带模拟退火的拟BP神经网络在西亚某地区重力资料反演中的应用.pdf

带模拟退火的拟BP神经网络在西亚某地区重力资料反演中的应用 张新兵1陈东敬2王家林’于鹏1 (i．同济大学海洋地质国家重点实验室，上海，200092；2．中国科学院地质与地球物理研究所，北京100029) 目前位场反演的方法手段很多，各有其优点和缺点，神经网络也是目前非线性反演方法的研究热点之一。 神经网络的模型很多，我们在对位场反演过程进行分析的基础上，对神经网络的运行机制进行了大量研究，从 众多的神经网络模型中挑选了误差逆向传播(BP)网络，并对其进行了改进和结构优化。 在对BP神经障络进行改进和结构优化之后，在BP神经网络中引进模拟退火算法对它进行优化，将模拟退 火算法与BP神经网络结合，将模拟退火算法用于权值调整和反演阶段。在传统的BP神经网络算法中一般采用 梯度算法来进行最优化计算，而模拟退火算法不象梯度算法，它不需要计算误差函数的导数，能避免局部极小， 它同时具有不需要计算大型矩阵的逆矩阵、能很容易给目标函数加任意控制、算法的代码简单以及能保证找到 全局最优解、需要的先验信息少等优点。 整个反演过程分为粗搜索和细搜索两个阶段，粗搜索阶段用来缩小搜索区间，锁定解所在的局部区间。而 细搜索阶段就是在局部的区间内寻找问题的最佳解。粗搜索阶段采用陈华根对非常快速模拟退火算法改进得到 的MVFSA算法来进行反演，该算法开始采用较高的初始温度和VFSA算法的退火计划，模型做全局扰动，目的是 搜索并锁定最优解的区间；接着采用较低的初始温度和新的退火计划，模型做局部随机扰动，扰动在当前模型 周围进行，目的是在锁定最优解空间之后，搜索空间变得较小，以此来提高模型的接受效率。新的退火计划做 适当的回火升温，如果过程一没有跳出局部极小值，适当的升温可以使当前模型再一次跳出局部极小值区间， 并使最终解更可靠。该算法更能提高计算效率，改善解的精度。而细搜索阶段仍然采用优化后的BP神经网络反 演方法。这两个阶段之间采用什么样的转换指标，是一个很难确定的参数，这里采用的方法是当MVFSA算法反 演的拟合误差小于初始误差一定的百分比时转向BP神经网络的反演，针对位场反演的特点，我们试验了5％、 10％和30％三个百分比的转换指标的情况。试验结果表明当拟合误差小于初始误差的10％～5％时转向BP神经 网络反演，这样既能得到较高的反演精度，又能节省计算时间。 我们将研究结果用于西亚某地区韵重力资料反演中。该地区由于地震反射能量有限，中生界的底界反射资 料较差，无明显的连续反射同相轴，导致中生界底界面不清楚，为了研究该区中生界底界面的深度，对该界面 用重力资料进行了反演处理。同时为了克服重力反演的多解性(即非惟一性)，在反演过程中用已知的地震资料 进行约束，取得了较好的应用效果。 这里我们采用10％转换指标来进行反演，也就是MVFSA算法反演的拟合误差为初始误差的lO％时转换到 BP神经网络的反演。反演中由于中生界以上地层均由地震资料确定，在反演中根据地震确定的界面的深度和密 度参数对这些界面的异常进行剥离，同时进行去除区域场的处理，这样就得到中生界底界面的异常，然后用该 异常进行反演求取其埋深。反演结果得到了该地区两个钻井资料的验证，取得了较好的地质效果。 感谢国家重点基础研究发展规划项目(973项目，(；2000046702)和中国科学院知识创新工程重大项目 (Kzcx卜s霄_18)对本研究的联合资助。