From 77017cc9f2815ce32f9893ca65129adabb6e67e2 Mon Sep 17 00:00:00 2001
From: =?UTF-8?q?=E8=91=9B=E5=B3=BB=E6=81=BA?= <202115006@mail.sdu.edu.cn>
Date: Wed, 9 Apr 2025 01:52:15 +0000
Subject: [PATCH] program
MIME-Version: 1.0
Content-Type: text/plain; charset=UTF-8
Content-Transfer-Encoding: 8bit

Signed-off-by: 葛峻恺 <202115006@mail.sdu.edu.cn>
---
 README_CN.md | 162 +++++++++++++++++++++++++++++++++++++++++++++++++++
 1 file changed, 162 insertions(+)
 create mode 100644 README_CN.md

diff --git a/README_CN.md b/README_CN.md
new file mode 100644
index 0000000..c3ef124
--- /dev/null
+++ b/README_CN.md
@@ -0,0 +1,162 @@
+### **🔍 基于深度学习的探地雷达源无关全波形反演程序** 
+
+本项目为一个基于 PyTorch 实现的探地雷达（GPR）源无关全波形反演（FWI）框架，采用深度学习方法实现地下介电常数模型的重建。该方法适用于冻土环境或起伏地层下的GPR探测任务。
+
+程序名称: GPR-SIDL-inv
+
+程序大小: 98.6 Mb.
+
+开发语言: Python 3.10.4 
+
+### 📌 主要特点:
+
+🚀 源无关反演：反演程序能够适应不同GPR源子波条件下的全波形反演。
+
+🧠 噪声模拟功能：支持在数据集中模拟真实环境下的噪声干扰。
+
+🌍 集成gprMax：支持在三维模拟环境中建立可靠的数据集。
+
+📉 支持功能全面：包括初始模型输入（可选）、时深转换、深时转换、劳雷探地雷达格式数据的转换和初步处理（依赖readgssi软件包）等。
+
+
+### 📂 项目结构
+
+GPR-SIDL-inv/
+
+├── dataset/                       # 存放训练/测试数据及合成数据集
+│   ├── data.csv                   # 已预先生成的模拟数据集（70MHz Ricker子波）
+│   ├── label.csv                  # 已预先生成的标签数据集
+│   （注：data.csv 与 label.csv 已打包为 dataset.rar 文件）
+
+├── field_data/                    # 存放用于反演的实测数据
+
+├── IMG/                           # 数据处理及反演结果图像存储
+
+├── impulse/                       # 存放模拟和实测的源子波文件
+
+├── Log/                           # 操作日志文件
+
+├── Network/                       # 存放网络模型与数据加载程序
+│   ├── Model.py/                  # Transformer网络模型
+│   ├── Mydataset.py/              # 数据加载与预处理
+
+├── readgssi/                      # GSSI原始数据读取与转换模块程序包
+
+├── SAVE/                          # 存储训练好的模型文件
+
+├── time_result_csv/               # 时间域反演结果存储
+
+├── utils/                         # 工具包
+│   ├── layers_generator.py/       # 生成随机地层、并赋予属性程序
+│   ├── train_val_lr.py/           # 网络训练与验证管理
+│   ├── plot.py/                   # 2D图像绘制工具
+
+├── 1_model_generator.py           # 随机生成用于 gprMax 三维建模的输入文件
+
+├── 2_forward_simulation.py        # 运行正演模拟程序，生成A-scan结果
+
+├── 3_combine_dataset.py           # 筛选、排序并整合生成数据集
+
+├── 4_gssi_data_convert.py         # 将GSSI采集的DZT文件转换为CSV格式
+
+├── 5_data_preprocess.py           # 实测数据预处理（去直流漂移、去直达波、静校正等）
+
+├── 6_extract_impulse.py           # 从实测数据中提取真实源子波
+
+├── 7_network_train.py             # 训练深度学习网络用于反演
+
+├── 8_prediction.py                # 对实测数据进行反演预测
+
+├── 9_time_depth_convert.py        # 将反演结果从时间域转换为深度域
+
+├── config.py                      # 配置文件，定义路径、参数等
+
+├── requirements.txt               # Python依赖库列表
+
+└── README.md                      # 项目说明文件（本文件）
+
+
+### 💡 硬件要求
+
+请根据自身需求选择合适的硬件设备。本项目已在以下配置下完成测试，仅供参考：
+
+处理器：Intel(R) Core (TM) i7-12700H
+
+内存：最大可用内存 15.7 GiB
+
+显卡：NVIDIA RTX 3070 Ti Laptop GPU，显存7.8 GiB
+
+### 📚 软件环境
+
+本项目无需额外软件，所有依赖项均可通过 requirements.txt 安装。
+
+
+### 🛠️ 安装步骤
+
+### 1. 克隆项目仓库
+
+git clone https://gitee.com/sduem/gpr-sidl-inv 
+
+cd GPR-FWI-DeepLearning
+
+### 2. 安装 gprMax（非必要但推荐）
+
+官网链接: https://www.gprmax.com/ 
+
+### 3. 安装依赖项
+
+pip install -r requirements.txt
+
+### 📊 使用说明
+
+本项目提供了调用 gprMax 生成自定义数据集的接口程序。如需自行生成数据集，可从第一步开始执行；若已有模拟数据集，可跳过前三步。第4至第6步用于对实测数据进行个性化处理。我们提供了在青藏高原冻土区采集的实测数据供测试使用，并提供训练好的网络模型以便用户直接运行反演程序进行测试。
+
+###  1. 模拟数据集生成
+
+步骤1: 运行 1_model_generator.py   生成gprMax输入文件，在config.py中设置模型数量、子波类型、模型尺寸、介电常数范围等参数。
+
+步骤2: 运行 2_forward_simulation.py   生成正演结果，在config.py中设置移除直达波的参数（静校正、直达波时间等）。建议在服务器多线程运行加快速度。
+
+步骤3: 运行 3_combine_dataset.py   将正演数据进行筛选、排序、归一化并整合成完整数据集。
+
+###  2. 实测数据转换与预处理
+ 
+步骤4: 运行 4_gssi_data_convert.py   将GSSI地质雷达采集的原始DZT文件转换为CSV格式。如使用其他型号设备，请进行相应的数据转换。
+
+步骤5: 运行 5_data_preprocess.py   对原始实测数据进行去直流、去直达波、静校正等预处理操作。
+
+### 3. 子波提取与网络训练 
+
+步骤6: 运行 6_extract_impulse.py    从预处理后的数据中提取真实源子波。
+
+步骤7: 运行 7_network_train.py    训练深度学习反演网络，可在config.py中设置学习率、批量大小等参数。
+
+###  4. 反演预测与时深转换 
+
+步骤8: 运行 Prediction.py    使用训练好的模型对实测数据进行预测反演。
+
+步骤9: 运行 7_network_train.py    将时间域反演结果转换为深度域结果。
+
+### 📝 参考文献
+
+若您在研究中使用本代码，请引用以下文献：
+
+@article{your2025sourceindependent,
+  title={Source-independent Full Waveform Inversion for GPR Using Deep Learning},
+  author={Junkai Ge, Rui Liu, Shirong Zhang, Xiaodong Li, Huaifeng Sun, Bo Tian, Ziqiang Zheng},
+  journal={Computers & Geosciences},
+  year={2025},
+  doi={under review}
+}
+
+
+### 📫 联系方式
+
+如有疑问，请联系：
+
+孙怀凤 教授
+山东大学土建与水利学院工程软件系
+山东大学岩土与地下工程研究院
+山东大学隧道工程灾变防控与智能建养全国重点实验室
+📧 邮箱：sunhuaifeng@email.sdu.edu.cn
+📮 地址：中国山东省济南市，山东大学，250061