非線性反演方法指通過觀測數據及一般原理或模型確定與之成非線性關系的模型參數估計值問題[1]。隨著當前油氣勘探開發的不斷深入，非線性反演不僅包括微震數據處理、解釋，而且滲透到儲層預測、油藏監測等油氣勘探開發各個領域，成為地球物理學家和油藏工程師共同關注的前沿課題。近年來,國內外學者先后發表及實現了很多具有巨大潛力和應用價值的非線性反演方法，如蒙特卡洛法(MCM) ,模擬退火法(SA)、人工神經元法(ANN)及遺傳算法(GA)等[2]。非線性反演法是基于最優化原理提出的模型,從大量已知模型正演結果中選出方差(或其他范數規則)最小的模型作為待求模型的解。

    本文針對非線性反演方法存在的極易陷入局部最優值、分辨率低、迭代計算量大等問題，利用前沿交叉學科的最新進展，基于BP-GA算法，提出了一種應用于微震源定位的反演方法。該算法充分利用BP神經網絡的擬合能力和遺傳算法的全局尋優能力，為進一步豐富和完善地球物理非線性全局智能優化反演技術，提供了理論與技術參考依據。
1 微震源反演方法概述
1.1 微震源定位原理
    定位反演技術基于聲發射學和地震學。基本原理為：地下巖石由人為或自然因素發生破裂及移動時，產生地震波向四周傳播。通過布置于周圍空間的檢波器組采集實時數據，經相關算法處理并在三維空間顯示微震源位置。常規方法[2]有蒙特卡洛法(MCM)、模擬退火法(SA)、人工神經元法(ANN)及雙重殘差法(DDA)等。假設地層模型為均勻速度模型，監測網絡中設置若干個不同位置檢波器進行P波拾取[3]，如圖1所示。
    以到時殘差最小為目標求解模型，基于地震學聯合反演思想求震源解時，走時模型為：
  

2 BP神經網絡與遺傳混合算法
    近年來,BP神經網絡與遺傳算法是地球物理勘探領域應用最為廣泛的完全非線性反演方法。遺傳算法根據自然界生物優勝劣汰的進化原則，有機結合定向和隨機搜索，不斷逼近最優解,并廣泛應用于非線性規劃問題、組合優化問題、參數辨識、控制器優化等領域[4]。BP算法是用大量計算單元（即神經元）構成非線性系統，模仿人腦神經系統的處理信息、存儲信息及檢索功能，常用于函數擬合與樣本分類等領域。
    結合非線性全局優化方法應用時的局限性，諸如BP神經網絡存在易陷入到局部最小值、訓練時間過長及遺傳算法的早熟現象普遍等問題，本文研究了利用神經網絡的非線性擬合能力和遺傳算法的非線性尋優能力，求取目標函數全局極值的BP-GA算法，如圖3所示。

3 微震源反演模型
　　結合微震監測工程，本文采用多臺站井地聯合監測進行微震源定位反演。速度模型采用水平層狀均勻介質模型,分別為V1=2 500 m/s,V2=3000 m/s,V3=3 500 m/s。假定微震源空間位置坐標為（77，28，-98），地面檢波器位置范圍為（188，148，0）~（248，98，0），井下檢波器位置范圍為（248，58，-5）~（248，58，-96）。檢波器屬性信息如表1所示。

4 算法仿真與結果分析

    反演算法總體思路為：根據反演問題目標函數的特點構建自適應BP神經網絡,以目標函數的輸入輸出數據訓練網絡后，可以在適宜的權值和閾值約束下預測非線性函數輸出。遺傳算法的極值尋優將訓練后的網絡預測結果作為個體適應度值，經過選擇、交叉和變異等操作，尋找目標函數的全局最優值及對應輸入值。
4.1 BP神經網絡算法實現
    BP網絡采用三層拓撲結構[5]，分別為輸入層n1、隱含層n2和輸出層n3。利用正演模型得出的目標函數100組輸入輸出數據來訓練網絡。樣本的3個輸入參數，為微震源點空間坐標(X0、Y0、Z0)，輸出參數即為目標函數輸出值。隱含層數結合網絡精度與模型復雜程度選擇為單隱含層。網絡結構為3-7-1，共3×7+7×1=28個權值，7+1=8個閾值,遺傳算法優化參數的個數為28+8=36。
4.2 遺傳算法實現
    個體采用實數編碼，由于目標函數只有3個輸入參數，所以個體長度為3。個體適應值為BP神經網絡預測值，適應度值越小，則個體越優，交叉概率和變異概率分別設為0.4和0.2。
4.3 結果分析
    微震源定位反演以實現通過地面與井下檢波器組拾取的初至波走時差來確定微震源的空間坐標為目的。圖4給出了混合算法的Matlab仿真結果。由BP神經網絡預測誤差可以看出BP神經網絡擬合性能較好，符合定位反演誤差精度要求。遺傳算法適應度曲線中適應度函數值的漸變體現了較快逼近目標函數最優值的趨勢。

    本文基于遺傳與BP神經網絡兩種非線性方法的優越性及局限性，建立了相互滲透、配合的BP-GA混合算法模型，并應用于微震源定位反演,改善了傳統非線性全局尋優方法的搜索性能，提高了微震參數反演中的運算效率和反演精度[6]。非線性全局尋優算法能夠解決不確定性、高度非線性、超大規模的復雜問題，所具備的通用性、魯棒性、自適應等特征，不僅在地球物理反演領域具有良好的應用效果，而且在組合優化、自動控制、圖像處理、人工生命、管理決策等領域都將得到廣泛的應用。
參考文獻
[1] Wei Chao, Li Xiaogan, Zheng Xiaofong. The group searchbased parallel algorithm for the serial monte carlo inversion  method[J].Applied Geophysics,2010,7(2):127-134.
[2] 田玥，陳曉非.地震定位研究綜述[J]. 地球物理學進展，2002，17(1):147-155.
[3] 鞏思園，竇林名，馬小平，等.煤礦礦震定位中異向波速模型的構建與求解[J].地球物理學報，2012，55(5):1757-1763.
[4] 陳霄，王寧.基于混沌DNA遺傳算法的模糊遞歸神經網絡建模[J].控制理論與應用，2011，28(11):1589-1594.
[5] 楊立強，宋海斌，郝天姚.基于BP 神經網絡的波阻抗反演及應用[J].地球物理學進展,2005,20(1):34-37.
[6] 張新兵，王家林，吳健生. 混合最優化算法在地球物理學中的應用現狀與前景[J].地球物理學進展，2003，18(2):5-6.