电阻率法地质勘探反演方法研究
本文关键词:电阻率法地质勘探反演方法研究
更多相关文章: 电法勘探 遗传算法 蚁群算法 BP算法 联合反演
【摘要】:激发极化是指外加人工电流场在不同岩、矿石中的充放电产生的电化学过程。附加场的充放电快慢主要依赖于岩石颗粒的粗细,颗粒粗的矿石速度慢,反之较快,这种物理现象是激发极化法进行地质异常体超前探测的前提。本课题是以激电法勘探为理论基础,来探测地下不同异常体的电阻率分布规律,完成地质勘探非线性联合反演成像,对隧道施工安全具有重要现实意义。地球物理反演是非线性问题,通常所用的线性反演算法对初始模型的依赖性较大,因此地球物理反演的一个重要趋势就是联合反演。本文主要介绍了遗传算法与BP神经算法的联合算法、蚁群算法与BP神经算法的联合算法的框架和步骤。由于BP神经网络算法容易陷入局部最优,故分别利用遗传算法和蚁群算法的全局寻优的优势对BP网络的初始权值、阈值矩阵先行寻优,得到优化的网络参数赋给BP网络进行训练学习,提高地质勘探反演速度。文中BEAM系统沙槽模拟实验平台是在实验室环境下搭建的,系统主要由激励电源、环状电极、数据采集卡PMD-1608和计算机构成。数据采集是以LabVIEW编译的虚拟采集平台完成的,数据采集卡经过USB口将内圈采集电极传回的数据传送到计算机保存处理,用于后期的算法反演。通过计算机MATLAB编程对空气、石头、水这三种典型的地质模型进行反演计算,得到地质异常体形状大小、位置分布、电阻率值等参数,验证了两种非线性联合算法应用到地质超前勘探中是可行的。为突出非线性算法的优势,同样的数据利用BP算法单独进行数据反演,对反演结果进行比较,对比反演结果可以得出结论:联合算法虽然在前期优化BP网络的初始权值、阈值时会耗费一定的时间,但是后期BP网络的训练学习次数大大降低,因此联合反演算法较BP单独反演能够更快更精确地判断出地质异常体的属性,达到隧道工程超前预警的目的。
【关键词】:电法勘探 遗传算法 蚁群算法 BP算法 联合反演
【学位授予单位】:沈阳工业大学
【学位级别】:硕士
【学位授予年份】:2016
【分类号】:P631.322
【目录】:
- 摘要4-5
- Abstract5-9
- 第1章 绪论9-15
- 1.1 课题研究的目的与意义9
- 1.2 激电法勘探反演国内外状况9-11
- 1.3 地球物理反演非线性方法现状11-13
- 1.3.1 遗传算法11
- 1.3.2 蚁群算法11-12
- 1.3.3 BP神经网络算法12-13
- 1.3.4 模拟淬火算法13
- 1.4 本文主要的研究工作13-15
- 第2章 激发极化法理论与BEAM原理15-20
- 2.1 交流激电法的主要观测参数15-16
- 2.2 BEAM系统原理16-19
- 2.3 本章小结19-20
- 第3章 遗传算法优化神经网络算法勘探反演应用20-40
- 3.1 BP神经网络与遗传算法联合20-21
- 3.2 BP-GA网络联合原理与步骤21-24
- 3.2.1 BP神经网络结构的确认21
- 3.2.2 遗传算法对BP神经网络的优化21-24
- 3.3 沙槽模型的GA-BP联合反演结果24-39
- 3.3.1 单体石头模型的GA-BP联合反演24-32
- 3.3.2 单体水模型的GA-BP联合反演32-35
- 3.3.3 单体空气模型的GA-BP联合反演35-39
- 3.4 本章小结39-40
- 第4章 蚁群算法优化神经网络算法勘探反演应用40-54
- 4.1 蚁群算法简介40-41
- 4.2 ACO-BP网络法联合的原理41
- 4.3 ACO-BP联合算法步骤41-43
- 4.4 沙槽模型的ACO-BP联合反演结果43-53
- 4.4.1 单体石头模型的ACO-BP联合反演44-48
- 4.4.2 单体水模型的ACO-BP联合反演48-51
- 4.4.3 单体空气模型的ACO-BP联合反演51-53
- 4.5 本章小结53-54
- 第5章 实验与勘探结果可视化54-61
- 5.1 BEAM系统实验平台的搭建54-56
- 5.2 实验过程56-58
- 5.2.1 单体石头模型实验56-57
- 5.2.2 单体空气模型实验57
- 5.2.3 单体水模型实验57-58
- 5.3 实验数据处理58-59
- 5.4 反演结果可视化59-60
- 5.5 本章小结60-61
- 第6章 结论61-62
- 参考文献62-65
- 在学研究成果65-66
- 致谢66
【相似文献】
中国期刊全文数据库 前10条
1 陈琨;张志明;;一种改进遗传算法的设计与实现[J];贵州大学学报(自然科学版);2006年01期
2 胡兰萍;黄海斌;;遗传算法及其在化学领域中的应用[J];海南师范学院学报(自然科学版);2006年03期
3 王珊珊;;遗传算法的理论基础及应用[J];科协论坛(下半月);2008年09期
4 高翔;海洋;;遗传算法应用[J];赤峰学院学报(自然科学版);2009年03期
5 刘定理;;遗传算法综述[J];中国西部科技;2009年25期
6 欧阳柏平;;基于遗传算法优化独立分量分析[J];科技信息;2010年07期
7 储育青;齐义飞;肖立顺;陈晖敏;石玉文;;遗传算法研究概述[J];科技风;2010年09期
8 曾瑛;;遗传算法在优化求解中的应用[J];科技创业月刊;2012年10期
9 丁承民,张传生,刘辉;遗传算法纵横谈[J];信息与控制;1997年01期
10 施光林,史维祥;遗传算法及其研究与应用新进展[J];科技导报;1997年04期
中国重要会议论文全文数据库 前10条
1 陈家照;廖海涛;张中位;罗寅生;;一种改进的遗传算法及其在路径规划中的应用[A];2009系统仿真技术及其应用学术会议论文集[C];2009年
2 李国云;刘颖;薛梅;邬志敏;;遗传算法在高温空冷冷凝器优化设计中的应用[A];第五届全国制冷空调新技术研讨会论文集[C];2008年
3 王志军;李守春;张爽;;改进的遗传算法在反演问题中的应用[A];新世纪 新机遇 新挑战——知识创新和高新技术产业发展(上册)[C];2001年
4 任燕翔;姜立;刘连民;从滋庆;;改进遗传算法在三维日照方案优化中的应用[A];工程三维模型与虚拟现实表现——第二届工程建设计算机应用创新论坛论文集[C];2009年
5 韩娟;;遗传算法概述[A];第三届河南省汽车工程科技学术研讨会论文集[C];2006年
6 庞国仲;王元西;;基于遗传算法控制步长的定性仿真方法[A];'2000系统仿真技术及其应用学术交流会论文集[C];2000年
7 张忠华;杨淑莹;;基于遗传算法的聚类设计[A];全国第二届信号处理与应用学术会议专刊[C];2008年
8 何翠红;区益善;;遗传算法及其在计算机编程中的应用[A];1995年中国智能自动化学术会议暨智能自动化专业委员会成立大会论文集(下册)[C];1995年
9 靳开岩;张乃尧;;几种实用遗传算法及其比较[A];1996年中国智能自动化学术会议论文集(下册)[C];1996年
10 王宏刚;曾建潮;李志宏;;摄动遗传算法[A];1996年中国智能自动化学术会议论文集(下册)[C];1996年
中国重要报纸全文数据库 前1条
1 林京;《神经网络和遗传算法在水科学领域的应用》将面市[N];中国水利报;2002年
中国博士学位论文全文数据库 前10条
1 蔡美菊;交互式遗传算法及其在隐性目标决策问题中的应用研究[D];合肥工业大学;2015年
2 周辉仁;递阶遗传算法理论及其应用研究[D];天津大学;2008年
3 郝国生;交互式遗传算法中用户的认知规律及其应用[D];中国矿业大学;2009年
4 侯格贤;遗传算法及其在跟踪系统中的应用研究[D];西安电子科技大学;1998年
5 马国田;遗传算法及其在电磁工程中的应用[D];西安电子科技大学;1998年
6 唐文艳;结构优化中的遗传算法研究和应用[D];大连理工大学;2002年
7 周激流;遗传算法理论及其在水问题中应用的研究[D];四川大学;2000年
8 刘冀成;基于改进遗传算法的生物电磁成像与磁场聚焦应用研究[D];四川大学;2005年
9 袁丽华;基于物种进化的遗传算法研究[D];南京航空航天大学;2009年
10 李航;遗传算法求解多模态优化问题的研究[D];天津大学;2007年
中国硕士学位论文全文数据库 前10条
1 张英俐;基于遗传算法的作曲系统研究[D];山东师范大学;2006年
2 钟海萍;原对偶遗传算法与蚁群算法的一种融合算法[D];暨南大学;2013年
3 李志添;模糊遗传算法与资源优化配置的预测控制[D];华南理工大学;2015年
4 王琳琳;新型双层液压轿运车车厢的设计研究[D];上海工程技术大学;2015年
5 李海全;基于遗传算法的建筑体形系数及迎风面积比优化方法研究[D];华南理工大学;2015年
6 彭骞;基于遗传算法的山区高等级公路纵断面智能优化方法研究[D];昆明理工大学;2015年
7 周玉林;基于小波分析和遗传算法的配电网故障检测[D];昆明理工大学;2015年
8 郭颂;基于粗糙集和遗传算法的数字管道生产管理系统研究[D];昆明理工大学;2015年
9 吴南;数值逼近遗传算法的研究应用[D];华南理工大学;2015年
10 于光帅;一类优化算法的改进研究与应用[D];渤海大学;2015年
,本文编号:1008884
本文链接:https://www.wllwen.com/kejilunwen/diqiudizhi/1008884.html