1.一种基于贝叶斯框架结合神经网络的地空电磁数据反演方法,其特征在于,该方法包括如下步骤:
1)获取探测区域的地质资料,提取地下介质模型参数的先验信息,求出能够表明介质模型参数x的先验概率密度函数πpr(x)和噪声e的先验概率密度函数πe(e);
2)求出实测数据与未知地下介质模型参数之间相互关系的似然函数π(d|x)=πe(d‑G(x)),其中d表示地空电磁实测数据,G(x)表示地空电磁响应计算结果;
3)根据先验信息,生成样本xs并计算地空电磁响应数值模拟结果G(xs),得到训练集{xs,G(xs)},建立神经网络替代模型F(x);
4)根据步骤1)的介质模型参数x的先验概率密度函数和步骤2)的似然函数,基于步骤d
3)的神经网络替代模型F(x)通过马尔科夫链蒙特卡罗采样方法,求解后验概率密度函数π(x)∝π(d|x)πpr(x);
5)对地空电磁实测数据进行预处理,采用步骤4)的求解后验概率密度函数方法对地空电磁数据进行反演;
6)对各参数的后验概率密度结果求平均值,对结果进行成像并分析,获取地下介质信息,其中各参数包括电导率、粗糙度以及深度中的一种或多种;
其中,根据麦克斯韦方程,推导长导线源的磁场垂直分量表达式,根据法拉第电磁感应定律,地空电磁响应感应电动势为:其中I为发射电流,ω为角频率,μ0为磁导率,S为接收线圈有效面积,2L为接地导线长度,J1为贝塞尔函数一阶表达式,R为收发距,y为接收点的y坐标,z为接收点的z坐标,λ、x'
2 2 1/2
为被积分变量,rTE为反射系数, u=(λ‑k) , 待求解的介质模型参数xn=σn;
所述步骤4)包含以下步骤:
选定马尔科夫链状态转移矩阵条件概率分布Q,设定最大允许迭代次数Nmax和每次采样数据长度m,误差上限em,设定初始状态值x0;
采用Metropolis‑Hastings方法,基于步骤3)的神经网络替代模型F(x)得到的后验分*布采样得到m‑1个样本{x1,…xi,…,xm‑1};从条件概率分布Q(x|xm‑1)中采样得到样本x;
计算xm‑1的地空电磁响应G(xm‑1)和神经网络替代模型F(xm‑1),如果相对误差大于误差H H上限em,则更新神经网络F(x),令F(x)=F(x);
d
计算接受概率 π(x)是指替代模型得
d
到的后验概率密度函数π(x)∝πe(d‑F(x))πpr(x);
* *
从均匀分布U(0,1)采样A,如果A<α(xm‑1,x),则接受转移即xm=x ,否则不接受转移即xm=xm‑1;
令x0=xm并令Xn=Xn‑1∪{x1,…,xm};
判断是否完成Nmax次循环,是则退出,否则进行采用Metropolis‑Hastings方法,基于神经网络替代模型F(x)得到的后验分布采样得到m‑1个样本{x1,…xi,…,xm‑1}的步骤;
所述Metropolis‑Hastings方法具体包含以下步骤:*
从条件概率分布Q(x|xi‑1)中采样得到样本x;
计算接受概率
* *
从均匀分布U(0,1)采样A,如果A<β(xi,x),则接受转移即xi+1=x ,否则不接受转移即xi+1=xi;
判断是否完成m‑1次循环,是则退出,否则进行采样的过程;
所述计算xm‑1的地空电磁响应G(xm‑1)和神经网络替代模型F(xm‑1),如果相对误差大于H H误差上限em,则更新神经网络F(x),令F(x)=F(x);具体包括:设置半径R和采样点数C;
计算xm‑1的地空电磁响应G(xm‑1)和神经网络替代模型F(xm‑1),并计算相对误差如果相对误差大于误差上限em,则在参数空间以xm‑1为中心的半径R内生成C个随机采样点xk;
计算C个采样点xk的地空电磁响应G(xk),构建训练集D={xk,G(xk)};
H
设置神经网络结构,应用神经网络替代模型F(x)和训练集D训练神经网络F(x);
H
更新神经网络,令F(x)=F(x)。