基于深度学习的中心回线瞬变电磁全区视电阻率计算

吴国培，张莹莹，张博文，赵华亮

(新疆大学 地质与矿业工程学院，新疆 乌鲁木齐 830047)

0 引言

瞬变电磁法(TEM)是一种时间域的电磁探测方法，在水文、工程、环境等探测领域得到广泛应用[1-4],全区视电阻率能快速直观反映地下地层的电性变化，目前在实际资料解释中应用广泛。由于电阻率参数与瞬变响应之间存在复杂的隐函数关系[5]，直接用解析式求解视电阻率存在一定困难。前人对视电阻率的计算做了一些研究：苏朱刘等[6]提出了一种虚拟全区视电阻率，能相对反映地下电性层电阻率的变化规律；白登海等[7]借助瞬变场参数，分别迭代求取早期、晚期视电阻率的精确值,进而通过转折点构成一条完整的全区视电阻率曲线；熊彬等[8]使用逆样条插值的方法，以归一化感应电动势的极值点为界，分段用逆样条插值求解非线性方程的根，进而求出全区视电阻率；陈清礼等[9]根据二分搜索算法，找到感应电动势与视电阻率单调下降的区间，利用二分法直接求解全区视电阻率；武军杰等[10]计算了分量视电阻率，为回线瞬变电磁法多个分量综合解释提供必要的基础；郝延松等[11]对回线源瞬变电磁视电阻率计算方法进行讨论，用磁场定义全区视电阻率不存在双解问题，但现在通用的野外仪器测量感应电动势较为方便。

人工神经网络(artificial neural network,ANN)反演是模拟人脑机理和功能的一种新型计算机和人工智能技术，只需经过适当的学习训练就能够解决复杂的实际问题，具有广阔的发展前景[12]。……