Бесплатный автореферат и диссертация по наукам о земле на тему

Повышение эффективности интерпретации данных МТЗ на основе использования нейронных палеток

ВАК РФ 25.00.10, Геофизика, геофизические методы поисков полезных ископаемых

Автореферат диссертации по теме "Повышение эффективности интерпретации данных МТЗ на основе использования нейронных палеток"

На правах рукописи

Оборнев Иван Евгеньевич

ПОВЫШЕНИЕ ЭФФЕКТИВНОСТИ ИНТЕРПРЕТАЦИИ ДАННЫХ МТЗ НА ОСНОВЕ ИСПОЛЬЗОВАНИЯ НЕЙРОННЫХ ПАЛЕТОК

Специальность: 25.00.10 - Геофизика, геофизические методы поисков полезных ископаемых

АВТОРЕФЕРАТ диссертации на соискание ученой степени кандидата физико-математических наук

21 НОЯ 2013

005539670

Москва-2013 г.

005539670

Работа выполнена на кафедре Информатики и геоинформационных систем Российского государственного геологоразведочного университета имени Серго Орджоникидзе (МГРИ-РГТРУ).

Научный руководитель: доктор технических наук,

профессор Бобровников Леонид Захарович

Официальные оппоненты: доктор физико-математических наук,

профессор Петров Алексей Владимирович (МГРИ-РГТРУ)

доктор физико-математических наук, Александров Павел Николаевич (ЦЭМИ ИФЗ РАН)

Ведущая организация: Объединенный институт высоких температур

ОИВТ РАН

Защита диссертации состоится 12 декабря 2013 г. в 15:00 на заседании диссертационного совета Д 212.121.07 при Российском государственном геологоразведочном университете им. С. Орджоникидзе по адресу: 117997, Москва, ул. Миклухо-Маклая, д. 23, МГРИ-РГТРУ, ауд. 4-73.

С диссертацией можно ознакомиться в библиотеке МГРИ-РГТРУ.

Автореферат разослан 11 ноября 2013 года.

Учёный секретарь

диссертационного совета, ^О?/^^/7 А. Д. Каринский

доктор физико- ' У

математических наук

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ Актуальность темы

Работа посвящена разработке методов решения обратной задачи (03), которые позволяют повысить эффективность геолого-геофизической интерпретации данных магнитотеллурических зондирований (МТЗ) на основе применения нейросетевых (НС) палеток (обратных операторов) общего и корректирующего типов.

Традиционные методы интерпретации МТ-данных сталкиваются со значительными трудностями, которые связаны с нелинейностью и некорректностью многомерных обратных задач гсоэлектрики. Несмотря на бурное развитие средств измерения МТ-поля и вычислительные мощности современных компьютеров, которые доступны любому геофизику-гагтерпретатору, в методах интерпретации по-прежнему широко применяются классические одномерные ID или сильно сглаженные и малопараметрические двумерные (2D) и трехмерные (3D) модели геоэлектрических сред

Метод МТЗ имеет свои ощутимые преимущества, которые связанны с глубиной проникновения и естественным (бесплатным) характером источника МТ-поля. Сегодня на вооружении у геофизиков-практиков имеется ряд мобильных измерительных станций (например, «Phoenix Geophysics»), которые могут записывать МТ-поле в диапазоне от десятков тысячных долей секунд до часов и суток в зависимости от методики съёмки. Это позволяет с большой точностью и детальностью изучать как строение верхней части разреза, так и глубинное распределение хорошо проводящих зон земной коры и верхней част кристаллического фундамента.

Таким образом, на сегодняшнем уровне развития измерительной и вычислительной техники для интерпретации большинства реальных геофизических сред актуальным является использование 2D и 3D физико-геологических моделей (ФГМ). Другой актуальной задачей современной магнитотеялурики становится разработка новых подходов к интерпретации МТ-данных с использованием последних достижений в методах вычислений на основе применения нейронных сетей и параллельных алгоритмов.

В диссертациошюй работе для повышения эффективности интерпретации предлагается использовать НС-палетки универсального (первое приближенное экспресс-решение) и корректирующего типов (поэтапное уточнение результата инверсии) при решении обратных задач МТЗ в классах параметризованных 2D геоэлектрических разрезов. Данный двухэтапный (или многоэтапный) подход снижает ошибку инверсии в десятки раз и тем самым повышает эффективность интерпретации в целом.

Цель диссертационной работы

Повышение точности, достоверности и производительности методов интерпретации данных МТЗ на основе построения обратных операторов - НС-палеток общего и корректирующего типов в рамках эффективно параметризованных классов 2D геоэлектрических сред.

Основные задачи исследования

Для достижения указанной цели были решены следующие задачи:

1. Разработка численных методов и программного обеспечения для создания эффективно параметризованных геоэлектрических классов Ю сред (алгоритм и компьютерная программа СеоРаШ).

2. Создание интерполяционного алгоритма гладкой параметризации геоэлекгрических сред на основе монотонных сплайнов, которые устраняют возможные искажения не геологического характера, связанные с применением математического аппарата сплайнов (алгоритм и программный модуль МопоЯрИпё).

3. Построение набора НС-палеггок (обратных НС-операторов) универсального и корректирующего назначения для решения многопараметрических задач инверсии МТ-данных (алгоритм и компьютерные программные модули НейроПалетка 2.0, КорректПалетка).

4. Построение единого программного комплекса на основе разработанных методов, алгоритмов и программного обеспечения для применения многоэтапной инверсии МТ-данных (алгоритм и компьютерный программный комплекс ГеоНейрон 2.0).

Научная новизна

Научная новизна исследований состоит в следующем:

1. Разработаны методы эффективной параметризации 20 неоднородных геоэлекгрических разрезов (реоРаШ) с учетом устранения искажений и ложных экстремумов при сглаживании на основе монотонных сплайнов (МопоЗрИпе).

2. Разработаны методы, алгоритмы и программа (НейроПалетка 2.0) построения универсальных обратных НС-операторов для многократной инверсии различных МТ-данных в классе многопараметрических ФГМ

3. Создан алгоритм и необходимое программное обеспечение (КорректПалетка) для построения специальных корректирующих НС-операторов, которые позволяют уточнять результаты первичной экспресс-интерпретации. Экспериментально доказано, что корректирующие НС-операторы различных типов позволяют уменьшить ошибку инверсии в десятки раз.

4. Показано, что с помощью сочетания универсальных и корректирующих обратных НС-операторов можно решать задачи инверсии МТ-данных с высокой степенью детальности для широкого набора классов геоэлектрических сред (комплекс ГеоНейрон 2.0).

Защищаемые положения:

1. Созданная компьютерная программа СеоРаШ и использование монотонной сплайн-процедуры МопоЗрИпе позволяют обеспечить построение эффективно параметризованных классов ФГМ, в рамках которых можно обеспечить практическую устойчивость решения обратной задачи МТЗ.

2. Сконструированные и обученные универсальные обратные НС-операторы - НейроПапетки обеспечивают решение многопараметрических задач инверсии 21) МТ-данных большой размерности.

3. Разработанная методика и программный комплекс ГеоНейрон 2.0 для проведения двухэтапной НС-инверсии, включающей в себя экспресс-инверсию - НейроПалетка и последовательное применение корректирующих НС-операторов - КорректПалетка,

позволяют в десятки раз повысить точность формализованной интерпретации МТ-данных в классах эффективно параметризованных сред.

Практическая ценность

Полученный в ходе исследований программный комплекс ГеоНейрон 2.0, включающий компьютерную программу GeoPaint, программные модули: MonoSpline, НейроПачетка 2.0, КорректПалетка и другие вспомогательные утилиты, позволяет эффективно проводить НС-инверсию при интерпретации МТ-данных. Используемые в программном комплексе современные достижения в области интерполяционных, нейросетевых и параллельных алгоритмов с применением MPI и GPU технологий обеспечивают повышение скорости, точности и достоверности результатов процедур интерпретации.

Нейросетевой алгоритм решения обратной задачи был проверен на многочисленных двумерных модельных примерах. Апробация алгоритма проводилась на натурных данных по электроразведочным полевым работам методом МТЗ в Краснодарском крае по субмеридиональному профилю Новороссийск-Славянск-Елизаветовка (региональный профиль №3 Кубанский) в районе Западно-Кубанского краевого прогиба (по данным И.С. Фельдмана). С использованием разработанной методики проведен анализ чувствительности ФГМ для определения методов измерения в районе месторождения Голицыне (по данным Л.З. Бобровникова). Программный комплекс ГеоНейрон 2.0 внедрен в геофизическую научно-производственную фирму - ООО ЕМГео (генеральный директор И.С. Фельдман).

Апробация результатов и публикации

Основные положения диссертационной работы докладывались:

на 3-х Международных конференциях в МГРИ-РГГРУ «Новые идеи в науках о Земле» в 2009, 2011 и 2013 годах; на 3-х Всероссийских Школах-семинарах по ЭМ зондированию Земли в 2009, 2011 и 2013 годах; на 2-х сессиях Международного научного семинара им. Д.Г. Усненского в 2012 и 2013 годах; на 3-х международных конференциях: (2012):

IV Международная молодежная научная школа-конференция "Теория и численные методы решения обратных и некорректных задач", Новосибирск, Академгородок; (2012): X Международный геофизический научно-практический семинар "Применение современных электроразведочных технологий при поисках месторождений полезных ископаемых", Санкт-Петербург; (2012): Четвёртой Международной конференции, посвященной 90-летию со дня рождения члена-корреспондента РАН, академика Европейской академии наук Л.Д. Кудрявцева, Москва.

Результаты представлены в четырех научных статьях, которые опубликованы в изданиях, рекомендованных ВАК, пяти сборниках трудов научных конференций и в восьми тезисах докладов.

.Личный вклад автора

Автором модернизирован и дополнен исследовательский программный комплекс ГеоНейрон 2.0, в который включены авторские модули: GeoPaint, MonoSpline, НейроПалетка 2.0, КорректПалетка и различные связующие модули обработки результатов. На основе разработанной методики оценки чувствительности ЭМ-поля было построены несколько новых классов ФГМ с эффективной параметризацией. На расчетном и иллюстративном материале показано, что в рамках эффективно параметризованной среды устойчивость обратной задачи существенно повышается. Предложенная в работе автором

методика построения корректирующих НС-операторов на основе первого приближения позволяет повысить точность решения в десятки раз. Диссертантом разработан алгоритм массового моделирования с применением суперкомпьютерной вычислительной системы для построения базы данных эталонных решений прямой задачи, что позволило существенно сократить время получения результатов исследований.

Структура работы

Диссертационная работа состоит из введения, четырех глав, заключения и списка литературы, содержит 155 страниц машинного текста, 22 таблицы, 42 рисунка, а также список литературы из 120 наименований. Диссертационная работа выполнена в период учёбы в аспирантуре МГРИ-РГГРУ.

Благодарности

Автор глубоко благодарен научному руководителю, д.т.н., проф. Л.З. Бобровникову и научному консультанту, к.ф.-м.н. М.И. Шимелевичу за внимание, неоценимую помощь и руководство во время написания работы, доценту Е.А. Оборневу за огромный труд и наставления по ходу всей работы, генеральному директору геофизической научно-производственной фирмы ООО ЕМГео к.г.-м.н. И.С. Фельдману за предоставленные материалы полевых измерений, Российскому фонду фундаментальных исследований за поддержку работ (гранты № 11-07-00662, 13-05-01135), Российской Академии Наук за использование ресурсов суперкомпьютерного кластера МВС-60001М МСЦ РАН.

Содержание работы

Введение

Дана общая характеристика работы и показана актуальность выбранной темы исследования. Формулируется цель и основные задачи. Выписываются защищаемые положения и подчеркивается научная новизна выбранной темы исследования. В завершении поясняется практическая ценность результатов, их апробация и личный вклад автора.

Глава 1. Обзор методов решения обратных задач геоэлектрики.

Традиционные методы решения обратной задачи МТЗ основаны на минимизации функционала невязки с помощью различных стратегий варьирования неизвестных параметров ФГМ. В обзоре рассматриваются четыре основных типа алгоритмов для регуляризованной 2D инверсии, имеющие программные реализации: ОССАМ [Parker, 1994], Non-Linear Conjúgate Gradients (NLCG) [Rodi and Mackie, 2001], Rapid Relaxation Inversión (RRI), [Smith and Booker, 1991], Reduced Basis OCCAM's Inversión (REBOCC), [Siripunvaraporn and Egbert, 1999]. Монографии [Жданов, 2007; Светов, 2008; Бердичевский, Дмитриев, 2009; Дмитриев, 2012; Жданов, 2012] посвящены подробному изложению фундаментальных методов и подходов к решению обратной задачи геоэлектрики. Современный обзор этого направления приводится в работе [Siripunvaraporn, 2012].

В разделе «Параметризация геоэлектрических сред» дается анализ состояния проблемы параметризации геоэлектрических сред в обратных задачах, который опирается на работы М.Н. Бердичевского, В.И. Дмитриева, М.С. Жданова, Ив.М. Варенцова, М.И. Шимелевича, Е.А. Оборнева.

В разделе «Интерполяционные сплайн-функции» рассматривается проблема присутствия ложных выбросов и осцилляций в шгтерполирующих кривых распределения геоэлекгрических параметров в исследуемой области. Данные особенности не характерны для исходного набора опорных точек [Оборнев и др, 2010] и не связанны со строением среды. Показывается, что в этом случае целесообразно использовать интерполяционные функции, обеспечивающие условие монотонности между опорными точками [Akima, 1970], которые широко применяются в задачах изогеометрической аппроксимации кривых и поверхностей [Квасов, 2006].

Аппроксимационные подходы в геофизике. Отмечается, что в многочисленных работах В.Н. Страхова рассматриваются вопросы, связанные с построением различного рода аппроксимаций при решении прямых и обратных задач гравиметрии, магнитометрии и геодезии [Страхов, 1998; Страхов, 2001]. Аппроксимационные направления в геофизических методах развивались также в работах В.И. Аронова, М.С. Жданова, Б.С. Светова, М.И. Шимелевичаи других исследователей.

Нейронные сети. Концептуальные основы применения нейросетевой технологии при решении задач анализа, обработки и интерпретации геофизических данных изложены в работе [Raiche, 1991]. Нейронные сети лишены многих недостатков, присущих традиционным методам, что делает их применение для решения обратной задачи очень перспективным [Шимелевичидр.,2001, Poulton, 2001]. Подробный обзор геофизических примеров использования этого метода представлен в работе [Sandham, Leggelt, 2003]. Особенно интенсивно данный метод развивается за рубежом в гравиаметрии [Taylor&Vasco, 1990], аэромагнитной съемке [Pearson et al., 1990], сейсмике [McCormack, 1991], каротаже [Wieneretal, 1991], геоэлектрике на постоянном токе [Poulton, 1992]. Первые результаты применения нейронных сетей дня решения обратных задач МТЗ (инверсии МТ-данных) были представлены в работах [Hidalgo et al., 1994; Спичак, Попова, 1998; Shimelevitch, Obomev, 1998].

Применение НС-методов в обратных задачах математической физики рассмотрены в работах [Павлов, 1994; Доленко, 2002; Васильев, 2007; Шугай, 2006; Васильев, 2007; Гужва, 2011].

В итоговом разделе «Применение нейросетей при интерпретации различных геофизических данных» приводится анализ современного состоят« проблемы НС-инверсии геофизических данных, оцениваются преимущества и недостатки данного подхода.

Глава 2. Основные принципы моделирования 2D прямой задачи в классах параметризованных сред. Программы GeoPaint и MonoSpline.

Решение прямой задачи (ГО) или физико-геологическое моделирование лежит в основе интерпретации вне зависимости от применяемого метода решения обратной задачи. В оптимизационных методах решение ПЗ используется для вычисления невязки на каждой итерации оптимизационной схемы, а при аппроксимационном нейросетевом подходе - для расчета базы данных (БД) эталонных примеров. При решении прямой задачи в основном используются численные методы, основанные на решении интегральных уравнений (В.И. Дмитриев, М.С. Жданов), конечно-разностных (М.Н. Юдин, И.М. Варенцов, Е.Ю. Фоменко) или конечно-элементных аппроксимациях (М.И. Эпов, Э.П. Шурина) дифференциальных операторов.

В развиваемом нейросетевом подходе, связанном с аппроксимацией обратного оператора, решение прямой задачи рассматривается ъ рамках некоторого заданного

параметризованного класса ФГМ. Для построения эталонного множества, на котором обучается НС-палетка, требуется многократное решение прямой задачи в заданном классе. Это накладывает определенные требования на процессы параметризации и решения исследуемой задачи. В работах [Дмитриев, Кокотутшшн, 1971; Страхов, 1978; Шимелевич, 1988; Варенцов, 2005; Шимелевич, Оборнев, 2007] рассматривались различные примеры параметризации 2й сред.

В разделе 2.1 «Физико-геологическое моделирование задачи МТЗ» перечисляются особенности магнитотеллурического поля в 2£> неоднородной среде. Дается математическая постановка задачи для случая £ и Я поляризованных полей. Приводится описание численной реализации процесса 20 моделирования МТ-поля методом конечных разностей и процедура формирования матрицы решения краевой задачи.

В разделе 2.2 «Параметризация геоэлектрических сред» кратко изложены физические, математические, информационные, геофизические и интерпретационные условия эффективного решения обратной задачи (ОЗ). Приводятся базовые определения и принципы, на которых основаны алгоритмы параметризации геоэлектрических разрезов. Основным понятием, лежащим в основе процедуры параметризации сред, является функция параметризации/^(в,,...^ заданного класса ФГМ, которая определяет правило пересчета

вектора интерпретационных макропараметров (рис.1) $ = ) ФГМ в значения

удельной электропроводности (уд. эл.) среды <х(г) в точках исследуемой области С1

[Шимелевич, 1988]:

°(г) = геП, (1)

что оправдывает ее название как «функции параметризации» класса ФГМ.

км

Рие.1. Схематический пример параметризации класса геоэлектрических разрезов. Модель включает два слоя (см. обозначения цифрами 1, 2 в кружках слева) с параметрами в виде мощностей и уд. эл., переходный слой (3) и блочную макросетку проводимостей (4, 5). Значения уд. эл. заданы в узлах макросетки И(у,) (черные точки), мощности слоев - в точках пересечения границ с вертикальными делениями по оси у,. В первом слое уд. эл. задана одним числом <т, в остальных случаях - множеством значений для всех блоков а-(у:).

Рассматриваются различные типы и функции параметризации, соответствующие разнообразным физико-геологическим моделям сред.

Простейшим, и вместе с тем достаточно общим, примером параметризации и задания модельного класса разрезов является представление распределения уд. эл. среды в виде ряда по заданной системе функций ф,(г)\ ст(г) = = з^ф^г), ге <Л. Таким образом,

основным конструктивным элементом при построении функции параметризации для любого класса ФГМ является разработка системы базисных функций ф,(г). В качестве ф:(х^у,2) при численных расчетах логично использовать хорошо развитый аппарат различных полиномов, сплайнов и других интерполирующих функций. Макропараметрами среды £ = (з,,...,^ ) в

этом случае являются системы опорных точек, заданных на дискретной сетке задачи.

Далее в этом разделе рассматриваются особенности параметризации геоэлектрических разрезов и основные принципы построения модельных геоэлектрических классов: иерархический (вертикальный), территориальный (горизонтальный), априорный (уточняющий). Подробно анализируются базовые элементы параметризации', микросетка уд. эл. модели, макросетка параметров, слой с четкими и нечеткими (размытыми) криволинейными границами, блочно-слоистая комбинированная модель. Для корректного решения ИЗ исследуются типы параметризации переходных зон между аномальными и краевыми областями 2В разреза. Дается описание и иллюстрация применения базовых типов параметризации для построения специальных моделей геоэлектрических сред, которые связаны с разломными, разрывными, флексурными, линзовидными и куполообразными геологическими структурами.

Важнейшей характеристикой проводимой параметризации среды является ее детальность, которая интегрально определяется общим числом параметров, а локально -минимальным размером области однородности (например, ячейки сетки). Опираясь на пошггие чувствительности в работах [Дмитриев, 2012; Шимелевич и др., 2012; Шимелевич, 2013], производится выбор минимального размера макропараметра на основе оценки величины его вклада в наблюдаемые ЭМ-поля в соответствии с критерием [Дмитриев, 2012, Шимелевич, 2013]:

||Ду||/||Де||>С, ||Дф0, (2)

где || Де||=) е'—е"| /(еШ!" — е1™1), ¡ДлЦ =| ^^" | /(я""* -я"""1) - нормированные значения изменений характеристик поля и векторов параметров среды соответственно; е' = е'(■?')> е" = е"(х") - расчетные характеристики ЭМ-ноля, соответствующие набору параметров Условием чувствительности измеряемого отклика в поле от искомого

параметра является значение константы С, заданной априорно из требования максимальной детализации исследуемой среды. Более подробно этот вопрос и технология применения данного правила рассматривается в главе 3.

В разделе 2.3 «Программа СеоРаШ и алгоритм монотонного сплайна МопоЯрИпе» отражен личный вклад автора, связанный с разработкой алгоритмов монотонного сплайна и созданием программы ОеоРтш (рис. 2). Программа написана в среде разработки VB.NET с возможностью включения внешних расчетных модулей на алгоритмическом языке Фортран. В программе ОеоРаШ доступны следующие режимы работы: создание структуры нового модельного геоэлектрического класса, исследование особенностей поведения границ слоев и других геологических объектов в зависимости от выбора весового параметра сплайн-процедуры, построение функции параметризации, визуализация результатов, ручное и

автоматическое моделирование параметров геоэлектрических разрезов в рамках заданного класса.

Рис. 2. Основные области рабочего окна программы веоРаШ:

1) графического отображение ФГМ,

2) визуального интерфейса программы,

3) таблицы описания структуры эффективно параметризованного геоэлектрического класса ФГМ.

Алгоритм монотонного сплайна основывается на исследовании нарушения монотонности и коррекции базовых функций Эрмита в процессе интерполяции. Приводится схема алгоритма и примеры использования процедуры МопоЗрНпе.

Для проверки работоспособности алгоритма МопоБрИпе была разработана специальная тестовая модель, представляющая собой геоэлектрический разрез, состоящий из трех слоев с криволинейными границами, где уд. эл. внутри слоя не меняется. На рис. 3 приведены примеры работы двух различных сплайн-процедур: стандартной эрмитовой и МопоЯрИпе.

Рис. 3. Примеры интерполяции криволинейных границ для схематической трехслойной модели, а), в) результат интерполяции с помощью стандартной сплайн процедуры, б), г) результат интерполяции с помощью монотонных сплайнов. Областями (1), (2), (3), (4) (цифры в кружочках на рисунках) выделены участки с особенностями: (1) - выход «исчезновение» за границы рассматриваемой области; (2) - нарушение «прорывание» границы слоя; (3) - ложный экстремум; (4) - волновой эффект.

В разделе 2.4 «Схема алгоритма решения прямой задачи для формирования БД iHt эталонных примеров» приводится схема алгоритма решения прямой задачи для формирования БД эталонных примеров на множестве допустимых значений в эффективно параметризованном геоэлектрическом классе ФГМ.

Глава 3. Методы НС-инверсии в параметризованных классах геоэлектрических разрезов. Алгоритм н принципиальная схема программы НейроПалетка 2.0.

Вопросы существования, единственности и устойчивости обратной магнитотеллурической задачи подробно рассмотрены в работах [Дмитриев, 2012; Жданов, 2012; Бердичевский, Дмитриев, 2009; Светов, 2008; Жданов, 2007]. Показано, что для 2D случая существование решения ОЗ МТЗ вытекает из возможности физического моделирования и измерения МТ-поля, а единственность доказана в теоремах П. Вайдельта, A JI. Гусарова, В.И. Дмитриева. Степень устойчивости решений зависит от свойств оператора задачи и ряда других причин, главной из которых является неизбежная погрешность, возникающая при измерении МТ-поля и в процессе обработки МТ-данных.

Для преодоления неустойчивости приближенных решений задачи применяются методы регуляризации алгоритмов инверсии [Дмитриев, 2012]. Классические методы регуляризации, эффективные на практике при решении линейных обратных задач, встречаются со значительными сложностями при решении нелинейных задач большой размерности, особенно в условиях недостатка априорной информации. Результаты, представленные в диссертационной работе, являются дальнейшим развитием аппроксимационного подхода [Шимелевич и др., 2003; Шимелевич, Оборнев, 2007], для которого характерной особенностью является то, что вопрос исследования устойчивости предшествует процессу решения. Основная идея данного метода состоит в том, чтобы перед решением ОЗ разработать универсальный заведомо устойчивый в заданном классе параметризованных геоэлектрических сред «решатель» обратной задачи - нейросетевую палетку, которую можно применять для любых сред из заданного класса ФГМ. Таким образом, повышение точности и устойчивости решения ОЗ достигается за счет построения эффективно параметризованных геоэлектрических классов сред и конструирования универсальных и корректирующих НС-палеток, которые дают устойчивые результаты решения ОЗ, что в целом повышает эффективность интерпретации данных метода МТЗ.

В разделе 3.1 «НС-метод решения обратной задачи геоэлектрнки» раскрывается суть НС-метода решения обратной задачи МТЗ.

Обратная задача электромагнитных зондирований в заданном модельном конечно-параметрическом классе сред сводится к решению операторного уравнения I рода относительно вектора параметров s = которые определяют строение исследуемой

среды Q:

ANs = e(r,w,cr), (3)

где е = (е,,...,еи) - вектор данных характеристик ЭМ-поля в точках пространственной r(y,z = 0) и частотной со сети измерений на поверхности Земли, который зависит от распределения уд. эл. cr(y,z) в Q; А^ - нелинейный оператор решения прямой задачи для параметризованной среды.

Суть аппроксимационного подхода к решению ОЗ заключается в том, что обратное отображение для уравнения (3) в рассматриваемом к -ом классе сред заменяется аппроксимирующей конструкцией, и приближенное интерполяционное решение s * ищется в виде (Шимелевич, Оборнев, 1998; Шимелевич и др., 2003; Шимелевич, Оборнев, 2007):

(4)

где Ч^ - функция-аппроксиматор, которая задана в аналитическом виде и зависит от числовых параметров aJt определяемых в процессе ее построения (обучения) на основе экспериментального или расчетного набора эталонных примеров решений прямых задач. С помощью построенного аппроксиматора xVAkrp, играющего в данном случае роль

приближенного обратного отображения А~' задачи (3), приближенное решение s * для рассматриваемого к -го класса разрезов может быть представлено в аналитическом виде (4) для любой правой части е е R**, что и является основным достоинством данного подхода.

Нейросетевой метод является представителем аппроксимационной группы методов, при этом в качестве универсального аппроксиматора используется нейросетевая функция KVb(e) специального типа, которую в теории распознавания образов принято называть трехслойным персептроном [Уоссермен, 1992] или приближенным обратным НС-оператором: VM^gW'gW'e)), (5)

где g(*) - нелинейная функция одной переменной заданного вида (например, функция сигмоидного типа g(jc) = l/(l+e~r)); У*, lVk - матрицы весовых коэффициентов, которые определяются в процессе обучения нейросети; индекс к подчеркивает тот факт, что значения элементов матриц зависят от рассматриваемого класса сред Gk. С помощью НС-оператора приближенное решение системы (4) записывается в виде: s* = g(Vtg(Wte)).

По найденному вектору параметров s* в соответствии с (3) вычисляется невязка синтеза, а в соответствии с (1) - искомое распределение уд эл. <т*(г) в среде.

Обученная и протестированная нейросеть xVt в совокупности с эталонными ошибками инверсии Ast и невязки синтеза Аек в геофизическом смысле отражает понятие НС-палетки- ПДЧ^ ; As4; Де^). Время подготовки БД эталонных примеров и обучение НС-операггора может потребовать десятки и сотни часов процессорных вычислений, но применение НС-палетки занимает доли секунд на обычном персональном компьютере.

Далее в главе подробно рассматривается схема построения базы данных обучения нейросети на основе эталонного множества, алгоритм обучения и тестирования НС-аппроксиматора. Приводится блок-схема программы НейроПалетка 2.0, разработка которой входит в основные задачи исследования, защищаемые положения и относится к личному вкладу автора

В разделе 3.2 «Повышение устойчивости IIC-инверсип за счет рационального выбора регуляризирующих факторов при обучепии НС-оператора» рассматривается ряд факторов, которые влияют на сходимость процедуры обучения, основанного на модифицированном градиентном методе «обратного распространения ошибки». В качестве таких факторов исследуется: рациональный выбор размера обучающего множества Р,

оптимальный размер нейросетевой конструкции L, выбор числа слоев и функции активации на слоях нейросети, а также анализ точки остановки процесса обучения г.

В разделе 3.3 «Повышение эффективности НС-инверсип в классе ФГМ» выбираются оптимальные параметры аппроксимации, основанные на физических и математических особенностях задачи: оптимальный размер входного вектора M и учет регулярной структуры класса ФГМ. В данном разделе вводится новое понятие «корректирующей палетки», которое получается на основе первого приближенного решения.

НС-палетка П^. (4^ ; Ask ; à.ek ) является универсальной по отношению к входным данным, так как может быть построена заранее, и она не «привязана» к конкретной правой части уравнения (3). С её помощью вычисляется приближенное решение s * обратной задачи для любой правой части е (3) за доли секунд — экспресс-инверсия. Это решение можно рассматривать как априорную информацию или первое приближение, которое найдено в рамках выбранного параметризованного класса Gk геоэлектрических сред. Дальнейшее уточнение решения s * строится на основе корректирующих палеток (многоэтапная инверсия), которые зависят от конкретной правой части (3), что требует дополнительных временных затрат на их построение.

Корректирующая палетка является усовершенствованной модификацией обычной базовой или территориальной палетки [Оборнев Е.А., 2007] и позволяет уменьшить ошибку получаемого приближенного решения. Идея заключается в построении последовательности НС-операторов на сужающихся подмножествах допустимых решений Sz>Stz> S,... [Шимелевич, 2013].

Подробно рассматривается алгоритм построения корректирующих палеток, разработка которого составляет один из пунктов защищаемых положений.

Глава 4. Программный комплекс ГеоНейрон 2.0. Примеры НС-инверсии МТ-данных.

В разделе 4.1 «Программный комплекс ГеоНейрон 2.0» отражена практическая ценность диссертационной работы и личный вклад диссертанта, связанные с построенным программным комплексом ГеоНейрон 2.0. Данный комплекс является развитием и модернизацией комплекса ГеоНейрон [Оборнев Е.А., 2007] и включает в себя авторские программные модули: GeoPaint, MonoSpline, НейроПалетка 2.0, КорректПалетка и различные вспомогательные утилиты подготовки и обработки результатов. ГеоНейрон 2.0 позволяет эффективно проводить НС-инверсию при интерпретации МТ-данных и решать весь ряд прикладных задач, который связан с НС-методом. Используемые в программном комплексе современные достижения в области интерполяционных, нейросетевых и параллельных алгоритмов (MPI и GPU технологии) позволяют повысить производительность и точность результатов НС-инверсии.

Программы и модули (рис. 4), предназначенные для получения и анализа результатов НС-инверсии, имеют графический интерфейс для ОС Windows. Командные скрипты связывают их с блоками входных параметров для запуска в среде Linux.

В разделе 4.2 приводятся многочисленные синтетические примеры работы НС-метода инверсии для модельных 2D МТ-данных из различных параметризованных классов сред.

Обучение KCpjWSFiiSJ^Wascft HC-WSCi*R

«№*К,Ш> 4N

Ax&utt01ШКХЖ «квакни HC-IEWSIWt

vmoffi (c:iaсея

Ш

Рис. 4. Схема взаимосвязи блоков программного комплекса ГеоНейрон 2.0. Цифрами показаны повторяющиеся в схеме блоки,

В частности, рассмаггривается пример НС-инверсии для специально построенного класса сред б,20, который представляет собой блочный тип параметризации верхней части разреза с предельно заданной детальностью (до глубин 1,4 км). Работа универсальной НС-палетки П,'0, рассчитанной для этого класса сред, была проверена на конкретных моделях 2В-М0 и 20-МЗ .

Ti\

\/

(£L .........

••¿ГТ^

палеш! i

Рис. 5. Графики ошибок инверсии £1г модельных данных построены с помощью

универсальной П^и серии корректирующих П,20~"°, / = 2,3,4,5 НС-палеток для различных ярусов блочной модели 2D-M0; по горизонтали отложены порядковые номера палеток / = 1,2,3,4,5. Цифрами в кружочках обозначены номера г ярусов сетки модели (большим

номерам соответствуют более глубокие ярусы), линия графика с номером 6) - среднее значение ошибки инверсии Ё1г по всем ярусам.

Результаты применения НС-палетки и серии корректирующих НС-палеток

nfD_W0, / = 2,3,4,5 к синтетическим расчётным данным для модели 2D-M0 (базовый представитель класса) приведены на рис. 5.

Анализ ошибок показывает, что в результате применения последовательности корректирующих НС-палеток y\]D~M<>, /' = 2,3,4,5 к данным модели 2.D-M0 ошибки инверсии уменьшаются и выходят на некоторый приемлемый для практики уровень.

На рис. 6 а представлена исходная модель 2D-Wi из этого же класса G. Она представляет собой неоднородную верхнюю часть разреза. Результат применения универсальной палетки П^0 представлен на рис. 6 б в виде найденного геоэлектрического разреза, который является первым приближением (1 этап инверсии) для построений последующих корректирующих НС-палеток (рис. 6 в-д). Значения ошибок Цг НС-инверсии

данных модели 2D-M3 для пяти ярусов блочной макросетки и различных этапов применения универсальной и корректирующих НС-палеток приведены в табл. 1.

Таблица I. Значения ошибок eir НС-инверсии и невязок синтеза 8, модели 2£>-М2

Ошибки Е1г НС-инверсии, %

№ яруса сетки Номер палетки /'

1 2 3 4 Б1 г ! 64г

1 0,13 0,10 0,10 0,10 1,3

2 1,29 0,12 0,10 0,10 12,9

3 5,48 1,97 0,78 0,56 9,8

4 6,85 3,08 1,42 1,14 6,0

5 17,61 7,46 2,74 2,10 8,4

среднее 6,27 2,55 1,03 0,80 7,8

Невязки синтеза 5,, %

13,29 4,22 2,37 2,29 5,8

Анализ величин ошибок инверсии из табл. 1 в зависимости от номера этапа и визуальный анализ результатов инверсии (рис. 6 б-д) показывают существенное повышение точности результатов. При этом отношение ошибок инверсии на первом и последнем этапе применения палеток составляет е,/е4 >10, а невязка синтеза уменьшается примерно в шесть раз.

Далее в разделе приводятся другие примеры НС-инверсии модельных данных. Приведенные примеры НС-инверсии Ю модельных данных показывают, что результаты, полученные НС-палеткой универсального вида, могут быть существенно улучшены с помощью применения серии корректирующих НС-палеток.

з) Истинная модель

V I. КМ

Рис. 6. Исходные данные и результаты инверсии модели 2.0-МЗ, представляющей собой сложно построенную верхнюю часть разреза; а-исходная модель 20-МЗ, б - результат

применения универсальной палетки

П

в, г, д - результаты инверсии по серии

корректирующих НС-палеток Ті/' / = 2,3,4,5.

В разделе 4.3 на основе разработанной методики проведен анализ чувствительности параметров априорно заданного класса ФГМ для уточнения и выбора методики измерения в районе месторождения Голицыно. Для апробации НС-метода построены территориальные

палетки с учетом априорной информации о регионе (Енисей-Хатангский прогиб, Северо-Пясинский регион).

В разделе 4.4 приводятся результаты применения двухэтапной НС-инверсии на натурных данных по электроразведочным полевым работам методом МТЗ в Краснодарском крае на субмеридионалыюм профиле Новороссийск-Славянск-Елизаветовка (региональный профиль №3 Кубанский по данным И.С. Фельдмана) в районе Западно-Кубанского краевого прогиба.

Заключение и выводы

Результаты проведенных исследований и численных экспериментов позволяют сделать следующие основные выводы:

1. Для повышения эффективности интерпретации данных МТЗ на основе нейросетевых технологий решение обратной задачи необходимо рассматривать в рамках эффективно параметризованных классов ФГМ.

2. Эффективная параметризация класса ФГМ строится на основе компромисса между показателем чувствительности МТ-поля и необходимой детальностью исследуемой среды.

3. При построении параметризованных классов ФГМ с плавным изменением свойств по горизонтали целесообразно использовать технологию монотонных сплайнов, что приводит к повышению устойчивости результатов инверсии.

4. НС-оператор "У, построенный для заданного параметризованного класса ФГМ, в совокупности с эталонными ошибками инверсии и невязками синтеза представляет собой универсальную электронную НС-палетку ЩЧ^Дг.Де), позволяющую проводить быструю «экспресс» инверсию МТ-данных в заданном классе сред.

5. Устойчивость НС-метода инверсии обеспечивается рядом регуляризирующих параметров, определяемых в процессе обучения НС-оператора: размер входного вектора - М, объем обучающего множества - Р, сложность НС-конструкции - L, точка остановки процесса обучения - г.

6. Основное преимущество НС-палетки ЩЧ'.Аз, Де) - скорость решения 03 (доли секунды), возможность многократного применения и устойчивость инверсии в рамках класса ФГМ.

7. Многоэтапные корректирующие НС-палетки позволяют существенно (в 5-10 раз) улучшить результаты инверсии, но требуют дополнительных вычислительных ресурсов.

8. Классический нейросетевой метод инверсии в сочетании с технологией корректирующих палеток является эффективным инструментом интерпретации многомерных данных МТЗ в неоднородных средах.

Список основных публикаций по теме диссертации

Статьи по перечню ВАК:

1. ОборневЕ.А., Шимелевич М.И., ОборневИ.Е. Разработка алгоритмов параметризации геоэлсктрических сред на основе монотонных сплайнов в задачах электромагнитных зондирований // Изв. вузов, Геология и разведка. 2010. №6. С. 55-58.

2. Шимелевич М.И., Оборнев Е.А., Оборпев И.Е., Родионов Е.А. Численные методы оценки степени практической устойчивости обратных задач геоэлекгрики // Физика Земли. 2013. №3. С. 58-64.

3. Шимелевич М.И., Оборнев Е.А., Оборнев И.Е., Родионов Е.А. Численные методы оценки достоверное™ результатов интерпретации данных электромагнитных зондирований // Записки горного института. СПб, 2014 (в печати).

4. Шимелевич МИ., Оборнев Е.А., Оборнев И.Е., Родионов Е.А. Модифицированный нейросетевой метод решения обратной задачи МТЗ // Изв. вузов, Геология и разведка, 2013. №3. С. 46-52.

Прочие публикации:

5. Шимелевич М.И., Оборнев Е.А., Оборнев И.Е., Родионов Е.А Численные методы оценки степени устойчивости обратных задач геоэлектрики в конечно-параметрических классах сред // Материалы Пятой всероссийской школы-семинара имени М.Н. Бердичевского и JI.JI. Баньяна по электромагнитным зондированиям Земли-ЭМЗ-2011. СПб.: СПбГУ, 2011. Т.2. С.139-141.

6. Шимелевич МИ., Оборнев Е.А., Оборнев И.Е., Родионов Е.А. Априорные оценки степени практической неоднозначности решений обратных задач геоэлектрики // Материалы 39-й сессии Международного научного семинара им. Д.Г. Успенского. Воронеж, 2012. С. 283-286.

7. Шимелевич М.И., Оборнев Е.А, Оборнев И.Е., Родионов Е.А Численные методы оценки достоверности результатов интерпретации данных электромагнитных зондирований // Материалы X Международного геофизического научно-практического семинара "Применение современных элекгроразведочных технологий при поисках месторождений полезных ископаемых". СПб, 2012. С. 66-70.

8. Шимелевич М.И., ОборневЕ.А, ОборневИ.Е. Повышение эффективности аппроксим анионного пейросетевого метода инверсии в обратных задачах геозлектрики // Материалы 40-й сессии Международного семинара им. Д.Г. Успенского. Москва, ИФЗ РАН, 28 января -1 февраля 2013. М„ 2013. С. 376-379.

9. Шимелевич МИ., Оборнев Е.А, Оборнев И.Е., Родионов Е.А. Аппрокеимационно-итерационный метод решения обратной задачи геоэлектрики с использованием нейронных сетей // Тезисы докладов Четвёртой Международной конференции, посвященной 90-летию со дня рождения члена-корреспондента РАН, академика Европейской академии наук Л.Д. Кудрявцева. Москва, РУДН, 25 марта - 29 марта 2013. М, 2013. С. 474-475.

Подписано в печать:

11.11.2013

Заказ № 9055 Тираж -100 экз. Печать трафаретная. Типография «11-й ФОРМАТ» ИНН 7726330900 115230, Москва, Варшавское ш., 36 (499) 788-78-56 www.autoreferat.ru

Текст научной работыДиссертация по наукам о земле, кандидата физико-математических наук, Оборнев, Иван Евгеньевич, Москва

РОССИЙСКИЙ ГОСУДАРСТВЕННЫЙ ГЕОЛОГОРАЗВЕДОЧНЫЙ УНИВЕРСИТЕТ ИМЕНИ СЕРГО ОРДЖОНИКИДЗЕ (МГРИ-РГГРУ)

04201450308

Оборнев Иван Евгеньевич

ПОВЫШЕНИЕ ЭФФЕКТИВНОСТИ ИНТЕРПРЕТАЦИИ ДАННЫХ МТЗ НА ОСНОВЕ ИСПОЛЬЗОВАНИЯ НЕЙРОННЫХ ПАЛЕТОК

Специальность: 25.00.10 - Геофизика, геофизические методы поисков полезных ископаемых

ДИССЕРТАЦИЯ на соискание ученой степени кандидата физико-математических наук

Научный руководитель:

доктор технических наук, профессор

Бобровников Леонид Захарович

Москва-2013

Содержание

ВВЕДЕНИЕ........................................................................................................................................5

Актуальность темы...............................................................................................................5

Цель диссертационной работы............................................................................................5

Основные задачи исследования..........................................................................................6

Научная новизна...................................................................................................................6

Защищаемые положения:.....................................................................................................6

Практическая ценность........................................................................................................7

Апробация результатов и публикации...............................................................................7

Личный вклад автора............................................................................................................8

Структура работы.................................................................................................................8

Благодарности.......................................................................................................................8

ГЛАВА 1. Обзор методов решения обратных задач геоэлектрики и работ автора.....................9

Традиционные методы решения обратной задачи геоэлектрики..................................10

Параметризация геоэлектрических сред..........................................................................12

Интерполяционные сплайн-функции...............................................................................13

Аппроксимационные подходы в геофизике....................................................................15

Нейронные сети..................................................................................................................16

НС-методы в обратных задачах математической физики..............................................18

Применение нейросетей при интерпретации различных геофизических данных.......19

Развитие темы диссертации в опубликованных работах автора...................................24

Выводы по главе 1..............................................................................................................26

ГЛАВА 2. Основные принципы моделирования 2В прямой задачи в рамках

параметризованных сред. Программа ОеоРат!............................................................................27

2.1 Физико-геологическое моделирование задачи МТЗ.................................................27

Физическая постановка задачи. Магнитотеллурическое поле в 2D неоднородной

среде..........................................................................................................................................27

Математическая постановка прямой задачи................................................................31

Е-поляризованное поле.......................................................................................................31

Н-поляризованное поле.......................................................................................................32

Численная реализация процесса20 моделирования МТ-поля методом конечных

разностей...................................................................................................................................33

2.2 Параметризация геоэлектрических сред....................................................................34

Условия эффективного решения 03.............................................................................34

Особенности параметризации геоэлектрических разрезов........................................40

Принципы построения модельных геоэлектрических классов..................................41

Базовые элементы параметризации..............................................................................42

Типы переходных зон между аномальными и краевыми областями 2 Б разреза.....49

Специальные модели параметризации.........................................................................50

2.3 Программа ОеоРаЫ и алгоритм монотонного сплайна...........................................54

Алгоритм монотонного сплайна...................................................................................56

Построение базовых функций Эрмита.........................................................................58

Математическая постановка задачи монотонной интерполяции..............................60

Блок-схема алгоритма решения прямой задачи для формирования БД

эталонных примеров в заданном классе Ск.........................................................................67

Блок 1. Структура. Построения структуры класса ФГМ..........:.................................67

Блок 2. Чувствительность. Исследование зависимости изменения ЭМ-поля от

изменения параметров ФГМ...................................................................................................68

Блок 3. Параметризация. Построения функции параметризации класса ФГМ........69

Блок 4. Построение БД эталонных примеров в заданном классе ФГМ....................70

Выводы по главе 2..............................................................................................................71

ГЛАВА 3. Методы НС-инверсии в параметризованных классах геоэлектрических разрезов.

Алгоритм и принципиальная схема программы НейроПалетка 2.0...........................................72

3.1 НС-метод решения обратной задачи геоэлектрики..................................................73

Основные методы решения обратной задачи МТЗ и место НС-подхода.................74

Аппроксимационный подход........................................................................................76

Схема построения базы данных обучения...................................................................78

Алгоритм обучения и тестирования НС-аппроксиматора..........................................80

Обобщенный алгоритм программы НейроПалетка 2.0..............................................85

3.2 Повышение устойчивости НС-инверсии за счет рационального выбора регуляризирующих факторов при обучении НС-оператора....................................................87

Рациональный выбор размера обучающего множества Р..........................................90

Оптимальный размер аппроксимационной конструкции Ь.......................................92

Точка остановки процесса обучения т........................................................................94

3.3 Повышение эффективности НС-инверсии в классе ФГМ........................................96

Оптимальный размер входного вектора.......................................................................97

Корректирующие палетки на основе первого приближенного решения................101

Обобщенный алгоритм программы КорректПалетка...............................................103

Выводы по главе 3............................................................................................................104

ГЛАВА 4. Программный комплекс ГеоНейрон 2.0. Примеры НС-инверсии МТ-данных.....105

4.1 Программный комплекс ГеоНейрон 2.0...................................................................105

4.2 Примеры работы программного комплекса на модельных синтетических данных ......................................................................................................................................................110

Максимально детализованная сетка прямой задачи ВЧР до 1,4 км........................110

Слои с криволинейными границами...........................................................................122

4.3 Анализ чувствительности. Территориальный тип палетки....................................131

Территориальный тип палетки....................................................................................133

4.4. Пример интерпретации реальных данных..............................................................134

Выводы по главе 4............................................................................................................145

Заключение и выводы....................................................................................................................147

Литература......................................................................................................................................148

ВВЕДЕНИЕ Актуальность темы

Работа посвящена разработке методов решения обратной задачи (03), которые позволяют повысить эффективность геолого-геофизической интерпретации данных магнитотеллурических зондирований (МТЗ) на основе применения нейросетевых (НС) палеток (обратных операторов) общего и корректирующего типов.

Традиционные методы интерпретации МТ-данных сталкиваются со значительными трудностями, которые связаны с нелинейностью и некорректностью многомерных обратных задач геоэлектрики. Несмотря на бурное развитие средств измерения МТ-поля и вычислительные мощности современных компьютеров, которые доступны любому геофизику-интерпретатору, в методах интерпретации по-прежнему широко применяются классические одномерные ID или сильно сглаженные и малопараметрические двумерные (2D) и трехмерные (3D) модели геоэлектрических сред.

Метод МТЗ имеет свои ощутимые преимущества, которые связанны с глубиной проникновения и естественным (бесплатным) характером источника МТ-поля. Сегодня на вооружении у геофизиков-практиков имеется ряд мобильных измерительных станций (например, «Phoenix Geophysics»), которые могут записывать МТ-поле в диапазоне от десятков тысячных долей секунд до часов и суток в зависимости от методики съёмки. Это позволяет с большой точностью и детальностью изучать как строение верхней части разреза, так и глубинное распределение хорошо проводящих зон земной коры и верхней части кристаллического фундамента.

Таким образом, на сегодняшнем уровне развития измерительной и вычислительной техники для интерпретации большинства реальных геофизических сред актуальным является использование 2D и 3D физико-геологических моделей (ФГМ). Другой актуальной задачей современной магнитотеллурики становится разработка новых подходов к интерпретации МТ-данных с использованием последних достижений в методах вычислений на основе применения нейронных сетей и параллельных алгоритмов.

В диссертационной работе для повышения эффективности интерпретации предлагается использовать НС-палетки универсального (первое приближенное экспресс-решение) и корректирующего типов (поэтапное уточнение результата инверсии) при решении обратных задач МТЗ в классах параметризованных 2D геоэлектрических разрезов. Данный двухэтапный (или многоэтапный) подход снижает ошибку инверсии в десятки раз и тем самым повышает эффективность интерпретации в целом.

Цель диссертационной работы

Повышение точности, достоверности и производительности методов интерпретации данных МТЗ на основе построения обратных операторов - НС-палеток общего и корректирующего типов в рамках эффективно параметризованных классов 2D геоэлектрических сред.

Основные задачи исследования

Для достижения указанной цели были решены следующие задачи:

1. Разработка численных методов и программного обеспечения для создания эффективно параметризованных геоэлектрических классов 20 сред (алгоритм и компьютерная программа СеоРаШ).

2. Создание интерполяционного алгоритма гладкой параметризации геоэлектрических сред на основе монотонных сплайнов, которые устраняют возможные искажения не геологического характера, связанные с применением математического аппарата сплайнов (алгоритм и программный модуль МопоБрИпе).

3. Построение набора НС-палеток (обратных НС-операторов) универсального и корректирующего назначения для решения многопараметрических задач инверсии МТ-данных (алгоритм и компьютерные программные модули НейроПалетка 2.0, КорректПалетка).

4. Построение единого программного комплекса на основе разработанных методов, алгоритмов и программного обеспечения для применения многоэтапной инверсии МТ-данных (алгоритм и компьютерный программный комплекс ГеоНейрон 2.0).

Научная новизна

Научная новизна исследований состоит в следующем:

1. Разработаны методы эффективной параметризации 2£> неоднородных геоэлектрических разрезов (<ЭеоРаШ) с учетом устранения искажений и ложных экстремумов при сглаживании на основе монотонных сплайнов (МопоБрИпе).

2. Разработаны методы, алгоритмы и программа {НейроПалетка 2.0) построения универсальных обратных НС-операторов для многократной инверсии различных МТ-данных в классе многопараметрических ФГМ.

3. Создан алгоритм и необходимое программное обеспечение {КорректПалетка) для построения специальных корректирующих НС-операторов, которые позволяют уточнять результаты первичной экспресс-интерпретации. Экспериментально доказано, что корректирующие НС-операторы различных типов позволяют уменьшить ошибку инверсии в десятки раз.

4. Показано, что с помощью сочетания универсальных и корректирующих обратных НС-операторов можно решать задачи инверсии МТ-данных с высокой степенью детальности для широкого набора классов геоэлектрических сред (комплекс ГеоНейрон 2.0).

Защищаемые положения:

1. Созданная компьютерная программа СеоРаШ и использование монотонной сплайн-процедуры МопоБрИпе позволяют обеспечить построение эффективно параметризованных классов ФГМ, в рамках которых можно обеспечить практическую устойчивость решения обратной задачи МТЗ.

2. Сконструированные и обученные универсальные обратные НС-операторы - НейроПалетки обеспечивают решение многопараметрических задач инверсии 2D МТ-данных большой размерности.

3. Разработанная методика и программный комплекс ГеоНейрон 2.0 для проведения двухэтапной НС-инверсии, включающей в себя экспресс-инверсию - НейроПалетка и последовательное применение корректирующих НС-операторов - КорректПалетка, позволяют в десятки раз повысить точность формализованной интерпретации МТ-данных в классах эффективно параметризованных сред.

Практическая ценность

Полученный в ходе исследований программный комплекс ГеоНейрон 2.0, включающий компьютерную программу GeoPaint, программные модули: MonoSpline, НейроПалетка 2.0, КорректПалетка и другие вспомогательные утилиты, позволяет эффективно проводить НС-инверсию при интерпретации МТ-данных. Используемые в программном комплексе современные достижения в области интерполяционных, нейросетевых и параллельных алгоритмов с применением MPI и GPU технологий обеспечивают повышение скорости, точности и достоверности результатов процедур интерпретации.

Нейросетевой алгоритм решения обратной задачи был проверен на многочисленных двумерных модельных примерах. Апробация алгоритма проводилась на натурных данных по электроразведочным полевым работам методом МТЗ в Краснодарском крае по субмеридиональному профилю Новороссийск-Славянск-Елизаветовка (региональный профиль №3 Кубанский) в районе Западно-Кубанского краевого прогиба (по данным И.С. Фельдмана). С использованием разработанной методики проведен анализ чувствительности ФГМ для определения методов измерения в районе месторождения Голицыно (по данным JI.3. Бобровникова). Программный комплекс ГеоНейрон 2.0 внедрен в геофизическую научно-производственную фирму -ООО ЕМГео (генеральный директор И.С. Фельдман).

Апробация результатов и публикации

Основные положения диссертационной работы докладывались:

на 3-х Международных конференциях в МГРИ-РГГРУ «Новые идеи в науках о Земле» в 2009, 2011 и 2013 годах; на 3-х Всероссийских Школах-семинарах по ЭМ зондированию Земли в 2009, 2011 и 2013 годах; на 2-х сессиях Международного научного семинара им. Д.Г. Успенского в 2012 и 2013 годах; на 3-х международных конференциях: (2012): IV Международная молодежная научная школа-конференция "Теория и численные методы решения обратных и некорректных задач", Новосибирск, Академгородок; (2012): X Международный геофизический научно-практический семинар "Применение современных электроразведочных технологий при поисках месторождений полезных ископаемых", Санкт-Петербург; (2012): Четвёртой Международной конференции, посвященной 90-летию со дня рождения члена-корреспондента РАН, академика Европейской академии наук Л.Д. Кудрявцева, Москва.

Результаты представлены в четырех научных статьях, которые опубликованы в изданиях, рекомендованных ВАК, пяти сборниках трудов научных конференций и в восьми тезисах докладов.

Личный вклад автора

Автором модернизирован и дополнен исследовательский программный комплекс Гео Нейрон 2.0, в который включены авторские модули: Geo Paint, MonoSpline, НейроПалетка 2.0, КорректПалетка и различные связующие модули обработки результатов. На основе разработанной методики оценки чувствительности ЭМ-поля было построены несколько новых классов ФГМ с эффективной параметризацией. На расчетном и иллюстративном материале показано, что в рамках эффективно параметризованной среды устойчивость обратной задачи существенно повышается. Предложенная в работе автором методика построения корректирующих НС-операторов на основе первого приближения позволяет повысить точность решения в десятки раз. Диссертантом разработан алгоритм массового моделирования с применением суперкомпьютерной вычислительной системы для построения базы данных эталонных решений прямой задачи, что позволило существенно сократить время получения результатов исследований.

Структура работы

Диссертационная работа состоит из введения, четырех глав, заключения и списка литературы, содержит 155 страниц машинного текста, 22 таблицы, 42 рисунка, а также список литературы из 120 наименований. Диссертационная работа выполнена в период учёбы в аспирантуре МГРИ-РГГРУ.

Благодарности

Автор глубоко благодарен научному руководителю, д.т.н., проф. JI.3. Бобровникову и научному консультанту, к.ф.-м.н. М.И. Шимелевичу за внимание, неоценимую помощь и руководство во время написания работы, доценту Е.А. Оборневу за огромный труд и наставления по ходу всей работы, генеральному директору геофизической научно-производственной фирмы ООО ЕМГео к.г.-м.н. И.С. Фельдману за предоставленные материалы полевых измерений, Российскому