基于疏密交叉网格建模的KNN大地电磁反演方法

发布时间：2022-01-04 06:19

　　为了寻找一种精准有效的大地电磁反演方法,引入KNN（k-Nearest Neighbor）算法,提出了一种基于机器学习算法的大地电磁反演方法,分别验证了该算法在单一尺寸下不同电导率异常体、不同尺寸下不同电导率异常体的坐标及电导率反演准确率,结果表明,该算法在进行二维大地电磁反演计算时有非常高的准确率。在此基础之上,首次将一种疏密交叉网格建模的方法应用于KNN大地电磁反演计算中,在使用较少训练样本和计算资源的情况下,相比传统KNN反演算法,大幅提高了坐标及电导率的预测精度。数值试验结果表明,该算法对坐标位置的反演准确率在97%以上,对电导率的反演准确率达到了100%,对于不同形状不同电导率不同位置的异常体反演效果良好,是一种高效的大地电磁反演方法。 

【文章来源】：采矿技术. 2020,20(03)

【文章页数】：5 页

【部分图文】：

正演模型示意

在同一尺寸同一电导率情况下，异常体以5 m为间隔遍历计算区域，共得到反演样本6272组。验证时，先分别以大小为20 m×20 m,30 m×30 m,30 m×20 m,20 m×30 m的异常体样本作为数据集，分别获得1827,1323,1701,1421组数据，在每个数据集中随机选取75%的数据作为训练集，其余25%为测试集。随机抽取的部分反演预测结果见图2。在训练集样本中异常体为同一尺寸的情况下，反演结果见表1：若以坐标误差在5 m以内为衡量标准，采用KNN反演的结果准确率均在91%以上；若以坐标误差在3 m以内为衡量标准，采用KNN反演的结果准确率在80%左右。电导率误差在0.05m S/m以内准确率在98%以上，在0.01 m S/m以内准确率为85%以上。由此可见该方法对电导率预测结果较为精确，但对坐标的预测精度还有待提高。

表3给出了采用稀疏网格与精密网格相结合的方式下KNN大地电磁反演结果准确率。以坐标误差在1 m以内作为衡量标准，结果准确率高达97.72%以上；以电导率误差在0.01 mS/m以内为衡量标准，结果准确率达到了100%。对比表2所示结果，数值试验结果表明，基于疏密交叉网格建模的KNN大电磁反演方法，无论是坐标预测精度还是电导率预测精度，相比于普通KNN大地电磁反演结果均有了很大的提高，是一种行之有效的反演方法。4 结论

【参考文献】：
期刊论文
[1]基于遗传神经网络的大地电磁反演[J]. 王鹤,刘梦琳,席振铢,彭星亮,何航.  地球物理学报. 2018(04)
[2]基于IGA算法的电阻率神经网络反演成像研究[J]. 高明亮,于生宝,郑建波,徐畅,刘伟宇,栾卉.  地球物理学报. 2016(11)
[3]大地电磁测深正演和反演研究综述[J]. 陈理,秦其明,王楠,白琰冰,赵珊珊.  北京大学学报(自然科学版). 2014(05)
[4]基于有限差分正演的带地形三维大地电磁反演方法[J]. 董浩,魏文博,叶高峰,金胜,景建恩.  地球物理学报. 2014(03)
[5]大地电磁资料精细处理和二维反演解释技术研究（三）——构建二维反演初始模型的印模法[J]. 叶涛,陈小斌,严良俊.  地球物理学报. 2013(10)
[6]大地电磁反演方法对比研究[J]. 梁宏达.  工程地球物理学报. 2012(05)
[7]大地电磁测深法在深部矿产资源调查中的应用[J]. 徐新学.  物探与化探. 2011(01)
[8]地球物理资料非线性反演方法讲座(五) 人工神经网络反演法[J]. 王家映.  工程地球物理学报. 2008(03)
[9]电阻率二维神经网络反演[J]. 徐海浪,吴小平.  地球物理学报. 2006(02)
[10]地球物理联合反演研究综述[J]. 敬荣中,鲍光淑,陈绍裘.  地球物理学进展. 2003(03)



本文编号：3567836