遗传算法在瞬变电磁深度学习反演中的优化策略

摘要

瞬变电磁一维反演技术已在地质工程中得到了广泛应用，但是该方法较为依赖初始模型，抗噪能力较差，难以实现实时反演．针对上述问题，采用卷积长短期记忆（CNN-LSTM）混合神经网络，利用回线源瞬变电磁一维正演程序得到的采样时间-衰减电压作为网络输入数据，同时采用Adam优化器与ReduceLROnPlateau学习率调度器相结合的优化策略自适应调整学习率．针对网络结构超参数设置依赖经验值、缺乏科学性导致的算力以及时间浪费问题，在模型训练阶段采用遗传算法（GA）对神经网络结构进行超参数寻优，提高模型性能．最终，在输出层得到与输入的电磁响应数据对应的深度-电阻率数据，实现瞬变电磁数据深度学习反演．利用训练后的GA-CNN-LSTM网络对随机生成的3层模型以及5层模型进行实时预测，测试集评价指标R²>0.9，验证了所提算法的可靠性．进一步对加噪数据进行反演，完成训练的神经网络对4种常见模型的平均反演用时为0.13 s，平均反演结构相似度达90.138%，两项指标均优于Occam以及LSTM反演方法．进一步对三维正演模型进行数据反演，验证了所提算法的泛化能力．最后，对实测数据分别进行了Occam反演和神经网络反演，在保证反演精度的同时，完成训练的神经网络仅用时0.73 s，表明所提算法具有实用性．

关键词

瞬变电磁法 / 深度学习 / 遗传算法 / 超参数优化