遗传算法优化的BP神经网络在两层密度界面反演中研究.pdfVIP

中国地球科学联合学术年会 2014 ·375 · 遗传算法优化的BP 神经网络在两层密度界面反演中的研究 * 张代磊 吉林大学地球探测科学与技术学院 密度分界面与区域构造、油气储藏构造有着十分密切的关系，快速准确地反演出界面的深度变化在 区域构造和油气勘探中具有重要意义。在多层界面的情况下，由于重力异常的分离并不容易，需要在传 统反演方法之外寻找直接反演多层密度界面的方法。 BP 神经网络的学习算法以误差的反向传播为基础，在界面反演中，将实测重力异常场值作为网络 输入，界面的深度作为网络输出。网络训练时，选择一组具有一定代表性的输入输出对作为训练样本， 由系统给出随机的初始权值和阈值，利用传递函数正向传播计算得到网络输出，计算和实际输出的误差， 并将误差反向传播以修改权值和阈值。如此迭代计算直到达到预先设定的误差限或其它训练终止条件， 停止训练，保存网络模型作为反演算子，再对实际异常数据进行反演[1] 。遗传算法在BP 网络的训练过 程中对初始权值和阈值进行优化，在保证收敛速度的同时提高网络的预测精度，实现以较快的速度得到 比较理想的反演结果。 本文利用基于遗传算法优化的 BP 神经网络进行两层密度分界面的反演计算。首先建立了界面深度 的三维模型，正演计算得到两层界面产生的叠加重力异常。利用这个重力异常值进行反演，根据算法原 理，将对应坐标点的重力异常场值和深度值作为一个数据对，从样本总体中按照一定的原则选择具有代 表性的训练样本，数量一般可选为总体数量的 1%~5%。为验证方法的有效性和实用性，数量选择为总 [2] 体数量的 1%。其次将异常场值作为网络输入，深度值作为网络输出，建立BP 网络模型并进行训练 。 若输入层节点数为 n ，一般选择隐含层节点数为 2n+1 。本文利用遗传算法代替传统训练函数计算最优 的网络权值和阈值，然后对网络进行训练[3]，多次重复这个过程选择网络输出和实际输出的均方误差最 小的网络模型，保存这个模型作为反演算子。最后将正演得到的重力异常值作为输入，即可计算出相应 的深度值。 根据多次试验的反演结果，将遗传算法的交叉概率选为 0.85，变异概率选为 0.02，基于遗传算法优 化的 BP 神经网络在直接反演两层密度分界面的应用中具有较好的效果，有效降低了反演计算的难度， 提高了效率。在实际应用中，结合地震数据，将地震剖面的深度点作为网络的训练样本可以快速计算得 到两层界面模型，因此这种方法在多层密度分界面的直接反演具有一定的实际意义和应用价值。 资金资助：国家高技术研究发展计划（863计划）课题（2014AA06A613）资助 参考文献 [1] Bann M V, Jutten C. Neural networks in geophysical applications[J]. Geophysics, 2000, 65(4):1032~1047 [2] 朱自强，程方道，黄国祥.同时反演两个三维密度界面的拟神经网络BP 算法[J].石油物探，1995，34(1):76~85 [3] 刘洪林，胡建，王金山，朱秋影. GA+BP 神经网络在薄互层储层预测中的应用[J].物探与化探，2004,28(5):460~463