[发明专利]一种基于空间映射技术的大地电磁深度神经网络反演方法

权利要求书

1.一种基于空间映射技术的大地电磁深度神经网络反演方法，其特征在于，包括以下步骤：

1)确定探测区域，即层状地电断面；

2)建立地电模型样本集A₂，步骤如下：

2.1)基于每层地电断面的电阻率建立训练样本集G，即：

式中，σ₀和σ₁分别代表训练样本集G中最小电导率和最大电导率；n为集合G容量；当地电断面层数为M时，训练样本集合的子集个数为n^M；i表征任意样本；

2.2)利用电导率约束采样策略对训练样本集G进行简化，得到简化训练样本集A₁；简化训练样本集A₁的子集个数为n×3^M-1；

电导率约束采样策略如下所示：

式中，G_i为集合G中第i个子样本，也即第j层地电断面的电导率集合；{G_i-1,G_i,G_i+1}为第(j+1)层地电断面(j+1)_stratum的电导率集合；j_stratum表示第j层地电断面；

2.3)对简化训练样本集A₁进行数据增强，方法为：利用分段三次Hermite插值函数建立映射关系；基于所述映射关系对训练样本集合A₁中所有子集进行映射，并将映射得到的所有子集写入地电模型样本集A₂中；

3)建立大地电磁正演响应数据集A₃；

4)对地电模型样本集A₂和大地电磁正演响应数据集A₃进行归一化处理；

利用Z-score规范化方法对地电模型样本集A₂和大地电磁正演响应数据集A₃进行归一化处理的方法如下：

将地电模型样本集A₂和大地电磁正演响应数据集A₃作为原始样本数据集输入到归一化公式(3)中，得到归一化后的样本数据集z；

归一化公式如下：

式中，{x_i}为原始样本数据集；η为原始样本均值；σ为原始样本标准差，{z}为归一化后的样本数据集；

5)建立深度学习神经网络模型；

建立深度学习神经网络模型的步骤如下：

5.1)确定深度学习神经网络模型的参数：输入层的输入数据为大地电磁正演响应数据集A₃，输出层的输出数据为地电模型，输入层神经元个数为大地电磁正演响应数据集A₃对应的频点个数，输出层神经元个数为地电模型层数，激活函数为修正线性单元ReLU函数ReLU(x)＝max(0,x)，损失函数为MAE，优化样本批次数量为r，隐含层的层数为m，隐含层每层神经元个数为p，迭代周期为T_max；

5.2)对隐含层的层数m和隐含层每层神经元个数p进行优化，步骤如下：

5.2.1)建立隐含层和输出层的关系式，即：

h_θ(x⁽ⁱ⁾)＝θ₁x⁽ⁱ⁾+θ₀；           (4)

式中，θ₁为隐含层权重；θ₀为隐含层偏置；x⁽ⁱ⁾为隐含层输入；h_θ(x⁽ⁱ⁾)为输出层输入；

5.2.2)建立目标函数J(θ₀,θ₁)，即：

式中，y⁽ⁱ⁾为隐含层输出；

5.2.3)利用梯度下降法对目标函数求偏导，即：

式中，下标j表示维度；

5.2.4)将大地电磁正演响应数据集A₃划分为r个优化样本批次；将第t批次样本输入到公式(5)中，对目标函数进行迭代；t初始值为1；t≤r；

5.2.5)判断迭代结果和目标函数偏导的误差是否小于阈值α，若是，则结束迭代，若否，则令t＝t+1，并返回步骤5.2.4；

6)利用地电模型样本集A₂和大地电磁正演响应数据集A₃对所述深度学习神经网络模型进行训练，得到训练后的深度学习神经网络模型；

7)获取层状地电断面的实测电磁数据，并输入到训练后的深度学习神经网络模型中，得到层状地电断面电磁预测数据集；

8)以地电断面电性模型作为验证样本的输入，通过MT正演计算产生大地电磁响应数据作为验证样本的输出，从而建立层状地电断面电磁验证数据集；

9)判断层状地电断面电磁预测数据集和层状地电断面电磁验证数据集的拟合度误差是否满足收敛条件，若是，则反演结束，输出层状地电断面电磁验证数据集。