[发明专利]基于卷积神经网络的三维磁张量梯度反演方法及装置

权利要求书

1.一种基于卷积神经网络的三维磁张量梯度反演方法，其特征在于，包括以下步骤：

S1：在均匀半空间研究区域内构建不同的三维磁性异常体，作为正演合成模型；

S2：设定正演合成模型各参数的变化范围；

S3：获取正演合成模型各独立磁梯度张量分量，包括：Bxx、Bxy、Bxz、Byx、Byy、Byz、Bzx、Bzy、Bzz的二维图像；

S4：按照参数类别进行分类，对正演合成模型的每个参数类别和磁梯度张量分量都利用样本生成算法生成对应参数类别的独立分量二维图像样本；

S5：对生成的各参数类别的独立分量二维图像样本，每种类别按照一定比例，划分为训练集、验证集和测试集，并导入CNN网络中进行训练；

S6：训练完成后，保存各分量参数类别训练后的CNN网络模型，并用于后期参数预测；

S7：将实测磁梯度张量二维图像，按照分量类别，调用对应分量已训练完成的CNN模型，进行参数预测；

S8：综合所有参数的预测结果，并直接输出三维反演模型即为反演结果；

S9：通过每项参数的预测结果对三维反演模型进行修正，当所有参数修正完成后，输出最终反演结果；

S10：将最终反演结果与真实模型对比，并统计各独立分量的Misfit误差和MSE误差。

2.如权利要求1所述的基于卷积神经网络的三维磁张量梯度反演方法，其特征在于，步骤S1、S2中，所述正演合成模型为在均匀半空间研究区域内构建不同尺度类型的三维磁性异常体，先设定几何参数预测范围，再设定磁性参数预测范围；几何参数和磁性参数都为不同类别的标签信息。

3.如权利要求1所述的基于卷积神经网络的三维磁张量梯度反演方法，其特征在于，步骤S4中，所述样本生成算法，先确定参数P_i的标签类别，再设定标签的预测范围：Tag_P_i∈[x_min,x_max]，以及标签的步进值Tag_P_i_Step，最后得到标签矩阵Tag_P_i：

Tag_P_i＝[x_min,x_min+Tag_P_i_Step,x_min+2*Tag_P_i_Step,...,x_max]

根据样本生成算法，当选定标签类别后，其它类别的参数P_j将作为循环变量，由下式获取：

P_j＝a+(b-a)×rand(N,1)i∈[1,m-1]

其中，m为参数种类，无量纲；rand(N,1)为(0～1)之间的N行1列随机矩阵，N为此类参数所要生成随机数的值；a为此类参数的最小值，b为最大值；

将各非标签参数随机矩阵组合，得综合参数矩阵P：

P＝[P₁,P₂,…,P_m-1]

将综合参数矩阵P，代入张量梯度正演程序，迭代生成所需的数据样本量：

4.如权利要求1所述的基于卷积神经网络的三维磁张量梯度反演方法，其特征在于，步骤S5中，所述CNN网络为经过调整优化后的网络结构，并增加多层剪切层；所述CNN网络采用反向传播算法进行模型训练，在反向传播框架中使用随机梯度下降法进行优化；

所述CNN网络的基本结构包括：数据输入层、卷积层、激励层、池化层和全连接层和输出层；

所述CNN网络的网络架构包括：LeNet、AlexNet、ZF Net、GoogLeNet、VGGNet和RestNet中的至少一种。

5.如权利要求1所述的基于卷积神经网络的三维磁张量梯度反演方法，其特征在于，步骤S7中，所述进行参数预测，包括：预测参数的类型，将实测的二维磁梯度张量图像输入至CNN网络，由网络产生卷积特征图并从特征图中识别候选区域，将候选区域变为方形；通过卷积层将区域大小reshape为固定的方形大小并输入全连接层，利用softmax进行区域分类，并输出最大概率标签号以及各标签的概率值。