基于CNN-LSTM网络的频率域井地电磁法深度学习反演研究

摘要

面对资源能源勘探和复杂地质构造的精细解释，对电磁法的抗干扰能力和分辨率提出更高要求，而井地电磁法结合了常规电磁法和井中物探方法的优势和特点，将发射源沉入井中，靠近目标体发射电磁信号，异常响应更明显，在地面进行面积观测，对目标体的电阻率识别更灵敏。然而，井地电磁法需要开展面积性采集，数据量大，导致反演计算速度慢，消耗大量资源且准确性受初始模型选取的影响。深度学习能够更好地利用大规模数据，自动学习特征，笔者通过正演模拟获取研究所需的数据集，利用CNN提取井地电场数据中的复杂空间特征，同时将频率域数据作为序列，采用LSTM寻找不同频率数据之间的关联，通过CNN-LSTM捕获多维复杂数据的局部特征和序列数据中的依赖关系，实现井地电磁法的反演，并与基于IRLS的Gauss-Newton算法的反演结果对比，表明本文的方法能够快速地反演出结果并有着较高的准确度。

关键词

井地电磁法 / 反演 / CNN-LSTM / 卷积神经网络 / 长短时记忆网络