21、深度神经网络架构在核磁共振 T2 分布合成中的应用

深度神经网络架构在核磁共振 T2 分布合成中的应用

在地质勘探和地下物质表征领域，核磁共振（NMR）T2 分布的合成对于理解地下地质材料的物理性质至关重要。本文将介绍几种基于神经网络的架构，包括 VAE - NN、GAN - NN、VAEc - NN 和 LSTM，它们在合成 NMR T2 分布方面具有独特的优势。

1. 神经网络架构概述

在这些神经网络架构中，除了 VAEc 中的卷积和最大池化层以及 LSTM 中的循环层外，所有层都是全连接的。全连接层将一层中的每个神经元连接到前一层中的每个神经元。不同的架构在处理 NMR T2 合成问题时采用了不同的策略。

2. VAE - NN 架构、训练与测试

VAE - NN 即变分自编码器（VAE）辅助神经网络。自编码器是一种深度神经网络，通过编码器网络和解码器网络来重现其高维输入（这里是 64 维的 NMR T2）。VAE 以概率方式描述潜在空间中的观测值，编码器为每个潜在属性描述一个概率分布。

VAE - NN 的训练分为两个阶段：
- 第一阶段 ：训练 VAE 以提取 NMR T2 分布的主要特征，将 64 维输入投影到 2 维潜在空间。编码器有两个全连接层，64 维输入层后接 16 维隐藏层；解码器同样有两个全连接层，16 维隐藏层后接 64 维输出层。训练目标是最小化损失函数，该函数包括输入 T2 与重现 T2 的差异以及 KL 散度，以迫使潜在变量遵循单位高斯分布。
- 第二阶段 ：将一个四层全连接神经网络连接到冻结的预训练解码器，学习将 10 个反演导出的测井数据与 NMR T2 分布相关联。只