ИСТИНА

Разведочная геофизика (РГ) предусматривает решение определённого типа обратных задач (ОЗ) - восстановление пространственного распределения свойств среды в толще земли по геофизическим полям, измеренным на ее поверхности. Мы рассматриваем обратные задачи гравиметрии, магнитометрии, магнитотеллурического зондирования и их комплексирование, что означает одновременное использование различных геофизических полей для восстановления желаемого распределения. Комплексирование требует, чтобы определяемые параметры для всех методов были одинаковыми. Это может быть достигнуто за счет пространственной постановки задачи, в которой целью является определение границ геофизических объектов. Задачи такого типа являются некорректными, нелинейными, и не имеют ни аналитического, ни прямого численного решения, что дополнительно усложняет их решение. Общий подход к уменьшению некорректности ОЗ заключается в использовании дополнительной информации, такой как априорные знания о рассматриваемой системе. При использовании нейронных сетей для решения ОЗ РГ априорные знания о системе могут быть учтены на этапе создания обучающего набора данных в виде предположений о структуре геологического разреза, а реализация указанного подхода предполагает использование узких схем параметризации, описывающих определенный класс геологических разрезов. Недостатком такого подхода является необходимость повторного создания полноразмерного набора обучающих данных и обучения нейронных сетей для каждого нового случая. Чтобы устранить этот недостаток, мы рассматриваем применение переноса обучения. Были рассмотрены три схемы параметризации, состоящие из нескольких слоёв с разной степенью изменчивости параметров: фиксированные физические свойства слоев как вдоль разреза, так и по набору данных; фиксированные вдоль разреза и переменные по набору данных; переменные как вдоль разреза, так и по набору данных. Предварительное обучение моделей проводилось на полноразмерном наборе данных одной схемы параметризации, а точная настройка проводилась на уменьшенном наборе данных другой схемы параметризации. Результаты были сопоставлены с результатами моделей, обученных обычным образом (без предварительного обучения) на полноразмерных и уменьшенных наборах данных и примененных к данным собственной и иных схем параметризации. Было показано, что использование подхода переноса обучения позволяет использовать меньше обучающих данных и повысить точность решения, а также сократить время, необходимое для обучения нейронной сети по сравнению с традиционными методами обучения нейронных сетей.