基于面波频散曲线反演方法综论.pdfVIP

·762 · 中国地球科学联合学术年会 2014 基于面波频散曲线反演方法综论 * 杨雅慧 曲 杉 陈裕华 夏木明 中国石油大学（北京） 北京 102249 1.引言 陆地地震勘探中的瑞利面波是最明显和常见的地震波型。使用瑞利面波的频散曲线反演能够获取近 —— 地表介质的重要参数 横波速度，该方法在近地表勘探中具有诸多优点：浅层分辨率高，信噪比高， 适用面广，不受各地层速度关系的影响等，已经在科研和生产中得到众多关注。 2.反演方法 面波勘探过程包括三个主要步骤：野外数据采集、面波频散数据提取和横波速度反演。反演横波速 度是面波勘探最终目的，也是最重要的一步。面波反演问题实际上是一个参数识别问题，最优化反演方 法可以按照分类标准不同，分为（1）直接反演和间接反演（2 ）线性和非线性反演，而非线性最优化问 题的求解可大致分为局部最优化和全局最优化方法。 局部最优化算法一般为迭代技术，需要首先假设初始解，在初始解的附近对非线性泛函进行线性化， 寻找下降方向和迭代步长。主要有：牛顿法、最速下降法、共轭梯度法等。针对梯度类反演，共轭梯度 法是介于最速下降法与牛顿法之间的一个方法，它仅需利用一阶导数信息，以其收敛速度快，又避免了 存储和计算Hesse 矩阵并求逆的优点而得到广泛应用，是解决非线性方程组最有用的方法之一。 L-M 算法是基于牛顿法、最速下降法、高斯-牛顿法等方法而来的。 层状介质中瑞雷波频散方程的非线性隐式形式可以表示为 F v , f , c , v , v , ρ, h 0, j 1, 2,..., m （1） ( r j Rj s p ) 对方程进行线性化 J Δx =Δb （2 ） 定义目标函数 2 Φ J =Δx −Δb 2 W J Δx −Δb 2 +α Δx 2 （3 ） 则可转化为求取目标函数最小值问题。 当所求泛函存在局部极小点时，全局寻优是一种比较可靠的算法。全局最优化有：遗传算法、模拟 退火、神经网络、萤火虫算法等。模拟退火法[1]将待反演模型参数看作是熔化物体的每一个分子，目标 函数看作是物体的能量函数；通过缓慢地减小模拟温度 T 来进行迭代反演，具有不依赖于初始模型的 优点。遗传算法全局优化能力强，缺点是计算量太大，尤其是多参数反演。将其理论频散曲线作为样本 对层状介质层厚度和瑞利面波波速同时进行多类参数输出，最后，用训练好的BP 网络对实际的频散曲 线进行反演。 在反演过程中，鉴于参数敏感度的测试，横波速度对于纵波速度以及密度、厚度不敏感，可将其设 为常数。则有v G (v , f ) ，减少了待反演参数，提高了反演的速度。 r s 3.结论与讨论 面波勘探依赖于面波在层状介质中传播的频散特性，利用其传播特性获得速度随深度变化的剖面。 其中，反演算法的选取对于最终结果有很大影响。本文对基于面波频散曲线的反演方法进行阐述，介绍 了常用局部和全局最优反演方法以及原理，对反演方法的选取以及深一步的研究奠定了一定的基础。 参考文献 [1] Beaty, K. S., et al. Simulated annealing inversion of multimode Rayleigh wave dispersion curves for geological structure. Geophysical Journal International. 2002. 151(2): 6