1.一种基于深度学习约束的大地电磁反演方法,其特征在于:包括以下步骤:
S1:首先制作用于神经网络训练的地电模型数据集、大地电磁模型正演响应数据集;具体包括以下步骤:S101:确定探测区域,根据该探测区域已有的勘探资料以及先验知识,建立该区域类似的地电模型样本集;
S102:使用传统有限元方法对地电模型样本集数据的正演响应进行计算得到地电模型的正演响应样本集;
S103:将地电模型样本集数据和正演响应样本集的电阻率统一以10为底取对数,统计取对数后的地电模型样本集,正演响应样本集中最大值ρmax和最小值ρmin,然后将输入正演响应样本数据的电阻率x映射至0~1作为输入数据X传入神经网络,即:对于正演响应样本集中数据范围跨度较小的相位角,只需统计其最大最小值并使用归一化公式映射至0~1作为输入数据传入神经网络;
S2:对制作的数据集进行归一化并按比例分为训练集、验证集、测试集;
S3:将预处理后的训练集送入神经网络进行训练得到网络模型;具体为以下步骤:
S301:结合大地电磁反演特点,建立神经网络模型,生成型神经网络模型适用于大地电磁反演,并使用Sigmoid激活函数,SmoothL1Loss损失函数,Adam优化器以建立面向大地电磁反演的神经网络结构,神经网络模型输入层的输入数据为大地电磁模型的正演响应样本集,输出层的输出数据为地电模型预测参数;
S302:将训练集、验证集传入神经网络模型,神经网络根据训练集中的地电模型样本集和正演响应样本集训练网络模型以及确定模型权重,利用网络模型计算出验证集中正演响应样本集的预测地电模型参数,根据预测地电模型参数与验证集中真实地电模型样本集参数之间的误差不断优化神经网络模型参数,以拟合地电模型样本集与正演响应样本集之间的映射关系,当验证集中正演响应样本集的预测值与地电模型样本集的真实值之间的损失值下降到一个阈值并开始震荡,则表示训练出了一个理想的网络模型M;
S4:将待反演的实际观测数据使用训练出的网络模型计算出映射模型,并将映射模型作为初始模型使用传统优化方法反演,得到最终的反演结果。
2.根据权利要求1所述的基于深度学习约束的大地电磁反演方法,其特征在于:所述步骤S2具体为:正演响应样本集作为神经网络的输入数据,地电模型样本集作为神经网络模型输出预测值的参照对象,地电模型样本集、正演响应样本集共同构成训练样本;根据深度学习数据划分经验,将预处理后的地电模型样本集、正演响应样本集根据神经网络训练经验划分为训练集、验证集、测试集。
3.根据权利要求1所述的基于深度学习约束的大地电磁反演方法,其特征在于:所述步骤S4具体为:S401:将待反演的实际观测数据按步骤S103中的公式(1)进行归一化,将归一化后的数据输入网络模型M,得到映射模型输出,最后将映射模型数据y反映射回步骤S103的电阻率范围,即:S402:将反映射后的映射模型离散化为网格模型,并将离散化网格模型作为初始模型使用传统优化方法进行反演。