基于全空间瞬变电磁法的深度学习样本集确定方法及系统与流程

1.本技术涉及煤矿含水地质体探测领域，尤其涉及基于全空间瞬变电磁法的深度学习样本集确定方法及系统。


背景技术：

2.矿井全空间瞬变电磁法采用多匝小回线在井下巷道中进行发射接收工作，通过对发射回线施加电流生成一次场后对电流进行关断，通过在发射间歇测量煤岩体中电性不均匀体感应产生的二次场随时间的变化，主要用于解决煤矿井下含水地质异常体的探测、水害预报等地质问题的目的。
3.目前，井下瞬变电磁数据采集主要测量的是脉冲电流归一化后的二次场感应电动势，为对数时间序列下的感应电动势数据，在二维坐标系下为一条随时间衰减的曲线，通过对其进行数据处理可得到地层深度及其电阻率数据。目前煤矿井下大规模应用的数据处理方法主要为线性方法，包含烟圈反演、时深转换算法。神经网络等各类非线性反演算法因其可挖掘数据中包含深层特征愈发收到业界重视，基于深度学习的煤矿井下地球物理反演方法，近年来处于快速发展之中，将其应用于全空间瞬变电磁探测存在以下问题：1)深度学习对数据要求较高，通常需要大量的样本数据进行训练测试，而煤矿井下地质条件是复杂的，难以获取相对精确的层状煤岩体的层厚划分与电阻率数据，基于实测数据难以获取大量的有效样本，数据集难以构建。2)实测数据包含井下巷道中金属体、电力等复杂人文因素干扰，且由于井下瞬变电磁多匝回线，线框与电感效应会影响感应电动势曲线形态，与理论数据存在偏差，也间接导致实测数据与正演数据集存在偏差，正演数据不具备代表性。


技术实现要素：

4.本技术提供基于全空间瞬变电磁法的深度学习样本集确定方法及系统，以至少解决数据样本集难构建且不具有代表性的技术问题。
5.本技术第一方面实施例提出一种基于全空间瞬变电磁法的深度学习样本集确定方法，所述方法包括：
6.获取预设时段内各时刻井下各瞬变电磁实测测点的时间-感应电动势数据，并对所述预设时段内各时刻井下各瞬变电磁实测测点的时间-感应电动势数据进行预处理，得到预设时段内各时刻井下各瞬变电磁实测测点校正后的感应电动势数据；
7.根据所述实测测点校正后的感应电动势数据确定全空间层状介质模型中多个模型测点的地层层厚、地层电阻率，并将所述多个模型测点的地层层厚、地层电阻率作为所述全空间层状介质模型的参数；
8.对所述全空间层状介质模型进行一维正演处理，得到全空间层状介质模型中多个模型测点的时间-感应电动势响应数据；
9.基于所述多个模型测点的时间-感应电动势响应数据进行时间域特征的提取，得到感应电动势、视电阻率、感应电动势变化率、视电阻率变化率时间域特征；
10.将多个模型测点的感应电动势、视电阻率、感应电动势变化率、视电阻率变化率时间域特征作为输入集，将多个模型测点的地层层厚、地层电阻率作为输出集，构成深度学习样本集。
11.优选的，所述对所述预设时段内各时刻井下各瞬变电磁实测测点的时间-感应电动势数据进行预处理，得到预设时段内各时刻井下各瞬变电磁实测测点校正后的感应电动势数据，包括：
12.对所述预设时段内各时刻井下各瞬变电磁实测测点的时间-感应电动势数据进行归一化处理，得到预设时段内各时刻井下各瞬变电磁实测测点归一化后的感应电动势数据；
13.基于所述实测测点归一化后的感应电动势数据确定所述预设时段内各时刻井下各瞬变电磁实测测点校正后的感应电动势数据。
14.进一步的，所述预设时段内各时刻井下各瞬变电磁实测测点校正后的感应电动势数据的计算式如下：
15.d
ij
＝v
ij
·
αi16.式中，d
ij
为预设时段内第i个时刻井下第j个瞬变电磁实测测点校正后的感应电动势数据，v
ij
为预设时段内第i个时刻井下第j个瞬变电磁实测测点归一化后的感应电动势数据，αi为第i个时刻的校正系数。
17.优选的，所述根据所述实测测点校正后的感应电动势数据确定全空间层状介质模型中多个模型测点的地层层厚、地层电阻率，包括：
18.对实测测点校正后的感应电动势数据进行反演计算，得到各实测测点的地层层厚与对应的地层电阻率；
19.根据所述各实测测点的地层层厚与对应的地层电阻率确定实测测点的地层层厚标准差和期望、对应地层电阻率的标准差和期望；
20.根据所述实测测点的地层层厚标准差和期望、对应地层电阻率的标准差和期望确定实测测点的地层层厚的正态分布概率密度函数和对应的地层电阻率的正态分布概率密度函数；
21.基于所述地层层厚的正态分布概率密度函数和所述对应的地层电阻率的正态分布概率密度函数随机生成m个模型测点地层层厚、对应地层电阻率。
22.进一步的，所述实测测点的地层层厚标准差的计算式如下：
[0023][0024]
式中，σh为实测测点的地层层厚标准差，n为实测测点总数，l为全空间层状介质模型的层数，h
jk
为第j个实测测点对应的第k层地层层厚，为层厚均值；
[0025]
所述实测测点的地层层厚期望的计算式如下：
[0026][0027]
式中，μh为实测测点的地层层厚期望；
[0028]
所述实测测点的地层电阻率标准差的计算式如下：
[0029][0030]
式中，σ
ρ
为实测测点的地层电阻率标准差，ρ
jk
为第j个实测测点对应的第k层地层电阻率，为地层电阻率均值；
[0031]
所述实测测点的地层电阻率期望的计算式如下：
[0032][0033]
式中，μ
ρ
为实测测点的地层电阻率期望。
[0034]
进一步的，所述实测测点的地层层厚的正态分布概率密度函数的计算式如下：
[0035][0036]
式中，f(h)为地层层厚的正态分布概率密度函数，h为地层层厚；
[0037]
所述地层电阻率的正态分布概率密度函数的计算式如下：
[0038][0039]
式中，f(ρ)为地层电阻率的正态分布概率密度函数，ρ为地层电阻率。
[0040]
进一步的，所述基于所述多个模型测点的时间-感应电动势响应数据进行时间域特征的提取，得到感应电动势、视电阻率、感应电动势变化率、视电阻率变化率时间域特征，包括：
[0041]
将所述多个模型测点的时间-感应电动势响应数据作为输入数据，将多个模型测点的对应的地层层厚、电阻率模型数据作为输出数据，构成初始的深度学习样本集；
[0042]
在所述初始的深度学习样本集中进行感应电动势、视电阻率、感应电动势变化率、视电阻率变化率时间域特征的提取，得到感应电动势、视电阻率、感应电动势变化率、视电阻率变化率时间域特征。
[0043]
本技术第二方面实施例提出一种基于全空间瞬变电磁法的深度学习样本集确定系统，所述系统包括：
[0044]
预处理模块，用于获取预设时段内各时刻井下各瞬变电磁实测测点的时间-感应电动势数据，并对所述预设时段内各时刻井下各瞬变电磁实测测点的时间-感应电动势数据进行预处理，得到预设时段内各时刻井下各瞬变电磁实测测点校正后的感应电动势数据；
[0045]
第一确定模块，用于根据所述实测测点校正后的感应电动势数据确定全空间层状介质模型中多个模型测点的地层层厚、地层电阻率，并将所述多个模型测点的地层层厚、地层电阻率作为所述全空间层状介质模型的参数；
[0046]
第一处理模块，用于对所述全空间层状介质模型进行一维正演处理，得到全空间层状介质模型中多个模型测点的时间-感应电动势响应数据；
[0047]
特征提取模块，用于基于所述多个模型测点的时间-感应电动势响应数据进行时间域特征的提取，得到感应电动势、视电阻率、感应电动势变化率、视电阻率变化率时间域
特征；
[0048]
构成模块，用于将多个模型测点的感应电动势、视电阻率、感应电动势变化率、视电阻率变化率时间域特征作为输入集，将多个模型测点的地层层厚、地层电阻率作为输出集，构成深度学习样本集。
[0049]
优选的，所述预处理模块还用于：
[0050]
对所述预设时段内各时刻井下各瞬变电磁实测测点的时间-感应电动势数据进行归一化处理，得到预设时段内各时刻井下各瞬变电磁实测测点归一化后的感应电动势数据；
[0051]
基于所述实测测点归一化后的感应电动势数据确定所述预设时段内各时刻井下各瞬变电磁实测测点校正后的感应电动势数据。
[0052]
进一步的，所述特征提取模块，包括：
[0053]
初始构建单元，用于将所述多个模型测点的时间-感应电动势响应数据作为输入数据，将多个模型测点的对应的地层层厚、电阻率模型数据作为输出数据，构成初始的深度学习样本集；
[0054]
提取单元，用于在所述初始的深度学习样本集中进行感应电动势、视电阻率、感应电动势变化率、视电阻率变化率时间域特征的提取，得到感应电动势、视电阻率、感应电动势变化率、视电阻率变化率时间域特征。
[0055]
本技术的实施例提供的技术方案至少带来以下有益效果：
[0056]
本技术提出了基于全空间瞬变电磁法的深度学习样本集确定方法及系统，其中，所述方法包括：获取预设时段内各时刻井下各瞬变电磁实测测点的时间-感应电动势数据，并对所述预设时段内各时刻井下各瞬变电磁实测测点的时间-感应电动势数据进行预处理，得到预设时段内各时刻井下各瞬变电磁实测测点校正后的感应电动势数据；根据所述实测测点校正后的感应电动势数据确定全空间层状介质模型中多个模型测点的地层层厚、地层电阻率，并将所述多个模型测点的地层层厚、地层电阻率作为所述全空间层状介质模型的参数；对所述全空间层状介质模型进行一维正演处理，得到全空间层状介质模型中多个模型测点的时间-感应电动势响应数据；基于所述多个模型测点的时间-感应电动势响应数据进行时间域特征的提取，得到感应电动势、视电阻率、感应电动势变化率、视电阻率变化率时间域特征；将多个模型测点的感应电动势、视电阻率、感应电动势变化率、视电阻率变化率时间域特征作为输入集，将多个模型测点的地层层厚、地层电阻率作为输出集，构成深度学习样本集。本技术提出的技术方案，可消除实测数据与正演数据的偏差，使数据集更具代表性，进而可以保证后续模型训练的准确性。
[0057]
本技术附加的方面以及优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本技术的实践了解到。
附图说明
[0058]
本技术上述的和/或附加的方面以及优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
[0059]
图1为根据本技术一个实施例提供的一种基于全空间瞬变电磁法的深度学习样本集确定方法的流程图；
[0060]
图2为根据本技术一个实施例提供的全空间层状介质模型的数据结构图；
[0061]
图3为根据本技术一个实施例提供的一种基于全空间瞬变电磁法的深度学习样本集确定系统的结构图；
[0062]
图4为根据本技术一个实施例提供的特征提取模块的结构图。
具体实施方式
[0063]
下面详细描述本技术的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本技术，而不能理解为对本技术的限制。
[0064]
本技术提出的基于全空间瞬变电磁法的深度学习样本集确定方法及系统，其中，所述方法包括：获取预设时段内各时刻井下各瞬变电磁实测测点的时间-感应电动势数据，并对所述预设时段内各时刻井下各瞬变电磁实测测点的时间-感应电动势数据进行预处理，得到预设时段内各时刻井下各瞬变电磁实测测点校正后的感应电动势数据；根据所述实测测点校正后的感应电动势数据确定全空间层状介质模型中多个模型测点的地层层厚、地层电阻率，并将所述多个模型测点的地层层厚、地层电阻率作为所述全空间层状介质模型的参数；对所述全空间层状介质模型进行一维正演处理，得到全空间层状介质模型中多个模型测点的时间-感应电动势响应数据；基于所述多个模型测点的时间-感应电动势响应数据进行时间域特征的提取，得到感应电动势、视电阻率、感应电动势变化率、视电阻率变化率时间域特征；将多个模型测点的感应电动势、视电阻率、感应电动势变化率、视电阻率变化率时间域特征作为输入集，将多个模型测点的地层层厚、地层电阻率作为输出集，构成深度学习样本集。本技术提出的技术方案，可消除实测数据与正演数据的偏差，使数据集更具代表性，进而可以保证后续模型训练的准确性。
[0065]
下面参考附图描述本技术实施例的基于全空间瞬变电磁法的深度学习样本集确定方法及系统。
[0066]
实施例一
[0067]
图1为根据本技术一个实施例提供的一种基于全空间瞬变电磁法的深度学习样本集确定方法的流程图，如图1所示，所述方法包括：
[0068]
步骤1：获取预设时段内各时刻井下各瞬变电磁实测测点的时间-感应电动势数据，并对所述预设时段内各时刻井下各瞬变电磁实测测点的时间-感应电动势数据进行预处理，得到预设时段内各时刻井下各瞬变电磁实测测点校正后的感应电动势数据；
[0069]
在本公开实施例中，所述对所述预设时段内各时刻井下各瞬变电磁实测测点的时间-感应电动势数据进行预处理，得到预设时段内各时刻井下各瞬变电磁实测测点校正后的感应电动势数据，包括：
[0070]
对所述预设时段内各时刻井下各瞬变电磁实测测点的时间-感应电动势数据进行归一化处理，得到预设时段内各时刻井下各瞬变电磁实测测点归一化后的感应电动势数据；
[0071]
基于所述实测测点归一化后的感应电动势数据确定所述预设时段内各时刻井下各瞬变电磁实测测点校正后的感应电动势数据。
[0072]
其中，所述预设时段内各时刻井下各瞬变电磁实测测点校正后的感应电动势数据
的计算式如下：
[0073]dij
＝v
ij
·
αi[0074]
式中，d
ij
为预设时段内第i个时刻井下第j个瞬变电磁实测测点校正后的感应电动势数据，v
ij
为预设时段内第i个时刻井下第j个瞬变电磁实测测点归一化后的感应电动势数据即消除关断影响且归一化后的感应电动势数据，αi为第i个时刻的校正系数。
[0075]
需要说明的是，v
ij
＝v
ij
'/nis，v
ij
'为预设时段内第i个时刻井下第j个瞬变电磁实测测点的感应电动势数据即现场仪器设备实测感应电动势数据，n为发射线圈匝数，i为发射电流，s为发射线圈面积；
[0076]di
为第i个时刻均匀全空间正演响应值，为i时间窗口同一地点单次实测所有测点感应电动势的平均值。
[0077]
步骤2：根据所述实测测点校正后的感应电动势数据确定全空间层状介质模型中多个模型测点的地层层厚、地层电阻率，并将所述多个模型测点的地层层厚、地层电阻率作为所述全空间层状介质模型的参数；
[0078]
在本公开实施例中，所述根据所述实测测点校正后的感应电动势数据确定全空间层状介质模型中多个模型测点的地层层厚、地层电阻率，包括：
[0079]
对实测测点校正后的感应电动势数据进行反演计算，得到各实测测点的地层层厚与对应的地层电阻率；
[0080]
根据所述各实测测点的地层层厚与对应的地层电阻率确定实测测点的地层层厚标准差和期望、对应地层电阻率的标准差和期望；
[0081]
根据所述实测测点的地层层厚标准差和期望、对应地层电阻率的标准差和期望确定实测测点的地层层厚的正态分布概率密度函数和对应的地层电阻率的正态分布概率密度函数；
[0082]
基于所述地层层厚的正态分布概率密度函数和所述对应的地层电阻率的正态分布概率密度函数随机生成m个模型测点地层层厚、对应地层电阻率。
[0083]
其中，m个模型测点地层层厚h
p
、地层电阻率ρ
p
，p＝1-m为模型参数总个数标定序号。
[0084]
进一步的，所述实测测点的地层层厚标准差的计算式如下：
[0085][0086]
式中，σh为实测测点的地层层厚标准差，n为实测测点总数，l为全空间层状介质模型的层数，h
jk
为第j个实测测点对应的第k层地层层厚，为层厚均值；
[0087]
所述实测测点的地层层厚期望的计算式如下：
[0088][0089]
式中，μh为实测测点的地层层厚期望；
[0090]
所述实测测点的地层电阻率标准差的计算式如下：
[0091][0092]
式中，σ
ρ
为实测测点的地层电阻率标准差，ρ
jk
为第j个实测测点对应的第k层地层电阻率，为地层电阻率均值；
[0093]
所述实测测点的地层电阻率期望的计算式如下：
[0094][0095]
式中，μ
ρ
为实测测点的地层电阻率期望。
[0096]
进一步的，所述实测测点的地层层厚的正态分布概率密度函数的计算式如下：
[0097][0098]
式中，f(h)为地层层厚的正态分布概率密度函数，h为地层层厚；
[0099]
所述地层电阻率的正态分布概率密度函数的计算式如下：
[0100][0101]
式中，f(ρ)为地层电阻率的正态分布概率密度函数，ρ为地层电阻率。
[0102]
需要说明的是，如图2所示全空间层状介质模型的数据结构图，k＝1-l为层序标定序号，l为模型总地层层数，地层厚度为hk，电阻率为ρk，其中h1＝∞，h
l
＝∞，发射源两侧初始地层厚度为5-10m，相邻地层厚度差不大于50％，相邻地层电阻率不等。
[0103]
步骤3：对所述全空间层状介质模型进行一维正演处理，得到全空间层状介质模型中多个模型测点的时间-感应电动势响应数据；
[0104]
需要说明的是，对生成的k个模型测点样本进行正演，计算k个模型测点样本的时间-感应电动势响应数据，其中，k＝m/l为模型测点样本个数，m值是根据深度学习模型性能及需要的样本数量确定的。
[0105]
步骤4：基于所述多个模型测点的时间-感应电动势响应数据进行时间域特征的提取，得到感应电动势、视电阻率、感应电动势变化率、视电阻率变化率时间域特征；
[0106]
在本公开实施例中，所述步骤4具体包括：
[0107]
步骤4-1：将所述多个模型测点的时间-感应电动势响应数据作为输入数据，将多个模型测点的对应的地层层厚、电阻率模型数据作为输出数据，构成初始的深度学习样本集；
[0108]
步骤4-2：在所述初始的深度学习样本集中进行感应电动势、视电阻率、感应电动势变化率、视电阻率变化率时间域特征的提取，得到感应电动势、视电阻率、感应电动势变化率、视电阻率变化率时间域特征。
[0109]
需要说明的是，感应电动势是在构成初始的深度学习样本集中提取的，视电阻率ρi根据晚期视电阻率值计算公式计算获取的，δvi、δρi根据ti、vi、ρi序列进行差分计算获
取，参照公式：
[0110]
按照表1将样本集进行特征提取，采用z-score标准化方法对数据进行归一化，生成深度学习样本集特征提取数据表。
[0111]
表1深度学习样本特征提取数据表
[0112][0113]
步骤5：将多个模型测点的感应电动势、视电阻率、感应电动势变化率、视电阻率变化率时间域特征作为输入集，将多个模型测点的地层层厚、地层电阻率作为输出集，构成深度学习样本集。
[0114]
综上所述，本实施例提出的一种基于全空间瞬变电磁法的深度学习样本集确定方法，完成全空间瞬变电磁法深度学习样本集的构建与特征提取，且通过本发明数据处理，可消除实测数据与正演数据的偏差，使数据集更具代表性，保证了反演模型的有效性和鲁棒性，可在非测量闲时进行模型的训练测试，测量时发挥深度学习的特点，利用计算好的反演模型达到近乎实时的高精度反演效果。
[0115]
实施例二
[0116]
图3为根据本技术一个实施例提供的一种基于全空间瞬变电磁法的深度学习样本集确定系统的结构图，如图3所示，所述系统包括：
[0117]
预处理模块100，用于获取预设时段内各时刻井下各瞬变电磁实测测点的时间-感应电动势数据，并对所述预设时段内各时刻井下各瞬变电磁实测测点的时间-感应电动势数据进行预处理，得到预设时段内各时刻井下各瞬变电磁实测测点校正后的感应电动势数据；
[0118]
第一确定模块200，用于根据所述实测测点校正后的感应电动势数据确定全空间层状介质模型中多个模型测点的地层层厚、地层电阻率，并将所述多个模型测点的地层层厚、地层电阻率作为所述全空间层状介质模型的参数；
[0119]
第一处理模块300，用于对所述全空间层状介质模型进行一维正演处理，得到全空间层状介质模型中多个模型测点的时间-感应电动势响应数据；
[0120]
特征提取模块400，用于基于所述多个模型测点的时间-感应电动势响应数据进行时间域特征的提取，得到感应电动势、视电阻率、感应电动势变化率、视电阻率变化率时间域特征；
[0121]
构成模块500，用于将多个模型测点的感应电动势、视电阻率、感应电动势变化率、视电阻率变化率时间域特征作为输入集，将多个模型测点的地层层厚、地层电阻率作为输出集，构成深度学习样本集。
[0122]
在本公开实施例中，所述预处理模块100还用于：
[0123]
对所述预设时段内各时刻井下各瞬变电磁实测测点的时间-感应电动势数据进行归一化处理，得到预设时段内各时刻井下各瞬变电磁实测测点归一化后的感应电动势数据；
[0124]
基于所述实测测点归一化后的感应电动势数据确定所述预设时段内各时刻井下各瞬变电磁实测测点校正后的感应电动势数据。
[0125]
进一步的，所述预设时段内各时刻井下各瞬变电磁实测测点校正后的感应电动势数据的计算式如下：
[0126]dij
＝v
ij
·
αi[0127]
式中，d
ij
为预设时段内第i个时刻井下第j个瞬变电磁实测测点校正后的感应电动势数据，v
ij
为预设时段内第i个时刻井下第j个瞬变电磁实测测点归一化后的感应电动势数据，αi为第i个时刻的校正系数。
[0128]
进一步的，所述第一确定模块200还用于：
[0129]
对实测测点校正后的感应电动势数据进行反演计算，得到各实测测点的地层层厚与对应的地层电阻率；
[0130]
根据所述各实测测点的地层层厚与对应的地层电阻率确定实测测点的地层层厚标准差和期望、对应地层电阻率的标准差和期望；
[0131]
根据所述实测测点的地层层厚标准差和期望、对应地层电阻率的标准差和期望确定实测测点的地层层厚的正态分布概率密度函数和对应的地层电阻率的正态分布概率密度函数；
[0132]
基于所述地层层厚的正态分布概率密度函数和所述对应的地层电阻率的正态分布概率密度函数随机生成m个模型测点地层层厚、对应地层电阻率。
[0133]
其中，所述实测测点的地层层厚标准差的计算式如下：
[0134][0135]
式中，σh为实测测点的地层层厚标准差，n为实测测点总数，l为全空间层状介质模型的层数，h
jk
为第j个实测测点对应的第k层地层层厚，为层厚均值；
[0136]
所述实测测点的地层层厚期望的计算式如下：
[0137][0138]
式中，μh为实测测点的地层层厚期望；
[0139]
所述实测测点的地层电阻率标准差的计算式如下：
[0140][0141]
式中，σ
ρ
为实测测点的地层电阻率标准差，ρ
jk
为第j个实测测点对应的第k层地层
电阻率，为地层电阻率均值；
[0142]
所述实测测点的地层电阻率期望的计算式如下：
[0143][0144]
式中，μ
ρ
为实测测点的地层电阻率期望。
[0145]
进一步的，所述实测测点的地层层厚的正态分布概率密度函数的计算式如下：
[0146][0147]
式中，f(h)为地层层厚的正态分布概率密度函数，h为地层层厚；
[0148]
所述地层电阻率的正态分布概率密度函数的计算式如下：
[0149][0150]
式中，f(ρ)为地层电阻率的正态分布概率密度函数，ρ为地层电阻率。
[0151]
进一步的，如图4所示，所述特征提取模块400，包括：
[0152]
初始构建单元401，用于将所述多个模型测点的时间-感应电动势响应数据作为输入数据，将多个模型测点的对应的地层层厚、电阻率模型数据作为输出数据，构成初始的深度学习样本集；
[0153]
提取单元402，用于在所述初始的深度学习样本集中进行感应电动势、视电阻率、感应电动势变化率、视电阻率变化率时间域特征的提取，得到感应电动势、视电阻率、感应电动势变化率、视电阻率变化率时间域特征。
[0154]
综上所述，本实施例提出的一种基于全空间瞬变电磁法的深度学习样本集确定系统，可消除实测数据与正演数据的偏差，使数据集更具代表性，进而可以保证后续模型训练的准确性。
[0155]
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本技术的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
[0156]
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本技术的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本技术的实施例所属技术领域的技术人员所理解。
[0157]
尽管上面已经示出和描述了本技术的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本技术的限制，本领域的普通技术人员在本技术的范围内可以对上述实施例进行变化、修改、替换和变型。

技术特征：
1.一种基于全空间瞬变电磁法的深度学习样本集确定方法，其特征在于，所述方法包括：获取预设时段内各时刻井下各瞬变电磁实测测点的时间-感应电动势数据，并对所述预设时段内各时刻井下各瞬变电磁实测测点的时间-感应电动势数据进行预处理，得到预设时段内各时刻井下各瞬变电磁实测测点校正后的感应电动势数据；根据所述实测测点校正后的感应电动势数据确定全空间层状介质模型中多个模型测点的地层层厚、地层电阻率，并将所述多个模型测点的地层层厚、地层电阻率作为所述全空间层状介质模型的参数；对所述全空间层状介质模型进行一维正演处理，得到全空间层状介质模型中多个模型测点的时间-感应电动势响应数据；基于所述多个模型测点的时间-感应电动势响应数据进行时间域特征的提取，得到感应电动势、视电阻率、感应电动势变化率、视电阻率变化率时间域特征；将多个模型测点的感应电动势、视电阻率、感应电动势变化率、视电阻率变化率时间域特征作为输入集，将多个模型测点的地层层厚、地层电阻率作为输出集，构成深度学习样本集。2.如权利要求1所述的方法，其特征在于，所述对所述预设时段内各时刻井下各瞬变电磁实测测点的时间-感应电动势数据进行预处理，得到预设时段内各时刻井下各瞬变电磁实测测点校正后的感应电动势数据，包括：对所述预设时段内各时刻井下各瞬变电磁实测测点的时间-感应电动势数据进行归一化处理，得到预设时段内各时刻井下各瞬变电磁实测测点归一化后的感应电动势数据；基于所述实测测点归一化后的感应电动势数据确定所述预设时段内各时刻井下各瞬变电磁实测测点校正后的感应电动势数据。3.如权利要求2所述的方法，其特征在于，所述预设时段内各时刻井下各瞬变电磁实测测点校正后的感应电动势数据的计算式如下：d
ij
＝v
ij
·
α
i
式中，d
ij
为预设时段内第i个时刻井下第j个瞬变电磁实测测点校正后的感应电动势数据，v
ij
为预设时段内第i个时刻井下第j个瞬变电磁实测测点归一化后的感应电动势数据，α
i
为第i个时刻的校正系数。4.如权利要求1所述的方法，其特征在于，所述根据所述实测测点校正后的感应电动势数据确定全空间层状介质模型中多个模型测点的地层层厚、地层电阻率，包括：对实测测点校正后的感应电动势数据进行反演计算，得到各实测测点的地层层厚与对应的地层电阻率；根据所述各实测测点的地层层厚与对应的地层电阻率确定实测测点的地层层厚标准差和期望、对应地层电阻率的标准差和期望；根据所述实测测点的地层层厚标准差和期望、对应地层电阻率的标准差和期望确定实测测点的地层层厚的正态分布概率密度函数和对应的地层电阻率的正态分布概率密度函数；基于所述地层层厚的正态分布概率密度函数和所述对应的地层电阻率的正态分布概率密度函数随机生成m个模型测点地层层厚、对应地层电阻率。
5.如权利要求4所述的方法，其特征在于，所述实测测点的地层层厚标准差的计算式如下：式中，σ
h
为实测测点的地层层厚标准差，n为实测测点总数，l为全空间层状介质模型的层数，h
jk
为第j个实测测点对应的第k层地层层厚，为层厚均值；所述实测测点的地层层厚期望的计算式如下：式中，μ
h
为实测测点的地层层厚期望；所述实测测点的地层电阻率标准差的计算式如下：式中，σ
ρ
为实测测点的地层电阻率标准差，ρ
jk
为第j个实测测点对应的第k层地层电阻率，为地层电阻率均值；所述实测测点的地层电阻率期望的计算式如下：式中，μ
ρ
为实测测点的地层电阻率期望。6.如权利要求5所述的方法，其特征在于，所述实测测点的地层层厚的正态分布概率密度函数的计算式如下：式中，f(h)为地层层厚的正态分布概率密度函数，h为地层层厚；所述地层电阻率的正态分布概率密度函数的计算式如下：式中，f(ρ)为地层电阻率的正态分布概率密度函数，ρ为地层电阻率。7.如权利要求4所述的方法，其特征在于，所述基于所述多个模型测点的时间-感应电动势响应数据进行时间域特征的提取，得到感应电动势、视电阻率、感应电动势变化率、视电阻率变化率时间域特征，包括：将所述多个模型测点的时间-感应电动势响应数据作为输入数据，将多个模型测点的对应的地层层厚、电阻率模型数据作为输出数据，构成初始的深度学习样本集；在所述初始的深度学习样本集中进行感应电动势、视电阻率、感应电动势变化率、视电阻率变化率时间域特征的提取，得到感应电动势、视电阻率、感应电动势变化率、视电阻率变化率时间域特征。
8.一种基于全空间瞬变电磁法的深度学习样本集确定系统，其特征在于，所述系统包括：预处理模块，用于获取预设时段内各时刻井下各瞬变电磁实测测点的时间-感应电动势数据，并对所述预设时段内各时刻井下各瞬变电磁实测测点的时间-感应电动势数据进行预处理，得到预设时段内各时刻井下各瞬变电磁实测测点校正后的感应电动势数据；第一确定模块，用于根据所述实测测点校正后的感应电动势数据确定全空间层状介质模型中多个模型测点的地层层厚、地层电阻率，并将所述多个模型测点的地层层厚、地层电阻率作为所述全空间层状介质模型的参数；第一处理模块，用于对所述全空间层状介质模型进行一维正演处理，得到全空间层状介质模型中多个模型测点的时间-感应电动势响应数据；特征提取模块，用于基于所述多个模型测点的时间-感应电动势响应数据进行时间域特征的提取，得到感应电动势、视电阻率、感应电动势变化率、视电阻率变化率时间域特征；构成模块，用于将多个模型测点的感应电动势、视电阻率、感应电动势变化率、视电阻率变化率时间域特征作为输入集，将多个模型测点的地层层厚、地层电阻率作为输出集，构成深度学习样本集。9.如权利要求8所述的系统，其特征在于，所述预处理模块还用于：对所述预设时段内各时刻井下各瞬变电磁实测测点的时间-感应电动势数据进行归一化处理，得到预设时段内各时刻井下各瞬变电磁实测测点归一化后的感应电动势数据；基于所述实测测点归一化后的感应电动势数据确定所述预设时段内各时刻井下各瞬变电磁实测测点校正后的感应电动势数据。10.如权利要求9所述的系统，其特征在于，所述特征提取模块，包括：初始构建单元，用于将所述多个模型测点的时间-感应电动势响应数据作为输入数据，将多个模型测点的对应的地层层厚、电阻率模型数据作为输出数据，构成初始的深度学习样本集；提取单元，用于在所述初始的深度学习样本集中进行感应电动势、视电阻率、感应电动势变化率、视电阻率变化率时间域特征的提取，得到感应电动势、视电阻率、感应电动势变化率、视电阻率变化率时间域特征。

技术总结
本申请提出基于全空间瞬变电磁法的深度学习样本集确定方法及系统，所述方法包括：获取预设时段内各时刻井下各瞬变电磁实测测点的时间-感应电动势数据，并对所述数据进行预处理，得到校正后的感应电动势数据；根据所述校正后的感应电动势数据确定多个模型测点的地层层厚、地层电阻率；对所述全空间层状介质模型进行一维正演处理，得到多个模型测点的时间-感应电动势响应数据，并进行时间域特征的提取；将时间域特征作为输入集，将多个模型测点的地层层厚、地层电阻率作为输出集，构成深度学习样本集。本申请提出的技术方案，可消除实测数据与正演数据的偏差，使数据集更具代表性，进而可以保证后续模型训练的准确性。进而可以保证后续模型训练的准确性。进而可以保证后续模型训练的准确性。


技术研发人员：邱浩 李文 廉玉广 陈健强 崔金亮 王国库 刘波 马志超 张林 刘焱杰
受保护的技术使用者：煤炭科学技术研究院有限公司
技术研发日：2023.05.10
技术公布日：2023/8/16