| 基于UNet++卷积神经网络的重力异常三维密度反演 |
| |
| 引用本文： | 李柏森,鲁宝亮,安国强,巨鹏,朱武,苏子旺.基于UNet++卷积神经网络的重力异常三维密度反演[J].地球物理学报,2024(2):752-767. |
| |
| 作者姓名： | 李柏森 鲁宝亮 安国强 巨鹏 朱武 苏子旺 |
| |
| 作者单位： | 1. 长安大学地质工程与测绘学院;2. 海洋油气勘探国家工程研究中心;3. 长安大学西部矿产资源与地质工程教育部重点实验室;4. 自然资源部生态地质与灾害防控重点实验室 |
| |
| 基金项目： | 国家自然科学基金(42374168,41904106)；;中央高校基本科研业务费(300102260202,300102262902)联合资助； |
| |
| 摘 要： | 三维密度反演是地球物理领域的研究热点，而在大数据及人工智能发展的时代背景下如何快速高效地实现重力数据反演显得更为重要.传统反演方法通常需要存储大型系数矩阵，内存占用大，耗费时间长，同时为约束反演结果而加入的正则化约束项参数难以确定；深度学习可以不依赖先验信息，也不需要计算及存储系数矩阵，使得计算效率大大提高.基于此，本文提出了一种基于UNet++网络的重力异常反演方法.首先将UNet++网络中部分参数进行更改：选择在输入数据绝对值较大时梯度更稳定的LeakyReLU作为激活函数；加入了Batch Normalization层，增强了网络的收敛速度及稳定性.然后为了提高网络的全局最优化能力，引入了基于余弦退火的学习率更新策略，使用梯度的一阶以及二阶矩估计的Adam最优化算法，利用数据集与标签集进行网络训练，实现了重力异常的三维密度反演.通过实验验证了UNet++、LeakyReLU更快速稳定的收敛能力，而余弦退火学习率更新策略具有更强的全局寻优能力.含噪模型实验及实际数据反演结果进一步证明该方法的正确性和有效性，及其良好的泛化能力与抗噪能力.
|
| 关 键 词： | 密度反演 重力异常 UNet++ 余弦退火 深度学习 |
|
|
