摘要：高效高精度的反演算法在重力大数据时代背景下显得尤为重要,受深度学习卓越的非线性映射能力的启发,本文提出了一种基于深度学习的重力异常及重力梯度异常的联合反演方法.文中首先提出了一种基于网格点几何格架的重力异常及重力梯度异常的空间域快速正演算法,这为本文深度学习反演算法的实现奠定了基础;其次对大量的不同密度模型进行正演计算获得样本数据集;然后设计了一种端到端的深度学习网络结构(GraInvNet),再利用样本数据对该网络结构进行训练;最后进行反演预测.组合模型试验表明,多维度数据联合反演相比单一分量反演其结果更“聚焦”,且与模型边界高度吻合,并且对于复杂模型的姿态与物性预测具有极为显著的优势,以及对于含噪声数据的反演,其质量也不会降低;Vinton岩丘实测重力数据也验证了文中方法的有效性;从而证明了深度学习在重力数据的高效高精度反演方面具有的巨大潜力.

摘要：瑞雷波频散曲线反演是获取地表横波波速的关键步骤,现有线性反演方法的效果取决于初始模型的选择,非线性反演也存在效率低、多解等问题.为了进一步提高瑞雷波频散曲线反演的速度与精度,受深度学习卓越非线性映射能力启发,本文提出了瑞雷波频散曲线的深度学习反演方法.文中首先基于近地表速度结构的遍历属性和演化特征的有序性,提出了约束马尔科夫决策的样本数据构建方法;然后设计了一种卷积神经网络衔接长短时记忆网络的混合网络结构(CNN-LSTM),用于构建频散序列数据到速度结构的非线性映射关系,该网络结构包含了3个局部特征学习模块和1个长短时记忆层;再利用样本数据对混合网络进行训练;最后进行反演预测.理论模型试验的频散曲线在无噪与含噪情况下,拟合的平均相对误差分别不超过5.6%和8.9%,表明本文所提方法具有较高的计算精度和良好的鲁棒性.最后,将本文方法应用于2008年汶川M_(W)7.9地震白鹿镇同震地表破裂带的瑞雷波勘探中,为其浅表同震变形的局部化效应提供了科学约束.

摘要：边界识别是位场数据处理中极为重要的一种技术,现有的边界识别方法属于无监督式机器运算,其识别精度与地质体的空间分布存在很大关系,尤其是对深部复杂异常体的识别存在边界模糊的特点.为了进一步提高边界识别的精度,受深度学习卓越非线性映射能力和监督式学习优点的启发,本文提出了基于深度学习的位场边界识别方法,深度学习网络结构是一种融合了多尺度特征和全局注意力机制的密集跳跃连接网络(PFD-Net).该网络结构首先以改进的U-net为骨干网络获取位场边界特征信息,然后在嵌套的标准卷积模块之间进行密集跳跃连接来缩减编码阶段到解码阶段的语义鸿沟,以及减少训练阶段梯度消失等问题,随后再采用全局注意力机制模块将多尺度的高低层特征信息进行融合,以此进一步加强边界的全局及细节定位.模型试验表明,PFD-Net网络能够准确识别出异常体的边界信息,且对于含噪声数据,其预测结果的质量不会降低,该网络表现出较强的泛化性和鲁棒性.最后将本文方法应用于藏东南某铁路隧道西段的航空磁测数据,取得了良好的边界识别结果并能够获得更多的构造信息.

摘要：地球物理反演问题具有病态性、不适定性,传统的线性反演方法面临着次优逼近和初始模型选择等挑战,为了提高磁场数据反演的精度,受深度学习卓越的非线性映射能力的启发,本文提出了一种基于全卷积神经网络的磁异常及磁梯度异常反演方法.文中首先提出了一种基于网格点几何格架的磁异常及磁梯度异常的空间域快速正演算法,这为本文全卷积神经网络反演算法的实现奠定了基础;随后对大量不同剩余磁化强度模型进行正演计算获得样本数据集,将正演数据作为输入层,磁化强度模型作为输出层,并基于U-net网络结构设计了一种端到端的网络结构(MagInvNet),再对该网络结构进行监督学习与参数优化;最后进行反演预测.三组模型试验表明,MagInvNet网络能够快速准确识别出磁异常体的位置与形状,并且能够准确的反演出异常体磁化强度的大小,对于含噪声数据,其反演结果的质量不会降低.本文最后利用安徽霍邱铁矿的航磁数据验证了文中方法的有效性.