[发明专利]基于贝叶斯框架结合神经网络的地空电磁数据反演方法

说明书

本发明涉及一种基于贝叶斯框架结合神经网络的地空电磁数据反演方法。获取探测区域地质资料，提取地下介质模型参数的先验信息，求出能够表明模型参数和噪声的先验分布以及实测数据与未知模型参数之间的似然函数，进而表示模型参数的后验分布。基于先验样本建立神经网络替代模型；利用马尔科夫链蒙特卡罗采样方法，通过对替代模型得到的后验分布采样得到样本，当采样一定数量样本后检验替代模型精度，若替代模型精度不足则更新低保真模型得到高保真模型，然后再利用高保真模型采样。最后对实测数据求解各参数的后验概率密度并求平均值，对结果成像并分析，获取地下介质信息。本发明有利于电磁探测技术的实用化。

技术领域

本发明属于地球物理信号处理技术研究领域，特别是一种地空电磁数据反演方法。

背景技术

在地球物理探测领域中，反演问题的目的是从实测地球物理数据中提取地下复杂介质模型参数，获取实验区域的地下地质构造情况。地空电磁探测系统，采用接地长导线作为发射源，飞行器搭载接收机在空中接收。它具有探测深度大、探测效率高等优点，近年来被广泛应用于采空积水区探测、地下水监测、隧道勘察等地球物理探测中。针对实际地质复杂结构，要对地空电磁数据进行电阻率等参数提取。因此快速准确地提取结果，掌握地下电性结构分布，对分析地下介质结构具有重要意义。

发明内容

本发明所要解决的技术问题在于提供一种地球物理电磁探测数据的反演方法，对实际地下介质的电磁数据快速准确预测地下电性结构。

本发明是这样实现的，

一种基于贝叶斯框架结合神经网络的地空电磁数据反演方法，该包括如下步骤：

1)获取探测区域的地质资料，提取地下介质模型参数的先验信息，求出能够表明介质模型参数x的先验概率密度函数π_pr(x)和噪声e的先验概率密度函数π_e(e)；

2)求出实测数据与未知地下介质模型参数之间相互关系的似然函数π(d|x)＝π_e(d-G(x))，其中d表示地空电磁实测数据，G(x)表示地空电磁响应计算结果；

3)根据先验信息，生成样本x_s并计算地空电磁响应数值模拟结果G(x_s)，得到训练集x_s，G(x_s)}，建立神经网络替代模型F(x)；

4)根据步骤1)的介质模型参数x的先验概率密度函数和步骤2)的似然函数，基于步骤3)的神经网络替代模型F(x)通过马尔科夫链蒙特卡罗采样方法，求解后验概率密度函数π^d(x)∝π(d|x)π_pr(x)；

5)对地空电磁实测数据进行预处理，采用步骤4)的求解后验概率密度函数方法对地空电磁数据进行反演；

6)对各参数的后验概率密度结果求平均值，并对结果进行成像并分析，获取地下介质信息，其中各参数包括电导率、粗糙度以及深度中的一种或多种。

进一步地，所述步骤4)包含以下步骤：

选定马尔科夫链状态转移矩阵条件概率分布Q，设定最大允许迭代次数Nmax和每次采样数据长度m，误差上限e_m，设定初始状态值x₀；

采用Metropolis-Hastings方法，基于步骤3)的神经网络替代模型F(x)得到的后验分布采样得到m-1个样本{x₁，...x_i，...，x_m-1}；

从条件概率分布Q(x|x_m-1)中采样得到样本x^*；