电阻率法污染探测中两种反演算法比较

已有的反演算法研究主要针对地质勘探,对于污染场地的探测数据反演则未有涉及.针对污染场地的特点,建立两种场地模型,通过数值模拟比较两种经典反演算法—阻尼最小二乘法及Occam反演算法.结果表明,两种反演方法的反演结果均能正确反映污染区域的位置,但是对污染区域的范围光滑模型的反演结果优于阻尼最小二乘法的反演结果,并且所需迭代次数小于阻尼最小二乘法.为了进一步比较两种算法在实际污染场地的应用效果,对重庆一污染场地的电阻率法探测数据进行反演.反演结果表明在对实际场地的反演中两种算法可能会存在虚假异常.     

宽带高频电磁场数据反演方法研究

采用非线性最小二乘法结合蒙特卡罗法,实现宽带高频电磁场椭圆极化率数据的精确反演,确定地下层状介质的真实电阻率和介电常数.反演结果表明,对于均匀半空间和二层介质模型,最小二乘法能够很好地实现反演,而对于三层或更多层的介质,首先利用蒙特卡罗法确定拟合初始模型,再进行最小二乘反演,能够避免收敛到局部极小值,提高了反演的稳定性.为了加速正演响应函数的计算和迭代的速度,采用高密度采样的线性滤波算法,大大加快了该精确反演方法的速度.针对如覆盖区地质填图和土壤调查等大面积确定地质体性质的应用,本文还给出了一种近似反演方法（相位矢量图法）,能够快速获取视电阻率和视介电常数,不仅可以为应用提供有用的基础信息,而且可作为精确反演方法的初始模型.     

基于GPU混合反演的隧道电阻率超前探测成像研究

隧道施工期超前探测对于避免突涌水灾害的发生具有重要作用,为满足隧道三维电阻率超前探测快速化解译与成像的要求,本文提出了一种基于GPU并行的蚁群算法与最小二乘方法相结合的混合反演算法.该方法结合线性反演与非线性反演的优点,利用蚁群算法全局搜索能力强的优点为最小二乘反演提供较优的初始模型,以克服最小二乘算法容易陷入局部最优的缺点,提高了隧道三维电阻率反演成像的精度.同时,基于蚁群算法的天然并行性,提出了CUDA环境下的GPU并行策略,实现了三维电阻率反演的快速化成像.其次,开展了基于GPU混合反演的数值算例,与传统最小二乘线性反演进行了对比,基于GPU并行计算的混合反演计算效率得到了显著提高,对含水构造的位置、形态有较好的反映,压制了三维反演的多解性.最后开展了物理模型试验,结果表明基于GPU混合反演探测的低阻异常体与实际含水构造的位置较为相符,发现基于GPU加速的混合反演方法在提高探测精度与加快反演速度方面具有显著优势,为三维电阻率混合反演方法在隧道超前探测实际工程中的应用奠定了基础.     

基于不等式约束的三维电阻率探测混合反演方法

三维电阻率探测的线性反演和非线性反演中均存在着多解性的固有难题.电阻率线性反演方法的效率较高,但反演结果对初始模型的依赖性较强,易陷入局部极小;而非线性反演方法不依赖初始模型,但搜索效率极低,尚未见到关于三维电阻率非线性反演的文献.针对上述问题,融合线性与非线性反演方法的互补优势,提出了最小二乘法（线性方法）与改进遗传算法（非线性方法）相结合的混合反演方法的概念和思想.首先,提出了将介质电阻率变化范围作为不等式约束引入反演方程的思路,以实现压制多解性、提高可靠性的目标.提出了宽松不等式约束和基于钻孔推断的局部严格不等式约束的获取及定义方法.在此基础上,分别提出了基于不等式约束的最小二乘线性反演方法和遗传算法非线性反演方法.其次,对于遗传算法在变异搜索方向控制、初始群体产生等方面进行了改进,优化了其搜索方向和初始群体多样性.然后,提出了混合反演方法及其实现方案,利用改进遗传算法进行第一阶段反演,发挥其对初始模型的依赖程度低的优势,搜索到最优解附近的空间,输出当前最优个体;利用最小二乘法进行第二阶段反演,将遗传算法得到的当前最优个体作为初始模型,在最优解附近空间执行高效率的局部线性搜索,最终实现地电结构的三维成像.最后,开展了合成数据与实际工程算例验证,与传统最小二乘方法进行了对比,发现混合反演方法在压制多解性、摆脱初始模型依赖和提高反演效果方面有较好效果.

     

基于不等式约束的最小二乘法三维电阻率反演及其算法优化

基于光滑约束的最小二乘法是三维电阻率反演的主要方法,但该方法在某些情况下存在着多解性较强的问题,且普遍耗时较长,严重制约了三维反演方法的推广与发展.为改善上述问题,将表征模型参数变化范围的不等式约束作为先验信息引入最小二乘线性反演方法中,有效地改善了反演结果的精度,降低了反演的多解性问题.为了解决耗时较长的问题,基于预条件共轭梯度(PCG)算法和Cholesky分解法的特点提出了一套优化三维电阻率反演计算效率的计算方案.在该方案中,Cholesky分解法被用来求解敏感度矩阵计算中的多个点源场的正演问题,Cholesky分解法只需对总体系数矩阵进行一次分解,然后对不同的右端向量进行回代即可.将预条件共轭梯度法引入到三维电阻率反演方程的求解中,将雅可比迭代中的对角阵作为预处理矩阵,其具有求逆方便、无需内存空间的特点,有效地加快了收敛速度.对合成数据以及实测数据的反演算例表明,借助不等式约束和反演效率优化方案,最小二乘反演方法可得到较为精确的反演结果,有效地提高了反演计算效率,具有良好的推广前景.     

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.

     

基于非结构化网格的最小二乘逆时偏移

相对于传统的逆时偏移,最小二乘逆时偏移具有更高的成像质量,这种改善是通过迭代反演来获得的,另外其精度与效率依赖于求解波动方程算法的精度与效率.本文给出了基于非结构化网格的最小二乘逆时偏移的方法,该方法能够充分结合最小二乘算法与非结构化网格精细刻画地下界面以及随速度自适应剖分的优点;并采用带补偿的拉普拉斯滤波算法,来消除梯度计算中的低频噪声,从而加速目标函数的收敛速度.通过简单倾斜模型以及复杂Marmousi模型测试,显示了该方法的有效性和潜力.

     

基于最小支撑泛函模型约束的电阻率法三维聚焦反演

目前电阻率法三维反演方法大多是基于最小构造或最平缓模型约束的反演,这些反演算法能稳定收敛,但有时反演结果分辨率较差,不利于地质解释.本文在分析Zhdanov(2002)提出的基于最小支撑泛函聚焦反演方法的基础上,将最小支撑泛函引入到电阻率法三维反演的目标函数中,然后采用高斯牛顿法求解反演目标函数最优化问题,同时结合预条件共轭梯度法得到电阻率法三维聚焦反演结果.通过对几个典型模型的试算,并与传统光滑模型约束反演结果进行比较,表明本文反演方法结果与实际模型吻合的更好,分辨率更高,模型更聚焦,而且算法收敛速度较快.     

等位线追踪法在井间电阻率成像中的应用初探

井间电阻率成像是近年来发展起来的在工程应用很广泛的方法,其关键技术之一是反演方法,目前国内外主要是基于最小二乘法.综合国内外各种资料,本文借鉴医学CT引进等电位线的研究角度来进行电阻率反演追踪成像,根据测得的电流、电位推导出反演视电阻率的解析解,并在野外相对复杂的场地进行反演成像实践及解释,相对传统算法等位线追踪法计算简单快捷有效,反演成像精度比较高.该法可以结合传统的有限元等数值方法进一步研究以提高精度.     

基于逆散射成像条件的最小二乘逆时偏移

最小二乘逆时偏移（LSRTM）相对于常规逆时偏移（RTM）具有分辨率更高、振幅更准确、噪音更少等优势,可以对复杂的地质构造进行有效的成像.这种迭代更新反演成像方法十分依赖目标函数的梯度质量和计算效率.当地质模型中存在强反射界面或者记录中存在折射波时,基于常规互相关成像条件（CCC）的最小二乘逆时偏移梯度会包含很强的低频噪音,从而使反演的收敛速度和成像质量降低.为此,本文在最小二乘逆时偏移的梯度中引进了逆散射成像条件来压制这种低频噪音,并以此提出基于逆散射成像条件（ISC）的最小二乘逆时偏移方法.数值模拟结果表明,两者计算耗时基本一致,但逆散射成像条件能高效压制梯度中的低频噪音,从而使反演过程中收敛加速,成像质量得到显著提高.

     

Estuary water-stage forecasting by using radial basis function neural network

The Radial basis function neural network (RBFNN) has been successfully applied to many tasks due to its powerful properties in classification and functional approximation. This paper presents a novel RBFNN for water-stage forecasting in an estuary under high flood and tidal effects. The RBFNN adopts a hybrid two-stage learning scheme, unsupervised and supervised learning. In the first scheme, fuzzy min–max clustering is proposed for choosing best patterns for cluster representation in an efficient and automatic way. The second scheme uses supervised learning, which is a multivariate linear regression method to produce a weighted sum of the output from the hidden layer. Since this network has only one layer using a supervised learning algorithm, its training process is much faster than the error back propagation based multilayer perceptrons. Moreover, only one parameter, θ, must be determined manually. The other parameters used in this model can be adjusted automatically by model training. The water-stage data of the Tanshui River under tidal effect are used to construct a water-stage forecasting model that can also be used during flood. The results show that the RBFNN can be applied successfully and provide high accuracy and reliability of water-stage forecasting in an estuary.     

Evaluation of gravity data by using artificial neural networks case study: Seferihisar geothermal area (Western Turkey)

Artificial neural networks (ANN) have been used in a variety of problems in the fields of science and engineering. Applications of ANN to the geophysical problems have increased within the last decade. In particular, it has been used to solve such inversion problems as seismic, electromagnetic, resistivity. There are also some other applications such as parameter estimation, prediction, and classification. In this study, multilayer perceptron neural networks (MLPNN) and radial basis function neural networks (RBFNN) were applied to synthetic gravity data and Seferihisar gravity data to investigate the applicability and performance of these networks for the method of gravity. Additionally performance of MLPNN and RBFNN were tested by adding random noise to the same synthetic test data. The structure parameters, such as the depths, the density contrasts, and the locations of the structures were obtained closely for different signal-to-noise ratios (S/N). Bouguer data of Seferihisar area were analyzed by MLPNN and RBFNN to estimate depth, density contrast, and location of the structure. The results of MLPNN, RBFNN, and classical inversion method were compared for real data obtained from Seferihisar Geothermal area and similar structure parameters were obtained. The experiments show that in general RBFNN not only increases the speed of the training stage enormously, but also provides slightly better performance.     

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.     

基于深度学习U-net网络的重力数据界面反演方法

重力数据的密度界面反演是位场数据解释中的一项主要工作, 在区域构造演化、深部莫霍面确定等领域的研究中发挥重要作用.近年来, 数据驱动的深度学习方法广泛地应用在地球物理数据处理与反演中, 本文提出一种基于深度学习U-net网络的重力数据密度界面反演方法.首先, 对半椭球体界面模型进行随机抽取和组合进而形成地下起伏界面数据集, 并基于Parker正演理论对界面数据集进行重力异常正演计算, 为深度学习网络模型的训练提供特征完备的数据源; 其次, 设计了基于U-net网络模型的深度学习界面反演算法, 在传统的损失函数基础上增加光滑损失项和过拟合抑制项, 提高重力界面反演结果的光滑性和收敛效率; 最后通过测试样本集进行反演预测, 验证建立深度学习网络模型的泛化性.本文通过理论模型和实际数据试验分析了本文方法在密度界面反演中的有效性和实用性, 基于改进损失函数约束的深度学习界面反演方法有效地提高了密度界面反演的收敛效率和计算稳定性.

     

基于改进蚁群算法在面波频散曲线反演中的应用

为快速准确的反演得到近地表地层结构,将一种新颖而强大的非线性算法——蚁群算法引入到瑞雷波频散曲线领域,并对其进行相应的改进,改进蚁群算法的优点是运算效率快、精度高、算法简单、灵活易于实现,需要调节控制参数也较少。文中分别在无噪声\,含噪声以及实测数据进行反演测试,通过模型数据和实测数据表明,应用于瑞雷波反演中的改进蚁群算法在收敛速度与收敛精度之间能达到良好的平衡,所得解具有较高可信度。而且算法为促进所得解快速收敛到全局最优,在搜索中分全局搜索与局部搜索两个方式进行,能够有效地避免局部最优解产生。借助人工合成的瑞雷波数据以及真实观测数据,验证了改进蚁群算法在反演近地表剪切波速度时的有效性和通用性。此外,文中与遗传算法进行比较,得出改进蚁群算法具有高效性和高精度性的优点。     

瞬变电磁长短时记忆网络深度学习实时反演方法

瞬变电磁一维反演方法对初始模型依赖大,对异常体边界反映不清晰,计算速度也难以达到实时化水平.为此,本文开展基于深度学习的瞬变电磁实时反演方法研究,提出在非观测时间段进行反演训练,而在观测时间段进行实时精细成像的瞬变电磁长短时记忆网络反演策略.以正演模拟获得的海量采样时间-视电阻率为输入数据,基于长短时记忆网络构造Seq2seq编码器-解码器模型,并针对瞬变电磁反演的问题特性,对decoder的结构进行适应性更改,同时加入Bahdanau Attention机制突出重点信息作用,获得深度-电阻率输出数据.将该反演网络应用于随机生成的数万组以上三层和五层地电模型,测试组三大衡量指标标准差均小于10%,验证了本文算法的可靠性,在此基础上,构建了接近实际的两组含局部异常体模型,将该反演网络进一步用于三维数值模拟数据,取得了对异常体边界反映清晰的成像结果,且计算速度均小于1 s.

     

基于机器学习集成算法的电离层层析算法迭代初值精化

GNSS电离层层析技术在电离层探测中扮演着重要角色,然而,由于观测数据不足或分布不均,导致层析模型中固有的不适定性问题成为制约该技术推广应用的主要瓶颈,其主要表现在无信号射线像素的反演电子密度对初值比较依赖,而初值通常是由精度不高的经验模型给出,从而拉低了电离层层析的整体精度.针对该问题,本文提出了一种基于机器学习集成算法（XGBoost）的电离层层析新方法（XGB-CIT）,即基于传统层析算法,利用多个连续时段中有信号射线像素的特征及其电子密度反演值对机器学习模型进行训练,然后预测后续时段中所有像素的电子密度,并以此作为电离层层析的迭代初值,实现对电离层层析算法迭代初值的精化以及层析精度和效率的提升.利用湖南省连续两天共46个时段的CORS观测数据进行层析反演,并以23个连续时段为滑动窗口构建机器学习模型进行初值预测,并在此基础上利用正演误差和电离层测高仪数据对XGB-CIT的精度和适用性进行检验.其结果表明：相较于IRI2016模型,XGBoost算法提供的迭代初值精度提高了68%,而基于该初值得到的XGB-CIT模型,其精度和效率也比传统层析方法有所提高,其中收敛速度提高了20%,同时根据与测高仪数据的对比分析可知,XGB-CIT对无信号射线像素的电子密度反演结果与实测数据更加吻合.

     

改进混合蛙跳算法的CSAMT信号激电信息提取研究

从CSAMT信号中提取激电信息有利于提高频率域电磁法反演与解释的精度.目前的研究多以线性反演方法为主,存在依赖初始模型、易陷入局部极值的问题.针对CSAMT信号IP提取问题的非线性和非凸特征,本文提出了一种基于柯西分布和惯性权重的二阶段最小构造混合蛙跳反演方法来提取IP信息.该方法首先利用柯西算子取代随机算子来提高算法的全局搜索能力,并通过引入混沌震荡惯性权重来均衡进化过程中的个体经验和群体经验,保证算法后期的稳定收敛;然后通过引入第二阶段反演过程来强化极化率对观测数据的影响,同时将正则化参数引入混合蛙跳算法的适应度函数来改善反演的多解性问题;最后利用CPU并行计算加速了算法的模因组搜索过程.反演结果表明,上述方法能够较好地重构地电结构和提取激电信息,在加噪环境下具有较强的鲁棒性.相比其他非线性算法（标准混合蛙跳算法SFLA,差分进化算法DE和粒子群优化算法PSO）的反演结果,本文算法具有更强的全局搜索能力和更高的计算效率,适合对微弱的激电信息进行提取.

     

基于改进粒子群算法的地震标量波方程反演

针对标准粒子群优化(PSO)算法存在易出现早熟而陷入局部最优以及进化后期收敛速度慢等缺陷,通过考虑粒子所处位置间相互作用,提出了一种改进的并行粒子群优化算法.由于引入粒子位置间的相互影响,减少了粒子搜索过程盲目性,因此能有效提高算法的收敛速度.数值试验表明,这种改进的粒子群算法适用于二维标量波方程的速度反演,且算法具有对初始模型依赖性低、收敛速度快、反演结果稳定、抗噪能力强等特点,为进一步将该反演算法用于弹性波波动方程以及弹性参数反演提供了理论依据.     

基于改进差分进化算法的大地电磁测深和重力宽范围物性约束联合反演

宽范围物性约束技术容易实现、具有一定容错性,目前已在大地电磁测深（MT）和地震、MT和重力联合反演中实现,但该技术是结合模拟退火算法实现的.差分进化算法（DE）是一种全局优化算法,但该算法在地球物理联合反演领域应用较少.基于此,本文以双种群设置方案为框架改进了DE算法,并提出了基于改进DE算法的宽范围物性约束技术.MT和重力联合反演的模型试验表明：与传统的DE算法相比,改进的DE算法收敛速度更快,寻优能力更强;基于改进DE算法的宽范围物性约束技术可以促进不同岩石物性参数在一定"范围"内实现耦合,既可以利用岩石物性关联的导向作用,又可以发挥优化算法的寻优能力,进而降低地球物理联合反演对先验信息的要求;此外,该技术的实现也验证了宽范围物性约束思想在联合反演领域中的适用性,具有进一步推广至其他优化算法中的潜质.