基于改进麻雀搜索算法的瑞利波频散曲线反演

doi:10.11720/wtyht.2022.1486

摘要
图/表
参考文献
相关文章
Metrics

全文: PDF(4003 KB) HTML
输出: BibTeX | EndNote (RIS)

摘要

非线性优化算法在给定的参数搜索范围内对最优解进行全局搜索,在全局搜索方面具有先天的优势,具有一定的跳出局部极值的能力。本文将一种新兴的非线性优化算法——麻雀搜索算法引入瑞利波频散曲线反演问题,针对频散曲线反演问题瑞利波频散曲线反演问题多参数、多局部极值的特点,引入自适应t分布对算法进行改进。三种理论模型的反演实验数据表明,改进的麻雀搜索算法与传统麻雀搜索算法相比具有更好的反演精度和稳定性,同时具有较好的抗随机噪声的能力。与粒子群算法和差分进化算法两种较成熟的非线性优化算法进行对比,改进的麻雀搜索算法较好地平衡了迭代前期的全局搜索和迭代后期的局部搜索,取得了与粒子群算法和差分进化算法相比更好的效果。

	服务

	把本文推荐给朋友
	加入引用管理器
	E-mail Alert
	RSS
	作者相关文章
	孙旭
	计子琦
	杨庆义
	刘博政

关键词 ：频散曲线反演, 非线性优化算法, 麻雀搜索算法

Abstract：

Nonlinear optimization algorithms can be used to conduct a global search for the optimal solutions within a given parameter range, inherently making them highly competent in performing a global search and escaping from local extrema.In this study,an emerging nonlinear optimization algorithm-the sparrow search algorithm (SSA) was introduced for the inversion of Rayleigh wave dispersion curves.To address the problems of multiple parameters and local extrema, adaptive t-distribution was introduced.The data acquired from the inversion experiment of three theoretical models indicate that the improved SSA has high inversion accuracy,stability,and resistance to random noise compared with the conventional SSA.Furthermore,the improved SSA can yield better performance than particle swarm optimization and differential evolution algorithm due to its capability to achieve a more reasonable balance between the early global search and late local search in the process of iteration.

Key words： dispersion curve inversion nonlinear optimization algorithm sparrow search algorithm

收稿日期: 2021-09-07 修回日期: 2022-05-18 出版日期: 2022-10-20

ZTFLH:

P631.4

通讯作者: 计子琦

作者简介: 孙旭(1981-),男,山东电力工程咨询院有限公司岩土工程主任,主要从事岩土工程勘察、设计、测试及物探工作。Email:sunxu@sdepci.com

引用本文:

孙旭, 计子琦, 杨庆义, 刘博政. 基于改进麻雀搜索算法的瑞利波频散曲线反演[J]. 物探与化探, 2022, 46(5): 1267-1275.
SUN Xu, JI Zi-Qi, YANG Qing-Yi, LIU Bo-Zheng. Inversion of Rayleigh wave dispersion curves based on the improved sparrow search algorithm. Geophysical and Geochemical Exploration, 2022, 46(5): 1267-1275.

链接本文:

https://www.wutanyuhuatan.com/CN/10.11720/wtyht.2022.1486 或 https://www.wutanyuhuatan.com/CN/Y2022/V46/I5/1267

Table 1 四层速度递增模型参数和搜索范围(模型A)

Table 2 四层含低速夹层模型参数和搜索范围(模型B)

Table 3 四层含高速夹层模型参数和搜索范围(模型C)

Fig.1 变异概率对改进算法反演性能的影响

Fig.2 模型A的原始算法与改进算法模型

Fig.3 模型A的原始算法与改进算法频散曲线

Table 4 模型A反演结果统计

Fig.4 模型B的反演模型

Fig.5 模型B的反演模型频散曲线

Fig.6 模型C的反演模型

Fig.7 模型C的反演模型频散曲线

Table 5 模型B反演结果统计

Table 6 模型C反演结果统计

Fig.8 含噪频散曲线的反演模型

Fig.9 有无噪声条件下地质模型的频散曲线

Table 7 加噪条件下3种地质模型的反演结果统计

Fig.10 30次反演的最优目标函数曲线和平均最目标函数曲线
a—原始麻雀搜索算法;b—粒子群算法;c—差分进化算法;d—改进的麻雀搜索算法

Table 8 不同算法的反演性能统计

Table 9 工区K41钻孔地层描述

Table 10 模型参数及搜索范围

Table 11 实测数据反演结果统计

Fig.11 实测数据反演频散曲线

[1]	杨成林. 瑞利波法勘探原理及其应用[J]. 物探与化探, 1989, 13(6):465-468.
[1]	Yang C L. The principle and application of Rayleigh wave exploration method[J]. Geophysical and Geochemical Exploration, 1989, 13(6):465-468.
[2]	Xia J, Miller R D, Park C B. Estimation of nearsurface shear-wave velocity by inversion of Rayleigh waves[J]. Geophysics, 1999, 64(3): 691-700. doi: 10.1190/1.1444578
[3]	祁生文, 孙进忠, 何华. 瑞利波勘探的研究现状及展望[J]. 地球物理学进展, 2002, 17(4):630-662.
[3]	Qi S W, Sun J Z, He H. Research status and prospect of Rayleigh wave exploration[J]. Progress in Geophysics, 2002, 17(4):630-662.
[4]	林志平, 林俊宏, 吴柏林, 等. 浅地表地球物理技术在岩土工程中的应用与挑战[J]. 地球物理学报, 2015, 58(8):2664-2680.
[4]	Lin Z P, Lin J H, Wu B L, et al. Applications and challenges of near surface geophysics in geotechnical engineering[J]. Journal of Geophysics, 2015, 58(8):2664-2680.
[5]	崔建文. 一种改进的全局优化算法及其在面波频散曲线反演中的应用[J]. 地球物理学报, 2004, 47(3):521-527.
[5]	Cui J W. An improved global optimization method and its application to the inversion of surface wave dispersion curves[J]. Chinese Journal of Geophysics, 2004, 47(3):521-527.
[6]	蒋婵君, 周竹生, 敬荣中, 等. 遗传算法在瑞雷面波勘探中的应用[J]. 物化探计算技术, 2010, 32(5):455-513.
[6]	Jiang C J, Zhou Z S, Jing R Z, et al. Application of Genetic Algorithm in Rayleigh wave exploration[J]. Computing Techniques for Geophysical and Geochemical Exploration, 2010, 32(5):455-513.
[7]	晋思, 邵嘉琪, 支剑丽, 等. 遗传算法在瑞利波频散曲线反演中的应用研究[J]. 人民长江, 2015, 46(3):31-33.
[7]	Jin S, Shao J Q, Zhi J L, et al. Application of Genetic Algorithm in inversion of Rayleigh wave dispersion curves[J]. Yangtze River, 2015, 46(3):31-33.
[8]	彭刘亚, 任川. 基于粒子群算法的瑞利波频散曲线反演研究[J]. 地球物理学进展, 2018, 33(4):1682-1686.
[8]	Peng L Y, Ren C. Inversion of Rayleigh wave dispersion curve using Particle Swarm Optimization algorithm[J]. Progress in Geophysics, 2018, 33(4): 1682-1686.
[9]	蔡伟, 宋先海, 袁士川, 等. 利用粒子群优化算法快速、稳定反演瑞利波频散曲线[J]. 石油地球物理勘探, 2018, 53(1):4-34.
[9]	Cai W, Song X H, Yuan S C, et al. Fast and stable inversion of Rayleigh wave dispersion curve using particle swarm optimization algorithm[J]. Oil Geophysical Prospecting, 2018, 53(1): 4-34.
[10]	张晓煜, 李向. 基于粒子群算法的地震预报方法研究[J]. 地震工程学报, 2014, 36(1):69-74.
[10]	Zhang X Y, Li X. Earchquake prediction method based on Particle Swarm Optimization[J]. China Earthquake Engineering Journal, 2014, 36(1): 69-74.
[11]	杨博, 熊章强, 张大洲, 等. 利用自适应混沌遗传粒子群算法反演瑞雷面波频散曲线[J]. 石油地球物理勘探, 2019, 54(6):1172-1227.
[11]	Yang B, Xiong Z Q, Zhang D Z, et al. Rayleigh surface-wave dispersion curve inversion based on adaptive chaos genetic particle swarm optimization algorithm[J]. Oil Geophysical Prospecting, 2019, 54(6): 1172-1227.
[12]	程飞, 刘江平, 毛茂, 等. 参数自适应差分演化算法在面波频散曲线反演中的应用[J]. 岩土工程学报, 2016, 38(1):147-154.
[12]	Cheng F, Liu J P, Mao M, et al. Self-adapting control parameters-based Differential Evolution Algorithm for inversion of Rayleigh wave dispersion curves[J]. Chinese Journal of Geotechnical Engineering, 2016, 38(1): 147-154.
[13]	于东凯, 宋先海, 张学强, 等. 蚱蜢算法在瑞利波频散曲线反演中的应用[J]. 石油地球物理勘探, 2019, 54(2):236-301.
[13]	Yu D K, Song X H, Zhang X Q, et al. Rayleigh wave dispersion inversion based on grasshopper optimization algorithm[J]. Oil Geophysical Prospecting, 2019, 54(2): 236-301.
[14]	王天琦, 于东凯, 蔡润. 基于改进蚁群算法在面波频散曲线反演中的应用[J]. 地震工程学报, 2020, 42(6):1523-1533.
[14]	Wang T Q, Yu D K, Cai R. Application of the improved ant colony algorithm in the inversion of Rayleigh wave dispersion curves[J]. China Earthquake Engineering Journal, 2020, 42(6): 1523-1533.
[15]	Xue J K, Shen B. A novel swarm intelligence optimization approach: Sparrow search algorithm[J]. Systems Science & Control Engineering, 2020, 8(1): 22-34.

[1]	何胜, 王万平, 董高峰, 南秀加, 魏丰丰, 白勇勇. 等值反磁通瞬变电磁法在城市地质调查中的应用[J]. 物探与化探, 2023, 47(5): 1379-1386.
[2]	吴嵩, 宁晓斌, 杨庭伟, 姜洪亮, 卢超波, 苏煜堤. 基于神经网络的探地雷达数据去噪[J]. 物探与化探, 2023, 47(5): 1298-1306.
[3]	周慧, 孙成禹, 刘英昌, 蔡瑞乾. 基于DC-UNet卷积神经网络的强噪声压制方法[J]. 物探与化探, 2023, 47(5): 1288-1297.
[4]	李栋, 朱博华. 基于上覆地层频率约束的匹配追踪强反射层分离方法[J]. 物探与化探, 2023, 47(5): 1261-1272.
[5]	项诸宝, 张大洲, 朱德兵, 李明智, 熊章强. 不同骨料混凝土模型中瑞利波传播特性研究[J]. 物探与化探, 2023, 47(5): 1226-1235.
[6]	张利振, 孙成禹, 王志农, 李世中, 焦峻峰, 颜廷容. 面波信息约束的初至波走时层析反演方法[J]. 物探与化探, 2023, 47(5): 1198-1205.
[7]	黄彦庆. 川东北元坝地区致密砂岩多产状裂缝刻画[J]. 物探与化探, 2023, 47(5): 1189-1197.
[8]	张邦. 超声平面阵全聚焦三维成像方法[J]. 物探与化探, 2023, 47(5): 1273-1280.
[9]	李秋辰, 陈冬, 许文豪, 易善鑫, 谢兴隆, 关俊朋, 崔芳姿. 基于微地震连续裂缝网络模型的SRV研究[J]. 物探与化探, 2023, 47(4): 1048-1055.
[10]	陈中伟, 郭良辉, 陈元恪, 唐晗晗. 壳幔三维速度参考模型构建方法研究——以华南陆块中部为例[J]. 物探与化探, 2023, 47(4): 936-943.
[11]	刘庆, 张镇, 杨帅, 李枫凌. 基于灰色关联与层次分析的脆性指数预测方法——以准噶尔盆地吉木萨尔凹陷芦草沟组致密储层为例[J]. 物探与化探, 2023, 47(4): 944-953.
[12]	陈超群, 戴海涛, 高秦, 陈俊杰, 雒文丽, 王智茹. 复杂地表条件下地震资料一致性处理方法研究与应用[J]. 物探与化探, 2023, 47(4): 954-964.
[13]	张金强. 基于正则化理论的时频分析方法及应用[J]. 物探与化探, 2023, 47(4): 965-974.
[14]	陈子龙, 王海燕, 郭华, 王光文, 赵玉莲. 地震全波形反演研究进展与应用现状综述[J]. 物探与化探, 2023, 47(3): 628-637.
[15]	宋晨, 金吉能, 潘仁芳, 朱博远, 喻志骅, 唐小玲. 分频AVO技术在安岳气田须二段储层含气性分析中的应用[J]. 物探与化探, 2023, 47(3): 681-689.

Viewed

Full text

Abstract

Cited

Shared

Discussed