基于深度學習的可控源電磁法GEMTIP 激電參數預測

摘要： 廣義有效介質極化理論（Generalized Effective Medium Theory for Induced Polarization，GEMTIP）提供了巖石物理參數與復電阻率（Complex Resistivity， CR）的頻散關系，據此可基于觀測到的激發極化（Induced Polarization，IP）數據反演巖礦石的激電參數。然而，傳統的反演方法在非線性優化問題上存在局部最小值、計算量大和對初始模型依賴度高等問題，且含噪數據反演結果不穩定。此外，當前的激電參數反演研究主要集中在微觀巖石孔隙表征和電化學機制領域，基于宏觀地球物理觀測數據直接進行反演和解釋的相關研究不足。為此，提出了一種基于U‐Net 深度學習網絡的方法，利用該方法可基于GEMTIP 三維地電模型的地面IP 差分數據直接提取激電參數。該方法將多個頻率下的差分觀測磁場振幅和相位作為網絡輸入，將異常區域的零頻電阻率、體積分數、充電率、時間常數及弛豫常數作為輸出標簽。通過合成GEMTIP 三維地電模型的可控源電磁樣本數據訓練深度神經網絡，得到能夠準確預測地下異常區域激電參數分布的網絡模型。對包含GEMTIP 激電參數的綜合模型測試了該網絡模型，并將測試結果與傳統的正則化共軛梯度（Regularized Conjugate Gradients ，RCG）反演結果進行比較，表明U‐Net 網絡反演在耗時、求解精度和抗噪聲能力方面均更具優勢，能夠從地面觀測到的IP 數據中直接、準確地預測GEMTIP 激電參數。最后，利用深度學習方法對亞利桑那州南部NorthSliver Bell 地區的輝銅礦實際勘測數據進行訓練，成功預測了該地區地下輝銅礦富集層分布，并與傳統反演方法獲得的地質解釋成果進行對比，進一步證明了本文方法在實際應用中的可靠性和有效性。該方法可用于礦物組成和儲層孔隙空間分布的預測，有望在宏觀地球物理反演解釋中得到廣泛應用。

關鍵詞： 廣義有效介質模型，激發極化效應，激電參數反演，神經網絡，巖性識別

中圖分類號：P631 文獻標識碼：A DOI：10. 13810/j. cnki. issn. 1000-7210. 2024. 06. 023

0 引言

可控源電磁法（Controlled Source ElectromagneticMethod， CSEM）廣泛應用于地質勘探、環境監測和水文地質研究。該方法在地面進行信號激發，通過接收陣列記錄電磁響應，對記錄信號進行反演獲得地下的電性分布，據此探測地下電性目標[1-2]。作為非侵入性勘探方法，CSEM 具有覆蓋地表面積大、可有效獲取地下目標信息的優勢，尤其在環境敏感區和礦產資源勘探中表現出色。

激發極化（Induced Polarization， IP）效應在礦產勘探、油氣儲層探測以及地質環境監測和污染物追蹤等領域得到了廣泛應用[3-5]。實測電磁數據通常包含電磁感應效應和巖層中極化電荷弛豫的IP 效應。然而，傳統的電阻率模型方法往往只關注電磁感應效應，忽略了IP 效應[6-7]。實際上，當不同頻率的電磁場作用于巖層時，電阻率會隨頻率變化，受到IP效應影響的電阻率可表示為與測量頻率相關的復數[8]。然而，在傳統的實際數據采集和處理過程中，往往忽略復電阻率的虛部，即忽略了電阻率與發射頻率的關系——頻散效應，這可能導致較大的電阻率反演誤差，從而影響探測精度。

為了研究巖石的復電阻率，開發了一些復數電導率弛豫模型，如經典的Cole-Cole[9]模型和Dias 模型[10]。猶他大學的Zhdanov 團隊[11]提出了GEMTIP模型，彌補了傳統模型無法從微觀尺度描述復電阻率與巖石參數關系的不足。以往的研究通常是基于巖樣的實驗室譜激發極化測量研究IP 效應與巖石物性之間的關系[12-15]，如Zhdanov 等[16]應用GEMTIP模型分析礦化巖和含碳氫化合物儲層巖石的IP 現象；也有學者基于觀測數據首先反演復電阻率，然后基于復電導率弛豫模型公式再反演激電參數[17-18]。鮮有基于地面觀測電磁場數據直接獲取GEMTIP模型激電參數的研究報道。

基于模型參數空間搜索的傳統激電參數反演方法面臨著局部最小值、計算量大及對初始模型依賴度高、對噪聲魯棒性差等問題。近年來，隨著計算機技術的發展，神經網絡在大規模地球物理數據反演中顯示出了巨大潛力。前饋神經網絡可用于研究一維電阻率—深度模型[19]，隨機介質模型和壓縮數據樣本的應用使得人工神經網絡能夠有效估計經典Cole-Cole 模型參數[20-22]。劉宇[23]利用卷積神經網絡開展電阻率和極化率反演；滿開峰等[24]將Pearson 相關性約束和長短期記憶神經網絡結合起來，反演得到了Cole-Cole 模型的時間常數τ 和馳豫系數c。

本文提出一種U‐Net 神經網絡，將多個頻率下的差分觀測磁場的振幅和相位作為網絡輸入，以異常體的零頻電阻率、體積分數與充電率的乘積、時間常數和弛豫常數為標簽作為網絡輸出，直接對IP 差分觀測電磁場數據進行訓練，得到GEMTIP 譜激電參數，并與基于正則化共軛梯度（Regularized ConjugateGradients，RCG）的傳統反演方法對求解時間、精度和抗噪能力等方面進行對比，U‐Net 神經網絡展示出巨大優勢。