法最小化训练目标函数，得到训练后的深度神经网络，获取地表观测数据，将地表观测数据输入训练后的深度神经网络，得到静位移校正后的大地电磁数据。本发明能够综合利用各类先验知识，自动化数据处理流程，提升静位移校正的准确度和精度。

技术领域

本发明涉及地球物理勘探数据处理技术领域，特别涉及一种基于深度学习的大地电磁数据静位移校正方法及装置。

背景技术

大地电磁法(MT)是一种地球物理电磁探测方法。它通过测量天然场源激发出的电场和磁场推断地下结构的电导率，广泛应用于油气勘探、矿产勘探、地壳和上地幔结构研究等领域。

MT实测数据的静态偏移效应是一种常见的畸变效应，其成因如下：受外部电磁场源影响，浅层导电异质体的边界会积累电荷，进而在空间中激发出感应电场，对地表接收机采集到的数据造成干扰。该干扰反映到MT数据中，表现为在视电阻率与频率的双对数坐标系中，视电阻率曲线相对于无干扰信号的视电阻率曲线发生固定数值的偏移，但曲线形态不发生变化。这种视电阻率的整体偏移会导致错误的反演成像结果，进而影响地球物理勘探的精度。因此，在对MT数据反演与解释前，首先要纠正静态偏移效应的影响，该过程称为静位移校正。

MT的静位移校正需综合考虑地球物理与地质先验知识、地表形态、测点间距等影响因素，同时要结合数据处理人员的经验。目前常见的静位移校正方法包括首枝重合法、小波变换法、电磁阵列剖面法、联合反演法等，对消除MT的静位移效应都有一定的效果。但是，这些方法对上述多种影响因素的综合利用能力较弱，数据处理的自动化程度较低，制约了MT数据处理的准确度与速度。

发明内容

本发明旨在至少在一定程度上解决相关技术中的技术问题之一。

为此，本发明的第一个目的在于提出一种基于深度学习的大地电磁数据静位移校正方法，通过先验信息构建训练集，训练深度神经网络完成受干扰数据到无干扰数据的映射，实现大地电磁数据的静位移校正。

本发明的第二个目的在于提出一种基于深度学习的大地电磁数据静位移校正装置。

为达上述目的，本发明第一方面实施例提出了一种基于深度学习的大地电磁数据静位移校正方法，包括：

获取先验信息，根据所述先验信息构建训练集；

获取所述训练集，根据所述训练集设计深度神经网络；

构建训练所述深度神经网络的目标函数，通过优化算法最小化训练所述目标函数，得到训练后的深度神经网络；

获取地表观测数据，将所述地表观测数据输入所述训练后的深度神经网络，得到静位移校正后的大地电磁数据。

另外，根据本发明上述实施例的基于深度学习的大地电磁数据静位移校正方法还可以具有以下附加的技术特征：

进一步地，在本发明的一个实施例中，所述训练集包括输入数据和标签数据。

进一步地，在本发明的一个实施例中，仿真产生的大地电磁数据作为所述标签数据，所述标签数据由下面公式计算：

d＝F(ρ|θ)

其中，ρ为地下电阻率，θ为外部因素设置，F为正向建模函数，d为仿真产生的大地电磁数据。

进一步地，在本发明的一个实施例中，对所述标签数据分别在沿横轴与空间内施加一维与二维高斯噪声，构建受静位移干扰的数据，将所述受静位移干扰的数据作为所述输入数据。

进一步地，在本发明的一个实施例中，所述深度神经网络的目标函数，由下面公式计算：