本发明公开了一种磁共振测深的数据采集方法,属于地球物理勘探方法的。
背景技术:
1、磁共振测深是一种非侵入式的地球物理勘探方法,它通过测量地下水中氢核的弛豫信号反演含水层的分布与水量等信息,在水文地质、工程地质、煤田地质等领域具有广阔的应用前景。然而,核磁共振现象本身的特性决定了信号强度较弱,由此引发的数据信噪比低、探测精度下降一直严重制约着方法的发展。
2、改善脉冲矩序列配置是提升信号强度、含水层探测精度的重要方式。现有的脉冲矩序列在探测开始之前就已完全确定,忽略了数据采集过程中的信息积累,难以最大程度提升探测效率与探测精度。
技术实现思路
1、本发明公开了一种磁共振测深脉冲矩的序贯决策配置方法,以解决现有磁共振测深脉冲矩配置方法的探测效率慢、精度低等缺陷。
2、本发明提供的技术方案为:一种磁共振测深脉冲矩的序贯决策配置方法,包括以下步骤:
3、1)首先设置初始的脉冲矩序列。脉冲矩数量可以设置一个,也可以设置多个。结合先验信息设置,可以取得更好的效果。执行观测,得到数据集[f1:t,q1:t]。
4、2)结合磁共振测深数据结构特点,构建已有数据集[d1:t,q1:t]条件下的全脉冲矩空间预测数据概率分布
5、3)构建脉冲矩的采集函数(预测均值与方差的函数),以采集函数为优化目标函数,通过优化算法获取下一次脉冲矩的推荐值(决策值)。
6、上述步骤1中,初始脉冲矩序列一般设置为5个以内,具体的布设方法可采用对数排列。
7、上述步骤2中,预测数据概率分布p(f|d1:t,qt+1)的计算方法如下:
8、假设磁共振测深观测信号先验均值函数μ(x)=0。定义预测数据的协方差函数为k(qi,qj)。协方差函数表征了当脉冲矩决策取qi与qj时两个观测数据的相关性。
9、假设我们已经从之前的测量中获得了[f1:t,q1:t]的观测值,那么对于脉冲矩的整个搜索空间中任意脉冲矩(假设为qt+1),如果用ft+1表示该脉冲矩条件下的预测数据值。那么,根据高斯过程的性质,f1:t和ft+1符合联合高斯分布,此时:
10、
11、其中:
12、
13、k=[k(qt+1,q1) k(qt+1,q2) ... k(qt+1,qt)]
14、k为协方差矩阵。在无噪声的环境中,协方差矩阵的对角值是1,因为在不考虑噪音干扰的情况下对于特定的地下模型当脉冲矩设置相同时的观测信号也应相同。若考虑噪音时,则需要给协方差矩阵加上一个包含高斯噪音的或标准其它噪音的对角矩阵。
15、通过推导公式,得到目标函数f(q)后验分布的表达式:
16、
17、其中:
18、μt(qt+1)=ktk-1f1:t
19、
20、即,μt(qt+1)和是预测后验分布p(ft+1|d1:t,qt+1)的均值及标准差。
21、上述步骤2中,预测数据的协方差函数拟结合磁共振测深方法的数据核特点重新定义。分析磁共振测深的数据核特点可发现,当含水层的深度越浅时,峰值会越集中于小脉冲矩,且峰值越陡(相关性/平滑特性越差)。当含水层的深度越深时,峰值会越分布于大脉冲矩中,且峰值越缓(相关性/平滑特性越强)。据此,给出协方差函数形式如下:
22、
23、其中:
24、α=exp(-θ(qi+qj))
25、β=exp(ρ(qi+qj))
26、其中,σ,l,θ,ρ为超参数。
27、上述步骤2中,超参数σ,l,θ,ρ的设定方法如下:
28、超参数的优化过程依然可以通过最大化超参数σ,l,θ,ρ条件下,观测数据f1:t出现的边缘对数似然来确定,定义边缘对数似然为:
29、
30、即求解下式得到超参数的选取值:
31、σ,l,θ,ρ=argmaxσ,l,θ,ρlogp(f1:t|σ,l,θ,ρ)
32、上述步骤3中,采集函数的设计方法如下:
33、基于置信度界限准则的方法设计磁共振测深的采集函数基本形式如下:
34、ucb(q)=μ(q)+κstd(q)
35、参数κ用于调节估计值中可以获取更大信号的观测点与具有更大的不确定性的观测点之间的均衡。这些估计值中极大值往往更具有开发意义,被称为“开发”,具有更大不确定性的点则具有更大的勘探价值,被称为“勘探”。参数κ的调试过程事实上就是对“勘探”与“开发”的权衡。针对snmr方法的探测需求,对现有的ucb采集函数进行如下的改造,通过自适应调整参数κ,避免κ过小时脉冲矩决策易陷入局部最优,同时避免κ过大时脉冲矩决策难以勘探到最优信号。当判别采集函数已陷入局部极值时,即|qi+1-qi|<ζ,此时则需要加大κ去继续勘探整个数据空间,以对含水层模型的结构进行更好的约束。ζ是用于判别采集函数是否已陷入局部极值的一个参数,需要结合优化方法脉冲矩空间步长与噪音水平确定,当噪音水平较大时,应结合脉冲矩空间步长设置更小。
36、本发明的优点是:
37、本发明方法提出的脉冲矩序贯决策方法相比传统的脉冲矩序列优化,具有显著的创新及优势。主要体现在如下方面:
38、1)传统的脉冲矩序列优化被视为探测工作开始之前的静态规划问题,不能利用数据采集过程中累积的信息对采集方案进行动态优化。本项目提出的脉冲矩智能序贯配置方法,可以基于数据采集过程中的信息增加,智能调整脉冲矩序列方案,提升探测效率与精度。
39、2)传统的数据采集提供的信息单一,仅为检测数据集。本发明方法提供的结果为观测数据的概率分布,提供的信息更多,可方便探测结果的不确定性的评估。
1.一种磁共振测深方法的脉冲矩序贯决策方法,其特征在于,具体包括如下步骤:
2.根据权利要求1所述的一种磁共振测深方法的脉冲矩序贯决策方法,其特征在于:所述的步骤1中,初始脉冲矩序列一般设置为5个以内,具体的布设方法可采用对数排列。
3.根据权利要求1所述的一种磁共振测深方法的脉冲矩序贯决策方法,其特征在于:步骤2中,预测数据概率分布p(f|d1:t,qt+1)的计算方法如下:
4.根据权利要求1所述的一种磁共振测深方法的脉冲矩序贯决策方法,其特征在于:步骤2中,预测数据的协方差函数拟结合磁共振测深方法的数据核特点重新定义。分析磁共振测深的数据核特点可发现,当含水层的深度越浅时,峰值会越集中于小脉冲矩,且峰值越陡(相关性/平滑特性越差)。当含水层的深度越深时,峰值会越分布于大脉冲矩中,且峰值越缓(相关性/平滑特性越强)。据此,给出协方差函数形式如下:
5.根据权利要求1所述的一种磁共振测深方法的脉冲矩序贯决策方法,其特征在于:步骤2中,超参数σ,l,θ,ρ的设定方法如下:
6.根据权利要求1所述的一种磁共振测深方法的脉冲矩序贯决策方法,其特征在于:步骤3中,采集函数的设计方法如下: