公开(公告)号：CN118194728B

公开(公告)日：2024-07-16

申请号：CN202410605489.9

申请日：2024-05-16

Applicant: 西南交通大学

Inventor： 吴艳霞 ,  张志厚 ,  赵一冰 ,  黄丽敏 ,  舒永正 ,  陈新元 ,  黄世宁 ,  黄佳宁 ,  周界光

IPC: G06F30/27 ,  G06N3/0442 ,  G06N3/0464 ,  G06N3/084 ,  G01V3/38

Abstract: 本发明涉及一种大地电磁物理与数据混合驱动反演方法，属于地球物理勘探技术及其工程地质应用领域。本发明的一种大地电磁物理与数据混合驱动反演方法，包括建立大地电磁模型；设定不同的大地电磁模型参数对大地电磁模型进行正演计算，获得相应的视电阻率数据和阻抗相位数据；根据不同的大地电磁模型参数以及对应的视电阻率数据和阻抗相位数据构建样本数据集；构建深度学习网络模型，并设定损失函数；通过样本数据集对深度学习网络模型进行训练，得到训练好的深度学习网络模型；将实测数据输入训练好的深度学习网络模型；根据反演结果绘制隧道剖面图。本发明通过在数据驱动中加入物理约束，使处理复杂数据时结果更准确可靠，更符合物理规律。

公开(公告)号：CN118330759A

公开(公告)日：2024-07-12

申请号：CN202410750985.3

申请日：2024-06-12

Applicant: 西南交通大学

Inventor： 朱保乐 ,  张志厚 ,  吴艳霞 ,  舒永正 ,  黄丽敏 ,  徐嘉茜 ,  周界光 ,  黄世宁 ,  张健 ,  王帅阳 ,  杜皓琦

IPC: G01V3/38

Abstract: 本发明涉及地空电磁勘探领域，公开了一种基于地空电磁的物数混合驱动反演方法，该方法的步骤为：步骤S1获得感应电动势随时间分布的标签数据集；步骤S2：构建物理‑数据混合驱动反演模型；步骤S3：构建物理‑数据混合驱动反演模型的损失函数Loss；损失函数包括深度学习损失函数Loss1和第二损失函数Loss2；步骤S4：训练物理‑数据混合驱动反演模型；步骤S5：采用步骤S4得到的物理‑数据混合驱动反演模型对实测数据进行反演，输出反演结果；本发明将物理驱动间接引入先前完全数据驱动的深度学习反演方案中，可以减小拟合误差使得伪逆算子更加逼近实际训练模型、优化反演进程等得到更精确的伪逆算子，从而提高反演效率。

公开(公告)号：CN118194728A

公开(公告)日：2024-06-14

申请号：CN202410605489.9

申请日：2024-05-16

Applicant: 西南交通大学

Inventor： 吴艳霞 ,  张志厚 ,  赵一冰 ,  黄丽敏 ,  舒永正 ,  陈新元 ,  黄世宁 ,  黄佳宁 ,  周界光

IPC: G06F30/27 ,  G06N3/0442 ,  G06N3/0464 ,  G06N3/084 ,  G01V3/38

Abstract: 本发明涉及一种大地电磁物理与数据混合驱动反演方法，属于地球物理勘探技术及其工程地质应用领域。本发明的一种大地电磁物理与数据混合驱动反演方法，包括建立大地电磁模型；设定不同的大地电磁模型参数对大地电磁模型进行正演计算，获得相应的视电阻率数据和阻抗相位数据；根据不同的大地电磁模型参数以及对应的视电阻率数据和阻抗相位数据构建样本数据集；构建深度学习网络模型，并设定损失函数；通过样本数据集对深度学习网络模型进行训练，得到训练好的深度学习网络模型；将实测数据输入训练好的深度学习网络模型；根据反演结果绘制隧道剖面图。本发明通过在数据驱动中加入物理约束，使处理复杂数据时结果更准确可靠，更符合物理规律。