[发明专利]一种基于学习的广域电磁法激电信息非线性提取方法

说明书

本发明公开了一种基于学习的广域电磁法激电信息非线性提取方法，包括：采用灰狼优化算法作为非线性反演的主程序；使用贝叶斯神经网络作为计算代价低的代理模型；通过学习反演过程中的历史数据来优化反演过程，利用灰狼优化算法求解电磁法反演问题，提取广域电磁法的激电信息。本发明设计基于学习机制的非线性反演算法，一方面，利用算法过程中的历史有效参数，设计自适应灰狼优化算法；另一方面，结合反演过程中的正演评估数据，建立基于贝叶斯神经网络的代理模型。本发明方法具有较好的适用性，能够为完全非线性反演方法高效快速地完成反演任务，节省了反演时间，实现大规模、高精度的地质资料解释提供可借鉴的经验。

技术领域

本发明属于地球物理技术领域，涉及一种基于学习的广域电磁法激电信息非线性提取方法。

背景技术

电磁法(Electromagnetics Method，简称EM)是一种以地壳中岩石、矿物(石)以及周围介质的导电性、导磁性和介电性差异为物质基础，应用电磁感应原理观测和研究人工或天然形成的电磁场的分布规律进而解决有关各类地质问题的地球物理方法。电磁法(EM)反演是地球物理学中最困难的问题之一，这是因为一方面EM反问题存在着非线性和不适定的特性；另一方面电磁法的正演模拟所需要求解的数值问题的计算量非常大。

为了克服这些困难，常使用线性化的反演方法和正则化理论对电磁法的反问题进行求解。然而，在实际工作中，用线性化的反演方法处理非线性反演问题存在着无法回避的困难，那就是电磁法反问题稳定可靠解的获得强烈地依赖于线性反演方法初始模型的选择。尽管对于许多地球物理问题，人们已经掌握了丰富的先验知识和先验信息，从而可以选择合适的初始模型，以较快的速度获得EM反问题的真实解。但是，仍然还有很多地球物理问题，比如广域电磁法激电信息提取，由于缺乏先验知识和信息，难以正确地选择初始模型，因此反演时容易陷入局部极值，得到错误解甚至无解。鉴于此，不依赖于初始模型的非线性反演算法为解决该类问题提供了很好的思路。然而，非线性反演算法通过反复调用正演算法在全局解空间内评估最优解，对于EM反问题中复杂的正演模拟，存在计算量极大，计算代价高的问题，极大地限制了非线性反演算法在广域电磁法激电信息提取中的应用。

发明内容

针对现有技术中利用完全非线性反演算法提取广域电磁法激电信息时存在计算量极大、代价高的技术问题，本发明的目的在于提出了一种基于学习的广域电磁法激电信息非线性提取方法。

本发明提供以下技术方案：

一种基于学习的广域电磁法激电信息非线性提取方法，包括：

采用灰狼优化算法作为非线性反演的主程序；

使用贝叶斯神经网络作为计算代价低的代理模型，来代替灰狼优化算法中部分正演计算；

通过学习反演过程中的历史数据来优化反演过程，利用灰狼优化算法高效地求解电磁法反演问题，提取广域电磁法的激电信息。

所述基于学习的广域电磁法激电信息非线性提取方法，其算法过程为：

(1)初始化灰狼优化算法的算法参数及种群，种群中的每个个体代表一组广域电磁法的电阻率参数和极化率参数；

(2)采用真实模型评估个体；

(3)执行狼群等级划分：根据个体当前适应度将狼群的最优解、次优解和第三优解分别指定为α、β、δ狼；

(4)判断目标函数是否达到算法终止条件；如果为是，则结束算法，保存全局最优解，否则执行步骤(5)；

(5)根据学习机制从历史有效参数中自适应调整控制参数a；

(6)采用狼群围猎机制更新个体；

(7)判断是否达到初始迭代周期iter_b；如果为否，则转入步骤(2)，如果为是，则准备训练代理模型，转入步骤(8)；