(19)【発行国】日本国特許庁(JP)
(12)【公報種別】特許公報(B1)
(11)【特許番号】
(24)【登録日】2023-11-15
(45)【発行日】2023-11-24
(54)【発明の名称】情報処理装置、探査装置およびプログラム
(51)【国際特許分類】
G01V 3/02 20060101AFI20231116BHJP
G01V 3/06 20060101ALI20231116BHJP
【ＦＩ】
G01V3/02 C
G01V3/06
【請求項の数】
10
(21)【出願番号】P 2023085483
(22)【出願日】2023-05-24
【審査請求日】2023-09-01
【新規性喪失の例外の表示】特許法第３０条第２項適用 １．公開日：令和４年１０月２５日 プログラムの掲載アドレス：ｈｔｔｐｓ：／／ｃｏｎｆｉｔ．ａｔｌａｓ．ｊｐ／ｇｕｉｄｅ／ｅｖｅｎｔ／ｊｐｉ２０２２ｆ／ｐｒｏｃｅｅｄｉｎｇｓ／ｌｉｓｔ ２．集会名：公益社団法人石油学会長野大会（第５２回石油・石油化学討論会） 開催日：令和４年１０月２８日
【早期審査対象出願】
(73)【特許権者】
【識別番号】899000068
【氏名又は名称】学校法人早稲田大学
(74)【代理人】
【識別番号】110001139
【氏名又は名称】ＳＫ弁理士法人
(74)【代理人】
【識別番号】100130328
【弁理士】
【氏名又は名称】奥野 彰彦
(74)【代理人】
【識別番号】100130672
【弁理士】
【氏名又は名称】伊藤 寛之
(72)【発明者】
【氏名】上田 匠
(72)【発明者】
【氏名】西野 玉城
【審査官】山口 剛
(56)【参考文献】
【文献】特開２０００－３３８２５８（ＪＰ，Ａ）
【文献】特開２０１８－１９４４５４（ＪＰ，Ａ）
【文献】米国特許出願公開第２０１５／０００６０８１（ＵＳ，Ａ１）
【文献】中国特許出願公開第１０４１０２８１４（ＣＮ，Ａ）
【文献】韓国公開特許第１０－２００９－００３６３４０（ＫＲ，Ａ）
(58)【調査した分野】(Int.Cl.，ＤＢ名)
Ｇ０１Ｖ １／００ － ９９／００
Ｇ１６Ｚ ９９／００
Ｇ０６Ｎ ２０／００
(57)【特許請求の範囲】
【請求項1】
情報処理装置であって、層設定部と、区分部と、比抵抗設定部と、平滑化部と、学習用比抵抗構造データ生成部と、を備え、
前記層設定部は、複数の層によって構成される地下構造を設定し、
前記区分部は、前記複数の層を、１層または連続する２以上の層によって構成される１つまたは複数のグループに区分し、
前記比抵抗設定部は、前記１つまたは複数のグループ毎に比抵抗を乱数により決定し、各グループに含まれる各層に当該グループに対して決定された比抵抗を設定し、
前記平滑化部は、前記比抵抗が設定された複数の層のうちの１層の比抵抗と、前記１層に隣接する層の比抵抗と、を用いた平滑化処理を各層毎に行い、前記各層に平滑化比抵抗を設定し、
前記学習用比抵抗構造データ生成部は、前記比抵抗または前記平滑化比抵抗が設定された前記複数の層に基づき地下構造が規定された学習用比抵抗構造データを生成する、情報処理装置。
【請求項2】
請求項１に記載の情報処理装置であって、合成部をさらに備え、
前記合成部は、前記比抵抗と、前記比抵抗が設定された層に対応する層の平滑化比抵抗と、の合成処理を各層毎に行い、前記各層に合成比抵抗を設定し、
前記学習用比抵抗構造データ生成部は、前記合成比抵抗が設定された前記複数の層に基づき地下構造が規定された学習用比抵抗構造データを生成する、情報処理装置。
【請求項3】
請求項１または請求項２に記載の情報処理装置であって、前記複数の層の各層の深度は、二次関数により決定される、情報処理装置。
【請求項4】
請求項３に記載の情報処理装置であって、学習データ生成部、機械学習部、入力処理部、および出力制御部をさらに備え、
前記学習データ生成部は、前記学習用比抵抗構造データと、前記学習用比抵抗構造データに基づいて算出された人工応答データと、を対応付けて学習データを生成し、
前記機械学習部は、前記学習データを用いて機械学習した機械学習モデルを有し、
前記入力処理部は、前記機械学習モデルに、測定地の地下に対する物理探査測定により取得された測定応答データを入力し、
前記出力制御部は、前記機械学習モデルから出力される、前記測定応答データが取得された前記測定地の地下の推定比抵抗構造データを出力する、情報処理装置。
【請求項5】
請求項４に記載の情報処理装置であって、前記人工応答データと前記測定応答データは、電圧データまたは磁場データである、情報処理装置。
【請求項6】
請求項４に記載の情報処理装置であって、前記物理探査測定は、電磁探査測定である、情報処理装置。
【請求項7】
請求項４に記載の情報処理装置であって、前記機械学習部は、ノイズ付き前記人工応答データを用いて機械学習した前記機械学習モデルを有する、情報処理装置。
【請求項8】
請求項７に記載の情報処理装置であって、前記ノイズは、経験的に算出されたノイズ、または前記測定応答データの測定時に存在した環境ノイズに基づいて算出されたノイズである、情報処理装置。
【請求項9】
探査装置であって、請求項１に記載の情報処理装置を備える、探査装置。
【請求項10】
プログラムであって、コンピュータに、層設定工程と、区分工程と、比抵抗設定工程と、平滑化工程と、学習用比抵抗構造データ生成工程とを実行させ、
前記層設定工程では、複数の層によって構成される地下構造を設定し、
前記区分工程では、前記複数の層を、１層または連続する２以上の層によって構成される１または複数のグループに区分し、
前記比抵抗設定工程では、前記１つまたは複数のグループ毎に比抵抗を乱数により生成し、各グループに含まれる各層に当該グループに対して生成された比抵抗を設定し、
前記平滑化工程では、前記比抵抗が設定された複数の層のうちの１層の比抵抗と、前記１層と隣接する層の比抵抗と、を用いた平滑化処理を各層毎に行い、前記各層に平滑化比抵抗を設定し、
前記学習用比抵抗構造データ生成工程では、前記比抵抗または前記平滑化比抵抗が設定された前記複数の層に基づき地下構造が規定された学習用比抵抗構造データを生成する、
プログラム。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、情報処理装置、探査装置およびプログラムに関する。
【背景技術】
【0002】
電磁探査の最適化（逆解析）手法として、機械学習を用いた手法が知られている。学習データとなる探査対象の比抵抗構造には、水平多層構造が用いられることが多い。
【0003】
非特許文献１には、学習データとして層数が比較的少ない水平多層構造が用いられる逆解析手法が開示されている。
【先行技術文献】
【非特許文献】
【0004】
【文献】Ｘｉｎ Ｗｕ、他５名、"Ａ Ｄｅｅｐ Ｌｅａｒｎｉｎｇ Ｅｓｔｉｍａｔｉｏｎ ｏｆ ｔｈｅ Ｅａｒｔｈ Ｒｅｓｉｓｔｉｖｉｔｙ Ｍｏｄｅｌ ｆｏｒ ｔｈｅ Ａｉｒｂｏｒｎｅ Ｔｒａｎｓｉｅｎｔ Ｅｌｅｃｔｒｏｍａｇｎｅｔｉｃ Ｏｂｓｅｒｖａｔｉｏｎ"，［ｏｎｌｉｎｅ］，令和４年２月２５日、アメリカ地球物理学連合、［令和５年４月１２日検索］，インターネット＜ＵＲＬ：ｈｔｔｐｓ：／／ｄｏｉ．ｏｒｇ／１０．１０２９／２０２１ＪＢ０２３１８５＞
【発明の概要】
【発明が解決しようとする課題】
【0005】
しかしながら、このような単純な水平多層構造は、実際の地下構造とは大きく異なるため、解析の過程で局所解に陥るおそれがあった。
【0006】
本発明はこのような事情に鑑みてなされたものであり、実際の多様な地下構造に対応可能な比抵抗構造を有する学習データを生成する情報処理装置を提供するものである。
【課題を解決するための手段】
【0007】
本発明によれば、以下の発明が提供される。
［１］情報処理装置であって、層設定部と、区分部と、比抵抗設定部と、平滑化部と、学習用比抵抗構造データ生成部と、を備え、前記層設定部は、複数の層によって構成される地下構造を設定し、前記区分部は、前記複数の層を、１層または連続する２以上の層によって構成される１つまたは複数のグループに区分し、前記比抵抗設定部は、前記１つまたは複数のグループ毎に比抵抗を乱数により決定し、各グループに含まれる各層に当該グループに対して決定された比抵抗を設定し、前記平滑化部は、前記比抵抗が設定された複数の層のうちの１層の比抵抗と、前記１層に隣接する層の比抵抗と、を用いた平滑化処理を各層毎に行い、前記各層に平滑化比抵抗を設定し、前記学習用比抵抗構造データ生成部は、前記比抵抗または前記平滑化比抵抗が設定された前記複数の層に基づき地下構造が規定された学習用比抵抗構造データを生成する、情報処理装置。
［２］［１］に記載の情報処理装置であって、合成部をさらに備え、前記合成部は、前記比抵抗と、前記比抵抗が設定された層に対応する層の平滑化比抵抗と、の合成処理を各層毎に行い、前記各層に合成比抵抗を設定し、前記学習用比抵抗構造データ生成部は、前記合成比抵抗が設定された前記複数の層に基づき地下構造が規定された学習用比抵抗構造データを生成する、情報処理装置。
［３］［１］または［２］に記載の情報処理装置であって、前記複数の層の各層の深度は、二次関数により決定される、情報処理装置。
［４］［１］～［３］のいずれか１つに記載の情報処理装置であって、学習データ生成部、機械学習部、入力処理部、および出力制御部をさらに備え、前記学習データ生成部は、前記学習用比抵抗構造データと、前記学習用比抵抗構造データに基づいて算出された人工応答データと、を対応付けて学習データを生成し、前記機械学習部は、前記学習データを用いて機械学習した機械学習モデルを有し、前記入力処理部は、前記機械学習モデルに、測定地の地下に対する物理探査測定により取得された測定応答データを入力し、前記出力制御部は、前記機械学習モデルから出力される、前記測定応答データが取得された前記測定地の地下の推定比抵抗構造データを出力する、情報処理装置。
［５］［４］に記載の情報処理装置であって、前記人工応答データと前記測定応答データは、電圧データまたは磁場データである、情報処理装置。
［６］［４］または［５］に記載の情報処理装置であって、前記物理探査測定は、電磁探査測定である、情報処理装置。
［７］［４］～［６］のいずれか１つに記載の情報処理装置であって、前記機械学習部は、ノイズ付き前記人工応答データを用いて機械学習した前記機械学習モデルを有する、情報処理装置。
［８］［７］に記載の情報処理装置であって、前記ノイズは、経験的に算出されたノイズ、または前記測定応答データの測定時に存在した環境ノイズに基づいて算出されたノイズである、情報処理装置。
［９］探査装置であって、［１］～［８］のいずれか１つに記載の情報処理装置を備える、探査装置。
［１０］プログラムであって、コンピュータに、層設定工程と、区分工程と、比抵抗設定工程と、平滑化工程と、学習用比抵抗構造データ生成工程とを実行させ、前記層設定工程では、複数の層によって構成される地下構造を設定し、前記区分工程では、前記複数の層を、１層または連続する２以上の層によって構成される１または複数のグループに区分し、前記比抵抗設定工程では、前記１つまたは複数のグループ毎に比抵抗を乱数により生成し、各グループに含まれる各層に当該グループに対して生成された比抵抗を設定し、前記平滑化工程では、前記比抵抗が設定された複数の層のうちの１層の比抵抗と、前記１層と隣接する層の比抵抗と、を用いた平滑化処理を各層毎に行い、前記各層に平滑化比抵抗を設定し、前記学習用比抵抗構造データ生成工程では、前記比抵抗または前記平滑化比抵抗が設定された前記複数の層に基づき地下構造が規定された学習用比抵抗構造データを生成する、プログラム。
［１］情報処理装置であって、層設定部と、区分部と、比抵抗設定部と、平滑化部と、学習用比抵抗構造データ生成部と、を備え、前記層設定部は、複数の層によって構成される地下構造を設定し、前記区分部は、前記複数の層を、１層または連続する２以上の層によって構成される１つまたは複数のグループに区分し、前記比抵抗設定部は、前記１つまたは複数のグループ毎に比抵抗を乱数により決定し、各グループに含まれる各層に当該グループに対して決定された比抵抗を設定し、前記平滑化部は、前記比抵抗が設定された複数の層のうちの１層の比抵抗と、前記１層に隣接する層の比抵抗と、を用いた平滑化処理を各層毎に行い、前記各層に平滑化比抵抗を設定し、前記学習用比抵抗構造データ生成部は、前記比抵抗または前記平滑化比抵抗が設定された前記複数の層に基づき地下構造が規定された学習用比抵抗構造データを生成する、情報処理装置。
［２］［１］に記載の情報処理装置であって、合成部をさらに備え、前記合成部は、前記比抵抗と、前記比抵抗が設定された層に対応する層の平滑化比抵抗と、の合成処理を各層毎に行い、前記各層に合成比抵抗を設定し、前記学習用比抵抗構造データ生成部は、前記合成比抵抗が設定された前記複数の層に基づき地下構造が規定された学習用比抵抗構造データを生成する、情報処理装置。
［３］［１］または［２］に記載の情報処理装置であって、前記複数の層の各層の深度は、二次関数により決定される、情報処理装置。
［４］［１］～［３］のいずれか１つに記載の情報処理装置であって、学習データ生成部、機械学習部、入力処理部、および出力制御部をさらに備え、前記学習データ生成部は、前記学習用比抵抗構造データと、前記学習用比抵抗構造データに基づいて算出された人工応答データと、を対応付けて学習データを生成し、前記機械学習部は、前記学習データを用いて機械学習した機械学習モデルを有し、前記入力処理部は、前記機械学習モデルに、測定地の地下に対する物理探査測定により取得された測定応答データを入力し、前記出力制御部は、前記機械学習モデルから出力される、前記測定応答データが取得された前記測定地の地下の推定比抵抗構造データを出力する、情報処理装置。
［５］［４］に記載の情報処理装置であって、前記人工応答データと前記測定応答データは、電圧データまたは磁場データである、情報処理装置。
［６］［４］または［５］に記載の情報処理装置であって、前記物理探査測定は、電磁探査測定である、情報処理装置。
［７］［４］～［６］のいずれか１つに記載の情報処理装置であって、前記機械学習部は、ノイズ付き前記人工応答データを用いて機械学習した前記機械学習モデルを有する、情報処理装置。
［８］［７］に記載の情報処理装置であって、前記ノイズは、経験的に算出されたノイズ、または前記測定応答データの測定時に存在した環境ノイズに基づいて算出されたノイズである、情報処理装置。
［９］探査装置であって、［１］～［８］のいずれか１つに記載の情報処理装置を備える、探査装置。
［１０］プログラムであって、コンピュータに、層設定工程と、区分工程と、比抵抗設定工程と、平滑化工程と、学習用比抵抗構造データ生成工程とを実行させ、前記層設定工程では、複数の層によって構成される地下構造を設定し、前記区分工程では、前記複数の層を、１層または連続する２以上の層によって構成される１または複数のグループに区分し、前記比抵抗設定工程では、前記１つまたは複数のグループ毎に比抵抗を乱数により生成し、各グループに含まれる各層に当該グループに対して生成された比抵抗を設定し、前記平滑化工程では、前記比抵抗が設定された複数の層のうちの１層の比抵抗と、前記１層と隣接する層の比抵抗と、を用いた平滑化処理を各層毎に行い、前記各層に平滑化比抵抗を設定し、前記学習用比抵抗構造データ生成工程では、前記比抵抗または前記平滑化比抵抗が設定された前記複数の層に基づき地下構造が規定された学習用比抵抗構造データを生成する、プログラム。
【0008】
本発明によれば、初期設定の比抵抗と平滑化比抵抗との両者を用いた学習データを生成することで、多様な地下構造に対応可能となっている。
【図面の簡単な説明】
【0009】
【図1】本発明の第１実施形態に係る情報処理装置１のハードウェア構成を示すブロック図である。
【図2】本発明の第１実施形態に係る情報処理装置１の機能構成を示すブロック図である。
【図3】本発明の第１実施形態に係る情報処理装置１の区分部２０ｂが区分する地下構造の区分イメージである。
【図4】本発明の第１実施形態に係る情報処理装置１が生成する目的変数として生成される学習用比抵抗構造データの例である。
【図5】本発明の第１実施形態に係る情報処理装置１を用いたデータ処理のフロー図である。
【図6】本発明の第１実施形態に係る情報処理装置１を用いたデータ処理の学習データ生成工程Ｓ２のフロー図である。
【図7】本発明の第２実施形態に係る探査装置３のハードウェア構成を示すブロック図である。
【図8】本発明のデータ処理で使用された学習用比抵抗構造データの例である。
【図9】従来方法のデータ処理で使用された学習用比抵抗構造データの例である。
【図10】本発明のデータ処理方法に係る学習曲線および検証誤差を示す。
【図11】従来のデータ処理方法に係る学習曲線および検証誤差を示す。
【発明を実施するための形態】
【0010】
以下、本発明の実施形態について説明する。以下に示す実施形態中で示した各種特徴事項は、互いに組み合わせ可能である。また、各特徴について独立して発明が成立する。
【0011】
１． 第１実施形態
本実施形態に係る逆解析システムは、電磁探査測定によって得られた測定データから当該測定が行われた場所の地下の比抵抗構造を推定することができるシステムである。本実施形態に係る逆解析システムは、情報処理装置１を備える。
本実施形態に係る逆解析システムは、電磁探査測定によって得られた測定データから当該測定が行われた場所の地下の比抵抗構造を推定することができるシステムである。本実施形態に係る逆解析システムは、情報処理装置１を備える。
【0012】
１．１ 情報処理装置１のハードウェア構成
図１に、本実施形態に係る情報処理装置１のハードウェア構成を示す。本実施形態に係る情報処理装置１は、制御部１０、記憶部１１、通信部１２、入力部１３、および出力部１４を備える。制御部１０、記憶部１１、通信部１２、入力部１３、および出力部１４は通信バス４０によって相互に接続されている。
図１に、本実施形態に係る情報処理装置１のハードウェア構成を示す。本実施形態に係る情報処理装置１は、制御部１０、記憶部１１、通信部１２、入力部１３、および出力部１４を備える。制御部１０、記憶部１１、通信部１２、入力部１３、および出力部１４は通信バス４０によって相互に接続されている。
【0013】
制御部１０は、中央処理装置（ＣＰＵ）、デジタル信号プロセッサ、マイクロプロセッサ、マイクロコントローラ、特定用途向け集積回路（ＡＳＩＣ）、プログラマブル論理デバイス（ＰＬＤ）等のプロセッサを含むことができる。
【0014】
記憶部１１は、揮発性メモリまたは不揮発性メモリを含んでもよい。揮発性メモリの例としては、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）やＤＲＡＭ（Ｄｙｎａｍｉｃ Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）が挙げられ、制御部１０による各種プログラムに基づく処理の実行時のワークエリア等として用いられる。不揮発性メモリの例としては、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）やフラッシュメモリが挙げられ、各種データや制御部１０の処理に利用されるプログラム等を保存するために用いられる。また、ＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）等の外部記憶装置を含んでもよい。
【0015】
記憶部１１に記憶されるプログラムは、例えば情報処理装置１の基本的な機能を実現するためのＯＳ（Ｏｐｅｒａｔｉｎｇ Ｓｙｓｔｅｍ）、各種ハードウェアを制御するためのドライバ、各種機能を実現するためのプログラム等であって、本実施形態に係るコンピュータプログラムを含む。
【0016】
通信部１２は、送受信可能に構成され、通信回線に接続する機能を有する。例えば、通信部１２は、外部の探査装置と通信可能に構成されてもよく、この場合測定応答データを、通信部１２を介して取得することができる。通信部１２は、例えば、例えばＮＩＣ（Ｎｅｔｗｏｒｋ Ｉｎｔｅｒｆａｃｅ Ｃｏｎｔｒｏｌｌｅｒ）、無線ＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）に接続する機能、無線ＷＡＮ（Ｗｉｄｅ Ａｒｅａ Ｎｅｔｗｏｒｋ）に接続する機能、Ｂｌｕｅｔｏｏｔｈ（登録商標）等の近距離の無線通信や赤外線通信等を可能とする機能を有してもよく、または有線接続が可能な機能を有してもよい。
【0017】
入力部１３には、後述のパラメータ設定工程Ｓ１でユーザが設定する各種パラメータや、測定応答データを入力することができる。ここで、入力される測定応答データは、物理探査測定、とりわけ電磁探査測定によって取得されるデータである。測定応答データは、電圧データ（誘導起電力データ）または磁場データである。入力部１３は、例えば、キーボード、キーパッド、マウス、マイク、タッチスクリーン、ボタン等の１つまたは複数を含むことができる。
【0018】
出力部１４には、測定応答データや情報処理装置１の出力制御部２２から出力される推定比抵抗構造データを表示することができる。出力部１４は、例えば、任意のディスプレイとできる。
【0019】
１．２ 情報処理装置１の機能構成
図２に情報処理装置１の機能構成を示す。情報処理装置１の制御部１０は、パラメータ設定部（図示せず）、学習データ生成部２０、入力処理部２１、出力制御部２２および機械学習部２３を備える。
図２に情報処理装置１の機能構成を示す。情報処理装置１の制御部１０は、パラメータ設定部（図示せず）、学習データ生成部２０、入力処理部２１、出力制御部２２および機械学習部２３を備える。
【0020】
１．２．１ パラメータ設定部
パラメータ設定部は、各種パラメータを設定する。パラメータ設定部は、ユーザによる情報処理装置１の入力部１３が受け付けた値に基づき必要なパラメータの一部または全部を設定してもよく、パラメータ設定部が予め設定された条件や乱数に基づき必要なパラメータの一部または全部を設定してもよい。設定されるパラメータには、生成する学習データ数（以下、生成学習データ数）、地下構造の最深深度Ｄ、分割層数Ｎ、層厚設定係数ｔ、生成比抵抗ρの範囲（最大比抵抗ρｍａｘ≦ρ≦最小比抵抗ρｍｉｎ）、学習データに使用する比抵抗種類およびその割合、ならびに解析対象となる測定応答データを取得した際の測定システムや信号源や測定地情報の設定が含まれる。
パラメータ設定部は、各種パラメータを設定する。パラメータ設定部は、ユーザによる情報処理装置１の入力部１３が受け付けた値に基づき必要なパラメータの一部または全部を設定してもよく、パラメータ設定部が予め設定された条件や乱数に基づき必要なパラメータの一部または全部を設定してもよい。設定されるパラメータには、生成する学習データ数（以下、生成学習データ数）、地下構造の最深深度Ｄ、分割層数Ｎ、層厚設定係数ｔ、生成比抵抗ρの範囲（最大比抵抗ρｍａｘ≦ρ≦最小比抵抗ρｍｉｎ）、学習データに使用する比抵抗種類およびその割合、ならびに解析対象となる測定応答データを取得した際の測定システムや信号源や測定地情報の設定が含まれる。
【0021】
１．２．２ 学習データ生成部２０
学習データ生成部２０は、学習用比抵抗構造と人工応答データとを対応付けて学習データを生成することができる。本実施形態において生成される学習データは、目的変数が比抵抗構造であり、説明変数が人工応答データである。学習データ生成部２０は、層設定部２０ａと、区分部２０ｂと、比抵抗設定部２０ｃと、平滑化部２０ｄと、合成部２０ｅと、学習用比抵抗構造データ生成部２０ｆと、使用比抵抗決定部２０ｇと、応答データ算出部２０ｈと、ノイズ付与部２０ｉとを備えることができる。
学習データ生成部２０は、学習用比抵抗構造と人工応答データとを対応付けて学習データを生成することができる。本実施形態において生成される学習データは、目的変数が比抵抗構造であり、説明変数が人工応答データである。学習データ生成部２０は、層設定部２０ａと、区分部２０ｂと、比抵抗設定部２０ｃと、平滑化部２０ｄと、合成部２０ｅと、学習用比抵抗構造データ生成部２０ｆと、使用比抵抗決定部２０ｇと、応答データ算出部２０ｈと、ノイズ付与部２０ｉとを備えることができる。
【0022】
（１） 層設定部２０ａ
層設定部２０ａは、複数の層によって構成される１次元地下構造を設定することができる。層構造設定部は、具体的には例えば、次式の計算を行うことによって、地下の各層の境界深度を設定することができる。
層設定部２０ａは、複数の層によって構成される１次元地下構造を設定することができる。層構造設定部は、具体的には例えば、次式の計算を行うことによって、地下の各層の境界深度を設定することができる。
【0023】
【数1】
【0024】
ここで、Ｄはユーザが入力部１３を介して入力した最深深度、Ｎはユーザが入力部１３を介して入力した分割層数、ｎは自然数（ｎ＝１，２，・・・Ｎ＋１）、ｔはユーザが入力部１３を介して入力した層厚設定係数（－１≦ｔ≦１）である。層厚設定係数ｔの値によって、層構造の決定方法が調整可能に構成されている。例えば、層構造（層厚）は、ｔ＝－１の場合は、指数関数的に決定され、ｔ＝０の場合は線形的に決定され、ｔ＝１の場合は二次関数的に決定される。
【0025】
一般的に、層構造を決定する場合は指数関数のみを用いるが、指数関数のみにより決定される層構造では、浅部と深部での層厚の差が大きくなる（浅部の層厚は小さく、深部の層厚は大きい）。一方、本実施形態に係る二次関数的要素を含む方法により決定される層構造では、指数関数により決定される層構造と比較して、浅部と深部との層厚の差が小さくなる。したがって、より詳細な層構造、すなわちより現実的な地下構造を生成することが可能となる。
【0026】
（２） 区分部２０ｂ
区分部２０ｂは、層設定部２０ａにより設定された複数の層を１層または連続する２以上の層によって構成される１つまたは複数のグループに区分することができる。区分部２０ｂは、例えば、層設定部２０ａにより設定された層の境界深度を選択することによって区分する。例えば、選択される境界の数は、層数が３０の場合は、０～４、層数が５０の場合は、０～６、層数が１００の場合は、０～１１であることが好ましい。
区分部２０ｂは、層設定部２０ａにより設定された複数の層を１層または連続する２以上の層によって構成される１つまたは複数のグループに区分することができる。区分部２０ｂは、例えば、層設定部２０ａにより設定された層の境界深度を選択することによって区分する。例えば、選択される境界の数は、層数が３０の場合は、０～４、層数が５０の場合は、０～６、層数が１００の場合は、０～１１であることが好ましい。
【0027】
図３に、境界の数が０、１および２の場合における、区分部２０ｂが区分する地下構造の区分のイメージを示す。例えば、境界の数が０の場合、全ての層を含むグループＧ１が生成される。境界の数が１つの場合、つまり境界Ｂ１を選択した場合、境界Ｂ１より上に位置する層を含むグループＧ１、および境界Ｂ１より下に位置する層を含むＧ２に区分される。境界の数が２つの場合、つまり、境界Ｂ１と境界Ｂ２とを選択した場合、境界Ｂ１より上に位置する層を含むグループＧ１、境界Ｂ１より下かつ境界Ｂ２より上に位置する層を含むグループＧ２、および境界Ｂ２より下に位置する層を含むグループＧ３に区分される。
【0028】
区分部２０ｂは、複数の層を任意の方法によって区分することができるが、例えば、乱数によって境界深度を選択し各グループに含まれる層を決定してもよく、ユーザによる境界深度の選択を受け付け、当該選択に基づき各グループに含まれる層を決定してもよい。以下、本明細書においては、乱数によって境界深度を選択する方法を用いたとして説明する。
【0029】
（３） 比抵抗設定部２０ｃ
比抵抗設定部２０ｃは、区分された１つまたは複数のグループの比抵抗を乱数により決定し、各グループに含まれる各層に、当該グループに対して決定された比抵抗を設定することができる。比抵抗設定部２０ｃは、具体的には例えば、次式に基づいて、グループの比抵抗を決定する。
比抵抗設定部２０ｃは、区分された１つまたは複数のグループの比抵抗を乱数により決定し、各グループに含まれる各層に、当該グループに対して決定された比抵抗を設定することができる。比抵抗設定部２０ｃは、具体的には例えば、次式に基づいて、グループの比抵抗を決定する。
【0030】
【数2】
【0031】
ここで、ｉはグループの数、ρｍａｘはユーザが設定した最大比抵抗、ρｍｉｎはユーザが設定した最小比抵抗、ρｉはｉ個目のグループの比抵抗、θは、擬似乱数である。また、θは、０～１の一様分布にしたがってグループ毎に決定される。比抵抗設定部２０ｃにより設定された比抵抗を用いて生成された学習用比抵抗構造の例が図４の左図（平滑化前）に示されている。図４の例では、グループの数ｉは４であり、各層が、上式により決定されたグループの比抵抗に対応する比抵抗を有している。
【0032】
（４） 平滑化部２０ｄ
平滑化部２０ｄは、比抵抗設定部２０ｃで設定された各層の比抵抗（以下、平滑化前比抵抗と記載）を平滑化し、平滑化比抵抗を設定することができる。具体的には例えば、層設定部２０ａにより設定された複数の層のうちの１層と、当該１層に隣接する２層と、の計３層の平滑化前比抵抗を用いて、移動平均による平滑化処理を各層毎に行う。最上層および最下層については、最上層／最下層に隣接する層の平滑化前比抵抗１つと、最上層／最下層の平滑化前比抵抗２つと、の計３つの平滑化比抵抗を用いて平滑化処理を行う。図４の中央の図（平滑化後）に、平滑化部２０ｄにより設定された平滑化比抵抗を用いて生成された学習用比抵抗構造の例を示す。
平滑化部２０ｄは、比抵抗設定部２０ｃで設定された各層の比抵抗（以下、平滑化前比抵抗と記載）を平滑化し、平滑化比抵抗を設定することができる。具体的には例えば、層設定部２０ａにより設定された複数の層のうちの１層と、当該１層に隣接する２層と、の計３層の平滑化前比抵抗を用いて、移動平均による平滑化処理を各層毎に行う。最上層および最下層については、最上層／最下層に隣接する層の平滑化前比抵抗１つと、最上層／最下層の平滑化前比抵抗２つと、の計３つの平滑化比抵抗を用いて平滑化処理を行う。図４の中央の図（平滑化後）に、平滑化部２０ｄにより設定された平滑化比抵抗を用いて生成された学習用比抵抗構造の例を示す。
【0033】
（５） 合成部２０ｅ
合成部２０ｅは、平滑化前比抵抗と、当該平滑化前比抵抗が設定された層に対応する層の平滑化比抵抗と、の合成処理を各層毎に行い、各層に合成比抵抗を設定することができる。ここで、合成処理とは、各層の平滑化前比抵抗と平滑化比抵抗との間で加重平均を行うことを指す。合成部２０ｅは、具体的には例えば次式に基づいて、加重平均を行う。
合成部２０ｅは、平滑化前比抵抗と、当該平滑化前比抵抗が設定された層に対応する層の平滑化比抵抗と、の合成処理を各層毎に行い、各層に合成比抵抗を設定することができる。ここで、合成処理とは、各層の平滑化前比抵抗と平滑化比抵抗との間で加重平均を行うことを指す。合成部２０ｅは、具体的には例えば次式に基づいて、加重平均を行う。
【0034】
【数3】
【0035】
ここで、ｊは層数、ρ'は平滑化前比抵抗、ρ''は平滑化比抵抗、αは重みである。αは、０～１の一様分布に基づいて各地下構造毎に決定される。αにより、比抵抗と平滑化比抵抗の合成度合いが決定され、αが０に近いほど平滑化前の構造に近づき、αが１に近いほど、平滑化後の構造に近づく。図４の右図（合成）に、合成部２０ｅにより設定された合成比抵抗を用いて生成された学習用比抵抗構造の例を示す。図４の例では、重みαは０．０２であり、比較的平滑化前の構造に近い合成比抵抗構造が表されている。
【0036】
（６） 学習用比抵抗構造データ生成部２０ｆ
学習用比抵抗構造データ生成部２０ｆは、平滑化前比抵抗、平滑化比抵抗または合成比抵抗が設定された複数の層に基づいて地下構造が規定された学習用比抵抗構造データを生成することができる。図４に、平滑化前比抵抗、平滑化比抵抗および合成比抵抗に基づいてそれぞれ生成された学習用比抵抗構造データの例を示す。
学習用比抵抗構造データ生成部２０ｆは、平滑化前比抵抗、平滑化比抵抗または合成比抵抗が設定された複数の層に基づいて地下構造が規定された学習用比抵抗構造データを生成することができる。図４に、平滑化前比抵抗、平滑化比抵抗および合成比抵抗に基づいてそれぞれ生成された学習用比抵抗構造データの例を示す。
【0037】
（７） 使用比抵抗決定部２０ｇ
使用比抵抗決定部２０ｇは、ユーザが入力部１３を介して入力した学習データに使用する比抵抗種類および割合に基づいて、学習データに使用する、生成学習データ数分の学習用比抵抗構造データを決定することができる。具体的には、使用比抵抗決定部２０ｇは、ユーザが入力した、学習データとして使用する学習用比抵抗構造データの１つまたは複数の種類、および、生成学習データ数のうち当該１つまたは複数の種類の学習用比抵抗構造データがそれぞれ使用される割合に基づいて、学習データに使用される学習用比抵抗構造データを決定することができる。
使用比抵抗決定部２０ｇは、ユーザが入力部１３を介して入力した学習データに使用する比抵抗種類および割合に基づいて、学習データに使用する、生成学習データ数分の学習用比抵抗構造データを決定することができる。具体的には、使用比抵抗決定部２０ｇは、ユーザが入力した、学習データとして使用する学習用比抵抗構造データの１つまたは複数の種類、および、生成学習データ数のうち当該１つまたは複数の種類の学習用比抵抗構造データがそれぞれ使用される割合に基づいて、学習データに使用される学習用比抵抗構造データを決定することができる。
【0038】
また、ユーザが学習データに使用する比抵抗種類および割合を設定しない場合、使用比抵抗決定部２０ｇは、合成比抵抗が用いられた学習用比抵抗構造（以下、合成学習用比抵抗構造データ）を、学習データに使用する学習用比抵抗構造データとして決定することができる。また、ユーザが学習データに使用する比抵抗種類および割合を設定しない場合、使用比抵抗決定部２０ｇは、ユーザが入力部１３を介して入力した測定地の情報に基づいて、学習データに使用する生成学習データ数分の学習用比抵抗構造データを決定してもよい。例えば、当該測定地の地下構造が比較的単純であると入力された場合、使用比抵抗決定部２０ｇは、学習データとして使用する生成学習データ数分の学習用比抵抗構造データのうち、少なくとも平滑化前比抵抗が用いられた学習用比抵抗構造データ（以下、平滑化前学習用比抵抗構造データ）を用いること、または平滑化前学習用比抵抗構造データの割合を増やすことを決定することができる。例えば、当該測定地の地下構造が複雑であると入力された場合、使用比抵抗決定部２０ｇは、学習データとして使用する生成学習データ数分の学習用比抵抗構造データのうち、少なくとも平滑化比抵抗が用いられた学習用比抵抗構造データ（以下、平滑化学習用比抵抗構造データ）、または平滑化比学習用比抵抗構造データの割合を増やすことを決定することができる。
【0039】
使用される学習用比抵抗構造データの種類は、平滑化前学習用比抵抗構造データ、平滑化学習用比抵抗構造データおよび合成学習用比抵抗構造データのすべてであってよい。使用される学習用比抵抗構造データの種類は、平滑化前学習用比抵抗構造データおよび平滑化学習用比抵抗構造データの組み合わせであってもよく、平滑化前学習用比抵抗構造データおよび合成学習用比抵抗構造データの組み合わせであってもよく、または、平滑化学習用比抵抗構造データ比抵抗および合成学習用比抵抗構造データの組み合わせであってもよい。また、使用される学習用比抵抗構造データの種類は、平滑化前学習用比抵抗構造データのみであってもよく、平滑化学習用比抵抗構造データのみであってもよく、または合成学習用比抵抗構造データのみであってもよい。
【0040】
（８） 応答データ算出部２０ｈ
応答データ算出部２０ｈは、生成された学習用比抵抗構造データに基づいて順解析を行い、学習用比抵抗構造データに対応付けられた人工応答データを算出し、学習データを生成することができる。具体的には、ユーザが設定する、解析対象となる測定応答データを取得した際の、測定システムや信号源などのパラメータに基づいて、当該パラメータに対応するＭａｘｗｅｌｌ方程式を、各学習用比抵抗構造データに対して円筒座標計の偏微分方程式を解くことにより、理論上の応答データ（＝人工応答データ）を算出する。人工応答データは、電圧データまたは磁場データである。
応答データ算出部２０ｈは、生成された学習用比抵抗構造データに基づいて順解析を行い、学習用比抵抗構造データに対応付けられた人工応答データを算出し、学習データを生成することができる。具体的には、ユーザが設定する、解析対象となる測定応答データを取得した際の、測定システムや信号源などのパラメータに基づいて、当該パラメータに対応するＭａｘｗｅｌｌ方程式を、各学習用比抵抗構造データに対して円筒座標計の偏微分方程式を解くことにより、理論上の応答データ（＝人工応答データ）を算出する。人工応答データは、電圧データまたは磁場データである。
【0041】
応答データ算出部２０ｈが算出可能な送信器タイプとしては、電気・磁気ダイポール、円ループ、矩形ループ、および接地電線が挙げられる。応答データ算出部２０ｈが算出可能な受信成分は、任意位置で、電場３成分、磁場３成分である。また、応答データ算出部２０ｈは、送信・受信のいずれも、空中、地表、地中および海中に配置された測定システムについても、対応可能である。
【0042】
（９） ノイズ付与部２０ｉ
ノイズ付与部２０ｉは、応答データ算出部２０ｈによって生成された学習データに経験的に算出されたノイズまたは、物理探査測定時に存在した環境ノイズを付与し、学習用比抵抗構造データに対応付けられたノイズ付き人工応答データを算出し、ノイズ付き学習データを生成することができる。好ましくは、ノイズ付与部２０ｉは、経験的に算出されたノイズを付与する。
ノイズ付与部２０ｉは、応答データ算出部２０ｈによって生成された学習データに経験的に算出されたノイズまたは、物理探査測定時に存在した環境ノイズを付与し、学習用比抵抗構造データに対応付けられたノイズ付き人工応答データを算出し、ノイズ付き学習データを生成することができる。好ましくは、ノイズ付与部２０ｉは、経験的に算出されたノイズを付与する。
【0043】
具体的には、ノイズ付与部２０ｉは、物理探査測定によって得られた測定応答データの標準偏差を算出し、これをノイズレベルとする。経験的に算出されたノイズを付与する場合、ノイズ付与部２０ｉは、学習データの人工応答データにガウス分布のノイズを付与する。当該ガウス分布の平均は０、標準偏差は前述の測定応答データの標準偏差である。
【0044】
環境ノイズを付与する場合、ノイズ付与部２０ｉは、学習データの人工応答データに前述の測定応答データの標準偏差を一様に付与する。
【0045】
物理探査の測定応答データにおいては、測定時の装置の振動、周辺の環境ノイズ（金属物や送電線等の電磁ノイズ）などによりノイズが含まれているため、ノイズを付与したデータで学習を行うことで、より精度の良い機械学習ネットワークを得ることができる。
【0046】
本実施形態に係る学習データ生成部２０により生成される学習データには、平滑化前比抵抗、平滑化比抵抗、および合成比抵抗といった種類の異なる比抵抗が用いられており、様々な比抵抗構造を生成することが可能となる。これより、従来の平滑化前比抵抗のみを用いて生成される学習データが用いられる場合と比較して、本学習データを用いる場合は精度良く真の地下構造を推定することができる。なお、ここで精度が良いとは、検証データを用いて解析を行った際の誤差関数や、推定比抵抗構造から算出した人工応答データと測定応答データの相対パーセント誤差が小さいことを意図する。
【0047】
１．２．３ 入力処理部２１
入力処理部２１は、通信部１２を介して外部の探査装置から取得した測定応答データ、または入力部１３を介して直接入力された測定応答データなどを、機械学習部２３が有する機械学習モデルに入力することができる。
入力処理部２１は、通信部１２を介して外部の探査装置から取得した測定応答データ、または入力部１３を介して直接入力された測定応答データなどを、機械学習部２３が有する機械学習モデルに入力することができる。
【0048】
１．２．４ 出力制御部２２
出力制御部２２は、機械学習部２３が有する機械学習モデルから出力される、入力処理部２１によって入力された測定応答データが取得された測地の地下の推定比抵抗構造データを出力し、出力部１４に表示することができる。
出力制御部２２は、機械学習部２３が有する機械学習モデルから出力される、入力処理部２１によって入力された測定応答データが取得された測地の地下の推定比抵抗構造データを出力し、出力部１４に表示することができる。
【0049】
１．２．５ 機械学習部２３
機械学習部２３は、学習データ生成部２０によって生成された学習データに基づいて学習することにより、入力処理部２１により入力される、測定応答データが測定された測定地の地下の推定比抵抗構造を出力する機械学習モデルを構築し、構築した機械学習モデルを保持している。機械学習モデルは、学習用比抵抗構造データに対応付けられた人工応答データを学習データとして機械学習することにより構築されたモデルとできる。また、機械学習モデルは、学習用比抵抗構造データに対応付けられたノイズ付き人工応答データをノイズ付き学習データとして機械学習することにより構築されたモデルとできる。
機械学習部２３は、学習データ生成部２０によって生成された学習データに基づいて学習することにより、入力処理部２１により入力される、測定応答データが測定された測定地の地下の推定比抵抗構造を出力する機械学習モデルを構築し、構築した機械学習モデルを保持している。機械学習モデルは、学習用比抵抗構造データに対応付けられた人工応答データを学習データとして機械学習することにより構築されたモデルとできる。また、機械学習モデルは、学習用比抵抗構造データに対応付けられたノイズ付き人工応答データをノイズ付き学習データとして機械学習することにより構築されたモデルとできる。
【0050】
機械学習モデルの内部構成は任意であるが、例えば、ＤＮＮ（Ｄｅｅｐ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ、ディープニューラルネットワーク）、ＣＮＮ（Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ、畳み込みニューラルネットワーク）、ＲＮＮ（Ｒｅｃｕｒｒｅｎｔ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ、再帰型ニューラルネットワーク）、ＬＳＴＭ（Ｌｏｎｇ Ｓｈｏｒｔ－Ｔｅｒｍ Ｍｅｍｏｒｙ、長・短期記憶）により構成されることができる。
【0051】
１．３ 情報処理装置１を用いたデータ処理の手順
図５を参照しながら、本実施形態に係る情報処理装置１を用いたデータ処理の方法を説明する。該データ処理方法は、パラメータ設定工程Ｓ１、学習データ生成工程Ｓ２、ネットワークモデル構築工程Ｓ３、測定応答データ読み込み工程Ｓ４、逆解析工程Ｓ５、推定比抵抗構造出力工程Ｓ６を備える。
図５を参照しながら、本実施形態に係る情報処理装置１を用いたデータ処理の方法を説明する。該データ処理方法は、パラメータ設定工程Ｓ１、学習データ生成工程Ｓ２、ネットワークモデル構築工程Ｓ３、測定応答データ読み込み工程Ｓ４、逆解析工程Ｓ５、推定比抵抗構造出力工程Ｓ６を備える。
【0052】
（１） パラメータ設定工程Ｓ１
パラメータ設定工程Ｓ１では、パラメータ設定部が各種パラメータを設定する。パラメータ設定部は、ユーザによる、情報処理装置１の入力部１３が受け付けた値に基づき必要なパラメータの一部または全部を設定してもよく、パラメータ設定部が予め設定された条件や乱数等に基づき必要なパラメータの一部または全部を設定してもよい。設定されるパラメータには、生成学習データ数、学習データの目的変数となる地下構造の最深深度Ｄ、分割層数Ｎ、層厚設定係数ｔ、生成比抵抗ρの範囲（最大比抵抗ρｍａｘ≦ρ≦最小比抵抗ρｍｉｎ）、学習データに使用する比抵抗種類およびその割合、解析対象となる測定応答データを取得した際の測定システムや信号源や測定値情報の設定が含まれる。各パラメータの設定手順の例を以下に示す。
パラメータ設定工程Ｓ１では、パラメータ設定部が各種パラメータを設定する。パラメータ設定部は、ユーザによる、情報処理装置１の入力部１３が受け付けた値に基づき必要なパラメータの一部または全部を設定してもよく、パラメータ設定部が予め設定された条件や乱数等に基づき必要なパラメータの一部または全部を設定してもよい。設定されるパラメータには、生成学習データ数、学習データの目的変数となる地下構造の最深深度Ｄ、分割層数Ｎ、層厚設定係数ｔ、生成比抵抗ρの範囲（最大比抵抗ρｍａｘ≦ρ≦最小比抵抗ρｍｉｎ）、学習データに使用する比抵抗種類およびその割合、解析対象となる測定応答データを取得した際の測定システムや信号源や測定値情報の設定が含まれる。各パラメータの設定手順の例を以下に示す。
【0053】
生成学習データ数は任意の数とできる。生成学習データ数は、パラメータ設定部が、ユーザによる、情報処理装置１の入力部１３が受け付けた値に基づき設定することができる。生成する学習データ数は、好ましくは４００００～１２０００００であり、パラメータ設定部が、生成学習データ数を当該範囲内において乱数等を用いて設定してもよい。
【0054】
最深深度Ｄは、パラメータ設定部が、表皮深度の概念を応用したＤＯＩ（Ｄｅｐｔｈ ｏｆ Ｉｎｖｅｓｔｉｇａｔｉｏｎ）を算出し、算出した値に基づき最深深度Ｄを設定することができる。または、算出した値を情報処理装置１の出力部１４を介してユーザに提示してもよく、この場合、情報処理装置１の入力部１３においてユーザからの入力を受け付けることができ、受け付けた値に基づき最深深度Ｄを設定することもできる。なお、ＤＯＩは、測定システムや測定値の地下の比抵抗によって変化するため、ユーザにより入力される最深深度Ｄは、ユーザが解析対象の測定システムや測定地など種々の条件を複合的に踏まえて経験的に設定することができる。
【0055】
分割層数Ｎは、任意の数とできる。分割層数Ｎは、ユーザによる、情報処理装置１の入力部１３が受け付けた値に基づき設定することができる。分割層数Ｎは１０～１００で設定されることが多く、とりわけ２０～５０で設定されることが多い。パラメータ設定部が、分割層数Ｎを当該範囲内において乱数等を用いてに設定してもよい。
【0056】
層厚設定係数ｔは、ユーザによる、情報処理装置１の入力部１３が受け付けた値に基づき設定することができる。層厚設定係数ｔは、パラメータ設定部が、－１～１の間で乱数等を用いて決定してもよいが、好ましくは、層厚設定係数ｔは１に決定される。
【0057】
生成比抵抗ρの範囲は、任意の範囲に設定できる。生成比抵抗ρの範囲は、ユーザによる、情報処理装置１の入力部１３が受け付けた値に基づき設定することができる。生成比抵抗ρの範囲は１０－２≦ρ≦１０４で設定されることが多い。したがって、パラメータ設定部が生成比抵抗ρの範囲を当該範囲に予め設定しておいてもよい。
【0058】
学習データに使用する比抵抗種類およびその割合は、任意に設定できる。具体的には、学習データとして使用する学習用比抵抗構造データの１つまたは複数の種類、および、生成学習データ数のうち当該１つまたは複数の種類の学習用比抵抗構造データがそれぞれ使用される割合は、ユーザによる、情報処理装置１の入力部１３が受け付けた値に基づき設定することができる。
【0059】
後述する再解析が行われる場合、パラメータ設定工程Ｓ１では、パラメータ設定部が、ユーザによる情報処理装置１の入力部１３が受け付けた最深深度Ｄ、分割層数Ｎ、層厚設定係数ｔ、生成比抵抗ρの範囲（最大比抵抗ρｍａｘ≦ρ≦最小比抵抗ρｍｉｎ）、学習データに使用する比抵抗種類およびその割合に基づきパラメータを再設定することができる。なお、ユーザにより入力される各種パラメータは、ユーザが前回の解析結果に基づいて調整することができる。
【0060】
（２） 学習データ生成工程Ｓ２
パラメータ設定工程Ｓ１が終了すると、学習データ生成工程Ｓ２が開始する。学習データ生成工程Ｓ２では、学習データ生成部２０が比抵抗構造と人工応答データとを対応付けた学習データを生成する。学習データ生成工程Ｓ２は、層設定工程Ｓ２１、区分工程Ｓ２２、比抵抗設定工程Ｓ２３、平滑化工程Ｓ２４、合成工程Ｓ２５、学習用比抵抗構造データ生成工程Ｓ２６、応答データ算出工程Ｓ２８、およびノイズ付与工程Ｓ２９を備える。図６に学習データ生成工程Ｓ２の流れを示す。
パラメータ設定工程Ｓ１が終了すると、学習データ生成工程Ｓ２が開始する。学習データ生成工程Ｓ２では、学習データ生成部２０が比抵抗構造と人工応答データとを対応付けた学習データを生成する。学習データ生成工程Ｓ２は、層設定工程Ｓ２１、区分工程Ｓ２２、比抵抗設定工程Ｓ２３、平滑化工程Ｓ２４、合成工程Ｓ２５、学習用比抵抗構造データ生成工程Ｓ２６、応答データ算出工程Ｓ２８、およびノイズ付与工程Ｓ２９を備える。図６に学習データ生成工程Ｓ２の流れを示す。
【0061】
層設定工程Ｓ２１では、層設定部２０ａが、パラメータ設定工程Ｓ１で設定された、最深深度Ｄ、分割層数Ｎ、および層厚設定係数ｔに基づいて、複数の層によって構成される地下構造を設定する。層設定工程Ｓ２１では、生成学習データ数分、層設定部２０ａによる地下構造の設定が行われる。層設定工程Ｓ２１が終了すると、区分工程Ｓ２２に進む。
【0062】
区分工程Ｓ２２では、区分部２０ｂが、１つの地下構造における層設定工程Ｓ２１で設定された複数の層を１層または連続する２以上の層によって構成される１つまたは複数のグループに区分し、これを生成学習データ数分行う。区分工程Ｓ２２が終了すると、比抵抗設定工程Ｓ２３に進む。
【0063】
比抵抗設定工程Ｓ２３では、比抵抗設定部２０ｃが、区分工程Ｓ２２により区分された１つの地下構造における１つまたは複数のグループの比抵抗を決定し、各グループに含まれる１つまたは複数の層の比抵抗（平滑化前比抵抗）を設定する。比抵抗設定工程Ｓ２３では、生成学習データ数分、比抵抗設定部２０ｃによる比抵抗の設定が行われる。比抵抗設定工程Ｓ２３が終了すると、平滑化工程Ｓ２４に進む。
【0064】
平滑化工程Ｓ２４では、平滑化部２０ｄが、比抵抗設定部２０ｃで設定された１つの地下構造における各層の平滑化前比抵抗を平滑化し、平滑化比抵抗を設定する。平滑化工程Ｓ２４では、生成学習データ数分、平滑化部２０ｄによる平滑化比抵抗の設定が行われる。平滑化工程Ｓ２４が終了すると、合成工程Ｓ２５に進む。
【0065】
合成工程Ｓ２５では、合成部２０ｅが１つの地下構造における平滑化前比抵抗と平滑化比抵抗とを用いて合成処理を行い、合成比抵抗を設定する。合成工程Ｓ２５では、生成学習データ数分、合成部２０ｅによる合成比抵抗の設定が行われる。合成工程Ｓ２５が終了すると、学習用比抵抗構造データ生成工程Ｓ２６に進む。
【0066】
学習用比抵抗構造データ生成工程Ｓ２６では、学習用比抵抗構造データ生成部２０ｆが、１つの地下構造における、平滑化前比抵抗、平滑化比抵抗または合成比抵抗が設定された複数の層に基づいて地下構造が規定された学習用比抵抗構造データを生成し、これを生成学習データ数分行う。学習用比抵抗構造データ生成工程Ｓ２６が終了すると、使用比抵抗決定工程Ｓ２７に進む。
【0067】
使用比抵抗決定工程Ｓ２７では、使用比抵抗決定部２０ｇが、パラメータ設定工程Ｓ１で設定された学習データに使用する比抵抗種類および割合または測定値情報に基づいて、学習データに使用する生成学習データ数分の学習用比抵抗構造データを決定する。具体的には、使用比抵抗決定部２０ｇは、以下（１）～（７）のいずれかで構成される、学習データに使用される学習用比抵抗構造データを決定する。
（１）平滑化前学習用比抵抗構造データ、平滑化学習用比抵抗構造データおよび合成学習用比抵抗構造データが用いられる学習用比抵抗構造データ
（２）平滑化前学習用比抵抗構造データおよび平滑化学習用比抵抗構造データが用いられる学習用比抵抗構造データ
（３）平滑化前学習用比抵抗構造データおよび合成学習用比抵抗構造データが用いられる学習用比抵抗構造データ
（４）平滑化学習用比抵抗構造データ比抵抗および合成学習用比抵抗構造データが用いられる学習用比抵抗構造データ
（５）平滑化前学習用比抵抗構造データが用いられる学習用比抵抗構造データ
（６）平滑化学習用比抵抗構造データが用いられる学習用比抵抗構造データ
（７）合成学習用比抵抗構造データが用いられる学習用比抵抗構造データ
使用比抵抗決定工程Ｓ２７が終了すると、応答データ生成工程に進む。
（１）平滑化前学習用比抵抗構造データ、平滑化学習用比抵抗構造データおよび合成学習用比抵抗構造データが用いられる学習用比抵抗構造データ
（２）平滑化前学習用比抵抗構造データおよび平滑化学習用比抵抗構造データが用いられる学習用比抵抗構造データ
（３）平滑化前学習用比抵抗構造データおよび合成学習用比抵抗構造データが用いられる学習用比抵抗構造データ
（４）平滑化学習用比抵抗構造データ比抵抗および合成学習用比抵抗構造データが用いられる学習用比抵抗構造データ
（５）平滑化前学習用比抵抗構造データが用いられる学習用比抵抗構造データ
（６）平滑化学習用比抵抗構造データが用いられる学習用比抵抗構造データ
（７）合成学習用比抵抗構造データが用いられる学習用比抵抗構造データ
使用比抵抗決定工程Ｓ２７が終了すると、応答データ生成工程に進む。
【0068】
応答データ算出工程Ｓ２８では、応答データ算出部２０ｈが、使用比抵抗決定工程Ｓ２７で決定された学習用比抵抗構造データのうちの１つの生成された学習用比抵抗構造データに基づいて順解析を行い、学習用比抵抗構造データに対応付けられた人工応答データを算出し、学習データを生成する。応答データ算出工程Ｓ２８では、使用比抵抗決定工程Ｓ２７で決定されたすべての学習用比抵抗構造データに対して、応答データ算出部２０ｈによる人工応答データの算出が行われ、これにより生成学習データ数分の学習データが生成される。応答データ算出工程Ｓ２８が終了すると、ノイズの付与を行う場合はノイズ付与工程Ｓ２９に進み、ノイズの付与を行わない場合は、学習データ生成工程Ｓ２が終了する。
【0069】
ノイズ付与工程Ｓ２９では、ノイズ付与部２０ｉが、応答データ算出部２０ｈによって生成された学習データの人工応答データに経験的に算出されたノイズを付与し、ノイズ付き学習データを生成する。ノイズ付与工程Ｓ２９が終了すると、学習データ生成工程Ｓ２が終了する。
【0070】
（３） ネットワークモデル構築工程Ｓ３
学習データ生成工程Ｓ２が終了すると、ネットワークモデル構築工程Ｓ３が開始する。ネットワークモデル構築工程Ｓ３では、機械学習部２３が、学習データ生成工程Ｓ２で生成された学習データまたはノイズ付与工程Ｓ２９で生成されたノイズ付き学習データを用いて機械学習することによって、入力される測定応答データの推定比抵抗構造を出力する機械学習モデルを構築する。具体的には、ネットワークモデル構築工程Ｓ３では、人工応答データまたはノイズ付き人工応答データを入力とし（説明変数）、比抵抗構造データを出力とし（目的変数）、当該人工応答データまたは当該ノイズ付き人工応答データに対応付けられた学習用比抵抗構造データが正解ラベルである、教師あり学習が行われる。このような機械学習モデルを構築することによって、入力される測定応答データに対応する比抵抗構造の推定が可能となる。
学習データ生成工程Ｓ２が終了すると、ネットワークモデル構築工程Ｓ３が開始する。ネットワークモデル構築工程Ｓ３では、機械学習部２３が、学習データ生成工程Ｓ２で生成された学習データまたはノイズ付与工程Ｓ２９で生成されたノイズ付き学習データを用いて機械学習することによって、入力される測定応答データの推定比抵抗構造を出力する機械学習モデルを構築する。具体的には、ネットワークモデル構築工程Ｓ３では、人工応答データまたはノイズ付き人工応答データを入力とし（説明変数）、比抵抗構造データを出力とし（目的変数）、当該人工応答データまたは当該ノイズ付き人工応答データに対応付けられた学習用比抵抗構造データが正解ラベルである、教師あり学習が行われる。このような機械学習モデルを構築することによって、入力される測定応答データに対応する比抵抗構造の推定が可能となる。
【0071】
（４） 測定応答データ読み込み工程Ｓ４
測定応答データ読み込み工程Ｓ４は、逆解析工程Ｓ５を開始する前に行うことができれば、任意のタイミングで行われてよい。図５では、ネットワークモデル構築工程Ｓ３が終了した後に測定応答データ読み込み工程Ｓ４が開始するように示されており、以下本明細書では当該順序で工程を行うこととして説明する。測定応答データ読み込み工程Ｓ４では、入力処理部２１が、測定応答データをネットワークモデル構築工程Ｓ３によって構築された機械学習モデルに入力する。
測定応答データ読み込み工程Ｓ４は、逆解析工程Ｓ５を開始する前に行うことができれば、任意のタイミングで行われてよい。図５では、ネットワークモデル構築工程Ｓ３が終了した後に測定応答データ読み込み工程Ｓ４が開始するように示されており、以下本明細書では当該順序で工程を行うこととして説明する。測定応答データ読み込み工程Ｓ４では、入力処理部２１が、測定応答データをネットワークモデル構築工程Ｓ３によって構築された機械学習モデルに入力する。
【0072】
（５） 逆解析工程Ｓ５
測定応答データ読み込み工程Ｓ４が終了すると逆解析工程Ｓ５が開始する。逆解析工程Ｓ５では、機械学習部２３が、機械学習部２３に入力された測定応答データを用いて解析を行い、推定比抵抗構造データを出力する。
測定応答データ読み込み工程Ｓ４が終了すると逆解析工程Ｓ５が開始する。逆解析工程Ｓ５では、機械学習部２３が、機械学習部２３に入力された測定応答データを用いて解析を行い、推定比抵抗構造データを出力する。
【0073】
（６） 推定比抵抗構造出力工程Ｓ６
逆解析工程Ｓ５が終了すると推定比抵抗構造出力工程Ｓ６が開始する。推定比抵抗構造出力工程Ｓ６では、出力制御部２２が逆解析工程Ｓ５で出力された推定比抵抗構造データを出力部１４に表示する。
逆解析工程Ｓ５が終了すると推定比抵抗構造出力工程Ｓ６が開始する。推定比抵抗構造出力工程Ｓ６では、出力制御部２２が逆解析工程Ｓ５で出力された推定比抵抗構造データを出力部１４に表示する。
【0074】
推定比抵抗構造出力工程Ｓ６が終了すると、本発明に係るデータ処理が終了する。出力部１４から出力された解析結果に基づき、所望の解析結果が得られていない場合は、パラメータ設定工程Ｓ１に戻り、上記工程を繰り返し行い、再解析することができる。
【0075】
再解析は、例えば、推定比抵抗構造出力工程Ｓ６で出力された比抵抗構造に基づいて人工応答データを算出し、当該人工応答データと、解析を行った測定応答データと、の相対パーセント誤差が測定点全体で所定値以上（例えば、５０％以上）となる場合に行われるように構成されてもよい。
【0076】
本実施形態に係るデータ処理方法では、機械学習を用いた解析を行うことにより、非線形最小二乗法などの従来の最適化手法と比較して解析時間を短縮することが可能となる。特に、実際の電磁探査測定が行われる場合、従来の解析手法では解析に時間を要することから、見掛比抵抗といった仮定の比抵抗構造を用いて測定の評価を行っていた。本方法を用いたデータ処理では、リアルタイムで比抵抗構造の推定が可能となるため、有利である。
【0077】
２． 第２実施形態
本実施形態に係る逆解析システムは、探査装置３を備える。本実施形態に係る逆解析システムは、探査装置３に情報処理装置１の機能が組み込まれている点で第１実施形態と異なる。以下においては、第１実施形態との相違点を中心に説明する。
本実施形態に係る逆解析システムは、探査装置３を備える。本実施形態に係る逆解析システムは、探査装置３に情報処理装置１の機能が組み込まれている点で第１実施形態と異なる。以下においては、第１実施形態との相違点を中心に説明する。
【0078】
２．１ 探査装置３のハードウェア構成
図７に本実施形態に係る探査装置３のハードウェア構成を示す。探査装置３は、電磁場制御部３０、送信部３１、受信部３２、情報処理制御部３３、記憶部３４、入力部３６、および出力部３７を備える。電磁場制御部３０、送信部３１、受信部３２、情報処理制御部３３、記憶部３４、入力部３６、および出力部３７は通信バス４０によって相互に接続されている。探査装置３は、通信部３５をさらに備えていてもよい。
図７に本実施形態に係る探査装置３のハードウェア構成を示す。探査装置３は、電磁場制御部３０、送信部３１、受信部３２、情報処理制御部３３、記憶部３４、入力部３６、および出力部３７を備える。電磁場制御部３０、送信部３１、受信部３２、情報処理制御部３３、記憶部３４、入力部３６、および出力部３７は通信バス４０によって相互に接続されている。探査装置３は、通信部３５をさらに備えていてもよい。
【0079】
電磁場制御部３０は、中央処理装置（ＣＰＵ）、デジタル信号プロセッサ、マイクロプロセッサ、マイクロコントローラ、特定用途向け集積回路（ＡＳＩＣ）、プログラマブル論理デバイス（ＰＬＤ）等のプロセッサを含むことができる。
【0080】
送信部３１は、電磁場制御部３０によって決定された磁場を形成する。送信部３１は、電磁探査の送信器として用いることができる任意の送信器を備えることができる。送信部３１は例えば、コイル、接地した電線またはループ電線とできる。
【0081】
受信部３２は、地下からの応答データである二次磁場データまたは電圧データを受信することができる。受信部３２は、電磁探査の受信器として用いることができる任意の受信器を備えることができる。受信部３２は、例えば、電圧データを測定する場合はコイル、磁場データを測定する場合はフラックスゲート磁力計、ＭＩ磁力計若しくはＳＱＵＩＤ磁力計などの磁場センサとできる。
【0082】
情報処理制御部３３、記憶部３４、通信部３５および出力部３７は、情報処理装置１の制御部１０、記憶部１１、通信部１２および出力部１４と同様の構成とできる。
【0083】
入力部３６には、第１実施形態のパラメータ設定工程Ｓ１でユーザが設定する各種パラメータに加えて、測定に用いる電流値、周波数、電圧等を入力することができる。入力部３６は、例えば、キーボード、キーパッド、マウス、マイク、タッチスクリーン、ボタン等の１つまたは複数を含むことができる。
【0084】
２．２ 探査装置３の機能構成
探査装置３の電磁場制御部３０は、ユーザが入力部３６で入力した電流値、周波数、電圧等に基づいて、送信部３１を制御する機能を有する。
探査装置３の電磁場制御部３０は、ユーザが入力部３６で入力した電流値、周波数、電圧等に基づいて、送信部３１を制御する機能を有する。
【0085】
探査装置３の情報処理制御部３３は、情報処理装置１の制御部１０と同様の機能構成を有することができるが、入力処理部は、受信部３２が取得した測定応答データを機械学習部が有する機械学習モデルに入力することができる。
【0086】
３． その他の実施形態
３．１ コンピュータプログラム
本発明の一実施形態に係るコンピュータプログラムは、第１実施形態のデータ処理方法において情報処理装置１が行う、パラメータ設定工程Ｓ１、学習データ生成工程Ｓ２、ネットワークモデル構築工程Ｓ３、測定応答データ読み込み工程Ｓ４、逆解析工程Ｓ５、および推定比抵抗構造出力工程Ｓ６を、コンピュータに実行させるプログラムである。また、コンピュータに実行させる学習データ生成工程Ｓ２のプログラムには、層設定工程Ｓ２１、区分工程Ｓ２２、比抵抗設定工程Ｓ２３、平滑化工程Ｓ２４、合成工程Ｓ２５、学習用比抵抗構造データ生成工程Ｓ２６、使用比抵抗決定工程Ｓ２７、応答データ算出工程Ｓ２８、およびノイズ付与工程Ｓ２９が含まれる。
３．１ コンピュータプログラム
本発明の一実施形態に係るコンピュータプログラムは、第１実施形態のデータ処理方法において情報処理装置１が行う、パラメータ設定工程Ｓ１、学習データ生成工程Ｓ２、ネットワークモデル構築工程Ｓ３、測定応答データ読み込み工程Ｓ４、逆解析工程Ｓ５、および推定比抵抗構造出力工程Ｓ６を、コンピュータに実行させるプログラムである。また、コンピュータに実行させる学習データ生成工程Ｓ２のプログラムには、層設定工程Ｓ２１、区分工程Ｓ２２、比抵抗設定工程Ｓ２３、平滑化工程Ｓ２４、合成工程Ｓ２５、学習用比抵抗構造データ生成工程Ｓ２６、使用比抵抗決定工程Ｓ２７、応答データ算出工程Ｓ２８、およびノイズ付与工程Ｓ２９が含まれる。
【0087】
３．２ 情報処理装置１
情報処理装置１は、各実施形態の情報処理機能に係るプログラムを格納するコンピュータ読み取り可能な非一時的な記録媒体または上述のプログラムを記録したコンピュータの読み取りが可能な記録媒体として実現することもできる。
情報処理装置１は、各実施形態の情報処理機能に係るプログラムを格納するコンピュータ読み取り可能な非一時的な記録媒体または上述のプログラムを記録したコンピュータの読み取りが可能な記録媒体として実現することもできる。
【0088】
３．３ データ処理方法
本発明の一実施形態に係るデータ処理方法は、第１実施形態のデータ処理方法において、学習データ生成工程Ｓ２の後に、機械学習設定工程を備えることができる。機械学習設定工程では、ユーザがデータ処理において使用する機械学習のフレームワークの選択やネットワークを設定することができる。
本発明の一実施形態に係るデータ処理方法は、第１実施形態のデータ処理方法において、学習データ生成工程Ｓ２の後に、機械学習設定工程を備えることができる。機械学習設定工程では、ユーザがデータ処理において使用する機械学習のフレームワークの選択やネットワークを設定することができる。
【0089】
３．４ 逆解析システム
本発明の一実施形態に係る逆解析システムは、２次元または３次元の推定比抵抗構造を算出することができる。この場合、第１実施形態における学習データ生成部２０で生成したデータをグリッドデータの１つとして、２次元または３次元学習データに拡張することで、実現可能である。
本発明の一実施形態に係る逆解析システムは、２次元または３次元の推定比抵抗構造を算出することができる。この場合、第１実施形態における学習データ生成部２０で生成したデータをグリッドデータの１つとして、２次元または３次元学習データに拡張することで、実現可能である。
【0090】
４． 実施例
以下、本発明に係る情報処理装置１を用いたネットワークモデルの検証結果について説明する。
以下、本発明に係る情報処理装置１を用いたネットワークモデルの検証結果について説明する。
【0091】
４．１ 概要
本検証では、ヘリコプタで曳航する空中周波数領域電磁探査法を想定し、検証データを用いて、構築されたネットワークモデルを評価した。また、本発明のデータ処理方法を用いた場合と、単純構造のみを使用する従来のデータ処理方法を用いた場合とを、誤差関数（目的変数（比抵抗構造）の平均二乗誤差）による比較を行った。なお、本発明に係るデータ処理方法では、学習用比抵抗構造データとして平滑化前比抵抗構造データおよび平滑化比抵抗構造データの２種類を用いて、経験的に算出されたノイズを付したノイズ付き学習データを生成した。
本検証では、ヘリコプタで曳航する空中周波数領域電磁探査法を想定し、検証データを用いて、構築されたネットワークモデルを評価した。また、本発明のデータ処理方法を用いた場合と、単純構造のみを使用する従来のデータ処理方法を用いた場合とを、誤差関数（目的変数（比抵抗構造）の平均二乗誤差）による比較を行った。なお、本発明に係るデータ処理方法では、学習用比抵抗構造データとして平滑化前比抵抗構造データおよび平滑化比抵抗構造データの２種類を用いて、経験的に算出されたノイズを付したノイズ付き学習データを生成した。
【0092】
本検証おいて使用したパラメータ設定を表１に示す。また、本発明に係るデータ処理方法で使用された学習用比抵抗構造データの例を図８に、従来のデータ処理方法で使用された学習用比抵抗構造データの例を図９に示す。
【表1】
【0093】
４．２ 結果
本発明のデータ処理方法に係る学習曲線および検証誤差を図１０に、従来のデータ処理方法係る学習曲線および検証誤差を図１１に示す。図１０より、本発明のデータ処理方法により構築されたネットワークモデルは、学習に伴い検証データの平均二乗誤差が減少し、過学習が起きていないことが確認された。また、従来方法との比較の観点では、本発明における平均二乗誤差は、０．１６、標準偏差は０．１８であり、従来方法における平均二乗誤差は、０．２１、標準偏差は０．３１であった。したがって、本発明のデータ処理方法の方が従来方法と比較して誤差関数が小さくなる結果となり、より精度が高いネットワークモデルが構築されたことが認められた。
本発明のデータ処理方法に係る学習曲線および検証誤差を図１０に、従来のデータ処理方法係る学習曲線および検証誤差を図１１に示す。図１０より、本発明のデータ処理方法により構築されたネットワークモデルは、学習に伴い検証データの平均二乗誤差が減少し、過学習が起きていないことが確認された。また、従来方法との比較の観点では、本発明における平均二乗誤差は、０．１６、標準偏差は０．１８であり、従来方法における平均二乗誤差は、０．２１、標準偏差は０．３１であった。したがって、本発明のデータ処理方法の方が従来方法と比較して誤差関数が小さくなる結果となり、より精度が高いネットワークモデルが構築されたことが認められた。
【符号の説明】
【0094】
１：情報処理装置、３：探査装置、
１０：制御部、１１：記憶部、１２：通信部、１３：入力部、１４：出力部
２０：学習データ生成部、２１：入力処理部、２２：出力制御部、２３：機械学習部、
２０ａ：層設定部、２０ｂ：区分部、２０ｃ：比抵抗設定部、２０ｄ：平滑化部、２０ｅ：合成部、２０ｆ：学習用比抵抗構造データ生成部、２０ｇ：使用比抵抗決定部、２０ｈ：応答データ算出部、２０ｉ：ノイズ付与部
３０：電磁場制御部、３１：送信部、３２：受信部、３３：情報処理制御部、３４：記憶部、３５：通信部、３６：入力部、３７：出力部、
４０：通信バス
Ｂ１、Ｂ２：境界、Ｇ１、Ｇ２、Ｇ３：グループ
Ｓ１：パラメータ設定工程、Ｓ２：学習データ生成工程、Ｓ３：ネットワークモデル構築工程、Ｓ４：測定応答データ読み込み工程、Ｓ５：逆解析工程、Ｓ６：推定比抵抗構造出力工程、Ｓ２１：層設定工程、Ｓ２２：区分工程、Ｓ２３：比抵抗設定工程、Ｓ２４：平滑化工程、Ｓ２５：合成工程、Ｓ２６：学習用比抵抗構造データ生成工程、Ｓ２７：使用比抵抗決定工程、Ｓ２８：応答データ算出工程、Ｓ２９：ノイズ付与工程
１０：制御部、１１：記憶部、１２：通信部、１３：入力部、１４：出力部
２０：学習データ生成部、２１：入力処理部、２２：出力制御部、２３：機械学習部、
２０ａ：層設定部、２０ｂ：区分部、２０ｃ：比抵抗設定部、２０ｄ：平滑化部、２０ｅ：合成部、２０ｆ：学習用比抵抗構造データ生成部、２０ｇ：使用比抵抗決定部、２０ｈ：応答データ算出部、２０ｉ：ノイズ付与部
３０：電磁場制御部、３１：送信部、３２：受信部、３３：情報処理制御部、３４：記憶部、３５：通信部、３６：入力部、３７：出力部、
４０：通信バス
Ｂ１、Ｂ２：境界、Ｇ１、Ｇ２、Ｇ３：グループ
Ｓ１：パラメータ設定工程、Ｓ２：学習データ生成工程、Ｓ３：ネットワークモデル構築工程、Ｓ４：測定応答データ読み込み工程、Ｓ５：逆解析工程、Ｓ６：推定比抵抗構造出力工程、Ｓ２１：層設定工程、Ｓ２２：区分工程、Ｓ２３：比抵抗設定工程、Ｓ２４：平滑化工程、Ｓ２５：合成工程、Ｓ２６：学習用比抵抗構造データ生成工程、Ｓ２７：使用比抵抗決定工程、Ｓ２８：応答データ算出工程、Ｓ２９：ノイズ付与工程
【要約】
【課題】実際の多様な地下構造に対応可能な比抵抗構造を有する学習データを生成する情報処理装置を提供する。
【解決手段】本発明によれば、複数の層によって構成される地下構造を設定する層設定部、複数の層を１層または連続する２以上の層によって構成される１つまたは複数のグループに区分する区分部、１つまたは複数のグループ毎に比抵抗を乱数により決定し、各グループに含まれる各層に当該グループに対して決定された比抵抗を設定する比抵抗設定部、比抵抗が設定された複数の層のうちの１層の比抵抗と１層に隣接する層の比抵抗とを用いた平滑化処理を各層毎に行い各層に平滑化比抵抗を設定する平滑化部、および、比抵抗または平滑化比抵抗が設定された複数の層に基づき地下構造が規定された学習用比抵抗構造データを生成する学習用比抵抗構造データ生成部、を備える情報処理装置が提供される。
【選択図】図２
【解決手段】本発明によれば、複数の層によって構成される地下構造を設定する層設定部、複数の層を１層または連続する２以上の層によって構成される１つまたは複数のグループに区分する区分部、１つまたは複数のグループ毎に比抵抗を乱数により決定し、各グループに含まれる各層に当該グループに対して決定された比抵抗を設定する比抵抗設定部、比抵抗が設定された複数の層のうちの１層の比抵抗と１層に隣接する層の比抵抗とを用いた平滑化処理を各層毎に行い各層に平滑化比抵抗を設定する平滑化部、および、比抵抗または平滑化比抵抗が設定された複数の層に基づき地下構造が規定された学習用比抵抗構造データを生成する学習用比抵抗構造データ生成部、を備える情報処理装置が提供される。
【選択図】図２
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【図8】
【図9】
【図10】
【図11】
