基于深度学习的可控源电磁法GEMTIP 激电参数预测

摘要： 广义有效介质极化理论（Generalized Effective Medium Theory for Induced Polarization，GEMTIP）提供了岩石物理参数与复电阻率（Complex Resistivity， CR）的频散关系，据此可基于观测到的激发极化（Induced Polarization，IP）数据反演岩矿石的激电参数。然而，传统的反演方法在非线性优化问题上存在局部最小值、计算量大和对初始模型依赖度高等问题，且含噪数据反演结果不稳定。此外，当前的激电参数反演研究主要集中在微观岩石孔隙表征和电化学机制领域，基于宏观地球物理观测数据直接进行反演和解释的相关研究不足。为此，提出了一种基于U‐Net 深度学习网络的方法，利用该方法可基于GEMTIP 三维地电模型的地面IP 差分数据直接提取激电参数。该方法将多个频率下的差分观测磁场振幅和相位作为网络输入，将异常区域的零频电阻率、体积分数、充电率、时间常数及弛豫常数作为输出标签。通过合成GEMTIP 三维地电模型的可控源电磁样本数据训练深度神经网络，得到能够准确预测地下异常区域激电参数分布的网络模型。对包含GEMTIP 激电参数的综合模型测试了该网络模型，并将测试结果与传统的正则化共轭梯度（Regularized Conjugate Gradients ，RCG）反演结果进行比较，表明U‐Net 网络反演在耗时、求解精度和抗噪声能力方面均更具优势，能够从地面观测到的IP 数据中直接、准确地预测GEMTIP 激电参数。最后，利用深度学习方法对亚利桑那州南部NorthSliver Bell 地区的辉铜矿实际勘测数据进行训练，成功预测了该地区地下辉铜矿富集层分布，并与传统反演方法获得的地质解释成果进行对比，进一步证明了本文方法在实际应用中的可靠性和有效性。该方法可用于矿物组成和储层孔隙空间分布的预测，有望在宏观地球物理反演解释中得到广泛应用。

关键词： 广义有效介质模型，激发极化效应，激电参数反演，神经网络，岩性识别

中图分类号：P631 文献标识码：A DOI：10. 13810/j. cnki. issn. 1000-7210. 2024. 06. 023

0 引言

可控源电磁法（Controlled Source ElectromagneticMethod， CSEM）广泛应用于地质勘探、环境监测和水文地质研究。该方法在地面进行信号激发，通过接收阵列记录电磁响应，对记录信号进行反演获得地下的电性分布，据此探测地下电性目标[1-2]。作为非侵入性勘探方法，CSEM 具有覆盖地表面积大、可有效获取地下目标信息的优势，尤其在环境敏感区和矿产资源勘探中表现出色。

激发极化（Induced Polarization， IP）效应在矿产勘探、油气储层探测以及地质环境监测和污染物追踪等领域得到了广泛应用[3-5]。实测电磁数据通常包含电磁感应效应和岩层中极化电荷弛豫的IP 效应。然而，传统的电阻率模型方法往往只关注电磁感应效应，忽略了IP 效应[6-7]。实际上，当不同频率的电磁场作用于岩层时，电阻率会随频率变化，受到IP效应影响的电阻率可表示为与测量频率相关的复数[8]。然而，在传统的实际数据采集和处理过程中，往往忽略复电阻率的虚部，即忽略了电阻率与发射频率的关系——频散效应，这可能导致较大的电阻率反演误差，从而影响探测精度。

为了研究岩石的复电阻率，开发了一些复数电导率弛豫模型，如经典的Cole-Cole[9]模型和Dias 模型[10]。犹他大学的Zhdanov 团队[11]提出了GEMTIP模型，弥补了传统模型无法从微观尺度描述复电阻率与岩石参数关系的不足。以往的研究通常是基于岩样的实验室谱激发极化测量研究IP 效应与岩石物性之间的关系[12-15]，如Zhdanov 等[16]应用GEMTIP模型分析矿化岩和含碳氢化合物储层岩石的IP 现象；也有学者基于观测数据首先反演复电阻率，然后基于复电导率弛豫模型公式再反演激电参数[17-18]。鲜有基于地面观测电磁场数据直接获取GEMTIP模型激电参数的研究报道。

基于模型参数空间搜索的传统激电参数反演方法面临着局部最小值、计算量大及对初始模型依赖度高、对噪声鲁棒性差等问题。近年来，随着计算机技术的发展，神经网络在大规模地球物理数据反演中显示出了巨大潜力。前馈神经网络可用于研究一维电阻率—深度模型[19]，随机介质模型和压缩数据样本的应用使得人工神经网络能够有效估计经典Cole-Cole 模型参数[20-22]。刘宇[23]利用卷积神经网络开展电阻率和极化率反演；满开峰等[24]将Pearson 相关性约束和长短期记忆神经网络结合起来，反演得到了Cole-Cole 模型的时间常数τ 和驰豫系数c。

本文提出一种U‐Net 神经网络，将多个频率下的差分观测磁场的振幅和相位作为网络输入，以异常体的零频电阻率、体积分数与充电率的乘积、时间常数和弛豫常数为标签作为网络输出，直接对IP 差分观测电磁场数据进行训练，得到GEMTIP 谱激电参数，并与基于正则化共轭梯度（Regularized ConjugateGradients，RCG）的传统反演方法对求解时间、精度和抗噪能力等方面进行对比，U‐Net 神经网络展示出巨大优势。