王一鸣 宋先海*② 张学强

(①中国地质大学(武汉)地球物理与空间信息学院，湖北武汉 430074；②中国地质大学(武汉)湖北省地球内部多尺度成像重点实验室，湖北武汉 430074)

0 引言

英国学者Rayleigh于1887年发现瑞雷面波，并论证了它在均匀半空间内的存在。早期瑞雷波常被视作干扰波；但随着瑞雷波的频散等特性被发现，它逐渐被用于地球物理勘查中。与其他常用地球物理勘探方法相比[1-2]，瑞雷波勘探具有快速、轻便、无损等优点[3]，所以近年来在浅地表地球物理工程和无损检测等领域获得了广泛应用[4-5]。

通过反演瑞雷波频散曲线可获得各层的横波速度和地层厚度，进而进行地质结构分层[6-7]。然而，瑞雷波频散曲线反演是一个典型的高度非线性、多参数、多极值地球物理优化问题。这些常用反演方法可分成两大类：局部线性化反演与非线性化反演。局部线性反演算法有：最小二乘法、OCCAM算法[8]和最速下降法[9]等。该类方法利用泰勒级数展开，近似地将瑞雷波方程线性化，并用扰动法计算雅可比矩阵，因此对初始模型依赖性强，只有当初始模型接近真实模型时才能获得较好的反演结果，否则容易导致反演过程失败；同时，雅可比矩阵的计算精度也将直接影响反演结果的质量。非线性全局优化算法有：蒙特卡洛算法、遗传算法和模拟退火算法等[10]。该类算法尽管放松了对初始模型的选取，然而也存在计算量大，收敛速度慢、精度较低、容易出现早熟收敛等情况[11-12]。

近年来对人工神经网络的研究与应用成为热点，它具有自组织、求得最优解而不是精确解、容错性强等优点，因此已在地球物理反演领域崭露头角。……