基于Attention机制的CNN-BiLSTM瞬变电磁实时反演方法

摘要：

瞬变电磁一维反演方法存在耗时长、参数难以调控、过于依赖初始模型等缺陷.为此,提出一种基于Attention机制的卷积-双向长短时记忆神经网络(AC-BiLSTM)瞬变电磁实时反演方法,充分利用时间差,在非观测时间进行模型训练,在观测时间对当下采集数据进行实时反演.整个过程中,以实测数据加入一定比例正演数据作为数据集,以监督学习方式将采样时间-视电阻率作为输入特征,以测井约束的Occam反演结果作为学习目标,基于卷积神经网络和长短期记忆神经网络搭建编码器-解码器模型,并针对数据特性,在解码器部分加入Attention机制对隐藏层输出数据进行重点提取,最后经全连接层获得深度-电阻率数据.研究结果表明:AC-BiLSTM算法能充分挖掘数据时空特性,快速获得符合地层电性特征的电阻率成像结果,在瞬变电磁正演数据集上的预测值与正演模型拟合优度达 0.898、均方根误差 18.44、平均相对误差 0.065,与单一长短期记忆神经网络及Occam方法相比,拟合优度分别提高了 0.086、0.176,均方根误差分别减小了 2.97、9.32,平均相对误差分别减小了 0.012、0.068.通过对V8电法工作站实测瞬变电磁数据的AC-BiLSTM反演,快速实现了研究区地层的精准分层、圈定了煤矿采空区分布范围,获得成果与真实情况一致.研究成果突破了传统反演方法局限性,提高了瞬变电磁数据解释精度及效率.

关键词：瞬变电磁法、卷积神经网络、长短时记忆神经网络、Attention机制、反演

所属期刊栏目：51

分类号：P631;TD745

资助基金：陕西省自然科学基础研究计划项目2021JLM-11

在线出版日期：2023-11-08（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：134-143