科研之友
微信
新浪微博
Facebook
分享链接
摘要
随着地下空间开发利用逐渐兴起，地面拖曳式瞬变电磁方法由于其较高的勘探效率和可观的探测能力，在浅地表地球物理探测领域得到了大量的推广应用。拖曳式瞬变电磁方法可以在大区域范围内完成连续高密度的观测并产生大量的数据，这也为数据处理与解释提出了挑战。传统反演方法反演速度较慢，且对初始模型依赖性较强，很难满足拖曳式瞬变电磁大规模数据的处理要求。为了配合高效的采集手段，本文基于数据驱动的深度学习技术开发了适用于地面拖曳式瞬变电磁装置的反演成像方法。通过B样条插值方式获得层状模型训练集，设计了卷积神经网络与长短期记忆神经网络组合的结构，再使用合成数据对网络进行训练，最后实现对模型的预测。本文通过对合成数据集的测试与分析，验证了反演算法的鲁棒性与稳定性。理论模型测试结果表明，所开发的算法在保证反演精度的同时，反演速度相较于传统反演具备较大优势，在地下电阻率实时成像和大规模电磁法数据处理中拥有较为广阔的应用前景。
-
单位地质过程与矿产资源国家重点实验室
