基于神经网络模型的拖曳式瞬变电磁视电阻率计算方法与流程

1.本发明涉及地质探测领域，具体涉及一种基于神经网络模型的拖曳式瞬变电磁视电阻率计算方法。


背景技术：

2.瞬变电磁法是一种时间域的电磁探测方法，广泛应用于水文、土壤评价、城市管线探测等领域。拖曳式瞬变电磁法是根据航空瞬变电磁研究方法发展起来的一种陆地快速检测方法，其与传统瞬变电磁法的最大区别在其对于数据的快速采集收集能力。拖曳式瞬变电磁法是针对地下2-50m范围内的最佳普查手段。
3.针对拖曳式瞬变电磁方法采集数据的处理与解释邻域中，视电阻率能够快速直观反映探测区域的地下地层电性变化，目前在实际资料解释中应用广泛。当前主要采用：烟圈反演法、二分搜索算法、分段逆样条插值等方法对视电阻率及对应深度进行解释计算。
4.有一种瞬变电磁视电阻率计算方法、系统、装置及存储介质公开号为cn108398725b，获取当前时间窗口的感应电动势和当前时间窗口；将感应电动势输入预先建立的神经网络模型，得到与感应电动势对应的视电阻率；其中，神经网络模型的训练过程包括利用训练数据集对神经网络模型模型进行训练，得到神经网络模型；将采集到的感应电动势和与其相应的时间窗口，带入预先训练得到的神经网络模型中，并由神经网络模型进行计算，生成与感应电动势对应的视电阻率，实现基于神经网络模型构建单值函数，并能够通过神经网络模型利用感应电动势直接计算出对应的视电阻率，但其后续数据处理相比之下处理更复杂，后续反演解释地下地层信息、异常位置困难大。
5.由上述可知，现有的视电阻率计算方法往往存在着计算量大、异常响应信号提取准确性不高的问题，这给后续反演解释地下地层信息、异常位置提取带来了极大的困难。


技术实现要素：

6.本发明的目的在于提供一种基于神经网络模型的拖曳式瞬变电磁视电阻率计算方法，将神经网络方法与瞬变电磁数据的解释相结合，训练网络模型，在后续使用时，只需要将处理好的感应电动势值输入训练好的模型，就能快速计算出不同深度的视电阻率值，其具有速度快、准确性高、鲁棒性好的优点。
7.为实现上述目的，本发明提供以下技术方案：
8.一种基于神经网络模型的拖曳式瞬变电磁视电阻率计算方法，包括以下步骤：
9.s1：通过数据预处理模块(1)对历史采集的瞬变电磁数据进行预处理，生成神经网络的输入数据；
10.s2：通过训练数据构建模块(2)构建训练数据，确定网络的训练样本集，并经过计算得到理论视电阻率值；
11.s3：网络模型构建及训练模块(3)采用训练数据构建模块(2)构建的训练数据，将步骤s1处理得到的各个测点数据及计算的理论视电阻率值作为网络的训练数据，放入网络
中进行训练，完成训练的神经网络即作为后续视电阻率计算的网络模型；
12.s4：使用时，采用拖曳式瞬变电磁仪对测线进行测试，每条测线包含多个测点数据，将各个测点采集的感应电动势原始数据经预处理后，输入训练好的神经网络，得到视电阻率值，视电阻率及深度计算模块(4)通过得到的视电阻率值，计算出各个视电阻率所对应的深度。
13.所述步骤s1中预处理方法包括：数据叠加、平滑滤波、插值、归一化方法。
14.所述预处理方法具体包括：
15.s11：采用五点平滑法进行滤波处理，对ti时刻的信号进行五点滤波，滤波方法如下所示：
16.yy(i)＝(y(i-2)+y(i-1)+y(i)+(i+1)+y(i+2))/5
17.其中，y(i)为ti时刻的原始信号值，yy(i)为经过五点平滑滤波处理后的ti时刻的信号值。
18.s12：多项式拟合进行数据平滑，对完成s11五点平滑滤波后的数据进行多项式拟合；
19.s13：对数等间隔取样，对完成s12多项式拟合的数据采用对数等间隔取30个点位数据作为后续神经网络的输入数据。
20.所述多项式拟合为九阶多项式进行数据拟合，具体公式如下：
[0021][0022]
其中，m为多项式阶数，在本发明中m＝9，tj表示t的j次方，t为采集时刻，w为多项式的系数。
[0023]
所述步骤s2根据瞬变电磁响应表达式进行训练数据集的构建，具体包括：
[0024]
瞬变电磁在均匀半空间发射回线中心点的二次感应磁场b的时间域响应及磁场对时间的微分关系表达式如下所示；
[0025][0026][0027]
其中：
[0028][0029][0030]
公式中，u为瞬变场参数，t为电流关断延时时间，erf(u)为误差函数，i0为发射电流，a为发射线圈半径，μ0为均匀半空间磁导率，ρ为均匀半空间电阻率；
[0031]
由以上关系式，可得到均匀半空间下二次场b的时间域响应及瞬变场参数的非线性方程表达式；
[0032]
令：
[0033][0034][0035]
根据得到的处理后的二次场时间域数据以及瞬变电磁发射接收系统的相关装置参数，通过上式可以计算出y(u)，作为神经网络的训练数据，具体公式为：
[0036][0037][0038]
联立以上方程，得到视电阻率的表达式，具体如下所示：
[0039][0040]
其中，感应电动势y(u)可用仪器测得，在构建神经网络训练数据时，采用s13得到的感应电动势数据y(u)为神经网络输入数据，u为计算得到的瞬变场参数作为理论输出值，确定网络的训练样本集。
[0041]
所述步骤s3中采用bp神经网络作为视电阻率反演模型，所述bp神经网络的输入层和输出层为单层结构，输入层、隐藏层和输出层之间的神经元为全连接。
[0042]
所述bp神经网络为包含2个隐藏层的4层的bp神经网络。
[0043]
采用sigmoid作为bp神经网络的激活函数，采用最小均方误差mse作为损失函数构建bp神经网络，损失函数的定义如下：
[0044][0045]
其中，ui为第i个训练样本的真实值，为第i个训练样本的预测值，n表示样本总数，mse描述算法的预测偏差，该值越小则预测越准确。
[0046]
视电阻率所对应的深度计算方法如下：
[0047]
根据烟圈扩散理论，层间电阻率所对应的地层深度hi计算公式如下所示；
[0048][0049]
其中，a为经验系数取0.4-0.44之间，d
in
，d
im
为第i个测点中，时间为n、m时烟圈的垂向深度变化值，其计算公式为：
[0050][0051]
其中，μ0为真空中磁导率；
[0052]
采用以上公式，即可计算出视电阻率所对应的深度值。
[0053]
发明提供的一种基于神经网络模型的拖曳式瞬变电磁视电阻率计算方法有益效果在于：
[0054]
1、采用五点平滑法进行滤波处理，降低了后续数据处理的复杂程度，采用多项式拟合方法进行数据处理，更好的反映了瞬变电磁信号的本质特性，为后期视电阻率的反演做好准备，同时根据m.n.nabighian的烟圈扩散理论，计算出的视电阻率值计算其对应的深度，以达到快速解释的目的，采用bp神经网络进行视电阻率值的预测，可以避免瞬变场参数u的概率积分求解困难的问题。且bp网络结构简单，参数较少，可在减少训练时间的同时提高预测的精度。
[0055]
2、在后续使用时，只需要将处理好的感应电动势值输入训练好的模型，就能快速计算出不同深度的视电阻率值，其具有速度快、准确性高、鲁棒性好的优点。
附图说明
[0056]
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0057]
图1为本发明数据预处理模块中数据预处理流程图；
[0058]
图2为本发明网络模型构建及训练模块中网络模型训练流程图；
具体实施方式
[0059]
下面将结合示意图对本发明的一种基于神经网络模型的拖曳式瞬变电磁视电阻率计算方法进行更详细的描述，其中示意图表示了本发明的优选实施例，应该理解本领域技术人员可以修改在此描述的本发明，而仍然实现本发明的有利效果。因此，下列描述应当被理解为对于本领域技术人员的广泛知道，而并不作为对本发明的限制。
[0060]
如图1、2所示，一种基于神经网络模型的拖曳式瞬变电磁视电阻率计算方法，包括以下步骤：
[0061]
s1：通过数据预处理模块(1)对历史采集的瞬变电磁数据进行预处理，生成神经网络的输入数据；
[0062]
由于拖曳式瞬变电磁仪观测的信号动态范围大，信号在早、中、晚期的衰减速度、信噪比大小等均不相同。深层的地质体的瞬变电磁响应往往会被噪声淹没，未经处理的信号难以反映真实的地质情况。因此，需要对测量的信号进行相应的处理，以生成神经网络的输入数据。
[0063]
本发明所采用的拖曳式瞬变电磁仪在信号采集阶段，已根据配置的叠加次数对各个测点的观测信号做了信号叠加处理，因此，在数据处理阶段，不需做叠加降噪处理。
[0064]
s11：瞬变电磁信号具有单向衰减的特点，且地质体在晚期按照指数规律衰减，因此，采用五点平滑法进行滤波处理，对ti时刻的信号进行五点滤波，滤波方法如下所示：
[0065]
yy(i)＝(y(i-2)+y(i-1)+y(i)+(i+1)+y(i+2))/5
[0066]
s12：多项式拟合进行数据平滑；
[0067]
瞬变电磁信号有着晚期信噪比低，数据光滑性较差的特点。为了更好的反映瞬变
电磁信号的本质特性，需要采用多项式拟合方法进行数据处理，为后期视电阻率的反演做好准备。本发明采用九阶多项式进行数据拟合，即使用曲线拟合的方法来拟合，具体公式如下：
[0068][0069]
其中，m为多项式阶数，在本发明中m＝9，xj表示x的j次方，w为多项式的系数。
[0070]
s13：对数等间隔取样，采用对数等间隔取30个点位数据作为后续神经网络的输入数据。
[0071]
由于瞬变电磁信号在早、中、晚期的衰减速度差别很大。在早期，信号幅值高且衰减速度快，在晚期，信号较弱且衰减慢。为了在较宽的时间范围内准确、不失真的反映信号的特性，在早期，取样时间间隔及取样窗口都需要很窄，在晚期需要相应增大。因此，本发明使用对数等间隔进行取样。
[0072]
采用对数等间隔取30个点位数据作为后续网络的输入数据。
[0073]
s2：通过训练数据构建模块(2)构建训练数据，确定网络的训练样本集，并经过计算得到理论视电阻率值；
[0074]
根据瞬变电磁相关理论，使用视电阻率与电磁响应之间的函数关系，可将这种关系引入至神经网络中，采用神经网络代替数值求解方法拟合视电阻率。因此，根据瞬变电磁响应表达式进行训练数据集的构建。
[0075]
瞬变电磁在均匀半空间发射回线中心点的二次感应磁场b的时间域响应及磁场对时间的微分关系表达式如下所示。
[0076][0077][0078]
其中：
[0079][0080][0081]
公式中，u为瞬变场参数，t为电流关断延时时间，erf(u)为误差函数，i0为发射电流，a为发射线圈半径，μ0为均匀半空间磁导率，ρ为均匀半空间电阻率；
[0082]
由以上关系式，可得到均匀半空间下二次场b的时间域响应及瞬变场参数的非线性方程表达式。
[0083]
令：
[0084]
[0085][0086]
根据得到的处理后的二次场时间域数据以及瞬变电磁发射接收系统的相关装置参数，通过上式可以计算出y(u)，作为神经网络的输入数据，具体公式为：
[0087][0088][0089]
求解上式的根u，得到视电阻率的表达式，具体如下所示：
[0090][0091]
在构建训练数据时，根据y(u)和u的关系式，确定网络的训练样本集。
[0092]
s3：网络模型构建及训练模块(3)采用训练数据构建模块(2)构建的训练数据，将处理完的各个测点数据及计算的理论视电阻率值作为网络的训练数据，放入网络中进行训练，完成训练的神经网络即作为后续视电阻率计算的网络模型；
[0093]
优选地，采用bp神经网络作为视电阻率反演模型。
[0094]
bp神经网络是一种多层的前馈神经网络，信号是前向传播的，而误差是反向传播的是其主要特点。bp神经网络输入层是单层结构，输出层也是单层结构，而隐藏层结构不限。输入、隐藏和输出层之间的神经元都是全连接的。
[0095]
bp神经网络的训练过程一般有两三个步骤，首先根据训练的输入值，计算每一层网络的状态及权重，直到最后一层；然后根据训练数据的理论输出值，计算每一层的误差，误差的计算过程是从后往前反向传播的；最后根据误差更新每一层网络的参数，反复迭代直到满足停止准则。本发明采用包含2个隐藏层的4层bp神经网络，网络模型训练流程如图2所示。
[0096]
采用bp神经网络进行视电阻率值的预测，可以避免瞬变场参数u的概率积分求解困难的问题。且bp网络结构简单，参数较少，可在减少训练时间的同时提高预测的精度。本发明采用sigmoid作为bp神经网络的激活函数，采用最小均方误差(mse)作为损失函数构建bp神经网络。损失函数的定义如下：
[0097][0098]
其中，ui为第i个训练样本的真实值，为第i个训练样本的预测值，n表示样本总数，mse描述算法的预测偏差，该值越小则预测越准确。
[0099]
训练中，采用训练数据构建模块(2)构建的训练数据，将处理完的各个测点数据及计算的理论视电阻率值作为网络的训练数据，放入网络中进行训练。完成训练的网络即作为后续视电阻率计算的网络模型。
[0100]
s4：使用时，采用拖曳式瞬变电磁仪对测线进行测试，每条测线包含多个测点数据，将各个测点采集的感应电动势原始数据经预处理后，输入训练好的神经网络，即可输出
对应的不同深度下的视电阻率值，完成视电阻率的计算，视电阻率及深度计算模块(4)在网络模型构建及训练模块(3)计算得到视电阻率值后，计算出各个视电阻率所对应的深度。
[0101]
采用拖曳式瞬变电磁仪对测线进行测试，每条测线包含多个测点数据。首先将各个测点电动势能数据采用模块(1)进行数据预处理，作为网络的输入数据；其次采用模块(3)训练的神经网络将完成预处理的数据预测为视电阻率值。
[0102]
在计算得到视电阻率值后，还需计算出各个视电阻率所对应的深度。根据m.n.nabighian的烟圈扩散理论，可以使用模块(3)计算出的视电阻率值计算其对应的深度，以达到快速解释的目的。
[0103]
根据烟圈扩散理论，层间电阻率所对应的地层深度hi计算公式如下所示。
[0104][0105]
其中，a为经验系数取0.4-0.44之间，d
in
，d
im
为第i个测点中，时间为n、m时烟圈的垂向深度变化值，计算公式为：
[0106][0107]
其中，μ0为真空中磁导率；
[0108]
采用以上公式，即可计算出视电阻率所对应的深度值。
[0109]
以上所述的具体实施例，对本发明解决的技术问题、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。