[发明专利]平衡孔间敏感性的跨孔电阻率CT深度学习反演方法及系统

说明书

本公开提供了一种平衡孔间敏感性的跨孔电阻率CT深度学习反演方法及系统，包括：通过数值模拟，构建包括多组孔中电极点电位值‑地电模型图数据对的数据库；对电位数据预处理，提取全局特征向量，进而获取局部特征图；在损失函数中增加用于平衡孔间敏感性的补偿项，构造深度学习网络，对深度学习网络进行训练，以确定电位数据与地电模型的映射关系，将采集的电位数据的局部特征图输入深度学习网络的卷积层，得到该组孔中电极点电位值对应的地电模型图，实现反演。

技术领域

本公开属于地球物理勘探领域，涉及一种平衡孔间敏感性的跨孔电阻率CT深度学习反演方法及系统。

背景技术

本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。

跨孔电阻率CT是一种孔中探测物探方法。将多个电极点放置孔中，通过对任意两个电极点分别供正电和负电，测量其它电极点电位，或进一步计算电位差和视电阻率作为测量数据，通过反演，获得孔间的电阻率剖面图。该反演方式有两种，一种是线性反演，一种是非线性反演。线性反演是对目标函数的高阶项省略，进而迭代求最优的方式。该方法强烈依赖于初始模型参数，且容易陷入局部最优。非线性反演是利用非线性优化算法全局寻找最优，如蚁群算法、遗传算法等，这些方法通常计算量大，每次求解的耗时长。神经网络能够通过学习获得数据和模型的映射模型，早期BP神经网络已经实现了二维电阻率反演，但因为梯度消失和梯度爆炸等问题，反演过程中存在收敛速度慢、过拟合等问题。近年来，随着激活函数，归一化等手段的提出，深度学习得到了更广泛的应用。目前尚没有发明实现了深度学习实现跨孔电阻率CT反演。

实现跨孔电阻率CT深度学习反演方法存在以下两个难题：

其一，跨孔电阻率CT技术采集的数据量大，且不同于地表直流电探测技术，无法绘制视电阻率图像，即无法直接使用卷积神经网络构建数据到地电模型的映射。而又因为数据量大，使用多个全连接层的未知参数多，计算量巨大，可行性差。

其二，跨孔电阻率CT技术采集的数据对孔附近区域的电阻率敏感，而对孔间区域敏感性差，导致对远离孔的区域反演效果差。

发明内容

本公开为了解决上述问题，提出了一种平衡孔间敏感性的跨孔电阻率CT深度学习反演方法及系统，本公开能够针对跨孔电阻率CT的电位数据，通过深度学习反演获得电阻率剖面图，且提高了远离钻孔的区域反演效果。

根据一些实施例，本公开采用如下技术方案：

一种平衡孔间敏感性的跨孔电阻率CT深度学习反演方法，包括以下步骤：

通过数值模拟，构建包括多组孔中电极点电位值-地电模型图数据对的数据库；

对电位数据预处理，提取全局特征向量，进而获取局部特征图；

在损失函数中增加用于平衡孔间敏感性的补偿项，构造深度学习网络；

对深度学习网络进行训练，以确定电位数据与地电模型的映射关系；

将采集的电位数据的局部特征图输入深度学习网络的卷积层，得到该组孔中电极点电位值对应的地电模型图，实现反演。

上述技术方案中，增加了用于平衡孔间敏感性的补偿项，提高了远离钻孔的区域反演效果。

作为可选择的实施方式，构建数据库的具体过程包括：

针对多种背景、形状、尺寸及空间分布的地下工程目标体的地电模型，以多种电极个数、电极间距和孔间距进行数值模拟；

对于每一地电模型进行正演，包括对任意两电极点分别供正电和负电，计算其它电极点的电位值，得到孔中电极点电位值-地电模型图数据对。

作为可选择的实施方式，对电位数据的预处理包括：