本發(fā)明涉及三維地質(zhì)建模領(lǐng)域，尤其涉及一種基于條件譜歸一化生成對(duì)抗網(wǎng)絡(luò)的三維地質(zhì)模型自動(dòng)重建方法。

背景技術(shù)：

1、三維地質(zhì)模型的精細(xì)重構(gòu)是地球信息科學(xué)研究和資源開(kāi)發(fā)的關(guān)鍵環(huán)節(jié)，能夠提升對(duì)地下地層結(jié)構(gòu)和性質(zhì)的理解和描述能力。良好的地層模型能夠準(zhǔn)確反映研究區(qū)域的復(fù)雜地質(zhì)模式特征，提高勘探和開(kāi)發(fā)決策的科學(xué)性和準(zhǔn)確性。然而，隨著勘探工作的深入，地層交錯(cuò)復(fù)雜、空間分布不規(guī)則，沉積模式也更加多樣化。再加上地質(zhì)模型所呈現(xiàn)的典型非均質(zhì)性和非平穩(wěn)性，使得建模技術(shù)面臨著更大的挑戰(zhàn)和要求。建模方法主要可分為確定性建模和隨機(jī)建模兩種，分別基于地質(zhì)資料給出確定性的地層分布預(yù)測(cè)結(jié)果和對(duì)未知區(qū)域隨機(jī)模擬出多個(gè)可能的預(yù)測(cè)結(jié)果。盡管確定性建模能直接融入地質(zhì)專(zhuān)家的經(jīng)驗(yàn)和知識(shí)，但受限于地質(zhì)數(shù)據(jù)的稀疏性，存在建模困難、結(jié)果連續(xù)性和變異性表征效果差、可靠性難以評(píng)定等問(wèn)題。隨機(jī)建模中最典型的方法之一是基于地質(zhì)統(tǒng)計(jì)學(xué)的模擬方法，如多點(diǎn)地質(zhì)統(tǒng)計(jì)學(xué)，能解決重構(gòu)地下異質(zhì)性結(jié)構(gòu)及屬性空間分布的問(wèn)題，并且能夠量化結(jié)果的不確定性。然而，由于其以平穩(wěn)性假設(shè)為前提，模擬結(jié)果僅保留了訓(xùn)練圖像中的重復(fù)模式，不僅缺乏多樣性，更難以表征地層模型的各向異性和結(jié)構(gòu)特征，在精細(xì)建模領(lǐng)域應(yīng)用效果欠佳。此外，該方法計(jì)算消耗大，大量參數(shù)在模擬進(jìn)程結(jié)束后被舍棄，再次模擬需要重新計(jì)算參數(shù)，效率較低。得益于深度學(xué)習(xí)強(qiáng)大的特征提取能力，大量參數(shù)的計(jì)算集成在模型的計(jì)算和優(yōu)化過(guò)程中，再次模擬時(shí)無(wú)需重新計(jì)算，能有效克服上述數(shù)值模擬方法的局限性。其中，基于生成對(duì)抗網(wǎng)絡(luò)(gan)的方法因其特殊的對(duì)抗學(xué)習(xí)思想，能夠有效地?cái)M合訓(xùn)練數(shù)據(jù)集的分布規(guī)律特征并實(shí)現(xiàn)三維地質(zhì)體的自動(dòng)構(gòu)建。

2、作為一種典型的無(wú)監(jiān)督學(xué)習(xí)算法，生成對(duì)抗網(wǎng)絡(luò)主要由生成器和判別器兩個(gè)基本網(wǎng)絡(luò)所構(gòu)成。生成器將隨機(jī)噪音作為輸入，通過(guò)神經(jīng)網(wǎng)絡(luò)將其映射至訓(xùn)練數(shù)據(jù)集的流形空間，并生成對(duì)應(yīng)的模擬結(jié)果。判別器則需要對(duì)不同來(lái)源的輸入數(shù)據(jù)進(jìn)行區(qū)分，以識(shí)別其真假程度。生成器和判別器二者以對(duì)抗學(xué)習(xí)的方式來(lái)提升各自的性能，通過(guò)多輪迭代、反向傳播和梯度更新直至“納什均衡”，從而生成逼真的數(shù)據(jù)。將訓(xùn)練完成的網(wǎng)絡(luò)參數(shù)保存，之后可以快速的完成生成任務(wù)，而無(wú)需重新計(jì)算?；谖粗芏群瘮?shù)的情況下，gan能直接進(jìn)行變分優(yōu)化，通過(guò)擬合高階統(tǒng)計(jì)特征描述地質(zhì)體的結(jié)構(gòu)特征，用于地層隨機(jī)模擬上的優(yōu)越性是明顯的。具體而言，它不是從訓(xùn)練圖像中簡(jiǎn)單地復(fù)制地質(zhì)模式，而是學(xué)習(xí)其中數(shù)據(jù)的潛在分布特征，能夠保證模擬結(jié)果的真實(shí)性與生成多樣性。

3、但真實(shí)地質(zhì)結(jié)構(gòu)的高度非線性、不平穩(wěn)和非均質(zhì)等特性，給gan重現(xiàn)數(shù)據(jù)中隱含的全局特征帶來(lái)較高難度，限制了復(fù)雜異質(zhì)結(jié)構(gòu)的重建。具體而言，基于卷積層疊加的生成對(duì)抗網(wǎng)絡(luò)框架，對(duì)于非平穩(wěn)性較強(qiáng)的空間屬性場(chǎng)而言，固定尺寸的感受野在特征提取的過(guò)程中忽略了不同尺度范圍內(nèi)的統(tǒng)計(jì)特征變化，難以擬合對(duì)應(yīng)訓(xùn)練數(shù)據(jù)集更全面的潛在分布規(guī)律。然而，aspp結(jié)構(gòu)具有不同采樣率的多個(gè)并行空洞卷積模塊，通過(guò)構(gòu)建不同的感受野的卷積核，將每個(gè)采樣率提取的特征在單獨(dú)的分支中進(jìn)一步處理，融合生成最終的特征圖。因此，gan能更好地感知局部、多尺度特征變化信息，并理解圖像的結(jié)構(gòu)屬性信息，增強(qiáng)局部特征與全局特征的關(guān)聯(lián)性，有效解決重建任務(wù)中由于地質(zhì)特征尺度變化引起的問(wèn)題，提高復(fù)雜場(chǎng)景下的重建性能。

4、另外，由于gan的訓(xùn)練需要頻繁調(diào)整超參數(shù)和設(shè)計(jì)網(wǎng)絡(luò)架構(gòu)，當(dāng)生成器和判別器之間的訓(xùn)練不平衡時(shí)，生成器容易陷入局部最優(yōu)狀態(tài)，即找到少量重復(fù)樣本來(lái)“欺騙”判別器。之后的訓(xùn)練中，生成器會(huì)傾向于持續(xù)生成這些樣本，忽略其他可能性，從而導(dǎo)致結(jié)果多樣性喪失，出現(xiàn)模式崩潰。盡管wasserstein距離能夠衡量生成與真實(shí)分布之間的差異，但為了滿足lipschitz約束，權(quán)重裁剪和梯度懲罰等方法計(jì)算消耗高，且插值過(guò)程容易導(dǎo)致訓(xùn)練不穩(wěn)定或發(fā)散。因此，需要引入一種高效的權(quán)重歸一化方法，通過(guò)穩(wěn)定訓(xùn)練和控制判別器的lipschitz常數(shù)，從而減少模式崩潰、防止其梯度異常并提高泛化能力，提升gan的性能和訓(xùn)練穩(wěn)定性。

5、同時(shí)，在訓(xùn)練初期，由于生成數(shù)據(jù)分布和真實(shí)分布之間會(huì)存在較大的差異，基于kl散度和js散度在進(jìn)行差異性度量時(shí)容易存在log2的飽和區(qū)間，反向傳播過(guò)程會(huì)出現(xiàn)梯度消散或爆炸現(xiàn)象。此外，條件數(shù)據(jù)對(duì)于地層模型的重建效果起著決定性作用，為了使重建結(jié)果在滿足原始地質(zhì)知識(shí)的基礎(chǔ)上也能滿足條件數(shù)據(jù)，即希望生成結(jié)果能遵循已知位置像素或體素的觀測(cè)值相匹配，而受網(wǎng)絡(luò)結(jié)構(gòu)影響，條件數(shù)據(jù)難以融入模擬過(guò)程且約束效果差，直接將稀疏硬數(shù)據(jù)應(yīng)用在建模過(guò)程中可能會(huì)被判別器視作噪聲而忽視，難以對(duì)全局空間特征產(chǎn)生影響。因此，需要設(shè)計(jì)有效的數(shù)據(jù)增強(qiáng)方式，并建立一個(gè)合理的度量方式，不僅能對(duì)生成不合理的數(shù)據(jù)分布進(jìn)行懲罰，還能強(qiáng)制學(xué)習(xí)真實(shí)數(shù)據(jù)分布中隱含的地質(zhì)模式知識(shí)。

6、綜上所述，為了實(shí)現(xiàn)三維地質(zhì)模型的高效、自動(dòng)重建方法，主要存在以下挑戰(zhàn)：地層異質(zhì)結(jié)構(gòu)明顯，局部多尺度特征變化復(fù)雜、空間結(jié)構(gòu)難以被準(zhǔn)確表征；gan模型穩(wěn)定性差，訓(xùn)練過(guò)程容易出現(xiàn)模式崩潰和梯度異常問(wèn)題；先驗(yàn)地質(zhì)知識(shí)表達(dá)不足，重構(gòu)結(jié)果難以忠實(shí)于條件約束等問(wèn)題。

技術(shù)實(shí)現(xiàn)思路

1、有鑒于此,本發(fā)明的目的在于提供一種基于條件譜歸一化生成對(duì)抗網(wǎng)絡(luò)的三維地質(zhì)模型自動(dòng)重建方法，用于解決現(xiàn)有的模型重建方法先驗(yàn)地質(zhì)知識(shí)表達(dá)不足，重構(gòu)結(jié)果難以忠實(shí)于條件約束等問(wèn)題。

2、本發(fā)明提供了一種基于條件譜歸一化生成對(duì)抗網(wǎng)絡(luò)的三維地質(zhì)模型自動(dòng)重建方法，包括：

3、s1：獲取研究區(qū)域的樣本三維地質(zhì)模型，對(duì)樣本三維地質(zhì)模型進(jìn)行預(yù)處理獲得條件數(shù)據(jù)集合，并設(shè)置隨機(jī)噪聲；

4、s2：構(gòu)建條件譜歸一化生成對(duì)抗網(wǎng)絡(luò)，通過(guò)條件數(shù)據(jù)集合和隨機(jī)噪聲對(duì)條件譜歸一化生成對(duì)抗網(wǎng)絡(luò)進(jìn)行訓(xùn)練，獲得訓(xùn)練好的條件譜歸一化生成對(duì)抗網(wǎng)絡(luò)；

5、s3：將待重構(gòu)的三維地質(zhì)模型的條件數(shù)據(jù)輸入訓(xùn)練好的條件譜歸一化生成對(duì)抗網(wǎng)絡(luò)，獲得重構(gòu)后的三維地質(zhì)模型。

6、優(yōu)選的，步驟s1具體為：

7、s11：基于三維滑動(dòng)體素的分割算法將樣本三維地質(zhì)模型劃分為n個(gè)子模型；

8、s12：針對(duì)每個(gè)子模型，沿x軸、y軸和z軸三個(gè)方向隨機(jī)選取三個(gè)二維剖面，并對(duì)二維剖面間填充隨機(jī)噪聲以升維，作為條件數(shù)據(jù)；

9、s13：重復(fù)s12共n次，獲得和子模型同樣尺寸的條件數(shù)據(jù)集合。

10、優(yōu)選的：

11、條件譜歸一化生成對(duì)抗網(wǎng)絡(luò)包括：生成器和判別器；

12、生成器包括：編碼器和解碼器；

13、編碼器包括：dcnn模塊、第一conv模塊、第一膨脹conv模塊、第二膨脹conv模塊、第三膨脹conv模塊、image?pooling模塊、通道注意力模塊和第二conv模塊；

14、解碼器包括：第三conv模塊、concat模塊、第四conv模塊、第一upsample模塊和第二upsample模塊；

15、dcnn模塊與第一conv模塊、第一膨脹conv模塊、第二膨脹conv模塊、第三膨脹conv模塊和image?pooling模塊連接；

16、第一conv模塊、第一膨脹conv模塊、第二膨脹conv模塊、第三膨脹conv模塊和image?pooling模塊與通道注意力模塊連接；

17、通道注意力模塊、第二conv模塊、第一upsample模塊和concat模塊依次連接；

18、dcnn模塊、第三conv模塊、concat模塊、第四conv模塊和第二upsample模塊依次連接；

19、判別器包括依次連接的第一卷積層、第一混合注意力模塊、第二卷積層、第二混合注意力模塊、第三卷積層、第四卷積層和第五卷積層。

20、優(yōu)選的，步驟s2具體為：

21、s21：初始化生成器、判別器和訓(xùn)練超參數(shù)；

22、s22：獲取隨機(jī)噪聲z、條件數(shù)據(jù)集合a和真實(shí)數(shù)據(jù)集合b，n為批量訓(xùn)練尺寸；

23、s23：將隨機(jī)噪聲z和條件數(shù)據(jù)集合a輸入生成器g獲得生成數(shù)據(jù)集合b′＝g(z,a)，通過(guò)條件數(shù)據(jù)集合a、真實(shí)數(shù)據(jù)集合b和生成數(shù)據(jù)集合b′計(jì)算獲得判別器損失函數(shù)

24、s24：通過(guò)對(duì)判別器損失函數(shù)進(jìn)行反向傳播，并使用優(yōu)化器對(duì)判別器d進(jìn)行參數(shù)更新，獲得更新后的判別器

25、s25：通過(guò)條件數(shù)據(jù)集合a、真實(shí)數(shù)據(jù)集合b和生成數(shù)據(jù)集合b′計(jì)算獲得生成器聯(lián)合損失函數(shù)

26、s26：通過(guò)對(duì)生成器聯(lián)合損失函數(shù)進(jìn)行反向傳播，并使用優(yōu)化器對(duì)生成器g進(jìn)行參數(shù)更新，獲得更新后的生成器

27、s27：重復(fù)步驟s23-s26直至訓(xùn)練完成，獲得訓(xùn)練好的條件譜歸一化生成對(duì)抗網(wǎng)絡(luò)。

28、優(yōu)選的：

29、判別器損失函數(shù)的計(jì)算公式為：

30、

31、其中，i表示訓(xùn)練次數(shù)，d(bi,ai)表示第i次訓(xùn)練的真實(shí)數(shù)據(jù)集合bi和條件數(shù)據(jù)集合ai輸入判別器d的判別結(jié)果，d(bi′,ai)表示第i次訓(xùn)練的生成數(shù)據(jù)集合bi′和條件數(shù)據(jù)集合ai輸入判別器的判別結(jié)果，p(a)，p(b)和p(b′)分別表示條件數(shù)據(jù)集合、真實(shí)數(shù)據(jù)集合和生成數(shù)據(jù)集合的分布特征，e表示對(duì)應(yīng)數(shù)據(jù)集合的數(shù)學(xué)分布期望。

32、優(yōu)選的：

33、生成器聯(lián)合損失函數(shù)的計(jì)算公式為：

34、

35、其中，為先驗(yàn)對(duì)抗損失項(xiàng)，為條件損失項(xiàng)，λ是條件損失項(xiàng)的權(quán)重；

36、

37、其中，i表示訓(xùn)練次數(shù)，bi表示第i次訓(xùn)練的真實(shí)數(shù)據(jù)集合，表示第i次訓(xùn)練的生成數(shù)據(jù)集合bi′和條件數(shù)據(jù)集合ai輸入更新后的判別器的判別結(jié)果，p(a)，p(b)和p(b′)分別表示條件數(shù)據(jù)集合、真實(shí)數(shù)據(jù)集合和生成數(shù)據(jù)集合的分布特征，e表示對(duì)應(yīng)數(shù)據(jù)集合的數(shù)學(xué)分布期望，表示元素乘積，dist代表frobenius?norm；m表示二元掩碼，條件數(shù)據(jù)對(duì)應(yīng)的位置m標(biāo)記為1，其他位置m標(biāo)記為0。

38、一種存儲(chǔ)介質(zhì)，所述存儲(chǔ)介質(zhì)存儲(chǔ)指令及數(shù)據(jù)用于實(shí)現(xiàn)所述的基于條件譜歸一化生成對(duì)抗網(wǎng)絡(luò)的三維地質(zhì)模型自動(dòng)重建方法。

39、一種基于條件譜歸一化生成對(duì)抗網(wǎng)絡(luò)的三維地質(zhì)模型自動(dòng)重建設(shè)備，包括：處理器及存儲(chǔ)介質(zhì)；所述處理器加載并執(zhí)行存儲(chǔ)介質(zhì)中的指令及數(shù)據(jù)用于實(shí)現(xiàn)所述的基于條件譜歸一化生成對(duì)抗網(wǎng)絡(luò)的三維地質(zhì)模型自動(dòng)重建方法。

40、本發(fā)明具有以下有益效果：

41、(1)條件譜歸一化生成對(duì)抗網(wǎng)絡(luò)由生成器和判別器構(gòu)成，生成器整體由編碼-解碼器構(gòu)成，編碼器將dcnn模塊提取的淺層特征直接傳入解碼器，避免多次卷積過(guò)程造成特征信息丟失；同時(shí)通過(guò)耦合多個(gè)并行膨脹conv模塊能有效提取并融合地質(zhì)結(jié)構(gòu)多尺度局部特征的深層統(tǒng)計(jì)特性。解碼器則結(jié)合深、淺層特征進(jìn)行逐步上采樣，在兼顧全局特征與局部特征的基礎(chǔ)上實(shí)現(xiàn)模型重建。生成器可實(shí)現(xiàn)多尺度特征的融合，能更好地感知非平穩(wěn)地質(zhì)體的特征，增強(qiáng)多尺度局部特征提取能力，解決了重建任務(wù)中由于地質(zhì)特征尺度變化引起的問(wèn)題。判別器中的卷積層上使用譜歸一化策略穩(wěn)定網(wǎng)絡(luò)的訓(xùn)練過(guò)程，減少了梯度爆炸或消失的風(fēng)險(xiǎn)，提升網(wǎng)絡(luò)整體的訓(xùn)練穩(wěn)定性和效果。

42、(2)在生成器中添加了通道注意力模塊，在判別器中添加了混合注意力模塊，通過(guò)引入了注意力模塊，可以關(guān)注到特征圖像中更重要的部分，不僅提升了特征提取的精度和效率，還提高了重建結(jié)果的質(zhì)量。

43、(3)設(shè)計(jì)了判別器損失函數(shù)和生成器聯(lián)合損失函數(shù)對(duì)判別器和生成器進(jìn)行訓(xùn)練更新，克服了傳統(tǒng)損失度量方式帶來(lái)的梯度消散問(wèn)題，并通過(guò)對(duì)條件數(shù)據(jù)位置計(jì)算額外的損失值來(lái)提升重建結(jié)果與條件數(shù)據(jù)的相似度，實(shí)現(xiàn)條件約束下的三維地質(zhì)模型自動(dòng)重建。