地球物理随机联合反演

基于场方程的地球物理联合反演隐含着两个基本过程:正演的联合与反演的联合。当用遗传算法解决这类问题时,它蕴含着一个反演的随机联合的过程,称之为随机联合反演。借鉴模拟退火和禁区搜索方法的思想,通过对遗传操作对象、操作过程以及迭代过程的改进,使改进后的遗传算法表现较快的收敛速率和良好的全局收敛性;通过模型数据的反演,从理论上证明改进的遗传算法能较好地解决非线性、复杂、大尺度离散反问题,使随机联合反演问题的解决成为可能。     

多物理场测井数据联合反演研究进展

联合反演方法在综合地球物理数据分析中应用效果明显,并起着越来越重要的应用,其方法同样也可以应用于多物理场测井数据联合反演.文中阐述了测井联合反演的必要性,综述了测井约束反演和测井数据联合反演的国内外研究现状.根据参与联合反演的数据类型和地层模型的不同,将联合反演进行了分类;研究并举例推导了不同类型测井数据的联合反演方法的原理及具体算法,最后指出了多物理场测井数据联合反演的发展方向.     

基于数据与模型联合驱动的波阻抗反演方法

井插值初始模型为基于模型的反演提供的低频信息往往不够准确,导致该模型驱动方法容易出现较大的波阻抗预测误差且建模效率较低.为缓解这些问题,本文利用数据驱动的深度学习反演更加擅长预测低频阻抗的优势,提出一种基于数据与模型联合驱动的波阻抗反演方法.该方法联合地震和测井等数据,先后开展数据驱动和模型驱动的波阻抗反演.首先,数据驱动部分使用井旁地震记录、测井导出的波阻抗曲线以及井插值低频阻抗曲线,搭建以双向门控递归单元为主要模块的波阻抗智能预测网络.其次,该网络预测的波阻抗的低频分量作为数据驱动初始模型,替代井插值初始模型而参与模型驱动部分.最后,模型驱动部分在地震数据匹配和数据驱动初始模型的共同约束下开展基于模型的反演,获得最终的波阻抗结果.合成数据和实际数据测试表明,本文方法相比于单一的数据驱动或模型驱动方法能获得更高分辨率和更高精度的波阻抗反演结果,从而为后续储层预测提供可靠的弹性参数分布.

     

地球物理非线性反演模拟退火法的改进

在地球物理非线性反演方法中,模拟退火法是一种较先进的启发式蒙特卡洛（ＭｏｎｔｅＣａｒｌｏ）方法．但是,在处理实际资料时,该方法存在着计算效率不够高的缺点,有时还会失效．为此,从模拟退少法的关键问题──最低温度的选择入手,根据模拟退火法与统计力学的吉布斯－马尔柯夫（Ｇｉｂｂｓ－Ｍａｒｋｏｖ）模型之间的关系导出临界温度的近似表达式;用此式分析目标函数超曲面形状对模拟退火法计算的影响;提出利用模糊先验信息确定最低温度、改造目标函数等改进措施．     

地球物理非线性反演模拟退火法的改进

在地球物理非线性反演方法中，模拟退火法是一种较先进的启发式蒙特卡洛（ＭｏｎｔｅＣａｒｌｏ）方法．但是，在处理实际资料时，该方法存在着计算效率不够高的缺点，有时还会失效．为此，从模拟退少法的关键问题──最低温度的选择入手，根据模拟退火法与统计力学的吉布斯－马尔柯夫（Ｇｉｂｂｓ－Ｍａｒｋｏｖ）模型之间的关系导出临界温度的近似表达式；用此式分析目标函数超曲面形状对模拟退火法计算的影响；提出利用模糊先验信息确定最低温度、改造目标函数等改进措施．     

地球物理联合反演研究的现状与趋势分析

本文从回顾和分析地球物理联合反演的必要性、分类方式,以及基本原理入手,通过分析和总结前人的研究思路,讨论了联合反演研究和应用中的关键性问题,归纳出联合反演研究的三个基本环节,即模型参数化、目标函数构造和反演算法选择,并对其加以讨论, 同时指出非线性联合反演方法和模型参数化研究将成为未来联合反演研究的主流和热点.     

一种重力数据快速聚焦反演方法

本文研究提出一套重力数据快速聚焦反演方法,以用于高效清晰刻画地下目标地质体.所提出反演方法利用随机广义奇异值分解算法来求解矩阵的近似广义奇异值分解,能够有效地降低原始反演问题的维度.与常规奇异值分解算法相比,能够在占用较少的内存的情况下快速得出反演结果.同时在反演目标函数中融入聚焦约束矩阵以实现反演结果的聚焦性,利用广...     

重力和重力梯度数据联合聚焦反演方法

重力数据包含较多的低频信息,重力梯度数据包含较多的高频信息,将重力数据和重力梯度数据进行联合反演得到的结果更加可信.本文基于聚焦反演方法,实现了这一过程.因为联合反演中分量种类增加,所以计算灵敏度矩阵所需要的时间增加,为此,本文提出了一种快速计算灵敏度矩阵的方法.因为联合反演对内存的要求增大,本文选择有限内存BFGS拟牛顿法求解反演问题.本文通过再加权的方法实现深度加权.文中利用单一分量的反演结果来预测异常体的埋深信息,随后将埋深信息结合到深度加权函数中,将其用于多分量组合反演计算.给出了模型试验,发现预测得到的异常体的埋深信息与其实际埋深存在偏差,但是将这一信息应用到反演计算,能够得到与真实模型一致的结果.之后,本文通过模型试验来探究重力和重力梯度联合反演的优势,发现将重力和重力梯度数据联合,能够识别出额外的噪声,反演得到的模型更加合理.但是,对于不同分量组合得到的反演结果是相近的,反演模型的提高很小.最后,将联合反演方法应用到美国路易斯安那州Vinton岩丘的实际数据中,结果显示,将重力和重力梯度数据联合反演,反演模型得到了提高,反演得到的结果与地质资料吻合.     

基于量子蒙特卡罗的地球物理反演方法

本文将量子蒙特卡罗全局优化方法引入地球物理反问题,进而发展了一类新的地球物理非线性反演方法.量子蒙特卡罗方法是基于量子力学机制的随机方法,包括变分蒙特卡罗方法、格林函数蒙特卡罗方法、扩散蒙特卡罗方法、路径积分蒙特卡罗方法.本文简要回顾了量子蒙特卡罗方法的发展,阐述了其方法理论;随后的数值试验结果表明,量子蒙特卡罗方法应用于地球物理反问题的求解是成功的,它适合于非线性、多极值的地球物理反演问题,在收敛速度和避免陷入局部极小等方面有着一定的优势,且该方法也适用于其他领域非线性最优化问题的求解,其算法具有较强的通用性;最后就量子蒙特卡罗方法在地球物理反问题中的应用前景以及存在的问题做了简要概述.     

基于地震数据子集的波形反演思路、方法与应用

地震数据与地下介质物性参数之间的复杂关系,决定了地震全波形反演在理论方法上面临着强烈的非线性难题.地下不同物性参数的不同分量在地震数据上具有不同的表现,勘探的不同阶段对地下介质模型的精度也具有不同的要求,这就决定了在地震全波形反演过程中不必时刻追求地震数据全部信息的匹配,部分信息的匹配就有可能解决现阶段的某些问题,还可以一定程度上规避匹配全部地震信息所遇到的强烈非线性难题.基于这样的考虑,我们提出了利用地震数据子集进行波形反演的思路,给出了统一的反演方法,并通过基于包络数据子集以及反射波数据子集的波形反演的理论模型与实际资料反演试验,证明了所提出的波形反演思路和方法的正确性.     

基于交叉梯度约束的重力、磁法和大地电磁三维联合反演

为了降低单一地球物理方法反演的多解性及受噪声的影响程度,本文围绕重力、磁法和大地电磁法开展了三维联合反演的研究.重、磁采用基于对数障碍法的正则化反演算法,大地电磁使用limited-memory Broyden-Fletcher-Goldfarb-Shanno（L-BFGS）反演算法,引入交叉梯度函数实现了三种物性结构的相互耦合,最终开发出一套重磁电三维联合反演算法,并实现MPI并行加速计算.通过理论模型算例验证了算法的准确性,结果表明：不论是单棱柱体模型还是组合棱柱体模型,联合反演结果相较单独反演对于异常体的空间形态刻画以及物性数值恢复具有较好的提升;单棱柱体模型算例使得异常体的物性参数（密度、磁化率和电阻率）更加接近于真实的物性参数;组合棱柱体模型的联合反演结果不仅仅消除了围岩物性参数的假异常,而且还增强了异常体边界结构的恢复程度.

     

基于深度学习U-net网络的重力数据界面反演方法

重力数据的密度界面反演是位场数据解释中的一项主要工作, 在区域构造演化、深部莫霍面确定等领域的研究中发挥重要作用.近年来, 数据驱动的深度学习方法广泛地应用在地球物理数据处理与反演中, 本文提出一种基于深度学习U-net网络的重力数据密度界面反演方法.首先, 对半椭球体界面模型进行随机抽取和组合进而形成地下起伏界面数据集, 并基于Parker正演理论对界面数据集进行重力异常正演计算, 为深度学习网络模型的训练提供特征完备的数据源; 其次, 设计了基于U-net网络模型的深度学习界面反演算法, 在传统的损失函数基础上增加光滑损失项和过拟合抑制项, 提高重力界面反演结果的光滑性和收敛效率; 最后通过测试样本集进行反演预测, 验证建立深度学习网络模型的泛化性.本文通过理论模型和实际数据试验分析了本文方法在密度界面反演中的有效性和实用性, 基于改进损失函数约束的深度学习界面反演方法有效地提高了密度界面反演的收敛效率和计算稳定性.

     

基于FCM聚类算法的二维RMT电阻率与介电常数联合反演

射频大地电磁(RMT)是新兴的浅地表勘探法, 其工作频段(10 kHz~1 MHz)处于音频大地电磁(AMT)与探地雷达(GPR)之间, 随频率的增加, 位移电流对RMT观测的影响逐渐增大, 单一电阻率参数反演会影响数据解释的准确性.本文在同时考虑传导电流与位移电流影响的条件下, 开展二维RMT数据电阻率和介电常数联合反演研究.为提高电阻率与介电常数之间的联合约束效果, 在经典最小结构模型正则化约束的基础上, 引入模糊C均值(FCM)聚类算法进行联合约束.模型试算表明, 基于FCM聚类的二维RMT电阻率与介电常数联合反演可以在丰富解释参数的同时提高反演效果.

     

多尺度地震资料联合反演方法研究

常规三维地面地震反演不可避免的存在多解性和分辨率不高的缺陷,而油藏地球物理阶段丰富的多尺度地震资料为减小多解性、提高分辨率提供了可能.基于贝叶斯反演理论,通过联合概率分布建立新的似然函数,将三维地面地震、VSP和井间地震三种多尺度资料有机地融合在一起,完善了多尺度地震资料联合反演框架及反演流程.模型测试及实际资料处理表明,联合反演算法有效地引入了小尺度地震资料中的高频信息对大尺度资料进行约束,反演结果在保留大尺度地震资料特征的基础上提高了分辨率,降低了多解性,同时促进了多种地震资料之间的相互匹配.     

基于数据空间和稀疏约束的三维重力和重力梯度数据联合反演

随着重力和重力梯度测量技术的日趋成熟,基于重力和重力梯度数据的反演技术得到了广泛关注.针对反演多解性严重、计算效率低和内存消耗大等难点问题,本文开展了三维重力和重力梯度数据的联合反演研究,该方法结合重力和重力梯度两种数据,将L0范数正则化项加入到目标函数中,并在数据空间下采用改进的共轭梯度算法求解反演最优化问题.同时,本文摒弃了依赖先验信息的深度加权函数,引入了自适应模型积分灵敏度矩阵,用来克服因重力和重力梯度数据核函数随深度增加而衰减引起的趋肤效应问题.为了提高反演计算效率,本文又推导出基于规则网格化的重力和重力梯度快速正演计算方法.模拟试算表明,改进的共轭梯度法可以降低反演的迭代次数,提高反演的收敛速度;自适应模型积分灵敏度矩阵,可以有效解决趋肤效应,提高反演纵向分辨能力;数据空间和改进的共轭梯度算法结合,可以更好地降低反演求解方程的维度,避免存储灵敏度矩阵,有效地降低反演计算时间和内存消耗量.野外实例表明,该算法可以在普通计算机下快速地获得地下密度分布模型,表现出较强的稳定性和适用性.

     

基于汉南-奎因信息准则的电阻率层析成像径向基神经网络反演

径向基神经网络（RBFNN）具有结构简单、学习速度快、不易陷入局部极小等优点,能够有效地提高电阻率层析成像反演的收敛速度和求解质量.本文针对电阻率层析成像反演的非线性特征,提出了一种基于汉南-奎因信息准则（HQC）的正交最小二乘法（OLS）学习算法（HQOLS）.该算法通过计算HQC的最优值来自动选择RBFNN的网络结构,避免了传统OLS学习算法中阈值参数的设定,保证了网络的泛化性能.通过比较聚类法、梯度法、OLS和HQOLS等学习算法的反演性能,构建了基于RBFNN的电阻率层析成像反演模型.数值仿真和模型反演的结果表明,该方法实现简单,在准确性上优于BP反演,成像质量优于传统最小二乘法反演.     

基于对数目标函数的跨孔雷达频域波形反演

波形反演在探地雷达领域的应用已有十余年历史,但绝大部分算例属于时间域波形反演.频率域波形反演由于能够灵活地选择迭代频率并可以使用不同类型的目标函数,因而更加多样化.本文的频率域波形反演基于时间域有限差分(FDTD)法,采用对数目标函数,可在每一次迭代过程中同时或者单独反演介电常数和电导率.文中详细推导了频率域波形反演的理论公式,给出对数目标函数下的梯度表达式,并使用离散傅氏变换(DFT)实现数据的时频变换,能够有效地减少大模型反演的内存需求.在后向残场源的时频域转换过程中,提出仅使用以当前频点为中心的一个窄带数据,可以消除高频无用信号的干扰,获得可靠的反演结果.为加速收敛,采用每迭代十次则反演频率跳跃一定频带宽度的反演策略.实验证明适当的频率跳跃能够在不降低分辨率的基础上有效地提高反演效率.通过两组不同情形下合成数据反演的分析对比,证明基于对数目标函数的波形反演结果准确可靠.最后,将该方法应用到一组实际数据,得到较好的反演结果.     

混合范数下的最优化反演方法

在求解地球物理反问题时,通常根据最小二乘准则构造目标函数进行反演,并在实践中得到了广泛的应用.为进一步增强反演的稳健性及减少多解性,不损失反演结果的分辨率,本文提出了混合范数下的最优化反演方法,它根据数据和模型可能服从不同的概率分布,对数据空间和模型空间采用不同的范数来构造目标函数.在给出目标函数的基础上,导出了混合范数下的线性反演方程.由于该线性反演方程的复杂性,我们采用混合范数下迭代再加权共轭梯度法进行求解.最后,通过对模拟的电阻率数据进行反演,验证了本文计算方法是可行的.     

混凝土结构缺陷检测的探地雷达资料波场反演方法

本文针对工程建筑中的混凝土无损探测问题,提出了一种新的反演成像方法.它避免了传统方法观察偏移探测数据的情况.这种方法以探地雷达为探测手段,以电磁场原理为理论依据,其结果更具定量化和可视性.具体算法是将阻尼高斯牛顿法和GCV方法(Generalized Cross Validation)结合起来,其中阻尼牛顿法可以避免传统牛顿法计算Hessian矩阵的困难,GCV方法可以自适应地选择正则化参数,既减小了计算量又克服了噪声及不适定性的影响.数值算例验证了算法的有效性.