大地电磁测深法因其探测深度大、成本低等特点，在油气、地热资源及深部构造的勘探中发挥着重要作用。大地电磁测深数据反演是数据解释的关键步骤。基于深度学习方法的地球物理反演无需计算灵敏度矩阵，且反演结果不受初始模型的影响，这也受到了广泛关注。传统卷积神经网络的特征提取能力有限。自注意力机制可以从大量输入信息中选择对结果贡献较大的数据信息，并提高关键特征提取的能力。本文基于自注意力机制发展了一种二维大地电磁深度学习反演方法。首先，使用尖锐边界一维大地电磁测深数据反演快速构建代表性样本模型，然后通过有限元法执行二维大地电磁测深正演算法来构建训练集样本。将自注意力机制置于卷积层之后。从卷积层提取数据后，再次进行特征提取，以提高预测的可靠性和效率。使用了不同的地电模型和大杨树盆地的实测数据对算法进行了测试。结果表明，反演精度得到了提高，尤其是实测数据的反演结果与钻孔数据较为吻合。
图1. 基于预测电阻率和真实电阻率得出的残差曲线
图2. 实测数据的反演结果。（a）观测视电阻率数据。（b）实测数据反演结果
研究成果发表在地球物理领域国际重要期刊IEEE Transactions on Geoscience and Remote Sensing上。论文第一作者和通讯作者为太阳成集团tyc151cc徐凯军副教授，合作者包括中石化物探研究院梁舒媛，东方地球物理公司胡祖志教授级高工，太阳成集团tyc151cc卢炎硕士生。该研究得到中石油科技项目及国家自然科学基金资助。
论文信息：Kaijun Xu , Shuyuan Liang , Yan Lu, and Zuzhi Hu. Magnetotelluric data inversion based on deep learning with the self-attention mechanism. IEEE Transactions on Geoscience and Remote Sensing, 2024, 62, 5917910. https:// doi: 10.1109/TGRS.2024.3411062.
