欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2025111866966
申请人: 吉林大学
专利类型:发明专利
专利状态:已下证
专利领域: 测量;测试
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种融合异常区域识别的自适应八叉树三维磁法反演方法,其特征在于,包括如下步骤:步骤一、输入磁法观测数据,输入初始粗网格的磁化强度模型,输入网格细化次数,初始正则化因子、聚焦因子、深度加权参数;

步骤二、引入深度加权函数、平滑聚焦正则化方法,构建三维磁法数据反演目标函数;

步骤三、利用高斯牛顿法对三维磁法数据反演目标函数进行优化求解,得到模型迭代表达式,进行初始反演迭代获得初始粗网格反演结果;

步骤四、结合模糊c均值聚类算法和自适应极值技术进行目标区域和异常区域分离,以实现异常区域智能提取;

步骤五、在异常区域中采用八叉树网格进行细化,得到局部细化网格剖分的模型;

步骤六、针对非均匀剖分的八叉树网格,通过在相邻网格上分别施加差分算子进行平滑约束;

步骤七、使用局部细化网格剖分的模型作为初始模型进行反演迭代,得到高精度反演结果,并计算数据拟合差判断是否继续进行“智能识别-局部细化-精细反演”的流程。

2.根据权利要求1所述的一种融合异常区域识别的自适应八叉树三维磁法反演方法,其特征在于:所述的步骤二中,构建三维磁法数据的反演目标函数,表达式如下:;

其中,对角矩阵为数据加权矩阵,为第i个点的归一化观测误差;为正演响应;d为观测数据;m为物性参数向量;mref为参考模型;α为正则化因子;为模型加权矩阵;

由于八叉树网格的体积大小存在差异,导致细化后的网格反演不太稳定,采用了与体积有关的深度加权函数,如下所示:;

其中,Vj为第j个网格的体积;rij为第i个网格到第j个观测点的距离;β为一个常数,用来控制加权函数的强度,通常0.5<β<1.5,N为观测数据数量,M为模型网格剖分数量;

并采用平滑聚焦正则化方法,在保证收敛稳定性的同时,能得到异常体边界较清晰的反演结果,模型加权矩阵的表达式如下:;

;

;

其中,为平滑聚集正则化的聚焦部分;RRR为平滑聚焦正则化的平滑部分;e为聚焦因子,用来控制反演模型的聚焦程度;Rx、Ry和Rz分别为x、y、z方向相邻网格间施加的差分算子。

3.根据权利要求2所述的一种融合异常区域识别的自适应八叉树三维磁法反演方法,其特征在于:所述的步骤三中,利用高斯牛顿法对目标函数公式(1)进行最优化求解,可以得到如下的模型迭代表达式:;

其中,J为雅可比矩阵,为第k次迭代的模型参数改变量;

为了提高磁法三维反演的效率,首先在粗网格上进行初始反演,以快速获取地下结构的整体轮廓,为后续的异常区域智能识别做准备。

4.根据权利要求1所述的一种融合异常区域识别的自适应八叉树三维磁法反演方法,其特征在于:所述的步骤四中,模糊c均值聚类算法可以根据聚类中心,自动计算出每个网格的物性值相对于聚类中心的隶属度;自适应极值技术可以自适应确定初始聚类中心及聚类中心的数量;通过模糊c均值聚类算法和自适应极值技术的融合,可以准确地实现异常区域的智能提取;

模糊c均值聚类算法的目标函数表达式如下:

;

;

其中,n为网格剖分数,p表示为集群的个数,uij表示为第i个模型参数mi相对于第j个聚类中心vj的隶属度,q为模糊因子;

自适应极值技术首先通过选取模型物性值分布最密集的区域的值作为背景值a,并把物性值接近于a的用a来替代,以增强数据的区分度;然后,提取出模型中的极值点作为异常体的中心点,并以此确定聚类中心的值和数量;

在确定了聚类中心的值和数量之后,通过最优化目标函数(7)得到隶属度矩阵:;

;

其中,tij为第i个模型参数mi相对于第j个聚类中心vj的欧氏距离;tip为第i个网格的物性值mi相对于第p个聚类中心vp的欧氏距离;

最后,根据最大隶属度原则就可以把物性值区分为背景区域和异常区域,实现低精度反演模型的异常区域智能提取。

5.根据权利要求1所述的一种融合异常区域识别的自适应八叉树三维磁法反演方法,其特征在于:所述的步骤六中,由于八叉树网格中的一个网格可能与多个网格相邻,无法通过公式进行计算,因此首先通过找出与每个网格相邻的所有网格,再分别施加差分算子,以保证反演结果在空间任意方向的光滑性。

6.根据权利要求1所述的一种融合异常区域识别的自适应八叉树三维磁法反演方法,其特征在于:所述的步骤七中,使用数据拟合差对反演结果进行定量评估,其表达式如下:;

其中,dobs为观测数据,dinv为反演数据的预测正演响应,err为观测误差,若该次反演结果仍未达到预期的数据拟合差要求,则继续进行“智能识别-局部细化-精细反演”的流程,以实现在反演过程中动态细化网格、调配计算资源,逐步提升反演精度。