【技術實現步驟摘要】
本專利技術涉及人工智能，具體而言，涉及一種莫霍面深度重力反演模型構建方法及反演方法。
技術介紹
1、重力對密度分布的高度敏感性使其成為一個重要的多學科交叉地球物理方法，廣泛應用于全球板塊構造研究、資源勘探和工程勘探。通過反向推演重力異常數據，可以確定地球內部不均勻密度界面的深度模型，包括地殼界面、莫霍面和古登堡面。然而，重力反演問題常常表現出解的多解性，并易于在計算過程中出現發散。
2、現今，深度學習作為機器學習的一個分支，為解決重力反演中的棘手問題提供了新的策略。然而基于深度學習的密度界面反演方法不同于傳統重力反演，它依賴于數據驅動的方式，將觀測數據映射到地球物理模型中。這種方法通過構建深度非線性網絡，專注于獨立學習輸入變量與輸出之間的復雜映射關系，從而減弱地球物理理論的限制。
3、但目前基于深度學習的重力反演方法僅能夠粗略模擬密度界面的總體趨勢，但對細節的恢復能力較差，導致最終的反演結果準確度較低，且在復雜地形的泛化能力方面也存在欠缺。
技術實現思路
1、本專利技術解決的問題是如何提高莫霍面深度重力反演結果的準確性。
2、為解決上述問題，本專利技術提供一種莫霍面深度重力反演模型構建方法：包括：
3、獲取待測區域的莫霍面數據集；
4、根據所述莫霍面數據集獲取對應得的重力異常數據集；
5、根據所述重力異常數據集對初始模型進行訓練及調優，得到最終的莫霍面深度重力反演模型；其中，所述莫霍面深度重力反演模型用于得到對
6、可選地，所述重力異常數據集包括重力異常數據和對應的標簽數據；所述根據所述重力異常數據集對初始模型進行訓練及調優，得到最終的莫霍面深度重力反演模型，包括：
7、通過所述初始模型對所述重力異常數據進行預測，得到對應的臨時預測結果；
8、通過所述臨時預測結果和對應的所述標簽數據對所述初始模型進行調優，將調優后的所述初始模型作為所述莫霍面深度重力反演模型。
9、可選地，所述初始模型還包括編碼器和解碼器；所述通過所述初始模型對所述重力異常數據進行預測，得到對應的臨時預測結果，包括：
10、通過所述編碼器對所述重力異常數據進行編碼，得到第一特征數據；
11、通過所述解碼器對所述第一特征數據進行處理，得到目標特征數據；并將所述注意力網絡的輸出數據與所述目標特征數據進行拼接，融合特征數據；對所述融合特征數據進行解碼，得到臨時預測結果；
12、其中，所述注意力網絡的輸出數據基于所述編碼器和所述解碼器的處理過程中的輸出數據獲得。
13、可選地，所述編碼器包括輸出模塊和多個上采樣模塊，所述注意力網絡包括多個注意力門，多個所述注意力門與多個所述上采樣模塊一一對應；所述通過所述解碼器對所述第一特征數據進行處理，得到目標特征數據；并將所述注意力網絡的輸出數據與所述目標特征數據進行拼接，融合特征數據；對所述融合特征數據進行解碼，得到臨時預測結果，包括：
14、選取第一上采樣模塊，所述第一上采樣模塊為任一所述上采樣模塊；
15、通過所述第一上采樣模塊對所述第一特征數據進行處理，得到第一目標特征數據；通過對應的所述注意力門將所述第一目標特征數據和對應的臨時數據進行融合，得到第一臨時融合數據；通過所述第一上采樣模塊將第一臨時融合數據和所述第一目標特征數據進行拼接，得到第一融合特征數據；通過所述第一上采樣模塊對所述第一融合特征數據進行處理，得到第一臨時特征數據；
16、通過下一所述第一上采樣模塊對所述第一臨時特征數據進行處理，得到第二目標特征數據；通過對應的所述注意力門將所述第二目標特征數據和對應的臨時數據進行融合，得到第二臨時融合數據；通過下一所述第一上采樣模塊將第二臨時融合數據和所述第二目標特征數據進行拼接，得到第二融合特征數據；通過下一所述第一上采樣模塊對所述第二融合特征數據進行處理，得到第二臨時特征數據，重復迭代，直至遍歷所有所述上采樣模塊，得到處理后的特征數據，并通過所述輸出模塊對所述處理后的特征數據進行處理，得到所述臨時預測結果；
17、其中，所述臨時數據為對應的所述子模塊的輸出數據。
18、可選地，所述獲取莫霍面數據集，包括：
19、獲取所述待測區域的基礎數據，所述基礎數據包括區域范圍和坐標數據；
20、根據所述區域范圍和所述坐標數據得到多個矩形區域，并分別對各所述矩形區域進行賦值，得到多個長方體存在的界面；
21、對所有所述長方體存在的界面進行疊加并過濾，得到多個莫霍面數據；
22、根據所有所述莫霍面數據得到所述莫霍面數據集。
23、可選地，所述對所有所述長方體存在的界面進行疊加并過濾，得到多個莫霍面數據，包括：
24、通過式一，對所有所述長方體存在的界面進行疊加，得到多個臨時起伏高度界面；
25、對各所述臨時起伏高度界面進行平滑處理，得到多個所述莫霍面數據；
26、其中，所述式一為：
27、
28、其中，h(m，n)為所述臨時起伏高度界面，m為所述臨時起伏高度界面的橫坐標，n為所述臨時起伏高度界面的縱坐標，n為所述臨時起伏高度界面的總層數，n為所述臨時起伏高度界面存在長方體數量，δh表示所述臨時起伏高度界面的高度賦值，h0表示對應的所述臨時起伏高度界面的初始高度值，i為當前所述臨時起伏高度界面的層數，j為所述臨時起伏高度界面中存在的第j個長方體。
29、可選地，所述通過所述臨時預測結果和對應的所述標簽數據對所述初始模型進行調優，將調優后的所述初始模型作為所述莫霍面深度重力反演模型，包括：
30、根據所述臨時預測結果和對應的所述標簽數據進行損失計算，得到損失函數輸出；
31、根據所述損失函數輸出調整所述初始模型的模型參數，直至滿足停止條件，將經參數調整后的所述初始模型作為所述莫霍面深度重力反演模型；
32、其中，所述停止條件包括預設訓練輪次、預設損失條件或早停機制。
33、本專利技術的莫霍面深度重力反演模型構建方法有益效果是：
34、首先，通過地震波探測等手段，獲取待測區域的莫霍面數據集。這些數據集反映了地殼和地幔之間的界面深度信息，為后續模型構建提供基礎，并基于所獲得的莫霍面數據集，計算并獲得相應的重力異常數據集。重力異常數據反映了地殼結構的不均勻性，并與莫霍面的起伏特征密切相關。最后，以獲取的重力異常數據集為基礎，通過對初始模型的訓練及調優，最終得到莫霍面深度重力反演模型。這里的初始模型是基于u-net基礎網絡，并增設注意力網絡，引入注意力機制的目的是通過注意力門技術來串聯編碼過程中不同層之間的特征，以實現對模型性能的提升。
35、具體而言，關注的重點是莫霍面起伏較弱區域內，重力異常與莫霍面起伏之間的關系。通過建立重力異常與地下界面本文檔來自技高網...
【技術保護點】
1.一種莫霍面深度重力反演模型構建方法，其特征在于，包括：
2.根據權利要求1所述的莫霍面深度重力反演模型構建方法，其特征在于，所述重力異常數據集包括重力異常數據和對應的標簽數據；所述根據所述重力異常數據集對初始模型進行訓練及調優，得到最終的莫霍面深度重力反演模型，包括：
3.根據權利要求2所述的莫霍面深度重力反演模型構建方法，其特征在于，所述初始模型還包括編碼器和解碼器；所述通過所述初始模型對所述重力異常數據進行預測，得到對應的臨時預測結果，包括：
4.根據權利要求3所述的莫霍面深度重力反演模型構建方法，其特征在于，所述編碼器包括多個子模塊，所述通過所述解碼器對所述重力異常數據進行處理，得到第一特征數據，包括：
5.根據權利要求4所述的莫霍面深度重力反演模型構建方法，其特征在于，所述編碼器包括輸出模塊和多個上采樣模塊，所述注意力網絡包括多個注意力門，多個所述注意力門與多個所述上采樣模塊一一對應；所述通過所述解碼器對所述第一特征數據進行處理，得到目標特征數據；并將所述注意力網絡的輸出數據與所述目標特征數據進行拼接，融合特征數據；對所
6.根據權利要求1所述的莫霍面深度重力反演模型構建方法，其特征在于，所述獲取莫霍面數據集，包括：
7.根據權利要求6所述的莫霍面深度重力反演模型構建方法，其特征在于，所述對所有所述長方體存在的界面進行疊加并過濾，得到多個莫霍面數據，包括：
8.根據權利要求2所述的莫霍面深度重力反演模型構建方法，其特征在于，所述通過所述臨時預測結果和對應的所述標簽數據對所述初始模型進行調優，將調優后的所述初始模型作為所述莫霍面深度重力反演模型，包括：
9.一種莫霍面深度重力反演模型構建裝置，其特征在于，包括：
10.一種莫霍面深度重力反演方法，其特征在于，包括：
...【技術特征摘要】
1.一種莫霍面深度重力反演模型構建方法，其特征在于，包括：
2.根據權利要求1所述的莫霍面深度重力反演模型構建方法，其特征在于，所述重力異常數據集包括重力異常數據和對應的標簽數據；所述根據所述重力異常數據集對初始模型進行訓練及調優，得到最終的莫霍面深度重力反演模型，包括：
3.根據權利要求2所述的莫霍面深度重力反演模型構建方法，其特征在于，所述初始模型還包括編碼器和解碼器；所述通過所述初始模型對所述重力異常數據進行預測，得到對應的臨時預測結果，包括：
4.根據權利要求3所述的莫霍面深度重力反演模型構建方法，其特征在于，所述編碼器包括多個子模塊，所述通過所述解碼器對所述重力異常數據進行處理，得到第一特征數據，包括：
5.根據權利要求4所述的莫霍面深度重力反演模型構建方法，其特征在于，所述編碼器包括輸出模塊和多個上采樣模塊，所述注意力網絡包括多個注意力門，多個所述注意力門與...
【專利技術屬性】
技術研發人員：饒煒博，陳剛，王祖順，王青春，趙利江，張生鵬，李顯巨，
申請(專利權)人：中國地質大學武漢，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。