一种基于残差傅立叶深度算子学习的大地电磁高效模拟方法
本发明属于地球物理正演,具体涉及一种基于残差傅立叶深度算子学习的大地电磁高效模拟方法。
背景技术:
1、大地电磁法是一种利用天然场源来探测地下电性结构的地球物理勘探方法,它具有仪器轻量、采集便捷、勘探深度大、成本低廉且不需人工布设场源等诸多优势,现在已经被广泛使用于地球深部电性结构研究、勘查地热资源、矿产资源勘探以及环境监测等领域。大地电磁的正演是已知地下的电性结构,通过一些数值模拟方法来求得地表观测响应。正演是解释结果有效性检验不可或缺的核心环节。若缺乏可靠的正演支撑,大地电磁勘探将难以克服模型解释中的高度多解性,从而陷于经验性、缺乏定量约束的推测困境。与此同时,地球物理反演的运算效率高度依赖正演计算速度:确定性反演方法单次反演往往需要开展数十至上百次正演运算,而贝叶斯优化等全局优化类反演算法甚至需完成数十万次正演模拟。巨大的计算量对正演算法的运算效率提出了严苛要求,因此,构建高效正演方法对提升反演效率具有重要意义。
2、传统数值方法加速策略主要围绕改进迭代求解器与算法、优化网格离散策略以及利用现代计算机并行处理能力。上述改进算法以及优化离散网格策略其效率提升有限,难以满足大量正演的需求。而采用并行计算加速方法无一不需要较高的计算需求,并且其加速上限依然受到频率个数、网格等限制,难以达到百倍以上的速度提升,这也限制了部分反演算法在高维问题的发展。随着深度学习技术的兴起,这为大地电磁高效正演提供了新的思路。目前,深度学习大地电磁正演方法大致分为数据驱动、物理驱动以及算子学习三大类。数据驱动方法采用的是端到端的训练方式,实现的是数据到数据的近似映射,模型学习的是统计规律而非实际的正演算子,其正演预测精度、模型泛化能力可能会存在挑战。物理驱动方法将物理规律与神经网络进行深度融合,严格满足偏微分方程约束,其解与经典的数值方法高度近似,但是只能对特定的问题进行针对性的求解,难以做到重复利用。算子学习网络通过在其架构中融入数学或物理先验,经训练后能够逼近一个算子,从而实现函数空间到函数空间的映射,相较于其余深度学习方法具备更高的正演预测精度与更好的模型泛化能力。
技术实现思路
1、本发明的目的在于针对大地电磁传统数值方法正演计算效率低下,深度学习方法正演预测精度低以及模型泛化能力不足等问题,提出了一种基于残差傅立叶深度算子学习的大地电磁高效模拟方法。
2、本发明提供的一种基于残差傅立叶深度算子学习的大地电磁高效模拟方法,包括以下过程:设计高斯随机场电导率模型生成方法;利用高斯随机场生成大量电导率模型,并对其进行正演计算,获得观测响应,建立数据集。在网络设计方面引入deeponet框架,将模型函数作为枝干网络输入,而观测系统(例如频率f,位置loc)作为主干网络输入,它满足大地电磁正演观测系统输入需求。在deeponet框架的枝干网络使用残差网络提高网络对模型函数的特征提取能力,此外还引入fno算子网络以实现网络对全局特征的有效提取。使用数据集对该网络进行训练,最终实现高效、准确的大地电磁正演预测。
3、具体包括如下步骤:
4、步骤一:设计高斯随机场电导率模型生成方法;
5、s1.1 利用高斯核函数计算模型生成区域协方差矩阵k。
6、高斯核函数公式可表达为:
7、,
8、其中代表了行向量与行向量的平方欧式距离。是方差,控制随机场的波动幅度大小,是空间相关性系数,用于控制生成电导率模型的在空间的延伸程度。
9、s1.2 在矩阵k的主对角线上引入微小扰动项,构成新的协方差矩阵:
10、,
11、其中为1×10-10,i为协方差矩阵k的主对角线矩阵。
12、s1.3 对修正后的矩阵进行cholesky分解得到下三角阵。随后生成与网格节点数等长、服从标准正态分布的独立随机向量,通过线性变换得到高斯随机场分布:
13、,
14、其中为随机场均值,为0。
15、s1.4 利用sigmoid函数将随机场压缩到之间,得到新的场s:
16、,
17、s1.5 在以10为底的对数空间中进行线性插值,最后还原至线性电导率空间
18、,
19、,
20、其中为电导率,和为设定的最小电导率值和最大电导率值,生成的随机场模型电导率在此范围内变化。
21、步骤二:构建电导率模型、观测响应数据集;
22、s2.1 根据步骤一中的电导率模型生成方法,选择合适的以及l,尽可能全面地构建符合地下电性结构的电导率模型数据集。
23、s2.2 针对二维地电模型,基于偏微分方程,结合边界条件(采用dirichlet型边界),在离散计算域内应用有限体积法,分别求解te极化模式和tm极化模式下的电场分量与磁场分量。
24、 te极化模式,
25、 tm极化模式,
26、
27、其中,e为电场强度,ex为电场偏x方向分量,h为磁场强度,hx为磁场偏x方向分量,为磁导率,为角频率,为介质电导率,g代表dirichlet边界条件。
28、s2.3 对电导率模型数据集进行批量并行正演:结合python标准库中的multiprocessing库,将每个模型的正演过程分配给计算机线程,选择合适的线程进行大地电磁批量并行正演。
29、s2.4 构建算子学习数据集,其中包含电导率模型,观测响应(视电阻率以及相位)、位置信息以及频率信息等。
30、步骤三:设计算子网络;
31、s3.1 引入deeponet算子网络框架,在枝干网络使用残差网络,主干网络使用全连接神经网络。
32、s3.2 在deeponet算子网络框架后使用傅里叶模块。
33、步骤四:训练算子网络;
34、s4.1 将数据进行归一化处理,将所有数据放缩到0-1之间。
35、视电阻率、电阻率以及频率数据归一化公式以及反归一化公式如下:
36、,
37、,
38、ρi为待归一化视电阻率、电阻率或频率数据,代表归一化后的视电阻率、电阻率或频率数据,代表训练集中视电阻、电阻率或频率取对数后的最大值,代表训练集中视电阻率、电阻率或频率取对数后的最小值。
39、相位、位置数据归一化公式以及反归一化公式如下:
40、,
41、,
42、为待归一化相位以及位置信息数据,代表归一化的相位以及位置信息数据,代表训练集中相位以及位置信息数据的最大值,代表训练集中相位以及位置信息数据的最小值。
43、s4.2 经过归一后的电阻率数据作为枝干网络输入,频率以及位置信息数据作为主干网络输入,视电阻率以及相位数据作为输出,训练算子网络。
44、s4.3 将训练好的算子网络正演预测结果与传统数值方法计算结果以及其余算子网络预测结果进行对比,验证其可行性。
45、本发明实现了一种基于残差傅立叶深度算子学习的大地电磁高效模拟方法,使用算子网络代替传统数值方法,能实现大地电磁方法地下电导率(或电阻率)模型到地表观测响应的映射。相较于传统数值方法具备更高的计算效率,并且具备良好的预测精度与模型泛化能力。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com