关键词:
时间域航空瞬变电磁
深度学习
降噪算法
Geo-Transformer模型
反演
摘要:
时间域航空瞬变电磁(Time-domain Airborne Transient Electromagnetic Method,ATEM)是一种高采样率、高效的近地表地球物理探测技术,具有采集速度快、地形适应性强的特点,可广泛用于矿产探查、地质和环境勘察等领域。ATEM通常为连续采集,速度快、数据量大,利用常规的反演方法处理,如初始模型设计不当,易陷入局部最优,无法高效快速反演。为实现大数据量航空瞬变电磁快速反演,本文以时间域航空瞬变电磁中心回线装置形式快速反演为目标,设计了基于深度学习算法的数据处理系统。提出Attention-Seq2seq降噪算法;选用符合瞬变电磁数据反演特征的深度学习模型进行对比、优选、优化,提出了物理和数据联合驱动的Geo-Transformer反演模型;开发了一套航空瞬变电磁数据处理软件系统;最后利用实测数据进行降噪和反演算法的工程验证,证明其有效性和准确性。具体研究内容和成果如下:
1、基于深度学习的非线性反演方法其精度和准确性取决于训练集的广度和代表性。为保证数据集的广泛代表性,提出层厚度以指数增长、各层电阻率按概率随机赋值的地电模型构建方法。其中,地层层厚按指数增长,首层介质电阻率在设定范围内随机赋值,下一层电阻率按与上一层电阻率相同的概率P∈[0.5,1]设定,依次类推逐层赋电阻率值,实现地层与电阻率的随机分布。通过对64万组地电模型进行统计特性分析,验证了该方法构建的地电模型具有遍历性。利用有限体积法进行正演计算获取地电模型二次场感应电压数据集。为了实现大数据量模型数据集的快速构建,本文采用并行加速技术,创建64万组地电模型及对应供电脉宽为10ms、40道的二次场感应电压数据集,仅需20 min。
2、瞬变电磁法二次场电压动态范围较大,晚期信号相对较小,极易受到噪声干扰。为实现有效降噪,提高信号的信噪比,本文提出Attention-Seq2seq降噪算法。对比不同方法对天雷噪声、高斯白噪声、谐波噪声以及组合噪声信号降噪效果,结果表明Attention-Seq2seq降噪效果较好。为了确保Attention-Seq2seq的实用性,提高该方法对系统噪声和环境噪声的降噪能力,需要用实际噪声训练集对模型训练。构建训练集时为了解决实际采集噪声数据有限的问题,引入WGANGP方法对实采噪声数据集进行扩充。扩充噪声数据的幅值、期望和标准差与实采噪声数据具有较好的一致性,扩充的数据与实测数据特性相同。将实采噪声数据与扩充噪声数据合并构建噪声数据集,并与随机生成的地电模型二次场理论电压值叠加,构建成降噪训练集和测试集。将训练后模型应用于测试集和实际工程数据,结果表明该方法对不同类型的电磁噪声均具有良好压制效果。
3、本文提出了Geo-Transformer深度学习航空瞬变电磁反演算法。首先,选择包括Transformer在内的9种机器学习算法进行对比,优选出Transformer模型作为基础模型。为提升模型的反演精度和适用性,引入余弦相似度作为距离计算公式,采用正交试验法优化超参数。为使模型符合物理规律,将电磁传播物理规律嵌入模型训练,构建了双损失函数的Geo-Transformer模型。实验结果显示,该模型在不同深度和飞行高度的地电模型数据反演中表现出较高的稳定性和准确性。即便是反演与训练集地层结构不同的数据,Geo-Transformer模型依然保持了优异的泛化能力和准确性。与传统的IRLS、贝叶斯法和Occam反演方法相比,Geo-Transformer反演方法对地层分界面具有较好的反映。
4、利用本文提出的数据处理方法对福建某滑坡航空瞬变电磁数据进行处理并与钻孔及IRLS和Occam反演方法对比,验证Geo-Transformer模型在实际工程中的反演效果。根据目标区地质情况,建立45.55m深地电模型,各层电阻率采用随机概率进行分配的方法,计算二次场感应电压曲线构建降噪训练集和反演训练集。利用Attention-Seq2seq、Geo-Transformer分别进行降噪和反演成像,获取了7条测线的电阻率剖面图其反演总时长20s。各测线结果与钻孔资料十分吻合,比IRLS和Occam的界面分辨能力强、耗时短,具有突出的优势。验证了Geo-Transformer模型航空瞬变电磁成像方法的准确性、可靠性和高效性。