基于人工智能的地球物理反演教學(xué)方法探討

摘" 要：學(xué)科交叉融合已經(jīng)成為現(xiàn)代科學(xué)與工程技術(shù)發(fā)展的重大趨勢。該文以地球物理反演問題為例，針對環(huán)境地質(zhì)工程專業(yè)研究生教學(xué)中存在的問題，將人工智能與深度學(xué)習(xí)技術(shù)引入其中，采用理論授課與實驗教學(xué)相結(jié)合的手段，在達到教學(xué)目標(biāo)的同時，也有效避開繁雜的數(shù)學(xué)物理方程講解過程。相關(guān)教學(xué)方法成效顯著，學(xué)生反映強烈，效果良好，對學(xué)生全方位、高素質(zhì)培養(yǎng)起到積極的作用，也可為跨學(xué)科的相關(guān)專業(yè)教學(xué)提供借鑒作用。

關(guān)鍵詞：地球物理反演；深度學(xué)習(xí)；交叉融合；跨學(xué)科；人工智能

中圖分類號：G642" " " " 文獻標(biāo)志碼：A" " " " " 文章編號：2096-000X（2023）13-0113-04

Abstract： Interdisciplinary integration has become a major trend in the development of modern science and engineering technology. Taking geophysical inversion as an example， we focus on the problems existing in the teaching of graduate students majoring in environmental geological engineering， and introduce the artificial intelligence and deep learning technology， and adopt the means of combining theoretical teaching and experimental teaching， which not only achieves the teaching goal， but also effectively avoids the complicated explanation process of mathematical and physical equations. The relevant teaching method have achieved remarkable results， which are strongly reflected by students and have good results. The method has played a positive role in the all-round and high-quality cultivation of students， and also provide reference for interdisciplinary professional teaching.

Keywords： geophysical inversion; deep learning; cross fusion; interdisciplinary; artificial intelligence

新工科教育是在新的歷史環(huán)境下，基于國家戰(zhàn)略發(fā)展新需求，提出更高層次的開放式工程教育新理念[1-3]。新工科相對于傳統(tǒng)工科而言，更強調(diào)學(xué)科的實用性、交叉性與綜合性。尤其注重信息、電子和軟件設(shè)計等新技術(shù)與傳統(tǒng)工業(yè)技術(shù)的緊密結(jié)合。目前，大數(shù)據(jù)、云計算、人工智能類、虛擬現(xiàn)實、地質(zhì)、土木、建筑等大類均已列入新工科范疇[4-5]。以交叉與融合作為新工科創(chuàng)新人才的著力點，培養(yǎng)引領(lǐng)未來技術(shù)和產(chǎn)業(yè)發(fā)展的人才，已經(jīng)成為全社會的共識[6-7]，這將有助于提高學(xué)生的綜合素質(zhì)，滿足多元化的人才需求，提高就業(yè)渠道；有利于挖掘創(chuàng)新能力，培養(yǎng)創(chuàng)新型人才，推動科技創(chuàng)新進步；有助于創(chuàng)新教育理念科學(xué)研究理論的深入，正確回應(yīng)新工科教育時代的呼喚。

因此，面對新形勢、新要求，高校教師積極探索多學(xué)科交叉融合培養(yǎng)模式，建立跨學(xué)科交融的新型組織機構(gòu)，開設(shè)廣泛覆蓋的學(xué)科交叉融合課程，開展面向復(fù)雜工程的課程教學(xué)模式探索和實踐，既可以提升高校的核心競爭力，也可為新工科相關(guān)專業(yè)人才培養(yǎng)建設(shè)提供參考。

一" 問題提出

目前我國大部分應(yīng)用型本科高校遵從學(xué)科邏輯設(shè)置課程體系，一般都以單一學(xué)科建制為主，學(xué)科與學(xué)科之間缺少交叉與融合。我校環(huán)境科學(xué)與工程學(xué)院是一個以海洋環(huán)境、水土污染、地質(zhì)環(huán)境等方面為特色的綜合性理工科院系。海洋環(huán)境與工程地球物理類課程是我院環(huán)境地質(zhì)工程專業(yè)學(xué)位研究生的特色核心專業(yè)課程，主要內(nèi)容涵蓋地球物理學(xué)、工程地質(zhì)學(xué)2個獨立學(xué)科的范疇，同時又需要較高的數(shù)學(xué)、物理學(xué)基礎(chǔ)，因而是一門理論性、工程性和應(yīng)用性極強的綜合性課程。課程的宗旨是融入地球物理學(xué)中的無損探測手段，解決傳統(tǒng)工程地質(zhì)調(diào)查手段中難于開展或無法開展的勘探難題，從而有效揭示地質(zhì)結(jié)構(gòu)、構(gòu)造和巖石的物理力學(xué)特性。在講解各類探測方法的基本原理、儀器設(shè)備、野外數(shù)據(jù)采集方法和應(yīng)用領(lǐng)域等章節(jié)時，因不涉及高深的理論知識，通過類比實例、產(chǎn)品展示、實地的實踐操作等方法，學(xué)生很容易地掌握了相關(guān)的教學(xué)內(nèi)容，同時表現(xiàn)出了濃厚的學(xué)習(xí)興趣。但在講授資料的數(shù)據(jù)處理環(huán)節(jié)遇到了很大的挑戰(zhàn)。以地震勘探數(shù)據(jù)反演為例，反演的目的是從常規(guī)地震剖面中推演出地下地層的波阻抗、密度、速度、孔隙度、滲透率和壓力等信息[8]。在科學(xué)研究和工程技術(shù)中，但凡涉及到觀測與演繹的，都無法回避資料的反演問題[9]。一般反演方法的基本思路是先建立一個初始地層波阻抗模型，然后由此模型進行正演，求得地震合成記錄，將合成地震記錄與實際采集記錄相比較，根據(jù)比較結(jié)果修改地下波阻抗模型的速度、密度、深度等，再正演計算合成地震記錄，與實際采集記錄進行比較，繼續(xù)修改波阻抗模型，如此多次反復(fù)，直至合成的地震記錄與實際地震記錄最接近，最終得到地下波阻抗模型。其中，正演計算涉及到復(fù)雜的彈性波動力學(xué)方程，即地球物理學(xué)中的正演技術(shù)是以地球內(nèi)部地震波傳播滿足的數(shù)學(xué)物理方程為基礎(chǔ)；而在反復(fù)迭代的過程中，又需要根據(jù)誤差累積狀況，實時調(diào)整反演參數(shù)，以實現(xiàn)最小二乘意義，或者誤差絕對值之和最小意義上的最佳逼近。如何調(diào)整參數(shù)，以及選擇什么樣的評價模型，又將涉及到應(yīng)用數(shù)學(xué)的基礎(chǔ)。上述兩方面的知識對環(huán)境地質(zhì)工程專業(yè)的學(xué)生來說，本科階段所學(xué)的課程中都沒有達到相應(yīng)知識體系所要求的廣度和深度。因理論深，內(nèi)容抽象，從而導(dǎo)致學(xué)生不好理解，傳統(tǒng)單調(diào)、填鴨式的教學(xué)方式令學(xué)生感到枯燥乏味。這不利于鍛煉培養(yǎng)學(xué)生的科學(xué)思維能力并能主動發(fā)現(xiàn)和解決問題能力。因此，結(jié)合新工科創(chuàng)新教育理念，在滿足專業(yè)培養(yǎng)目標(biāo)前提下，融合多學(xué)科優(yōu)勢，探索新型課程教學(xué)模式勢在必行。

二" 基于人工智能的理論教學(xué)方法

（一）" 人工智能與地球物理反演

人工智能（Artificial Intelligence，簡稱AI）最早誕生于20世紀(jì)50年代，屬于信息科學(xué)與計算機技術(shù)交叉融合學(xué)科，其是研究、開發(fā)用于模擬、延伸和擴展人的智能的一門新的技術(shù)科學(xué)[10-11]。人工智能的簡潔定義為“努力將通常由人類完成的智力任務(wù)自動化”，其是一個綜合性的領(lǐng)域，不僅包括機器學(xué)習(xí)（如深度學(xué)習(xí)），還包括更多不涉及學(xué)習(xí)的方法[12]。21世紀(jì)初，隨著大數(shù)據(jù)、高性能計算和深度學(xué)習(xí)技術(shù)的快速迭代和進步，人工智能進入新一輪的發(fā)展熱潮[13]。

反演問題是地球物理、建筑、巖土工程等領(lǐng)域的常用稱呼，是由結(jié)果及相關(guān)理論出發(fā)去確定表征問題特征的參數(shù)。目前的人工智能也是由大量數(shù)據(jù)及假設(shè)的模型，通過各種優(yōu)化算法確定模型的參數(shù)，然后基于反演出的參數(shù)模型進行新的預(yù)測，因此，人工智能本身就是反演問題。

經(jīng)典的地球物理反演可劃分為3部分：經(jīng)過野外采集的原始地震記錄，稱之為“數(shù)據(jù)”；經(jīng)典的正反演算法，稱之為“規(guī)則”；經(jīng)反演之后的地質(zhì)結(jié)構(gòu)或巖石物性剖面，稱之為“答案”。依據(jù)這種定義，傳統(tǒng)的地震數(shù)據(jù)反演流程可用圖1（a）表示。即人們以規(guī)則和需要根據(jù)這些規(guī)則進行處理的數(shù)據(jù)作為輸入，然后通過經(jīng)典的程序設(shè)計，最終獲得這些數(shù)據(jù)中的預(yù)期答案，也就是反演成果。正像前文所述，這種規(guī)則可能是非常復(fù)雜的，甚至是一種非線性數(shù)學(xué)表達式。無論是規(guī)則的理解，還是程序設(shè)計上對學(xué)生都是一個挑戰(zhàn)。

從這一點上來說，人工智能不同于經(jīng)典地球物理反演算法，其是將數(shù)據(jù)和預(yù)期答案作為輸入，通過機器學(xué)習(xí)獲得相應(yīng)的規(guī)則，而這些規(guī)則可應(yīng)用于新的前所未見的數(shù)據(jù)，進而通過計算機自主輸出答案，如圖1（b）所示。也就是說，這種規(guī)則是訓(xùn)練出來的，而不是通過學(xué)習(xí)相關(guān)理論知識給出的，并不要求學(xué)生掌握復(fù)雜的數(shù)學(xué)物理方程。對于我院環(huán)境地質(zhì)工程專業(yè)的學(xué)生來說，掌握地球物理探測技術(shù)能夠在巖土工程勘查中發(fā)揮作用和提出解決問題方案是課程的核心目標(biāo)之一，結(jié)合人工智能的地震數(shù)據(jù)反演教學(xué)既能使學(xué)生全面、系統(tǒng)地掌握探測方法，也能使學(xué)生通過變通的、容易理解的手段獲得地下介質(zhì)的地層結(jié)構(gòu)和巖石特性的認(rèn)識，從而很好地達到了教學(xué)目標(biāo)，因而對于具有交叉學(xué)科性質(zhì)、不同專業(yè)領(lǐng)域的學(xué)生來說是非常有價值的。

（二）" 理論教學(xué)方法

為了實現(xiàn)地球物理反演與人工智能的有機結(jié)合，課程中首先介紹實現(xiàn)人工智能的過程，而這種過程的引入又是非常簡單明了的，僅僅需要一節(jié)課的時間。其中首要的是讓學(xué)生明確我們有什么？期望得到什么？這也就是人工智能機器學(xué)習(xí)中的“輸入”和“輸出”。然后要讓學(xué)生知道人工智能反演的基本流程。

在地震勘探中，野外采集到的反射地震信號是一個非線性時間序列，這個時間信號序列受控于一定深度范圍內(nèi)的地質(zhì)結(jié)構(gòu)特征（深度、速度、密度等）[14]。如果能夠通過鉆孔獲得地質(zhì)結(jié)構(gòu)模型，就可以把時間信號序列和每一個地質(zhì)結(jié)構(gòu)模型一一對應(yīng)形成的樣本對作為機器學(xué)習(xí)的輸入和輸出；然后，利用人工智能機器學(xué)習(xí)方法，建立信號幅度（反射波振幅）與深度、速度等巖石物性參數(shù)間的非線性學(xué)習(xí)模型；再利用機器學(xué)習(xí)中的深度學(xué)習(xí)方法訓(xùn)練這個非線性模型，并借助已知的樣本對（驗證集）來衡量輸出與預(yù)期值之間的差距，即驗證模型的泛化能力[15]；最后，就可以將訓(xùn)練好的模型應(yīng)用于新的前所未見的地震信號，以得到反演后的地質(zhì)結(jié)構(gòu)模型。

在整個的講授過程中，并沒有出現(xiàn)復(fù)雜的數(shù)學(xué)推導(dǎo)，每一個觀點、每一句話都通俗易懂，再加上人工智能方法的新穎性、過程的簡潔性，很容易使學(xué)生產(chǎn)生濃厚的興趣和好奇感。

三" 基于人工智能的實踐教學(xué)

通過理論的講解，學(xué)生基本掌握了人工智能地球物理反演的基本思路，課程中還設(shè)計了實驗環(huán)節(jié)以增強學(xué)生的體驗感和參與感。

實驗采用Python語言環(huán)境下的人工智能機器學(xué)習(xí)軟件TensorFlow，其是一款免費的基于數(shù)據(jù)流編程的符號數(shù)學(xué)系統(tǒng)，已被廣泛應(yīng)用于各類機器學(xué)習(xí)算法中，目前TensorFlow已經(jīng)更新到第二代，即TensorFlow 2。TensorFlow可以安裝在PC機上，易學(xué)易用，編程門檻低，使得普通學(xué)生也能夠利用人工智能解決實際問題。

實驗步驟如下。

1）首先學(xué)生需要準(zhǔn)備機器學(xué)習(xí)的訓(xùn)練數(shù)據(jù)集和測試數(shù)據(jù)集。由于機器學(xué)習(xí)需要大量的訓(xùn)練數(shù)據(jù)集才能獲得準(zhǔn)確的預(yù)測模型，而實際的地震勘探中又很難找到足夠多用于訓(xùn)練的時間序列即地質(zhì)模型樣本對。試驗前通過正演模擬計算的方法事先準(zhǔn)備了540組訓(xùn)練數(shù)據(jù)，把其中70%的樣本對作為訓(xùn)練集，15%的數(shù)據(jù)作為驗證集，以評價預(yù)測模型的泛化能力，而把剩余的數(shù)據(jù)作為測試集。接下來，學(xué)生可以打開Python中的Spyder集成開發(fā)環(huán)境，輸入下面的語句完成數(shù)據(jù)導(dǎo)入并歸一化處理。

import os

import pandas as pd

z=np.arange（0，200，0.5）+0.5#建立深度網(wǎng)格

vptotal =pd.read_csv（'vp'）#導(dǎo)入訓(xùn)練集數(shù)據(jù)

tstotal=pd.read_csv（'ts）

import keras # keras是基于tensorflow的高級API

from keras import regularizers#導(dǎo)入函數(shù)模塊

fromsklearn.preprocessing import MinMaxScaler

data_in=tstotal

y=vptotal

min_max_scaler_x = MinMaxScaler（）

min_max_scaler_x.fit（data_in）

x = min_max_scaler_x.transform（data_in）

然后再將數(shù)據(jù)切分為訓(xùn)練集、驗證集和測試集：

fromsklearn.model_selection import train_test_split

x_train， x_test， y_train， y_test = train_test_split（x， y， test_size=0.3， random_state=33）

x_val， x_test， y_val， y_test = train_test_split（x_test， y_test， test_size=0.5， random_state=33）

2）構(gòu)建網(wǎng)絡(luò)。人工智能深度學(xué)習(xí)有多種方法，試驗中采用keras庫中的BP神經(jīng)網(wǎng)絡(luò)模型進行訓(xùn)練[16]，設(shè)置訓(xùn)練層數(shù)為4，每層隱藏單元數(shù)不同，代碼如下。

model=keras.models.Sequential（）

model.add（keras.layers.Dense（1600，input_shape=（2001，）， activation='relu'， kernel_regularizer=regularizers.l2（0.01）， activity_regularizer=regularizers.l1（0.01）））

model.add（keras.layers.Dense（1000，input_shape=（1600，）， activation='relu'， kernel_regularizer=regularizers.l2（0.01）， activity_regularizer=regularizers.l1（0.01）））

model.add（keras.layers.Dense（600，input_shape=（1000，）， activation='relu'， kernel_regularizer=regularizers.l2（0.01）， activity_regularizer=regularizers.l1（0.01）））

model.add（keras.layers.Dense（400））

3）訓(xùn)練、驗證及其泛化能力評估。為了在訓(xùn)練過程中同時監(jiān)控模型在前所未見的數(shù)據(jù)上的精度，同時利用預(yù)留的驗證集進行驗證，訓(xùn)練次數(shù)epochs=100，運行完成后，系統(tǒng)返回了一個History對象，里面包含了“l(fā)oss”和“val_loss”這2個字典值，記錄了訓(xùn)練損失和驗證損失，其可以用來評價預(yù)測模型的泛化能力，以下為對應(yīng)的訓(xùn)練和驗證代碼。

model.compile（optimizer='adam'，loss='mse'）

history = model.fit（x_train， y_train， epochs=100， validation_data = （x_val， y_val））

圖2為上述代碼執(zhí)行完成后生成的訓(xùn)練損失和驗證損失曲線。由圖可見，訓(xùn)練損失每輪迭代都在降低，但驗證損失并非如此，在第四輪達到最佳值，之后驗證損失增加或不變，這是出現(xiàn)過擬合的表示，經(jīng)過擬合之后的輪次，其預(yù)測模型無法泛化到前所未知的數(shù)據(jù)。

4）地震數(shù)據(jù)反演。訓(xùn)練好網(wǎng)絡(luò)之后，就可將預(yù)測模型應(yīng)用于野外采集的原始地震數(shù)據(jù)，其代碼為

y_hat=model.predict（x_test）

其中y_hat變量中保存了最終測試集上的學(xué)習(xí)結(jié)果，即需要反演的地質(zhì)模型。圖3為上述代碼生成的與測試集對應(yīng)的縱波速度與深度曲線，由圖可見，預(yù)測值與真實值具有良好的一致性。

四" 教學(xué)成效

通過近5年對我院環(huán)境地質(zhì)工程專業(yè)研究生的講授，學(xué)生反映強烈，效果良好。在人工智能與地球物理數(shù)據(jù)反演相結(jié)合的教學(xué)模式下，學(xué)生真正了解了地球物理探測技術(shù)的整套知識體系，以及傳統(tǒng)工程地質(zhì)調(diào)查中無法實施或難于實施的技術(shù)手段如何變通地利用地球物理探測技術(shù)來代替。通過本課程的學(xué)習(xí)，能夠讓學(xué)生明白各學(xué)科之間都存在著必然的聯(lián)系，“他山之石可以攻玉”，跨學(xué)科的交叉融合可以很好地解決巖土勘察工程出現(xiàn)的新技術(shù)、新問題。從而可以拓展學(xué)生的知識面，進而有效提高自身的創(chuàng)新意識。從就業(yè)角度來看，用人單位反饋近年畢業(yè)的學(xué)生能夠更快適應(yīng)工作環(huán)境，并能在新的復(fù)雜勘查需求中更好地提出問題解決的有效方案。

五" 結(jié)束語

學(xué)科交叉與融合是新工科建設(shè)的主要內(nèi)涵之一，是綜合學(xué)科優(yōu)勢，結(jié)合未來經(jīng)濟發(fā)展的需求和技術(shù)發(fā)展的趨勢，為人才培養(yǎng)和技術(shù)創(chuàng)新開辟新的發(fā)展路徑。本文以地球物理探測中地震反演問題為例，將計算機技術(shù)領(lǐng)域的人工智能與深度學(xué)習(xí)技術(shù)引入其中，采用理論授課與實驗教學(xué)相結(jié)合的手段，與時俱進的創(chuàng)新技術(shù)被引入到教學(xué)中，有效避開了繁雜的數(shù)學(xué)物理方程講解過程，使得相關(guān)知識點容易被學(xué)生接受，而且達到了環(huán)境地質(zhì)工程專業(yè)教學(xué)目標(biāo)的要求。相關(guān)教學(xué)方法手段不僅有利于提高學(xué)生認(rèn)識和解決新問題的能力，還有效拓展了知識面，培養(yǎng)了良好的創(chuàng)新能力。這既順應(yīng)新工科發(fā)展的時代要求，也將對學(xué)生全方位、高素質(zhì)的培養(yǎng)起到積極的作用，對具有跨學(xué)科性質(zhì)的相關(guān)專業(yè)教學(xué)提供了良好的借鑒。

參考文獻：

[1] 楊宗仁.“新工科”建設(shè)的理念內(nèi)涵及模式綜述[J].蘭州交通大學(xué)學(xué)報，2019，38（6）：132-136.

[2] 王頻，李寧，盧素梅，等.以綠色建筑創(chuàng)新實踐能力培養(yǎng)為核心發(fā)展方向的建筑類新工科專業(yè)建設(shè)探索[J].高教學(xué)刊，2022，8（5）：89-93.

[3] 南軍虎，張東，王燕，等.新工科背景下工科類專業(yè)基礎(chǔ)課教學(xué)創(chuàng)新策略及實踐——以流體力學(xué)課程為例[J].高教學(xué)刊，2022，8（2）：43-46.

[4] 羅勇，李詠梅，蒲成志.新工科背景下土木工程施工組織課程教學(xué)改革探討[J].高教學(xué)刊，2021，7（35）：18-21.

[5] 謝洪途，梁康，姜新橋，等.適應(yīng)新工科發(fā)展的電子技術(shù)實驗教學(xué)改革研究[J].高教學(xué)刊，2021，7（35）：116-119.

[6] 王元卓，于建業(yè).新工科背景下的大數(shù)據(jù)教學(xué)體系建設(shè)探析[J].大數(shù)據(jù)，2018（6）：9-18.

[7] 龔勝意，應(yīng)衛(wèi)平，馮軍.“新工科”專業(yè)建設(shè)的發(fā)展理路與未來走向[J].黑龍江高教研究，2020，38（4）：24-28.

[8] 張秋暉.地震波場正演與反演方法研究[D].北京：中國石油大學(xué)，2020.

[9] 楊曉春，李小凡，張美根.地震波反演方法研究的某些進展及其數(shù)學(xué)基礎(chǔ)[J].地球物理學(xué)進展，2001，16（44）：96-109.

[10] 胡小勇，孫碩，楊文杰，等.人工智能賦能教育高質(zhì)量發(fā)展：需求、愿景與路徑[J].現(xiàn)代教育技術(shù)，2022，32（1）：5-15.

[11] 李曉理，張博，王康，等.人工智能的發(fā)展及應(yīng)用[J].北京工業(yè)大學(xué)學(xué)報，2020，46（6）：583-590.

[12] 張淳杰.人工智能與深度學(xué)習(xí)[J].科技與創(chuàng)新，2019（13）：25-27.

[13] 王燕鵬，韓濤，趙亞娟，等.人工智能領(lǐng)域關(guān)鍵技術(shù)挖掘分析[J].世界科技研究與發(fā)展，2019，41（4）：12.

[14] 彭銘，王登一，劉鎏，等.基于機器學(xué)習(xí)和地震勘探的層狀地質(zhì)體智能識別研究[J].工程地質(zhì)學(xué)報，2020，28（S1）：230-236.

[15] 張巖，李新月，王斌，等.基于深度學(xué)習(xí)的魯棒地震數(shù)據(jù)去噪[J].石油地球物理勘探，2022，57（1）：15.

[16] CHOLLET F. Deep Learning with Python [M]. 2nd Edition USA：Manning Publications，2017.

基金項目：國家自然科學(xué)基金專項項目（科技活動項目）“科學(xué)傳播類：基于‘四位一體’的中小學(xué)實踐型海洋環(huán)境科普育人模式初探”（42142041）；中國高等教育學(xué)會理科教育委員會研究課題資助項目“適應(yīng)新時代需要的環(huán)境地球科學(xué)人才培養(yǎng)模式探索”（21ZSLKJYYB24）

第一作者簡介：孟慶生（1972-），男，漢族，山東武城人，博士，副教授，碩士研究生導(dǎo)師。研究方向為環(huán)境地質(zhì)與地球物理學(xué)方面的教學(xué)和研究。

*通信作者：樊玉清（1973-），女，漢族，吉林洮南人，碩士，高級實驗師。研究方向為土壤污染與修復(fù)方面的教學(xué)和研究。