基于深度学习的中心回线瞬变电磁全区视电阻率计算

深度学习是人工神经网络算法的扩展,对复杂函数有很好的逼近能力,本文将其引入用于瞬变电磁视电阻率计算.首先,建立归一化感应电动势与瞬变场参数单一映射关系的5层深度神经网络,通过对单一隐含层不同神经元个数所训练的误差情况进行分析,确定5层深度神经网络各隐含层神经元个数为13,8,5,8,13.训练算法选择了改进的具有自适应学习率的Nadam算法,该算法可加速训练过程.对训练好的深度神经网络模型进行仿真实验,采用典型地电模型加以验证,发现其对不同的地电模型均具有较好的反映,证明本文采用的基于深度学习计算视电阻率的可行性.应用结果表明训练好的深度神经网络模型可快速准确计算视电阻率.     

基于横向约束的中心回线瞬变电磁一维反演

在中心回线瞬变电磁反演过程中,为保证反演结果横向连续性,可施加横向约束,将多个测点组合成一个整体进行反演,在相邻测点之间建立相关联系,从而保证反演结果的连续性。本文横向约束使用横向加权、垂向粗糙度约束来增强相邻测点之间联系,提高反演精度。在反演过程中引入自适应正则化因子,正则化因子通过计算每次迭代的数据目标函数和模型目标函数的范数自适应得到,可改善反演过程中对初始模型的依赖。最后使用该算法对基于非结构时间域有限元三维正演数据及实测数据进行反演,与实际结果相符,表明该算法可增强反演结果的连续性且具有很好的抗噪能力。