三维大地电磁自适应正则化有限内存拟牛顿反演

有别于传统基于梯度信息的反演方法在正则化约束中用总梯度逼近海塞逆矩阵的技术,本文将正则化约束问题的数据拟合项和模型光滑项分开考虑,只利用数据拟合函数的梯度信息对数据拟合项的海塞矩阵进行逼近,通过求解类高斯牛顿下降方向方程得到不依赖前几次迭代正则化因子的更精确下降方向,在求解当前迭代下降方向的过程中,通过保证右端项中两个向量的二范数在同一数量级的原则,实现了正则化因子的自动更新.对理论模型的试算表明这种自适应正则化反演方案可以在拟牛顿反演框架下基本达到OCCAM的算法稳定性,反演结果对初始模型依赖性较小,同时又无需在一次迭代中多次搜索最佳正则化因子.本文还基于此算法讨论了大地电磁各参数对于反演结果的影响,由于本文的反演结果能得到充分的正则化约束,因而在此框架下讨论阻抗和倾子在反演中的作用相对更为客观.     

地震与大地电磁测深数据的自适应正则化同步联合反演

在传统的联合反演研究中,地球物理学者往往更多地关注数据拟合,很少涉及正则化理论.本文在电阻率和速度随机分布的大地电磁测深(MT)与地震联合反演研究的基础之上,将正则化思想引入到同步联合反演中,加入先验信息进行模型约束,选取最小模型为稳定泛函,并首次采用自适应正则化算法来确定联合反演的正则化因子.根据以往研究成果,采用非...     

基于双约束项的广义线性多波联合反演（英文）

常规多波联合反演采用Zoeppritz方程的近似式构建正演方程,反演过程中需要假定背景纵横波速度比为常数,其反演精度不高,稳定性不好。本文提出了一种基于精确Zoeppritz方程的多波联合反演方法,结合贝叶斯方法进行广义线性反演。本方法基于精确Zoeppritz方程构建正演方程,避免了近似式反演在大角度时引起的误差;利用贝叶斯方法引入模型参数的先验分布信息,作为反演的正则化项,降低了反演的不适定性;反演目标函数中引入低频软约束,稳定了反演低频结果,提高了反演的鲁棒性;在求解反演目标函数时,利用快速算法,降低了反演的运算量。经过模型试算,证明了该方法的优越性和抗噪性;并在实际资料的应用中证明了该方法的实用性和有效性。     

数据驱动的块排列正则化多道叠前地震反演

叠前地震反演充分利用地震记录振幅随偏移距变化的信息,在储层预测中发挥着重要作用.由于地震观测数据的带限性和其中所含有的噪声,地震反演是一个典型的不适定问题.目前,提出的各种正则化方法通过对反演参数施加约束,使反演结果具备期望的特征.然而,传统的反演方法忽略了地下构造的空间连续性,当地震数据信噪比较低时,单道反演方法无法得到稳定、准确的反演结果.本文提出了一种基于自适应块排列正则化的多道叠前地震反演方法,利用叠后地震资料高信噪比的特点,提取了一个块排列矩阵来记录地下构造信息.该方法通过将地震剖面分解为地震记录块,利用地震数据的局部相似性来记录相邻采样点的位置.在此基础上,构造了多道块排列正则项,建立了多道叠前地震反演的目标函数.在多道块排列正则项中,可以自适应调整权重系数,在增强空间连续性的同时保护边缘.利用L-BFGS算法可以有效地求解多道叠前反演目标函数.合成数据和实际数据测试均表明,当观测记录信噪比较低时,该方法的反演结果优于传统的基于单道模型约束的反演结果.     

固定翼时间域航空电磁数据拟二维整体反演

航空电磁探测数据量大,二维、三维反演算法复杂、计算速度慢,通常采用一维反演,利用层状模型拼接描述地下复杂结构,但航空电磁数据信噪比低,容易引起一维反演结果横向连续性差等问题.本文针对上述问题,基于一维反演算法,通过整合测线观测数据,建立了测线数据整体的目标函数,并根据Tikhonov正则化反演理论,引入包含空间粗糙度和先验信息的模型参数约束项,确定了拟二维整体反演的目标函数,推导了反演迭代方程组,利用超松弛共轭梯度算法,求得由于整条测线整体反演所致的大型稀疏矩阵的极小化解,实现了对整条测线数据同时反演的固定翼航空电磁数据的拟二维整体反演算法.在反演迭代过程中,正则化因子采用线性搜索自适应迭代的方法自动选取,提高了反演结果的稳定性.对比分析了仿真数据的一维反演与拟二维整体反演结果,得出拟二维整体反演算法横向连续性较好,对高导覆盖层下的导体分辨率优于一维反演,同时受高斯噪声的影响较小.最后,将直升机飞行实测噪声加入仿真数据中,拟二维整体反演结果平均相对误差较一维反演结果降低了31.6%,进一步验证了拟二维整体反演算法的有效性.     

基于主成分-正则化极限学习机的超高密度电法非线性反演

超高密度电法是一种新的地球物理探测技术,它通过多通道数据采集和多装置数据联合反演,极大地提高了电法勘探的成像精度.本文提出一种主成分-正则化极限学习机(PC-RELM)非线性反演方法,该方法针对超高密度电法所获取的高维勘探数据进行反演建模,通过随机设定隐层参数来简化模型的学习过程,通过主成分分析方法来进行高维数据降维,最后引入正则化因子提高反演模型的泛化能力.论文给出了超高密度电法的原理、样本构造方法和非线性反演流程,使用交叉验证方法获得了优化的隐节点数目和正则化参数,构造了优化的反演模型.通过两个经典的超高密度模型的反演结果表明,该方法能够较好地解决超高密度电法反演的高维数据非线性建模问题,能够弥补单一装置数据反演的不足,同时相较其他的非线性反演方法(ELM,BPNN和GRNN)具有更加准确的反演结果.     

飞行高度同时反演的固定翼航空瞬变电磁-维反演

航空电磁测量记录中,不仅感生电动势测量数据有观测误差,而且高度计测量数据也有误差,直接进行常规反演往往导致反演结果不可靠,研究飞行高度数据有误差下的反演算法具有实际意义.本文以层状模型的固定翼时间域航空电磁多分量理论响应数据为例,提出了两种针对飞行高度计记录数据有误差时的正则化反演算法,一个是自适应正则化反演方法,另一...     

基于深度卷积神经网络的地震数据重建

地震数据重建是一个不适定的反问题,通常采用正则化方法求解.正则化方法需要人工建模,建模的准确性会影响重建结果,此类方法还存在计算代价高的问题.为克服正则化方法存在的问题,本文使用深度卷积神经网络实现了端到端的地震数据重建.此方法是基于数据驱动的,直接从数据中学习输入与输出的映射关系,无需人工建模,经过训练的网络可直接用于非完整数据的重建工作.数值实验分别使用模拟数据和实际数据并与传统正则化方法对比验证深度卷积神经网络方法的有效性.实验结果表明,深度卷积神经网络方法的计算代价主要在于网络的训练阶段,数据重建阶段仅需花费极短的时间,与传统正则化方法相比,对于缺道50%的地震数据,深度卷积神经网络方法的重建结果质量更高,速度更快.     

利用Extrapolation Tikhonov正则化算法进行重力梯度三维密度反演（英文）

本文利用Extrapolation Tikhonov正则化算法处理重力梯度数据三维密度反演的线性不适定问题。与Tikhonov正则化方法相比,Extrapolation Tikhonov正则化方法减小了因正则化参数的引入而带来的反演结果误差,提高了预测数据与观测数据之间的拟合精度。同时为了消除位场数据反演时位置函数快速衰减对反演结果的影响,本文提出了基于重力梯度全张量特征向量法的深度加权函数,模型试验证明了该深度加权函数能有效识别异常体密度分布特征。对澳大利亚Kauring地区实测重力梯度数据进行反演,并和已有研究成果对比分析。结果表明该反演方法能够较好的获取地下异常体的密度分布信息。     

基于SVD和BRD的二维核磁共振测井正则化反演算法研究

二维核磁共振能从"弛豫-扩散"两个维度上展现流体性质,在识别稠油储层方面具有理论优势,是当前核磁共振测井技术的研究热点.本文深入研究二维核磁共振测井原理,系统分析CPMG-DE脉冲序列测量扩散系数与弛豫时间的方法,结合核磁共振二维谱数理模型,提出一种基于SVD和BRD的正则化反演算法.该算法通过SVD压缩数据,采用带非负约束的Tikhonov正则化方法求解流体"弛豫-扩散"分布,并基于BRD算法迭代确定最佳正则化因子.模拟实验与数值分析表明,该算法无需先验信息、运算效率高、相对误差小,在原始数据信噪比低至50时,仍可有效获取流体(T₂,D)二维分布.在二维核磁共振测井数据实时解释应用中,该方法较传统反演算法(如TSVD)具有较大优势.同时,在自主研发的核磁共振测井仪测量CuSO₄溶液(T₂,D)分布的实验显示,本文设计算法对弛豫时间和扩散系数的反演误差分别仅为2%和4%,较TSVD算法有较大改善.     

基于量子神经网络的水淹层识别方法

针对油藏测井解释中的水淹层计算机自动识别问题,本文首先提出一种基于量子神经网络的识别方法.首先构造了一个量子神经网络模型,该模型可以接收多维离散序列样本,隐层为量子神经元,输出层为普通神经元.采用梯度下降法设计了该模型的学习算法.然后设计了基于量子神经网络的水淹层识别方法.该方法精选了描述水淹级别的九个特征,直接采用这些特征的离散数值构造训练样本,实施网络训练,训练后的网络即可用于同类地区的水淹层识别.最后以辽河油田某区块258个地层样本为例,进行了水淹层识别处理,识别率可达88%.实验结果揭示出,量子神经网络对于水淹层自动识别问题具有良好的适应性和实用性.     

基于遗传神经网络的大地电磁反演

为进一步提高大地电磁非线性反演的稳定性、运算效率及准确度,将遗传神经网络算法引入大地电磁反演.首先针对大地电磁二维地电模型建立BP（Back Propagation）神经网络基本框架进行学习训练,网络输入为已知地电模型的视电阻率参数,输出为该地电模型参数;再利用遗传算法对神经网络学习训练过程进行优化,计算出多种地电模型网络连接权值和阈值的最优解;最后将最优连接权值和阈值对未知模型进行反演测试,网络输入为未知地电模型的视电阻率参数,输出为该地电模型参数.模型实验表明：遗传神经网络算法充分结合了遗传算法的全局寻优性和神经网络的局部寻优性,相比单一神经网络算法,在网络学习训练中提高了解的收敛成功率和计算速度,在反演测试中能更准确地逼近真实模型.将遗传神经网络算法与最小二乘正则化反演进行对比,理论模型和实测数据都验证了遗传神经网络算法在大地电磁反演中的可行性和有效性.     

一种自适应多分辨率图聚类测井相分析方法（英文）

测井相分析是通过自动聚类方法对多维测井曲线进行分析,进而进行相聚类与预测。基于图的多分辨率聚类(MultiResolution Graph-based Clustering,MRGC)方法是一种常用的测井相分析方法,然而MRGC算法非常耗时,并且在传播过程中高度依赖初始参数,实际应用效益差。本文提出了一种自适应多分辨率图聚类(Adaptive Multi Resolution Graph based Clustering,AMRGC)分析方法。该方法不仅能提高测井相计算效率,而且能获得稳定的测井相传播结果。本文方法的两个核心算法是:1)轻核代表指数(L-KRI)算法只需计算少量"自由吸引"点,有效提高了计算效率;2)采用了反向传播算法(BP)与多层感知器(MLP)神经网络,有效避免了传统K近邻算法因随机初始化参数导致的不稳定结果。实验结果表明,本文方法在聚类和传播预测任务上优于传统的MRGC方法,具有更高的运行效率和稳定性;同时,在没有数据先验知识的条件下效果明显优于自组织映射(SOM)、动态聚类(DYN)和自底向上的层次聚类(AHC)等其它常用聚类方法。     

基于对称多项式约束的重力反演

由于地球物理场的等效性、观测数据集的有限性和数据观测存在误差等问题,地球物理反演通常为不适定问题.Tikhonov正则化是应用最广泛的减少反演不适定性的方法之一,稳定函数的引入一方面提高了反演稳定性;另一方面将先验信息融入反演,提高了反演的效果.稳定函数的构建是正则化反演的关键之一,本文提出一种可以融入任意数量先验物性信息的对称多项式模型约束稳定函数.通过引入该函数,达到充分利用岩石先验物性信息、提高反演效果的目的.重力模型及实测数据反演表明,基于对称多项式的模型约束反演,可以实现任意数量岩石统计物性的利用,并获得理想的异常体边界和密度范围约束效果.     

基于MATLAB神经网络方法的多层砖房震害预测

提出利用MATLAB人工神经网络工具箱建立基于贝叶斯正则算法的BP神经网络模型,以地震区多层砖房震害调查数据为因子的震害预测方法.神经网络模型输入震害因子包括建筑的层数、施工质量、房屋整体性等,输出值为建筑物在地震作用下的破坏程度.结果表明,本方法可以对多层砖房的震害样本进行预测并达到较理想的效果.     

地球物理反演问题中的贝叶斯方法研究

基于统计理论的贝叶斯反演方法在先验信息和观测数据的约束下,以后验概率分布的形式表征模型参数在不同区间的可能性大小.相对于确定性反演理论,贝叶斯反演通过提取模型参数边缘概率分布、最大后验解、平均解、相关系数等定量评价反演结果的不确定性以及模型参数之间的相互关系,通过模型参数后验概率分布反映观测数据和先验信息对模型参数的约...     

基于q-高斯分布和零阶最小熵正则化的三维重力聚焦反演

观测的重力数据通常含有误差,传统的三维重力反演方法假设数据残差服从高斯分布,数据误差的大小和可靠估计对于三维重力反演的精度和可靠性是非常重要的.在模型正则化方面,传统的三维重力反演主要是基于Tikhonov正则化理论来获得稳定解,但是当地下密度异常体存在尖锐边界时,基于L2范数正则化的三维重力反演得到的密度异常体边界比...     

基于深度学习划分阵列感应测井曲线的层界面（英文）

基于电阻率测井曲线的层界面划分对解释模型参数化至关重要,是电阻率测井数据反演解释的重要先验步骤。传统方法主要根据测井曲线的导数或引入其他测井方法作为层位划分的参考。然而由于测量误差或分辨率不匹配等因素可能会导致层界面的误判。针对传统方法的不足,本文提出了一种基于深度学习的阵列感应测井曲线自动分层方法。该方法采用局部连接卷积神经网络,并通过增加训练集样本,优化窗长和阈值等方法提高了网络的泛化能力,进而改善了分层效果。模拟及现场数据都证明了新方法的有效性。     

大地电磁与地震正则化同步联合反演

文中在于鹏等提出的电阻率和速度随机分布的大地电磁与地震联合反演方法的基础上,将Tikhonov正则化思想引入到联合反演中,加入先验信息进行模型约束,以最小模型为稳定器,采用L曲线方法来确定近似最佳的正则化因子。考虑到线性寻优算法容易陷入局部极小,文中采用非线性的模拟退火方法来实现大地电磁与地震的同步联合反演。通过模型试验的对比分析,我们认为加入有效模型约束的正则化联合反演可以比单纯考虑数据拟合的联合反演和单独反演方法更有效地提高解的稳定性和计算效率,获得更接近实际而且稳定的解。     

深度人工神经网络在地震反演中的应用进展

人工神经网络是通过从大量训练数据中学习来拟合复杂非线性函数的有效方法,属于一种数据驱动的机器学习方法.人工神经网络应用于地震反演时可以得到更高分辨率和精度的结果,有着优于传统反演方法的泛化能力和非线性拟合能力.本文对人工神经网络的发展脉络进行了回顾,梳理了基于梯度的学习过程中代价函数的作用,反向传播学习算法的思路,激活函数的不同类型,以及万能近似定理等.特别是对热门的深度神经网络,按照时间先后顺序总结了带卷积核的LeNet-5、AlexNet、VGGNet、GoogLeNet、ResNet、UNet、自编码器和GANs等经典模型.在此基础上,本文分析了深度神经网络在反射系数和子波反演、速度反演、波阻抗反演和地震结构反演中不同网络的拓扑结构、学习算法、激活函数和训练样本等.最后,本文归纳和讨论了用于地震反演的有监督端到端学习网络的流程和关键影响因素等,展望了融入物理规律、基于反演目标函数展开的专用地震反演网络.