基于深度三视图的重力异常智能反演方法

本发明涉及重力勘探，具体涉及一种基于深度三视图的重力异常智能反演方法。

背景技术：

1、三维重力异常反演的主要目标是精确描绘地下半空间中异常体的形态。传统重力异常反演方法将地下空间细分为数以万计的单位矩体展现异常体，通过调整单位矩体的尺寸控制反演结果的分辨率。但是，当观测区域扩大时，传统重力异常反演过程中所采用的反演网格数量呈指数级增加，导致其计算量和存储空间需求急剧增加。为了降低剖分复杂度以及提高计算效率，相关研究已尝试通过垂向一阶导数异常的零值区间和场源视深度的近似约束界定剖分底界，以及利用边缘识别方法优化反演网格剖分。但是，这些方法在处理大批量数据时仍存在计算耗时较长和内存需求巨大的问题。

2、在大数据时代背景下，深度学习方法在地球物理数据处理领域中的应用取得了显著进展。深度学习方法不仅能够准确识别地层的内部结构和非线性特性，还能提高反演效率。但是，深度学习方法在大规模反演领域的应用仍存在一定的局限性，反演结果受训练集的限制、反演过程所需要的参数多、反演过程收敛速度缓慢且难以同时兼顾高分辨率和反演范围的问题。

3、因此，亟需提出一种基于深度三视图的重力异常智能反演方法，通过优化三维重力异常反演的存储方式和反演模型，实现对大规模重力异常数据的高效反演，为后续地下结构解释和地质结构还原提供了技术支持。

技术实现思路

1、为了解决传统重力异常反演方法应用于地下异常体描述时所需存储空间大且计算效率低的问题，本发明提出了一种基于深度三视图的重力异常智能反演方法，实现了对大规模重力异常数据的高效反演，提高了重力异常数据的反演精度和泛化能力，适用于资源受限的计算环境，为地质体的勘探开发奠定了基础。

2、为实现上述目的，本发明采用如下技术方案：

3、基于深度三视图的重力异常智能反演方法，包括以下步骤：

4、步骤1，构建重力异常样本集；

5、步骤2，基于u-net网络构建重力异常反演模型，利用训练集中的重力异常样本数据训练重力异常反演模型后，再用测试集中的重力异常样本数据测试重力异常反演模型，得到测试合格的重力异常反演模型；

6、步骤3，根据已勘探区域的重力异常数据，利用测试合格的重力异常反演模型计算得到已勘探区域中地下异常体的三视图深度数据后，利用模拟退火算法还原地下异常体的三维结构，结合重力异常反演模型反演计算的三视图深度数据优化模拟退火算法；

7、步骤4，将待还原区域的重力异常数据，利用重力异常反演模型计算得到待还原区域中地下异常体的三视图深度数据后，再利用优化后的模拟退火算法还原待还原区域中地下异常体的三维结构，得到待还原区域中地下异常体的三维立体图。

8、优选地，所述步骤1中，包括以下步骤：

9、步骤1.1，利用计算机程序设计软件在三维坐标系中随机生成多个地下异常体，所述地下异常体为长方体模型，分别设置各地下异常体的剩余密度，获取各地下异常体的质心坐标；

10、步骤1.2，针对各地下异常体分别进行正演计算，确定各地下异常体的重力异常数据，包括重力异常值和重力梯度异常值；

11、步骤1.3，分别针对各地下异常体，对地下异常体进行网格化处理，将地下异常体划分为多个立方体，获取地下异常体的三视图，将地下异常体主视图、俯视图和左视图中的立方体数量作为三视图深度数据并生成标签，再将同一地下异常体的标签与重力异常数据相匹配形成重力异常样本数据，得到多个重力异常样本数据；

12、步骤1.4，基于重力异常样本数据构建重力异常样本集，所述重力异常样本集包括训练集、测试集和验证集，按照预设的数量比将重力异常样本数据随机分配至训练集和测试集。

13、优选地，所述步骤1.2中，利用重力异常及重力梯度异常正演计算公式分别计算各地下异常体的重力异常数据；

14、所述重力异常及重力梯度异常正演计算公式为：

15、 （1）

16、 （2）

17、 （3）

18、 （4）

19、 （5）

20、 （6）

21、 （7）

22、式中，为三维坐标系中方向上离散网格点的序号，为三维坐标系中方向上离散网格点的序号，为三维坐标系中方向上离散网格点的序号；为重力异常值；为万有引力常量，为长方体模型单元密度；、、均为观测点的坐标；为方向上观测点与地下异常体中第个离散网格点的距离差值，为方向上观测点与地下异常体中第个离散网格点的距离差值，为方向上观测点与地下异常体中第个离散网格点的距离差值，为观测点到地下异常体中离散网格点的距离，；为重力势能在方向上的二阶偏导数，为重力势能在方向上的二阶偏导数，为重力势能在方向上的二阶偏导数，为重力势能在方向上的二阶偏导数，为重力势能在方向上的二阶偏导数，为重力势能在方向上的二阶偏导数。

23、优选地，所述步骤2中，包括以下步骤：

24、步骤2.1，基于u-net网络构建重力异常反演模型；

25、步骤2.2，设置重力异常反演模型的损失函数、学习率和损失函数预设值；

26、步骤2.3，从训练集中随机选取重力异常样本数据输入至重力异常反演模型中，利用重力异常反演模型根据重力异常样本数据中的重力异常值和重力梯度异常值计算得到三视图深度数据，并与重力异常样本数据标签中的三视图深度数据进行对比，计算损失函数值并与损失函数预设值进行对比；

27、步骤2.4，若训练过程中损失函数值小于损失函数预设值，则结束对重力异常反演模型的训练，得到训练后的重力异常反演模型并进入步骤2.5中，否则，则返回步骤2.3中继续训练重力异常反演模型；

28、步骤2.5，从测试集中随机选取重力异常样本数据输入至训练后的重力异常反演模型中，利用训练后的重力异常反演模型根据重力异常样本数据中的重力异常值和重力梯度异常值计算三视图深度数据，并与重力异常样本数据标签中的三视图深度数据进行对比，计算损失函数值并与损失函数预设值进行对比；

29、步骤2.6，若测试过程中损失函数值小于损失函数预设值，则结束测试过程，否则，则调整重力异常反演模型的学习率，返回至步骤2.3中。

30、优选地，基于u-net网络构建重力异常反演模型，所述重力异常反演模型包括编码部分和解码部分，编码部分和解码部分之间跳跃连接，编码部分包括输入层和编码器，解码部分包括解码器和输出层，输入层、编码器、解码器和输出层依次连接；

31、所述输入层用于根据输入的重力异常样本数据获取特征图；

32、所述编码器内设置有四个依次连接的反卷积块，各反卷积块的结构相同，包括依次连接的转置卷积层、批归一化层和激活函数层，其中，转置卷积层的卷积核尺寸设置为3×3，转置卷积运算的步长设置为2、填充设置为1；

33、所述解码器内设置有两个依次连接的卷积块，各卷积块的结构相同，包括依次连接的标准卷积层、批归一化层和激活函数层，其中，标准卷积层通过双线性插值上采样调整输入特征图的尺寸，标准卷积层的卷积核尺寸设置为3×3，标准卷积运算的步长设置为1、填充设置为1；

34、所述输出层内设置有两个依次连接的卷积块；

35、所述激活函数层中的激活函数设置为relu函数；

36、所述跳跃连接用于将转置卷积层的输出结果与标准卷积层上采样所获取的输入特征图相合并。

37、优选地，所述损失函数为均方误差损失函数，如公式（8）所示：

38、                （8）

39、式中，为重力异常反演模型的损失函数值；为输入重力异常样本数据的序号，为输入重力异常样本数据的总数；为第个重力异常样本数据标签中的三视图深度数据，为重力异常反演模型预测的第个重力异常样本数据的三视图深度数据。

40、优选地，所述步骤3中，包括以下步骤：

41、步骤3.1，获取已勘探区域的重力异常数据，对已勘探区域进行网格化处理划分为多个立方体，设置待还原区域三视图深度数据的初始解；

42、步骤3.2，设置模拟退火算法的能量函数、冷却函数、初始温度、冷却温度、温度下降梯度和迭代总次数；

43、步骤3.3，将初始解作为当前解、初始温度作为当前温度，利用模拟退火算法进行迭代计算，进入步骤3.4中；

44、步骤3.4，在当前温度条件下，利用能量函数计算当前解的能量值后，随机生成得到待还原区域三视图深度数据的更新解，并利用能量函数计算更新解的能量值；

45、步骤3.5，对比更新解的能量值和当前解的能量值；

46、若更新解的能量值低于当前解的能量值，则利用更新解替代当前解，进入步骤3.6中，否则，则保持当前解不变，进入步骤3.6中；

47、步骤3.6，基于温度冷却计划按照预设的温度下降梯度降低当前温度值，并将调整后的温度值作为当前温度，利用冷却函数计算当前温度条件下的冷却函数值，进入步骤3.7中；

48、步骤3.7，判断当前温度是否低于冷却温度以及当前迭代计算次数是否达到预设的迭代总次数；当满足当前温度低于冷却温度或当前迭代计算次数已达到预设迭代总次数，则得到待还原区域三视图深度数据的最终解，停止迭代计算并进入步骤3.8中，否则，则返回步骤3.4中；

49、步骤3.8，输出待还原区域三视图深度数据的最终解，得到待还原区域中地下异常体的三维立体图。

50、优选地，所述能量函数用于计算模拟退火算法所还原三视图深度数据与重力异常反演模型所计算三视图深度数据之间的均方误差，如公式（9）所示：

51、        （9）

52、式中，为能量值；为三视图深度数据的序号，为三视图深度数据的总数；为重力异常反演模型所计算的三视图深度数据，为模拟退火算法所还原的三视图深度数据；为重力异常反演模型所计算三视图深度数据的平均值，为重力异常反演模型所计算三视图深度数据的方差；为模拟退火算法所还原三视图深度数据的平均值，为模拟退火算法所还原三视图深度数据的方差，和均为计算系数。

53、优选地，所述冷却函数如公式（10）所示：

54、 （10）

55、式中，为冷却函数值，用于表示地下异常体三维结构还原过程对于更新解的接受程度；为能量函数值，为当前温度值，为自然对数的底数。

56、本发明所带来的有益技术效果为：

57、本发明方法提出了一种基于深度三视图的重力异常智能反演方法，充分利用了深度学习方法在处理复杂非线性、高噪声方面的优势，将深度学习方法与重力异常数据反演相结合，通过优化三视图深度数据的存储方式和重力异常反演模型的模型结构，解决了现有技术应用于三维重力异常反演计算时所需存储空间大且计算效率低的问题，实现了对大规模重力异常数据的高效反演，提高了重力异常反演计算的泛化能力和准确性，为地下结构的快速还原提供了技术支持。