-
公开(公告)号：CN111461988A
公开(公告)日：2020-07-28
申请号：CN202010253987.3
申请日：2020-04-02
Applicant: 清华大学
Abstract: 本发明公开了一种基于多任务学习的地震速度模型超分辨率技术，所述技术包括以下步骤:步骤1：搭建多任务超分辨率深度网络；步骤2：准备训练数据，利用速度模型数据构建标签数据；步骤3：训练多任务超分辨率深度网络，使用均方误差和全变差组合构成多任务深度网络的损失函数，投入训练数据，使用优化器进行训练，训练过程中采用衰减学习率；步骤4：应用多任务超分辨率深度网络，输入真实低分辨率地震速度模型及其梯度，得到高分辨率地震速度模型及其梯度。
-
公开(公告)号：CN111929723B
公开(公告)日：2023-03-14
申请号：CN202010680064.6
申请日：2020-07-15
Applicant: 清华大学
IPC: G01V1/28 , G01V1/30 , G06T3/40 , G06N3/0464 , G06N3/08
Abstract: 本发明提出一种基于多任务学习的地震数据约束下速度模型超分辨率方法，该方法采用多任务学习策略，使用结构相同的深度网络，处理低分辨率的地震速度模型、地震数据及二者的梯度图像，同时将低分辨率的地震速度模型与地震数据、以及二者在水平和垂直两个方向的索贝尔(sobel)算子同时输入网络，强制六个任务共享同一网络，得到高分辨率地震速度模型、地震数据及二者的梯度图像。
-
公开(公告)号：CN114662302B
公开(公告)日：2024-11-19
申请号：CN202210250081.5
申请日：2022-03-14
Applicant: 清华大学
Abstract: 本申请提供一种基于闭环网络的三维重力反演方法，方法包括：搭建正演网络以及反演网络，反演网络与正演网络组成闭环结构；通过正演网络以及反演网络进行闭环自监督学习，得到重力反演结果。该方法采用闭环学习方法，借助参数已知、解空间唯一的正演过程实现反演过程的自监督学习。同时使用来自专家知识或观测数据的先验知识约束反演过程。与现有基于深度学习的重力反演算法相比，本实施例的方法具有不依赖训练数据、无过拟合风险的有益效果。
-
Patent Agency Ranking
公开(公告)号：CN111461988B
公开(公告)日：2022-09-23
申请号：CN202010253987.3
申请日：2020-04-02
Applicant: 清华大学
Abstract: 本发明公开了一种基于多任务学习的地震速度模型超分辨率技术，所述技术包括以下步骤:步骤1：搭建多任务超分辨率深度网络；步骤2：准备训练数据，利用速度模型数据构建标签数据；步骤3：训练多任务超分辨率深度网络，使用均方误差和全变差组合构成多任务深度网络的损失函数，投入训练数据，使用优化器进行训练，训练过程中采用衰减学习率；步骤4：应用多任务超分辨率深度网络，输入真实低分辨率地震速度模型及其梯度，得到高分辨率地震速度模型及其梯度。
-
公开(公告)号：CN114662302A
公开(公告)日：2022-06-24
申请号：CN202210250081.5
申请日：2022-03-14
Applicant: 清华大学
Abstract: 本申请提供一种基于闭环网络的三维重力反演方法，方法包括：搭建正演网络以及反演网络，反演网络与正演网络组成闭环结构；通过正演网络以及反演网络进行闭环自监督学习，得到重力反演结果。该方法采用闭环学习方法，借助参数已知、解空间唯一的正演过程实现反演过程的自监督学习。同时使用来自专家知识或观测数据的先验知识约束反演过程。与现有基于深度学习的重力反演算法相比，本实施例的方法具有不依赖训练数据、无过拟合风险的有益效果。
-
公开(公告)号：CN119247498A
公开(公告)日：2025-01-03
申请号：CN202411250849.4
申请日：2024-09-06
Applicant: 清华大学
IPC: G01V7/06 , G06N3/045 , G06N3/0455 , G06N3/0895 , G06N3/084
Abstract: 本发明提供一种基于物理信息神经网络的多高度三维重力及其梯度联合反演方法，包括：基于物理信息神经网络，搭建正演神经网络和反演神经网络；在合成数据集上，对反演神经网络进行预训练；其中，合成数据集包括多对合成数据，每对合成数据包括原始三维重力异常数据和真实三维密度数据；基于正演神经网络和经过预训练的反演神经网络，构建闭环网络；在给定待求解数据上，对闭环网络进行迭代训练，得到满足需求的反演神经网络。本发明的方案，在引入有限成本增加的情况下，提供丰富的垂向分辨率。
-
公开(公告)号：CN115238565A
公开(公告)日：2022-10-25
申请号：CN202210631581.3
申请日：2022-06-06
Applicant: 清华大学
Abstract: 本申请提供一种电阻率模型重构网络训练方法、电磁反演方法及装置，其中，所述方法包括：基于随机等效介质技术模拟矿床结构，并将所述矿床结构嵌入到随机的起伏地层结构中，得到包含矿床结构的地质模型；基于已有地质资料将所述地质模型转化为电阻率模型，并根据所述电阻率模型获取样本数据集，所述样本数据集包括随机模拟的起伏地层结构数据、矿床结构数据以及对应的电阻率数据；基于所述样本数据集对初始电阻率模型重构网络进行训练，得到电阻率模型重构网络，所述电阻率模型重构网络用于对第一电磁反演数据进行深度学习，得到第二电磁反演数据。本申请样本的随机性更高，有助于提高网络的准确性和泛化性，可有效提高深度学习的反演精度。
-
公开(公告)号：CN111929723A
公开(公告)日：2020-11-13
申请号：CN202010680064.6
申请日：2020-07-15
Applicant: 清华大学
Abstract: 本发明提出一种基于多任务学习的地震数据约束下的速度模型超分辨率方法，该方法采用多任务学习策略，使用结构相同的深度网络，处理低分辨率的地震速度模型、地震数据及二者的梯度图像，同时将低分辨率的地震速度模型与地震数据、以及二者在水平和垂直两个方向的索贝尔(sobel)算子同时输入网络，强制六个任务共享同一网络，得到高分辨率地震速度模型、地震数据及二者的梯度图像。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.07 seconds)
