摘 要： 针对传统非线性反演方法易陷入局部最优，收敛速度慢等问题，研究了一种基于BP神经网络和遗传算法的微震源定位反演方法。重点论述了BP-GA混合算法的理论基础与模型建立,并结合实例进行了3层介质模型微震源定位反演仿真。
关键词： BP神经网络; 遗传算法; 微震源; 反演

非线性反演方法指通过观测数据及一般原理或模型确定与之成非线性关系的模型参数估计值问题[1]。随着当前油气勘探开发的不断深入，非线性反演不仅包括微震数据处理、解释，而且渗透到储层预测、油藏监测等油气勘探开发各个领域，成为地球物理学家和油藏工程师共同关注的前沿课题。近年来,国内外学者先后发表及实现了很多具有巨大潜力和应用价值的非线性反演方法，如蒙特卡洛法(MCM) ,模拟退火法(SA)、人工神经元法(ANN)及遗传算法(GA)等[2]。非线性反演法是基于最优化原理提出的模型,从大量已知模型正演结果中选出方差(或其他范数规则)最小的模型作为待求模型的解。
本文针对非线性反演方法存在的极易陷入局部最优值、分辨率低、迭代计算量大等问题，利用前沿交叉学科的最新进展，基于BP-GA算法，提出了一种应用于微震源定位的反演方法。该算法充分利用BP神经网络的拟合能力和遗传算法的全局寻优能力，为进一步丰富和完善地球物理非线性全局智能优化反演技术，提供了理论与技术参考依据。
1 微震源反演方法概述
1.1 微震源定位原理
定位反演技术基于声发射学和地震学。基本原理为：地下岩石由人为或自然因素发生破裂及移动时，产生地震波向四周传播。通过布置于周围空间的检波器组采集实时数据，经相关算法处理并在三维空间显示微震源位置。常规方法[2]有蒙特卡洛法(MCM)、模拟退火法(SA)、人工神经元法(ANN)及双重残差法(DDA)等。假设地层模型为均匀速度模型，监测网络中设置若干个不同位置检波器进行P波拾取[3]，如图1所示。
以到时残差最小为目标求解模型，基于地震学联合反演思想求震源解时，走时模型为：


2 BP神经网络与遗传混合算法
近年来,BP神经网络与遗传算法是地球物理勘探领域应用最为广泛的完全非线性反演方法。遗传算法根据自然界生物优胜劣汰的进化原则，有机结合定向和随机搜索，不断逼近最优解,并广泛应用于非线性规划问题、组合优化问题、参数辨识、控制器优化等领域[4]。BP算法是用大量计算单元（即神经元）构成非线性系统，模仿人脑神经系统的处理信息、存储信息及检索功能，常用于函数拟合与样本分类等领域。
结合非线性全局优化方法应用时的局限性，诸如BP神经网络存在易陷入到局部最小值、训练时间过长及遗传算法的早熟现象普遍等问题，本文研究了利用神经网络的非线性拟合能力和遗传算法的非线性寻优能力，求取目标函数全局极值的BP-GA算法，如图3所示。

3 微震源反演模型
　　结合微震监测工程，本文采用多台站井地联合监测进行微震源定位反演。速度模型采用水平层状均匀介质模型,分别为V1=2 500 m/s,V2=3000 m/s,V3=3 500 m/s。假定微震源空间位置坐标为（77，28，-98），地面检波器位置范围为（188，148，0）~（248，98，0），井下检波器位置范围为（248，58，-5）~（248，58，-96）。检波器属性信息如表1所示。

4 算法仿真与结果分析