摘要
井-地电阻率法是一种在钻井中供电、地表测量的电阻率方法。与常规的地面直流电阻率法相比,井-地模式的电阻率方法可以更好地体现地下深部异常体电阻率分布情况。线性反演方法拥有完备的理论并且效果显著,但也会有加剧解的非唯一性问题和令反演陷入局部极小的问题。再考虑到目前的线性反演方法多存在反演结果辨识度不高且数据量大反演速度较慢的情况,本文将计算机视觉领域的深度学习理论引入电阻率法非线性反演中,完成基于深度学习的卷积神经网络二维井-地电阻率法反演问题研究到实测数据应用。本文中根据有限差分法进行数值模拟,选择直流电阻率法中的井-地电阻率法,模拟二极装置建立了包含单异常体、双异常体、单阶梯异常体、双阶梯异常体的模型样本库。选择Seg Net网络的编解码结构加上跳跃连接建立井-地电阻率法反演的深度学习卷积神经网络,激活函数线性整流函数Re LU(Rectified Linear Units)和dropout操作避免过拟合并提高运算速度,设置神经网络的各项参数后利用样本库开展该网络的训练过程,达到权重最优化后对该网络进行多种异常体类型的算例和损失函数、平均准确率、交并比的分析展示,可见基于深度学习的卷积神经网络可以较准确对二维模型异常体进行较为准确的位置和物性反演。在验证集上,交叉熵损失函数在100次训练后逐渐达到收敛、平均准确率可以达到0.950-0.960并且交并比大于等于0.5。以内蒙古锡林郭勒盟阿巴嘎旗北西部的井-地电阻率法实测数据做神经网络反演实验,基于深度学习的反演方法可以快速得到反演结果,从该实验结果可以看出其结果也可以与传统反演方法结果大致对应。但由于将深度学习的目标放在分类问题上,故结果不具备像传统反演方法的连续性,并且采集的实测数据由于观测电极的间隔较大,插值后的视电阻率数据成图作为神经网络的输入得到的电阻率分布结果存在一些误差。