基于昇思的大地电磁智能反演模型达到业界SOTA,助力地球物理勘探加速智能化

本文主要是介绍基于昇思的大地电磁智能反演模型达到业界SOTA,助力地球物理勘探加速智能化,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

近日,华为AI4S Lab与清华大学李懋坤教授团队、华为先进计算与存储实验室合作,基于昇腾AI处理器与昇思MindSpore AI框架打造了大地电磁智能反演模型。该模型通过变分自编码器(VAE)灵活嵌入了多物理先验知识,达到了业界SOTA。该成果已被国际顶级地球物理期刊《Geophysics》收录,相关代码已在昇思MindSpore Elec电磁仿真套件代码仓中开源,同时,该成果也在昇思人工智能框架峰会2024上发布亮相。

大地电磁反演(Magnetotelluric, MT)是一种地球物理勘探技术。它利用地球表面上的电磁场与地下岩石、矿床等物质的电导率、磁导率等物理属性之间的关系,推断地下物质的电磁参数分布从而达到探测地下物质的目的。该技术被广泛应用于矿产勘探、油气勘探、地质灾害预测等领域。大地电磁反演相比地震波反演具有探测深度大、测量复杂度低、操作较为简便等优势,但传统的大地电磁反演方法(如像素反演方法等)仍面临数据分辨率低、病态性和多解性等问题。基于昇思的大地电磁智能反演模型通过融入多物理先验知识,有效地解决了上述问题。


图1大地电磁反演示意图

大地电磁智能反演模型大体分为两步:

· 根据先验知识随机生成电阻率分布图,并进行VAE的自编码预训练

获得解码器构建的图像和隐变量的映射关系m=Ɗ(v)。特别注意的是,我们首次提出采用1D子域编码方案,该方案可有效降低数据集的复杂性和多样性。最终不仅可以减少训练成本,还可以灵活地嵌入具有各种不确定性的先验知识。

图2 VAE预训练示意图

· 预训练完成后,利用观测数据对隐变量v进行高斯牛顿迭代反演。迭代反演中为了提升反演的稳定性,我们分别引入了关于当前步隐变量梯度的正则项以及前一步隐变量相关的正则项。

其中,dobs是测量数据,而ℱ为大地电磁正演建模算子,第2/3/4项为不同的正则项。通过上述步骤,我们有效的提升了大地电磁反演的分辨率,克服了病态性和多解性问题。

基于昇思MindSpore框架的分布式并行能力,我们实现了高效的变分自编码器网络的预训练和推理。借助MindSpore的自动微分能力,高斯牛顿迭代反演中灵活地嵌入了含梯度的正则项,提升了反演的稳定性。基于昇思MindSpore的大地电磁反演模型,精度和性能上都有显著提升。

如下是大地电磁智能反演示例:反演区域水平长度为10km,深度为1km。下图3中目标电阻率分布(第一列)与传统大地电磁反演(第二列)、大地电磁智能反演(第三列),可以看出大地电磁智能反演相比传统反演精度显著提升(前者残差为0.0056和0.0054;后者为0.023和0.024);下图4中,大地电磁智能反演性能也优于传统反演方法(前者收敛步数为4和4;后者为6和4)。

此外,大地电磁智能反演模型还在南部非洲开源数据集(SAMTEX)上做了验证。该反演区域位于南部非洲西海岸附近,长度约为750km,深度选定为80km。该测区显著特征为在水平方向100km至400km之间,深度20km以浅的区域存在的高导结构。由于低频电磁波在导体结构中的衰减,MT方法对高导结构下部区域的敏感度很低, 因此无先验知识约束的传统MT反演难以准确重建高导地层的下边界位置。大地电磁智能反演对高导地层的下边界重建较为清晰准确,较好地将地层厚度的先验知识融入了反演。

昇思MindSpore为用户和开发者提供了一个高效易用的AI4S加速库,大地电磁智能反演模型充分利用该加速库,并取得了SOTA的结果。未来,AI4S加速库将不断拓展该模型,推动应用落地到更多领域。同时,希望有更多的企业、科研院所能够共同参与共建、共享,依托昇思MindSpore共同打造更多智能电磁的创新应用。

了解更多可查看论文:

https://library.seg.org/doi/10.1190/geo2022-0774.1

相关工作:

· MindSpore Science开源路径

https://gitee.com/mindspore/mindscience

· 昇思大地电磁智能反演模型开源路径

https://gitee.com/mindspore/mindscience/tree/master/MindElec/examples/hybrid_driven/feature_based_MT_inversion

这篇关于基于昇思的大地电磁智能反演模型达到业界SOTA,助力地球物理勘探加速智能化的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/886461

相关文章

Java的IO模型、Netty原理解析

《Java的IO模型、Netty原理解析》Java的I/O是以流的方式进行数据输入输出的,Java的类库涉及很多领域的IO内容:标准的输入输出,文件的操作、网络上的数据传输流、字符串流、对象流等,这篇... 目录1.什么是IO2.同步与异步、阻塞与非阻塞3.三种IO模型BIO(blocking I/O)NI

基于Flask框架添加多个AI模型的API并进行交互

《基于Flask框架添加多个AI模型的API并进行交互》:本文主要介绍如何基于Flask框架开发AI模型API管理系统,允许用户添加、删除不同AI模型的API密钥,感兴趣的可以了解下... 目录1. 概述2. 后端代码说明2.1 依赖库导入2.2 应用初始化2.3 API 存储字典2.4 路由函数2.5 应

使用Python实现表格字段智能去重

《使用Python实现表格字段智能去重》在数据分析和处理过程中,数据清洗是一个至关重要的步骤,其中字段去重是一个常见且关键的任务,下面我们看看如何使用Python进行表格字段智能去重吧... 目录一、引言二、数据重复问题的常见场景与影响三、python在数据清洗中的优势四、基于Python的表格字段智能去重

Spring AI集成DeepSeek三步搞定Java智能应用的详细过程

《SpringAI集成DeepSeek三步搞定Java智能应用的详细过程》本文介绍了如何使用SpringAI集成DeepSeek,一个国内顶尖的多模态大模型,SpringAI提供了一套统一的接口,简... 目录DeepSeek 介绍Spring AI 是什么?Spring AI 的主要功能包括1、环境准备2

Spring AI与DeepSeek实战一之快速打造智能对话应用

《SpringAI与DeepSeek实战一之快速打造智能对话应用》本文详细介绍了如何通过SpringAI框架集成DeepSeek大模型,实现普通对话和流式对话功能,步骤包括申请API-KEY、项目搭... 目录一、概述二、申请DeepSeek的API-KEY三、项目搭建3.1. 开发环境要求3.2. mav

C#集成DeepSeek模型实现AI私有化的流程步骤(本地部署与API调用教程)

《C#集成DeepSeek模型实现AI私有化的流程步骤(本地部署与API调用教程)》本文主要介绍了C#集成DeepSeek模型实现AI私有化的方法,包括搭建基础环境,如安装Ollama和下载DeepS... 目录前言搭建基础环境1、安装 Ollama2、下载 DeepSeek R1 模型客户端 ChatBo

SpringBoot快速接入OpenAI大模型的方法(JDK8)

《SpringBoot快速接入OpenAI大模型的方法(JDK8)》本文介绍了如何使用AI4J快速接入OpenAI大模型,并展示了如何实现流式与非流式的输出,以及对函数调用的使用,AI4J支持JDK8... 目录使用AI4J快速接入OpenAI大模型介绍AI4J-github快速使用创建SpringBoot

Python3脚本实现Excel与TXT的智能转换

《Python3脚本实现Excel与TXT的智能转换》在数据处理的日常工作中,我们经常需要将Excel中的结构化数据转换为其他格式,本文将使用Python3实现Excel与TXT的智能转换,需要的可以... 目录场景应用:为什么需要这种转换技术解析:代码实现详解核心代码展示改进点说明实战演练:从Excel到

Python使用国内镜像加速pip安装的方法讲解

《Python使用国内镜像加速pip安装的方法讲解》在Python开发中,pip是一个非常重要的工具,用于安装和管理Python的第三方库,然而,在国内使用pip安装依赖时,往往会因为网络问题而导致速... 目录一、pip 工具简介1. 什么是 pip?2. 什么是 -i 参数?二、国内镜像源的选择三、如何

0基础租个硬件玩deepseek,蓝耘元生代智算云|本地部署DeepSeek R1模型的操作流程

《0基础租个硬件玩deepseek,蓝耘元生代智算云|本地部署DeepSeekR1模型的操作流程》DeepSeekR1模型凭借其强大的自然语言处理能力,在未来具有广阔的应用前景,有望在多个领域发... 目录0基础租个硬件玩deepseek,蓝耘元生代智算云|本地部署DeepSeek R1模型,3步搞定一个应