.png){kind=icon}
返回
CNN-based transfer learning for self-potential inversion
.png){kind=icon}
PRE
AI
DOI：10.1007/s12145-025-01951-5.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
自电位（SP）反演是一种有效的金属矿产勘探地球物理技术。基于传统深度学习的反演方法容易发生过拟合，在样本有限的情况下可能无法产生可靠结果。为解决此挑战，提出了一种基于二维卷积神经网络（2DCNN）的迁移学习（TL）框架TL-2DCNN，用于将SP异常解释为规则极化体。我们使用合成数据评估其能力，并与其它深度学习方法进行对比分析。为进一步测试TL-2DCNN在复杂条件下的有效性，采用有限样本实验数据进行迁移网络训练。两个测试数据集的反演结果说明，TL-2DCNN即使在预训练数据源自规则极化体的情况下，仍能提供可靠的参数估计，证实了迁移训练策略的可行性。总体而言，TL-2DCNN框架的优异性能使其成为实践中样本有限条件下SP反演的有效工具。
Keyword:
Self-potential
Transfer learning
2D CNN
Inversion
Limited samples
期刊
IF:
3
论文数:
692
被引数:
3.3K
机构
引用论文
Multi-task learning for seismic elastic parameter inversion with the lateral constraint of angle-gather difference.png)
PETROLEUM SCIENCE
OAAI
PETROLEUM SCIENCEIF6.1
OAAI分享收藏3D Multicomponent Self-Potential Inversion: Theory and Application to the Exploration of Seafloor Massive Sulfide Deposits on Mid-Ocean Ridges三维多分量自电位反演：理论与在中洋脊海底块状硫化物矿床勘探中的应用Minerals
OAAI
MineralsIF0
OAAI分享收藏Potential field data interpretation to detect the parameters of buried geometries by applying a nonlinear least-squares approach通过应用非线性最小二乘法对位场数据进行解释，以检测埋藏几何体的参数。
PREAI
分享收藏A fast imaging method for the interpretation of self-potential data with application to geothermal systems and mineral investigationSCIENTIFIC REPORTSOAAI
SCIENTIFIC REPORTSIF3.9
OAAI分享收藏
查看更多内容