基于全卷积神经网络的磁异常及磁梯度异常反演

张志厚, 路润琪, 廖晓龙, 徐正宣, 乔中坤, 范祥泰, 姚禹, 石泽玉, 刘鹏飞, 陆三明. 基于全卷积神经网络的磁异常及磁梯度异常反演[J]. 地球物理学进展, 2021, 36(1): 325-337. doi: 10.6038/pg2021EE0222
引用本文: 张志厚, 路润琪, 廖晓龙, 徐正宣, 乔中坤, 范祥泰, 姚禹, 石泽玉, 刘鹏飞, 陆三明. 基于全卷积神经网络的磁异常及磁梯度异常反演[J]. 地球物理学进展, 2021, 36(1): 325-337. doi: 10.6038/pg2021EE0222
ZHANG ZhiHou, LU RunQi, LIAO XiaoLong, XU ZhengXuan, QIAO ZhongKun, FAN XiangTai, YAO Yu, SHI ZeYu, LIU PengFei, LU SanMing. Inversion of magnetic anomaly and magnetic gradient anomaly based on fully convolution network[J]. Progress in Geophysics, 2021, 36(1): 325-337. doi: 10.6038/pg2021EE0222
Citation: ZHANG ZhiHou, LU RunQi, LIAO XiaoLong, XU ZhengXuan, QIAO ZhongKun, FAN XiangTai, YAO Yu, SHI ZeYu, LIU PengFei, LU SanMing. Inversion of magnetic anomaly and magnetic gradient anomaly based on fully convolution network[J]. Progress in Geophysics, 2021, 36(1): 325-337. doi: 10.6038/pg2021EE0222

基于全卷积神经网络的磁异常及磁梯度异常反演

详细信息
  • 中图分类号: P631

Inversion of magnetic anomaly and magnetic gradient anomaly based on fully convolution network

  • 地球物理反演问题具有病态性、不适定性,传统的线性反演方法面临着次优逼近和初始模型选择等挑战,为了提高磁场数据反演的精度,受深度学习卓越的非线性映射能力的启发,本文提出了一种基于全卷积神经网络的磁异常及磁梯度异常反演方法.文中首先提出了一种基于网格点几何格架的磁异常及磁梯度异常的空间域快速正演算法,这为本文全卷积神经网络反演算法的实现奠定了基础;随后对大量不同剩余磁化强度模型进行正演计算获得样本数据集,将正演数据作为输入层,磁化强度模型作为输出层,并基于U-net网络结构设计了一种端到端的网络结构(MagInvNet),再对该网络结构进行监督学习与参数优化;最后进行反演预测.三组模型试验表明,MagInvNet网络能够快速准确识别出磁异常体的位置与形状,并且能够准确的反演出异常体磁化强度的大小,对于含噪声数据,其反演结果的质量不会降低.本文最后利用安徽霍邱铁矿的航磁数据验证了文中方法的有效性.
  • 加载中
  • 加载中
计量
  • 文章访问数:  213
  • PDF下载数:  13
  • 施引文献:  0
出版历程
刊出日期:  2021-02-20

目录