[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

说明书

高精度矢量磁场探测目前广泛应用于天体磁场探测、航磁探测、海洋磁场探磁和地磁导航等领域，被安装于卫星、飞机、无人机、潜水艇等机载磁探测平台，因数据采集量大，涉及大量磁矢量数据处理和三维反演等计算密集型过程。本发明提出了一种利用CNN网络，直接从磁张量梯度数据图像中进行参数提取，综合各参数生成与探测目标体相匹配模型的反演新方法。通过对合成源体进行正演建模，获得足够磁张量梯度数据样本。调整卷CNN结构，增加剪切层，实现各参数预测。经过单、双立方体模型数值模拟，验证了算法准确性。由数值模拟以及对比测试结果可知，CNN网络有良好的非线性反演能力，能实现磁张量梯度反演准确快速预测，实用性强、应用范围广。

技术领域

本发明涉及磁张量梯度反演领域，尤其涉及一种基于卷积神经网络的三维磁张量梯度反演方法及装置。

背景技术

磁法探测中张量梯度测量是一种重要的探测方法，特别是全张量测量，不仅可保留矢量的强度和方向信息，还能确保来自地核的共模抑制场，来自地壳深处的区域场和来自电离层和磁层的地磁变化，以及更高的分辨率，能体现出叠加异常体等细节特征。其所具备抗干扰能力强、精度高等优点，被广泛应用于天体磁场探测、航磁探测、海洋磁场探磁和地磁导航等领域，被安装于卫星、飞机、无人机、潜水艇等机载磁探测平台，是目前海洋、航磁和天体磁探测的主要方法。

近年来，人工智能领域的深度学习技术在图像识别与分类、自然语言处理等方面取得了很多突破性进展，也开始被用来解决地球物理勘探问题，在地球物理领域，机器学习算法已经在地震信号处理、数据重构、断层识别等方面的应用也越来越多。神经网络在地球物理反演中取得了一些成效，但几乎没有在磁场张量梯度反演中的应用。机载磁张量梯度探测平台数据采集量大，涉及大量磁矢量数据处理和三维反演等计算密集型过程。

发明内容

为此本发明将卷积神经网络引入磁张量梯度反演中，提出了一种基于深度卷积神经网络分类识别的三维磁张量梯度反演算法及装置，开发出了一套快速有效的识别步骤：首先水平位置识别，发现异常体的平面位置以及存在性；确定异常体的形状，识别目标体的类别；确认异常体的深度信息，以及其它磁性参数(磁倾角I、磁偏角D、磁化率Mag等)等细节信息。最后综合以上所有识别信息，可得到与目标体相类似的反演结果。我们通过两种合成仿真模型验证了算法的可行性和准确性。

根据本发明的一个方面，本发明提出了一种基于卷积神经网络的三维磁张量梯度反演方法，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，保存各分量类别类训练后的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。