Page 258 - 4703

яка характеризує відносне середньоквадратичне відхилення
експериментальної кривої ρ Т від модельної кривої ρ q. Мінімі-
зацію виконують коригуючи параметри моделі. Початкові
значення (нульове наближення) зазвичай вибирають за даними
ручної інтерпретації з використанням наявної геолого-
геофізичної інформації.
Зворотна задача МТЗ некоректна. Це означає, що малим
коливанням значень ρ Т можуть відповідати великі варіації (ρ і,
h i). Тому алгоритм інтерпретації повинен включати регуляри-
зації рішення (підвищення стійкості) і оцінку достовірності
результатів.
Найпростішим видом регуляризації являється пошук рі-
шення для моделей з заданим числом шарів. В якості оптима-
льного береться найменше число шарів, яке забезпечує необ-
хідний ступінь мінімізації функції ( )L q . Більш сильним ви-
дом регуляризації являється обмеження меж можливих змін
значень деяких параметрів або закріплення частини парамет-
рів.
Найбільш простими вважаються способи інтерпретації
кривих МТЗ за дотичними і характерними точкам.
Наступний приклад ілюструє, як можна використати
нейронні мережі для кількісної інтерпретації даних магнітоте-
луричного зондування (МТЗ) – нелінійної за природою.

Приклад 9.1. Знайти нейромережеву архітектуру для кі-
лькісної інтерпретації кривих МТЗ.
В даному прикладі обмежимось випадком тришарового
розрізу. Для підвищення ефективності інтерпретації викорис-
таємо обидві криві МТЗ: амплітудну і фазову. Для кожного
параметру геоелектричного розрізу буде згенерована окрема
регресійна нейронна мережа.

Підготовка даних.
З метою навчання нейронних мереж для завдань кількіс-
ної інтерпретації тришарових кривих МТЗ необхідно створити
еталонні дані. Для цього виконаємо рішення прямої задачі
МТЗ для якомого більшої множини варіантів поєднання пара-
метрів тришарового розрізу: h1, h2, ρ1, ρ2, ρ3 , де h – потуж-
ність відповідного шару, ρ – його питомий опір.

258