[发明专利]一种基于LSTM网络的航空瞬变电磁数据反演方法

说明书

本发明公开了一种基于LSTM网络的航空瞬变电磁反演方法，包括以下步骤：1)生成含航空瞬变电磁响应数据、收发装置高度和电阻率模型的合成数据集；2)根据合成数据维度建立LSTM网络，输入数据为航空瞬变电磁时域信号，传感器高度拼接至特征层中参与运算，输出数据为电阻率模型参数；3)根据误差下降曲线选取合适的训练集规模和训练周期，确保训练效果和训练效率，完成网络训练；4)根据网络反演结果及其正演响应的拟合情况判断网络的泛化能力；5)利用LSTM网络完成航空瞬变电磁数据反演，获得地下介质的电阻率分布结构。该反演方法稳定准确，计算速度快，能够提升航空瞬变电磁数据解释效率，进而为航空瞬变电磁数据实时成像提供技术支撑。

技术领域

本发明提供一种地球电磁数据的快速反演方法，具体涉及一种基于LSTM网络的航空瞬变电磁数据反演方法。

背景技术

航空瞬变电磁法是一种重要的浅地表勘探方法，其能够适应复杂地形，采集速度快，探测覆盖区域广，且对低阻异常体敏感度高，在矿产勘查、地下水监测以及油藏成像中得到了广泛应用。

航空瞬变电磁法采样效率高，观测数据量大，且其在飞行中不断发射电流激发二次场，具有多源性，在数据反演时需要针对每一个发射源进行响应拟合，为数据解释工作带来巨大的计算挑战。目前常用的航空瞬变电磁数据解释方法主要分为确定型反演和统计型反演。确定型反演假设存在全局最优解，通过设定目标函数，选取初始模型，迭代调整模型参数使得目标函数收敛至预先设定的范围，进而得到反演结果。目标函数中通常包括观测数据拟合误差和正则化项，其中，正则化项引入了参考模型和介质光滑度等先验信息。然而，由于反演问题固有的多解性，反演依赖初始模型，易陷入局部极小，且初始模型和正则化项的选取易受主观因素影响。此外，航空电磁观测系统信噪比较低，噪声种类复杂，会加剧解的非唯一性，使得反演难以收敛至真实电阻率模型。统计型反演属于全局优化算法，通过在模型空间中进行采样，记录满足收敛条件的模型样本，进而提供模型参数的统计分布特征。然而，由于模型空间大，采集数据量多，需要进行大量正演模拟，对计算资源需求很高，计算成本随着模型参数个数增加指数上升。因此，采用传统反演方法进行航空瞬变电磁数据解释仍受到多解性和计算成本的局限。

作为一种全局优化算法，深度学习方法能够挖掘数据之间的映射关系。Bai等(2020,(Quasi-)Real-time inversion of airborne time-domain electromagneticdata via artificial neural network.remote sensing.12(20),3440)和Feng等(2020,Resistivity-depth imaging with the airborne transient electromagnetic methodbased on an artificial neural network.Journal of Environmental andEngineering Geophysics,25(3),355-368)利用人工神经网络(Artificial NeuralNetwork，ANN)进行航空瞬变电磁数据反演。Li等(2020,Fast imaging of time-domainairborne EM data using deep learning technology.Geophysics,85(5),E163-E170)将卷积神经网络(Convolutional Neural Networks，CNN)与长短时记忆模块(Long Short-Term Memory，LSTM)相连接，结合飞行高度，实现了航空瞬变电磁快速数据成像。航空瞬变电磁响应数据随时间呈指数衰减，属于典型的时间序列，上述神经网络结构难以充分提取时间序列特征；且其考虑的阶梯状电阻率模型对实际介质环境适用性较弱，难以灵活拟合电阻率异常体的边界。

综上所述，现有的航空瞬变电磁响应数据解释方法仍存在局限性，需要研究一种高效、准确的数据解释方法。

发明内容