[發(fā)明專(zhuān)利]一種基于離散卷積殘差網(wǎng)絡(luò)的含水層結(jié)構(gòu)反演識(shí)別方法有效
| 申請(qǐng)?zhí)枺?/td> | 202110354004.X | 申請(qǐng)日: | 2021-04-01 |
| 公開(kāi)(公告)號(hào): | CN112949089B | 公開(kāi)(公告)日: | 2022-11-15 |
| 發(fā)明(設(shè)計(jì))人: | 戴振學(xué);湛傳俊 | 申請(qǐng)(專(zhuān)利權(quán))人: | 吉林大學(xué) |
| 主分類(lèi)號(hào): | G06F30/20 | 分類(lèi)號(hào): | G06F30/20;G06N3/04 |
| 代理公司: | 長(zhǎng)春市四環(huán)專(zhuān)利事務(wù)所(普通合伙) 22103 | 代理人: | 張建成 |
| 地址: | 130012 吉*** | 國(guó)省代碼: | 吉林;22 |
| 權(quán)利要求書(shū): | 查看更多 | 說(shuō)明書(shū): | 查看更多 |
| 摘要: | |||
| 搜索關(guān)鍵詞: | 一種 基于 離散 卷積 網(wǎng)絡(luò) 含水層 結(jié)構(gòu) 反演 識(shí)別 方法 | ||
1.一種基于離散卷積殘差網(wǎng)絡(luò)的含水層結(jié)構(gòu)反演識(shí)別方法,其特征在于:包括以下步驟:
步驟1:通過(guò)資料收集方式,建立一個(gè)目標(biāo)含水層的先驗(yàn)結(jié)構(gòu);
步驟2:將含水層先驗(yàn)結(jié)構(gòu)作為訓(xùn)練集,利用并行單樣本生成對(duì)抗網(wǎng)絡(luò)對(duì)其進(jìn)行學(xué)習(xí),建立含水層結(jié)構(gòu)生成模型;
步驟3:隨機(jī)生成參數(shù)樣本,輸入到訓(xùn)練后的含水層結(jié)構(gòu)生成模型,生成一系列與初始結(jié)構(gòu)具有相同地質(zhì)統(tǒng)計(jì)特征的含水層結(jié)構(gòu),將其輸入到溶質(zhì)運(yùn)移模型中,得到對(duì)應(yīng)的水頭及濃度的狀態(tài)分布場(chǎng),建立由“含水層結(jié)構(gòu)-狀態(tài)場(chǎng)”樣本構(gòu)成的正演替代模型訓(xùn)練樣本集;
步驟4:對(duì)步驟3獲得的訓(xùn)練樣本集作歸一化處理;
步驟5:結(jié)合離散卷積層和稠密殘差網(wǎng)絡(luò)構(gòu)建一個(gè)由含水層結(jié)構(gòu)作為輸入,狀態(tài)場(chǎng)作為輸出的正演替代模型,用步驟4中歸一化處理后的訓(xùn)練樣本集對(duì)本步驟中的正演替代模型進(jìn)行訓(xùn)練;
步驟6:對(duì)觀測(cè)水頭、濃度數(shù)據(jù)采用步驟4相同的方法進(jìn)行歸一化處理;
步驟7:隨機(jī)生成一系列含水層結(jié)構(gòu)生成模型輸入?yún)?shù)的樣本,將參數(shù)樣本輸入到含水層結(jié)構(gòu)生成模型中,獲得對(duì)應(yīng)的含水層結(jié)構(gòu);
步驟8:將步驟7生成的含水層結(jié)構(gòu)輸入到正演替代模型中,獲得對(duì)應(yīng)的狀態(tài)場(chǎng),從而獲得觀測(cè)點(diǎn)位置的水頭及濃度模擬預(yù)測(cè)值;
步驟9:基于模擬預(yù)測(cè)值與實(shí)際觀測(cè)數(shù)據(jù),利用集合平滑器算法,對(duì)輸入到含水層結(jié)構(gòu)生成模型的參數(shù)樣本進(jìn)行更新;
步驟10:將步驟9更新后的參數(shù)輸入到含水層結(jié)構(gòu)生成模型中,并利用正演替代模型獲取更新后含水層結(jié)構(gòu)所對(duì)應(yīng)觀測(cè)點(diǎn)位置的水頭及濃度模擬預(yù)測(cè)值;
步驟11:重復(fù)步驟9-10,直到達(dá)到設(shè)定的迭代次數(shù);
步驟12:將最后更新得到的參數(shù)輸入到含水層結(jié)構(gòu)生成模型中,即可獲得基于觀測(cè)數(shù)據(jù)的后驗(yàn)含水層結(jié)構(gòu)。
2.根據(jù)權(quán)利要求1所述的一種基于離散卷積殘差網(wǎng)絡(luò)的含水層結(jié)構(gòu)反演識(shí)別方法,其特征在于:所述步驟1僅需要獲取一個(gè)含水層結(jié)構(gòu)先驗(yàn)?zāi)P汀?/p>
3.根據(jù)權(quán)利要求1所述的一種基于離散卷積殘差網(wǎng)絡(luò)的含水層結(jié)構(gòu)反演識(shí)別方法,其特征在于:所述步驟2中的含水層結(jié)構(gòu)生成模型是基于并行單樣本生成對(duì)抗網(wǎng)絡(luò)實(shí)現(xiàn)的,其僅需要單個(gè)訓(xùn)練樣本即可進(jìn)行訓(xùn)練且相比于其他生成對(duì)抗網(wǎng)絡(luò)具有更快的訓(xùn)練速度。
4.根據(jù)權(quán)利要求1所述的一種基于離散卷積殘差網(wǎng)絡(luò)的含水層結(jié)構(gòu)反演識(shí)別方法,其特征在于:所述步驟2中基于并行單樣本生成對(duì)抗網(wǎng)絡(luò)的含水層結(jié)構(gòu)生成模型的訓(xùn)練過(guò)程是分階段進(jìn)行的,含水層結(jié)構(gòu)生成模型可以對(duì)含水層結(jié)構(gòu)訓(xùn)練樣本的大尺度到小尺度特征隨訓(xùn)練階段的增加依次進(jìn)行學(xué)習(xí)。
5.根據(jù)權(quán)利要求1所述的一種基于離散卷積殘差網(wǎng)絡(luò)的含水層結(jié)構(gòu)反演識(shí)別方法,其特征在于:所述步驟2中的含水層結(jié)構(gòu)生成模型在第N階段訓(xùn)練所采用的損失函數(shù)如下所示:
公式(1)中GN,DN分別表示第N階段的生成器和識(shí)別器,表示W(wǎng)GAN-GP損失函數(shù),其表達(dá)式如式(2)和(3)所示,表示重構(gòu)損失函數(shù),其表達(dá)式如式(4)所示,γ為重構(gòu)損失系數(shù);
公式(2)、(3)中Ptrain是訓(xùn)練數(shù)據(jù)分布,Pgen表示生成數(shù)據(jù)分布,是從訓(xùn)練數(shù)據(jù)和生成數(shù)據(jù)中隨機(jī)抽取的一個(gè)樣本分布:
公式(4)中zrec為重構(gòu)輸入?yún)?shù),由訓(xùn)練開(kāi)始階段隨機(jī)產(chǎn)生,在訓(xùn)練過(guò)程中固定不變,XN表示含水層先驗(yàn)結(jié)構(gòu)。
6.根據(jù)權(quán)利要求1所述的一種基于離散卷積殘差網(wǎng)絡(luò)的含水層結(jié)構(gòu)反演識(shí)別方法,其特征在于:所述步驟3中“含水層結(jié)構(gòu)-狀態(tài)場(chǎng)”訓(xùn)練集均采用圖像像素點(diǎn)值的形式,將正演替代模型的輸入及輸出均看作圖像,將含水層結(jié)構(gòu)到狀態(tài)場(chǎng)的映射看作是一個(gè)圖像回歸問(wèn)題。
7.根據(jù)權(quán)利要求1所述的一種基于離散卷積殘差網(wǎng)絡(luò)的含水層結(jié)構(gòu)反演識(shí)別方法,其特征在于:所述步驟3中通過(guò)編寫(xiě)程序,依據(jù)生成的含水層結(jié)構(gòu),自動(dòng)地替換溶質(zhì)運(yùn)移模擬程序的輸入文件中網(wǎng)格巖相,并且執(zhí)行溶質(zhì)運(yùn)移模擬程序,最后將輸出結(jié)果自動(dòng)保存,從而得到由模型參數(shù)和模型響應(yīng)構(gòu)成的訓(xùn)練樣本集。
該專(zhuān)利技術(shù)資料僅供研究查看技術(shù)是否侵權(quán)等信息,商用須獲得專(zhuān)利權(quán)人授權(quán)。該專(zhuān)利全部權(quán)利屬于吉林大學(xué),未經(jīng)吉林大學(xué)許可,擅自商用是侵權(quán)行為。如果您想購(gòu)買(mǎi)此專(zhuān)利、獲得商業(yè)授權(quán)和技術(shù)合作,請(qǐng)聯(lián)系【客服】
本文鏈接:http://www.17sss.com.cn/pat/books/202110354004.X/1.html,轉(zhuǎn)載請(qǐng)聲明來(lái)源鉆瓜專(zhuān)利網(wǎng)。
- 卷積運(yùn)算處理方法及相關(guān)產(chǎn)品
- 一種卷積神經(jīng)網(wǎng)絡(luò)的計(jì)算方法及系統(tǒng)
- 卷積運(yùn)算方法及系統(tǒng)
- 卷積運(yùn)算方法、裝置及系統(tǒng)
- 深度神經(jīng)網(wǎng)絡(luò)裁剪方法、裝置及電子設(shè)備
- 基于卷積神經(jīng)網(wǎng)絡(luò)的圖像處理方法和圖像處理裝置
- 卷積神經(jīng)網(wǎng)絡(luò)及基于卷積神經(jīng)網(wǎng)絡(luò)的圖像處理方法
- 一種圖像處理方法、裝置以及計(jì)算機(jī)存儲(chǔ)介質(zhì)
- 用于卷積神經(jīng)網(wǎng)絡(luò)的卷積運(yùn)算裝置
- 基于FPGA實(shí)現(xiàn)圖像識(shí)別的方法、裝置、設(shè)備及存儲(chǔ)介質(zhì)
- 網(wǎng)絡(luò)和網(wǎng)絡(luò)終端
- 網(wǎng)絡(luò)DNA
- 網(wǎng)絡(luò)地址自適應(yīng)系統(tǒng)和方法及應(yīng)用系統(tǒng)和方法
- 網(wǎng)絡(luò)系統(tǒng)及網(wǎng)絡(luò)至網(wǎng)絡(luò)橋接器
- 一種電力線網(wǎng)絡(luò)中根節(jié)點(diǎn)網(wǎng)絡(luò)協(xié)調(diào)方法和系統(tǒng)
- 一種多網(wǎng)絡(luò)定位方法、存儲(chǔ)介質(zhì)及移動(dòng)終端
- 網(wǎng)絡(luò)裝置、網(wǎng)絡(luò)系統(tǒng)、網(wǎng)絡(luò)方法以及網(wǎng)絡(luò)程序
- 從重復(fù)網(wǎng)絡(luò)地址自動(dòng)恢復(fù)的方法、網(wǎng)絡(luò)設(shè)備及其存儲(chǔ)介質(zhì)
- 神經(jīng)網(wǎng)絡(luò)的訓(xùn)練方法、裝置及存儲(chǔ)介質(zhì)
- 網(wǎng)絡(luò)管理方法和裝置





