[发明专利]一种基于全卷积神经网络的大地电磁反演方法

说明书

一种基于全卷积神经网络的大地电磁反演方法，包括：构建多维度地电模型，正演计算对应维度的视电阻率，组成样本集并将样本集划分为多个训练集和测试集；构建全卷积神经网络结构模型，得到初始化全卷积神经网络模型参数；基于训练集和测试集对模型进行训练和测试，得到优化的全卷积神经网络结构模型参数；根据训练集和测试集对应的拟合误差变化决定全卷积神经网络结构模型的训练是否完成；最后将实际测量的视电阻率输入训练完成的模型中反演，并通过分析反演结果的精度进一步优化模型，直至反演拟合误差符合设定的误差要求。利用全卷积神经网络的非线性特征，解决常规线性反演中的局部极值问题，有效减少运算内存与时间损耗，提高拟合精度。

技术领域

本发明涉及大地电磁测深技术领域，特别涉及一种基于全卷积神经网络的大地电磁反演方法。

背景技术

大地电磁测深法(MagnetoTelluric Method，MT)是一种利用天然交变电磁场研究地球电性结构的地球物理勘探方法，其基本原理是：以天然交变电磁场为场源(频带范围为10^-4-10⁴Hz)，利用电磁波传播的趋肤效应原理，即高频电磁场穿透浅，低频电磁场穿透深，在场源和接收点间距不变的条件下，改变电磁场的频率来达到测深的目的，即在地表采集相互正交的电磁场分量，经数据处理后得到地下介质的垂向电性结构信息。该方法不需要人工源，在实际生产中成本低，施工简单方便，还具有探测深度大，不受高阻层屏蔽，对于介质中的低阻体分辨能力强等优点，被广泛应用于矿藏、油气、地热等资源的勘探开发，以及地球深部构造研究等领域。

而大地电磁反演方法是由实际测得的空间电磁场响应，如视电阻率、相位、倾子等，利用目标函数梯度信息，经过线性迭代等数学运算，求取符合实际地下电性结构分布模型的过程；反演结果的优劣直接影响地质解释的准确程度，进而影响矿产资源详查、确定井位等的勘探开发工作。

目前应用最为广泛的反演方法是：将非线性问题线性化的线性迭代反演法，如奥卡姆法(Occam)、快送松弛法(Rapid relaxation inversion，RRI)和非线性共轭梯度法(Non-linear Conjugate Gradient Inversion，NLCG)等。但目前的这些反演方法存在：对于初始模型具有较强依赖性、容易陷入局部极值等的问题。

基于此，将多种非线性全局寻优算法应用到大地电磁反演上来，如模拟退火法(Simulated Annealing Method，SA)、遗传算法(Genetic Algorithm Method，GA)、粒子群算法(Particle Swarm Optimization，PSO)，人工神经网络法(Artificial NeuralNetwork，ANN)等。虽然此类非线性全局寻优反演方法能够克服局部极值问题，获得全局最优解，但需要耗费大量的运算内存与较长的运算时间。此外，人工神经网络法所用的网络收敛速度慢，预测精度随电阻率数据量的增大和模型参数的增加而降低，网络传输过程中会损失位置信息，并且在训练过程中容易出现过拟合现象。

发明内容

(一)发明目的

本发明的目的是提供一种基于全卷积神经网络的大地电磁反演方法，利用卷积神经网络的非线性特征，解决常规线性反演中的局部极值问题，有效减少运算内存与时间损耗，提高拟合精度，以解决现有技术中存在的问题。

(二)技术方案