论文部分内容阅读
从探测平台以较低成本获得大规模高质量的重磁数据技术迅速发展并逐渐成熟,与之配套的高分辨率数据处理和解释技术也在不断更新和完善。三维重磁反演不仅能够提供有关异常源水平边界和埋深的几何位置信息,还能够提供物性参数大小及其分布等定量信息,从而为后续的地球物理勘探或地质解释提供相关参考。因此,对重磁数据进行地下密度或者磁化率分布建模的三维反演技术是数据解释中至关重要的一环。对于大规模重磁数据,在理论上,现有的高分辨率反演方法均可使用。然而,在数值上,计算复杂度随问题的大小线性增加,这意味着三维反演面临两个主要障碍。首先是需要大量的计算机内存来存储灵敏度矩阵。即使几千个数据点这种小规模反演一般也需要上万的小单元组成地下三维模型,这也会超出台式机的可用内存。然后是是将正演算子的稠密矩阵(即灵敏度矩阵)乘以数据向量所需的CPU时间。这两个障碍直接限制了实际可解决问题的规模。本文围绕这两个障碍展开分析和研究。正演是实现反演计算的基础,在反演的每一次迭代过程中,均需要通过正演建模——即将灵敏度矩阵应用于预测模型——计算出预测模型产生的预测异常。我们通常将灵敏度矩阵事先计算出来并存储,以便下次使用。但随着问题规模增大,灵敏度矩阵增大,计算时间也增加。本文提出基于等效几何格架的灵敏度索引技术,仅计算并存储灵敏度矩阵元素可能出现的所有数值,并通过索引技术构建灵敏度矩阵。我们通过模型试验验证了该方法在减少内存占用方面巨大的优越性,同时一定程度上减少计算灵敏度矩阵的时间,为大规模数据反演奠定基础。对于大规模数据反演快速计算,本文提出了基于并行计算技术的反演方法,采用MPI实现CPU并行调用多个GPU,采用CUDA和OpenACC实现GPU并行计算,同时针对并行计算程序进行了减少数据传输、减少访存受限、隐藏延时以及减少指令受限等优化。我们通过模型试验证明了该方法使大规模模型的快速反演成为可能,同一地下模型密集数据的引入可以更加清楚的描绘出异常体边界位置,勾画其具体形态。我们还将该方法应用于甘肃金川铜矿区的实测磁异常,其反演结果快速稳定,与地质资料相符合。将深度学习这一概念应用于地球物理数据自动解释是如今的一个研究热点,但使用深度学习方法进行重磁反演以恢复地下物性分布这一领域依旧是空白。本文实现了基于卷积神经网络的重磁数据反演,设计了一个相对简单而又行之有效的卷积神经网络,使得用于重力数据密度成像所需要存储与训练的参数大量减少,并可以对重磁数据进行高效且较为准确的物性成像。并通过模型试验对算法进行了验证,并将该网络应用于金川矿区航磁异常地质解释。