基于U-Rnet的重力全张量梯度数据反演

重力反演是通过地表信息获取地下地质体空间结构与物理性质的重要手段之一。每个重力梯度分量反映不同的地质体信息，联合重力梯度分量进行重力反演能够更好地研究地下密度异常体的形态和分布。为此，提出基于神经网络的重力全张量梯度数据反演算法，将U-Rnet网络应用于重力全张量数据的三维反演问题。为了检验该算法的有效性，采用六种典型模型进行模拟实验，获得了具有清晰边界和稀疏的反演结果。首先，对比L2和Tversky两种损失函数的反演结果，后者的反演结果能更清晰地反映模型的边界位置；然后，对不同梯度张量组合进行反演，四组实验结果在三个方向（x、y、z）上具有不同的反演精度，组合四的误差最低；最后，将该方法应用于美国德克萨斯州文顿盐丘的FTG数据，反演结果与实际地质信息基本吻合。