论文部分内容阅读
我国煤矿生产逐步进入深部开采阶段,水害威胁更加严重,而地面瞬变电磁探测精度不足的问题也日渐显现。论文选题开展了地面-钻孔(简称地-孔)瞬变电磁探测技术研究,旨在提高煤矿水害隐患的探测精度。通过构建典型三维地电模型,利用三维正演方法对典型含水异常体三分量响应特征进行模拟,基于卷积神经网络模型(简称CNN)实现地-孔瞬变电磁探测异常场信号提取,并进行了粒子群-阻尼最小二乘(PSO-DLS)组合算法研究、数据反演处理和工程实例分析。取得的主要成果如下:(1)采用三维时域有限差分算法对典型地电模型的地-孔瞬变电磁响应进行了模拟计算,总结了不同含水异常体的地-孔瞬变电磁响应特征规律;(2)通过对近800口钻孔测井视电阻率曲线统计分析,总结了石炭-二叠系和侏罗系含煤地层的一般电性特征;(3)在数据处理中引入深度学习理论,采用卷积神经网络算法,构建CNN多层架构模型,设计了渐进式学习策略,通过分步式学习方法,实现了由地-孔瞬变电磁响应总场信号到异常场信号的训练学习,解决了地-孔瞬变电磁方法响应异常场信号难以提取的问题;(4)为解决数据反演中常规线性算法需要赋初值及非线性方法效率低的问题,提出了针对地-孔瞬变电磁异常场信号的PSO-DLS组合反演算法,开发了相应的数据处理及反演软件;(5)理论模型试算和工程实例验证了基于CNN渐进式学习策略的异常提取算法及PSO-DLS反演算法的准确性,证明了所开发的反演软件的有效性。本文的主要创新性体现在:(1)针对地-孔瞬变电磁响应异常场信号偏弱难以有效提取的问题,提出了基于CNN算法的异常场信号提取方法,建立了适用于异常场信号提取的卷积神经网络模型;(2)针对由总场信号直接到异常场信号训练效果不佳的问题,提出了深度学习CNN渐进式学习策略,提高了异常场信号的提取精度;(3)对PSO算法进行改进研究,利用PSO非线性反演算法不需指定初始模型的优点,联合寻优效率较高的DLS算法,实现了对异常场的PSO-DLS组合算法反演。