基于交叉驗(yàn)證的地震多屬性概率神經(jīng)網(wǎng)絡(luò)(PNN)反演在識(shí)別熱瓦普地區(qū)火成巖中的應(yīng)用

謝會(huì)文，許永忠，鄭多明，高宏亮，李國(guó)會(huì)，葉茂林，王雙雙

(1.中國(guó)石油天然氣股份有限公司塔里木油田分公司勘探開(kāi)發(fā)研究院，新疆 庫(kù)爾勒 841000；2.中國(guó)礦業(yè)大學(xué)資源與地球科學(xué)學(xué)院，江蘇 徐州 221116；3.中國(guó)科學(xué)院地質(zhì)與地球物理研究所油氣資源研究重點(diǎn)實(shí)驗(yàn)室，北京 100029)

基于交叉驗(yàn)證的地震多屬性概率神經(jīng)網(wǎng)絡(luò)(PNN)反演在識(shí)別熱瓦普地區(qū)火成巖中的應(yīng)用

謝會(huì)文1，許永忠2，3，鄭多明1，高宏亮1，李國(guó)會(huì)1，葉茂林1，王雙雙2

(1.中國(guó)石油天然氣股份有限公司塔里木油田分公司勘探開(kāi)發(fā)研究院，新疆 庫(kù)爾勒 841000；2.中國(guó)礦業(yè)大學(xué)資源與地球科學(xué)學(xué)院，江蘇 徐州 221116；3.中國(guó)科學(xué)院地質(zhì)與地球物理研究所油氣資源研究重點(diǎn)實(shí)驗(yàn)室，北京 100029)

新疆塔北地區(qū)發(fā)育巨厚二疊系火成巖，速度差異較大，而且火山噴發(fā)模式難確定，給其下伏低幅度碎屑巖圈閉和巖性圈閉落實(shí)帶來(lái)困難。本文對(duì)二疊系火成巖利用概率神經(jīng)網(wǎng)絡(luò)反演等方法進(jìn)行精細(xì)的速度場(chǎng)研究。概率神經(jīng)網(wǎng)絡(luò)反演是一種典型的非線性反演方法，相比于稀疏脈沖反演，在地震反演過(guò)程的非線性問(wèn)題，具有更好的分辨率。通過(guò)逐步回歸和交叉驗(yàn)證優(yōu)選使驗(yàn)證誤差最小的屬性組合，使反演結(jié)果與測(cè)井屬性有更好的相關(guān)性。建立的速度場(chǎng)經(jīng)驗(yàn)證，更符合火成巖分布與速度變化規(guī)律。

PNN神經(jīng)網(wǎng)絡(luò)反演；交叉驗(yàn)證；巖性識(shí)別；火成巖

地震反演技術(shù)是巖性地震勘探中十分重要的手段之一，它在油氣地震勘探中已經(jīng)作為一種成熟的技術(shù)被廣泛應(yīng)用，非線性反演作為研究熱門也越來(lái)越被更多的實(shí)際生產(chǎn)中[1-4]。夏步余等應(yīng)用層位標(biāo)定、地震屬性描述及測(cè)井約束反演等地震技術(shù)，對(duì)火成巖分布規(guī)律進(jìn)行了深入研究[5]。張傳林應(yīng)用波阻抗反演技術(shù)來(lái)預(yù)測(cè)火成巖的厚度[6]。石勝群等應(yīng)用測(cè)井約束反演方法對(duì)火成巖進(jìn)行識(shí)別，預(yù)測(cè)火成巖的厚度與孔隙度[7]。楊曉蘭等采用曲線重構(gòu)反演預(yù)測(cè)了蘇北盆地海安凹陷四灶地區(qū)阜寧組火成巖儲(chǔ)層[8]。范洪軍等應(yīng)用波阻抗反演及地震屬性聚類分析方法，預(yù)測(cè)了火成巖的噴發(fā)期次和平面分布形態(tài)[9]。

PNN神經(jīng)網(wǎng)絡(luò)反演方法突破了常規(guī)地震反演方法的限制，主要表現(xiàn)在以下幾個(gè)方面：①直接得到測(cè)井屬性而不是波阻抗，和從反演的波阻抗信息中得到的屬性是有區(qū)別的；②參與預(yù)測(cè)的是從地震數(shù)據(jù)中得到的屬性信息而不是常規(guī)的疊后地震數(shù)據(jù)，且地震屬性包括疊前數(shù)據(jù)或者疊后數(shù)據(jù)的非線性轉(zhuǎn)換，從而提高了預(yù)測(cè)能力；③通過(guò)對(duì)井位處的數(shù)據(jù)進(jìn)行訓(xùn)練，尋找測(cè)井?dāng)?shù)據(jù)和地震數(shù)據(jù)之間的統(tǒng)計(jì)學(xué)關(guān)系，而不是假設(shè)某一特定的地質(zhì)模型，且這種關(guān)系可以是線性的或者非線性的；④應(yīng)用交叉驗(yàn)證的思想來(lái)檢驗(yàn)二者關(guān)系的可靠性[10]。

1 反演原理

基于交叉驗(yàn)證的PNN神經(jīng)網(wǎng)絡(luò)反演是用地震數(shù)據(jù)體中的屬性信息直接預(yù)測(cè)井?dāng)?shù)據(jù)的一種方法。在數(shù)據(jù)分析之前，可對(duì)測(cè)井?dāng)?shù)據(jù)進(jìn)行帶通濾波，以提高測(cè)井?dāng)?shù)據(jù)與地震數(shù)據(jù)的匹配程度。采用逐步回歸法將屬性的預(yù)測(cè)效果排序，借助交叉驗(yàn)證的思想確定褶積因子，參與運(yùn)算的地震屬性的類型和個(gè)數(shù)，并通過(guò)概率神經(jīng)網(wǎng)絡(luò)方法，建立多種地震屬性與測(cè)井值之間的關(guān)系。將預(yù)測(cè)結(jié)果用于全區(qū)可得到火成巖速度體[11-13]。

1.1 概率神經(jīng)網(wǎng)絡(luò)

概率神經(jīng)網(wǎng)絡(luò)(Probabilistic Neural Network，簡(jiǎn)稱PNN)是一種利用神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)來(lái)完成數(shù)學(xué)上擬合的方法。其所使用的訓(xùn)練數(shù)據(jù)包括一系列不同類型的屬性值(訓(xùn)練樣本)，訓(xùn)練樣本的表示方法如式(1)所示。

(1)

式中，A為屬性，每種屬性有 個(gè)采樣點(diǎn)，即 個(gè)樣本值， 是每個(gè)采樣點(diǎn)的實(shí)際測(cè)井值。

概率神經(jīng)網(wǎng)絡(luò)方法假設(shè)每一個(gè)輸出的新的測(cè)井值都可以看成訓(xùn)練樣本中測(cè)井值的線性組合。數(shù)據(jù)樣本的屬性值可以寫成式(2)。

(2)

新的測(cè)井值可通過(guò)式(3)、式(4)來(lái)估算。

(3)

(4)

1.2 逐步回歸法確定屬性類型

用于預(yù)測(cè)的屬性類型是反演過(guò)程中相當(dāng)重要的環(huán)節(jié),采用逐步回歸法確定類型。假設(shè)最優(yōu)的種屬性的組合已知，那么種屬性的組合就是在這種屬性的基礎(chǔ)上再尋找一種屬性，并重新計(jì)算權(quán)重。首先用窮舉法找出最優(yōu)的某一種屬性：對(duì)每一種屬性(比如振幅加權(quán)相位、平均頻率、視極性等)，解出最優(yōu)系數(shù)并計(jì)算預(yù)測(cè)誤差，選擇誤差最小的屬性作為第一種屬性，從剩余屬性中尋找第二種屬性，使二者組合對(duì)的預(yù)測(cè)誤差最小，并以此類推。但逐步回歸法不能確保最終獲得的解是最優(yōu)的，每加入的屬性，預(yù)測(cè)誤差小于或等于之前的預(yù)測(cè)誤差，一般的多屬性轉(zhuǎn)換可定義為一組不同類型的屬性組合，按一定的規(guī)則，轉(zhuǎn)化為期望的測(cè)井值。

1.3 交叉驗(yàn)證

每一種屬性都對(duì)應(yīng)一個(gè)權(quán)重，由于測(cè)井?dāng)?shù)據(jù)的采樣間隔要遠(yuǎn)遠(yuǎn)小于地震數(shù)據(jù)的采樣間隔，而地震屬性的采樣間隔和地震數(shù)據(jù)的采樣間隔一致，所以實(shí)際測(cè)井?dāng)?shù)據(jù)的頻率要比地震屬性的頻率高得多，因此單純地將實(shí)際測(cè)井值和屬性值點(diǎn)對(duì)點(diǎn)地關(guān)聯(lián)起來(lái)是不恰當(dāng)?shù)?，忽略了測(cè)井?dāng)?shù)據(jù)很多的變化細(xì)節(jié)?？杉僭O(shè)目標(biāo)測(cè)井值的每一個(gè)采樣點(diǎn)與地震屬性一組相鄰的采樣點(diǎn)是有一定關(guān)系的。

以三種屬性為例，對(duì)每一個(gè)采樣點(diǎn)，目標(biāo)測(cè)井值通過(guò)下面的式子計(jì)算得出L(t)為預(yù)測(cè)的采樣點(diǎn)處的測(cè)井值，w為各井的權(quán)重值，A(t)為采樣點(diǎn)處的屬性值，計(jì)算過(guò)程見(jiàn)式(5)。

(5)

利用逐步回歸確定屬性個(gè)數(shù)時(shí)，參與運(yùn)算的屬性越多，則預(yù)測(cè)誤差越小。當(dāng)使用較多的屬性時(shí)，預(yù)測(cè)數(shù)據(jù)與訓(xùn)練數(shù)據(jù)之間的吻合程度在不斷地增加，但是對(duì)于不包括在訓(xùn)練樣本內(nèi)的數(shù)據(jù)可能使效果變得差，導(dǎo)致過(guò)度訓(xùn)練[2]。

交叉驗(yàn)證用于預(yù)測(cè)的屬性個(gè)數(shù)。其原理是把整個(gè)訓(xùn)練數(shù)據(jù)分成兩部分，一部分是訓(xùn)練數(shù)據(jù)組，另一部分是驗(yàn)證數(shù)據(jù)組。選擇訓(xùn)練數(shù)據(jù)組來(lái)參與概率神經(jīng)網(wǎng)絡(luò)的運(yùn)算，得到擬合結(jié)果，而驗(yàn)證數(shù)據(jù)組代入擬合關(guān)系，計(jì)算最終的預(yù)測(cè)誤差。

2 應(yīng)用實(shí)例

2.1 工區(qū)概況

哈拉哈塘地區(qū)位于塔北隆起，東面是輪南低凸起，西面是英買力低凸起，南接滿加爾凹陷，北接輪臺(tái)低凸起。研究區(qū)奧陶系、石炭系砂礫巖油藏均有突破性發(fā)現(xiàn)，且多為低幅構(gòu)造，均有良好的油氣勘探前景。

工區(qū)二疊系火山熔巖主要為基性噴出的玄武巖和介于中性和酸性之間噴出的英安巖，以及過(guò)渡類型的凝灰質(zhì)英安巖，安山質(zhì)英安巖，局部出現(xiàn)少量的安山巖和流紋巖。火山活動(dòng)大致分為三個(gè)期次，第一期次巖性主要為凝灰?guī)r和碎屑巖，第二期次以玄武巖為主，第三期次以英安巖和英安質(zhì)凝灰?guī)r為主[3]。

2.2 反演屬性優(yōu)選

進(jìn)行地震反演前，進(jìn)行多屬性分析，要建立多種地震屬性與P波速度之間的關(guān)系。在這個(gè)過(guò)程中需要解決兩個(gè)問(wèn)題：①敏感屬性組合和褶積因子的選取，選取的每一種敏感屬性都應(yīng)該對(duì)應(yīng)一個(gè)權(quán)重，并且保證這些屬性組合起來(lái)的預(yù)測(cè)誤差最??；②確定參與運(yùn)算的屬性個(gè)數(shù)。

采用逐步回歸法選取屬性，在確定褶積因子和屬性個(gè)數(shù)后，將利用交叉驗(yàn)證的思想確定褶積長(zhǎng)度。先假定每個(gè)采樣點(diǎn)的數(shù)值由附近相鄰的10個(gè)采樣點(diǎn)來(lái)確定，總共參與運(yùn)算的屬性個(gè)數(shù)為8個(gè)。褶積因子的驗(yàn)證誤差如圖1所示，當(dāng)褶積長(zhǎng)度不超過(guò)9點(diǎn)時(shí)，隨著點(diǎn)數(shù)的增加，驗(yàn)證誤差逐漸降低，當(dāng)點(diǎn)數(shù)超過(guò)9個(gè)時(shí)，驗(yàn)證誤差不但沒(méi)有降低，反而誤差變差。選擇褶積長(zhǎng)度為9點(diǎn)。

圖2表示褶積長(zhǎng)度為9點(diǎn)，屬性個(gè)數(shù)為8時(shí)的預(yù)測(cè)誤差和驗(yàn)證誤差。從圖中可以看出，參與預(yù)測(cè)的屬性個(gè)數(shù)越多，預(yù)測(cè)誤差越小，但是驗(yàn)證誤差卻和

預(yù)測(cè)誤差的變化趨勢(shì)不同。當(dāng)屬性個(gè)數(shù)不超過(guò)5時(shí)，驗(yàn)證誤差隨著屬性個(gè)數(shù)的增加而降低，當(dāng)屬性個(gè)數(shù)為5時(shí)，驗(yàn)證誤差取最小值，當(dāng)屬性個(gè)數(shù)大于5時(shí)，驗(yàn)證誤差反而隨著屬性個(gè)數(shù)的增加而上升。即當(dāng)屬性個(gè)數(shù)大于5時(shí)，出現(xiàn)了過(guò)度訓(xùn)練，即訓(xùn)練的樣本增加，訓(xùn)練效果反而有所下降。因此，選擇前5種屬性用于預(yù)測(cè)。8種屬性及不同的屬性個(gè)數(shù)對(duì)應(yīng)的訓(xùn)練誤差和驗(yàn)證誤差見(jiàn)表1。

圖1 褶積因子的驗(yàn)證誤差

圖2 褶積因子為9時(shí)的預(yù)測(cè)誤差與驗(yàn)證誤差

表1 多屬性預(yù)測(cè)結(jié)果

屬性個(gè)數(shù)目標(biāo)最終屬性訓(xùn)練誤差預(yù)測(cè)誤差1P-wave(inversionimpedance)**2223.109442228.7252772P-waveCosineInstantaneousPhase212.251285218.4145923P-waveFilter45/50-55/60210.029851217.4380654P-waveFilter5/10-15/20208.090230217.4970735P-waveFilter25/30-35/40206.879246217.3671736P-waveApparentPolarity205.738557217.9803397P-waveFilter35/40-45/50205.203506219.0837428P-waveIntegratedAbsoluteAmplitude204.631039220.266730

3 誤差分析

建立多種屬性與測(cè)井信息之間的關(guān)系可通過(guò)概率神經(jīng)網(wǎng)絡(luò)分析。概率神經(jīng)網(wǎng)絡(luò)是一種非線性方法，它的預(yù)測(cè)精度要比線性回歸的預(yù)測(cè)精確度高，但是計(jì)算量比線性回歸大。圖3、圖4分別為多元線性回歸的預(yù)測(cè)結(jié)果和概率神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果。圖5為將速度誤差大于400m/s的RP1和RP12井剔除后，概率神經(jīng)網(wǎng)絡(luò)重新預(yù)測(cè)的結(jié)果，其中橫坐標(biāo)為實(shí)測(cè)的P波速度，縱坐標(biāo)為三種情況預(yù)測(cè)的P波速度。圖5中，線性關(guān)系較差的點(diǎn)表示將被刪除，即在

圖3 線性回歸預(yù)測(cè)結(jié)果與實(shí)測(cè)結(jié)果交會(huì)圖

圖4 概率神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果與實(shí)測(cè)結(jié)果交會(huì)圖

圖5 修改后概率神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果與實(shí)測(cè)結(jié)果交會(huì)圖

訓(xùn)練時(shí)不作為樣本數(shù)據(jù)，這些點(diǎn)的波阻抗值偏低，與其它點(diǎn)之間異常明顯。擬合斜線為預(yù)測(cè)結(jié)果與實(shí)測(cè)結(jié)果的之間的最佳擬合。

從表2中可以看出，相同的訓(xùn)練樣本數(shù)據(jù)，概率神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)誤差要比多元線性回歸的預(yù)測(cè)誤差小，相關(guān)度達(dá)到0.911，相應(yīng)的速度誤差也小。但是神經(jīng)網(wǎng)絡(luò)的交叉驗(yàn)證誤差比線性回歸的大。當(dāng)剔除誤差較大的井后，概率神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)精度進(jìn)一步提高，預(yù)測(cè)結(jié)果的相關(guān)度達(dá)到0.921，速度誤差反而降至147.047m/s。驗(yàn)證誤差也隨著減小。因此，將第三種情況得出的預(yù)測(cè)數(shù)據(jù)與實(shí)測(cè)數(shù)據(jù)的關(guān)系應(yīng)用于全區(qū)，通過(guò)神經(jīng)網(wǎng)絡(luò)反演得到的速度體。圖6、圖7分別為道號(hào)1659的神經(jīng)網(wǎng)絡(luò)反演速度剖面和約束稀疏脈沖反演速度剖面。從圖中明顯看出，神經(jīng)網(wǎng)絡(luò)反演得到的數(shù)據(jù)體的分辨率明顯高于稀疏脈沖反演，反演剖面中藍(lán)色的區(qū)域?yàn)楦咚賲^(qū)，稀疏脈沖反演的高速區(qū)內(nèi)部無(wú)明顯的細(xì)分，分辨率較差，其反演本質(zhì)仍為基于褶積模型的反演，受制于地震記錄頻帶以及子波等因素的影響。前者作為一種典型的非線性反演方法，在縱向分辨上，對(duì)于高速火成巖的刻畫較為細(xì)致，也更符合真實(shí)的地質(zhì)情況。

4 結(jié)論

概率神經(jīng)網(wǎng)絡(luò)及地震屬性反演方法是一種典型的非線性算法，采用逐步回歸法將屬性的預(yù)測(cè)效果排序，借助交叉驗(yàn)證的思想確定褶積因子、參與運(yùn)算的地震屬性的類型和個(gè)數(shù)，通過(guò)線性回歸分析和概率神經(jīng)網(wǎng)絡(luò)方法，建立多種地震屬性與測(cè)井值之間的關(guān)系，使概率神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果達(dá)到最優(yōu)。

表2 三種情況下的預(yù)測(cè)結(jié)果

圖6 1659道概率神經(jīng)網(wǎng)絡(luò)速度反演剖面

圖7 1659道約束稀疏脈沖速度反演剖面

相對(duì)于約束稀疏脈沖反演等傳統(tǒng)反演方法，概率神經(jīng)網(wǎng)絡(luò)反演具有更好的分辨率，能夠較好的逼近真實(shí)值，對(duì)工區(qū)內(nèi)的火成巖進(jìn)行有效的識(shí)別。將預(yù)測(cè)結(jié)果用于全區(qū)并得到火成巖速度體。該方法在該工區(qū)內(nèi)切實(shí)可行，有效的提高了火成巖的識(shí)別精度。

概率神經(jīng)網(wǎng)絡(luò)在井的數(shù)量上有一定的要求，而且屬性種類與個(gè)數(shù)的選擇與波阻抗值應(yīng)該具有較好的相關(guān)性，這是反演過(guò)程中需要充分考慮的，需要進(jìn)一步的深入研究。

[1] 曾富英，羅霞，肖紅平，等．松遼盆地深層火山巖體的地震綜合識(shí)別及預(yù)測(cè)[J]．勘探地球物理進(jìn)展，2009，32(4)：270-274．

[2] 冉啟全，周雪峰，胡永樂(lè)．基于神經(jīng)網(wǎng)絡(luò)的多屬性火成巖巖性反演技術(shù)[J]．西南石油學(xué)院學(xué)報(bào)，2006，28(1)：5-8．

[3] 張昆，劉永福，許永忠，等.基于D-S證據(jù)理論的多參數(shù)反演的火成巖識(shí)別-以塔里木哈拉哈塘地區(qū)為例[J].東北石油大學(xué)學(xué)報(bào)，2013,37(1):51-57.

[4] 湯浩哲，許永忠，劉永福，等.多屬性分析在哈拉哈塘斷裂及裂縫中的應(yīng)用[J].中國(guó)礦業(yè)，2013,22(4):51-54.

[5] 夏步余，諶廷姍．地震技術(shù)在火成巖發(fā)育區(qū)開(kāi)發(fā)中的應(yīng)用[J]．石油物探，2002，41(4)：461-465．

[6] 張傳林．塔里木盆地塔中地區(qū)火成巖體識(shí)別與預(yù)測(cè)技術(shù)[J]．石油實(shí)驗(yàn)地質(zhì)，2003，25(5)：513-516．

[7] 石勝群，楊德洲，張秀萍，等．蘇北海中地區(qū)火成巖儲(chǔ)層預(yù)測(cè)及其應(yīng)用[J]．沉積與特提斯地質(zhì)，2004，24(3)：108-112．

[8] 楊曉蘭，劉小平，趙錫橋．曲線重構(gòu)反演在火成巖儲(chǔ)層預(yù)測(cè)中的應(yīng)用[J]．西安石油大學(xué)學(xué)報(bào)：自然科學(xué)版，2007，22(6)：32-35．[9] 范洪軍，徐春雨，王云雷．歧口凹陷北部火成巖地震預(yù)測(cè)方法研究[J]．內(nèi)蒙古石油化工，2008(5)：124-126．

[10] YANG Haijun，LIU Yongfu，XIE Huiwen，et al.Integrative method in lithofacies characteristics and 3D velocity volume of the Permian igneous rocks in H area，Tarim Basin[J].International Journal of Mining Science and Technology，2013，23(2)：167-172.

[11] Xu Yongzhong,Yang Haijun，Liu Yongfu,et al.Application of seismic facies and attributes analysis on the identification of Permian igneous rock[J].International Journal of Mining Science and Technology，2012，22(4):471-475.

[12] XU Yongzhong，CHEN Tongjun，CHEN Shizhong，et al.Comparison between several seismic inversion methods and their application in mountainous coal fields of western China[J].International Journal of Mining Science and Technology,2010,20(4)：585-591.

[13] XU Yong-zhong,CUI Ruo-fei，HUANG Wei-chuan，et al.Reflectivity forward modeling and a CSSI method seismic inversion study of igneous intrusive area，coked area，and gas-enriched area located within a coal seam[J].Mining Science and Technology，2009,19(4)：57-462.

Multi-attribute probabilistic neural network inversion applicated in identifying igneous in RWP area based on cross-validation

XIE Hui-wen1，XU Yong-zhong2，3，ZHENG Duo-ming1，GAO Hong-liang1，LI Guo-hui1，YE Mao-lin1，WANG Shuang-shuang2

(1.Research Institute of Petroleum Exploration and Development，Tarim Oilfield Branch Company，China National Petroleum Corp，Korla 841000，China; 2.School of Resource and Earth Science，China University of Mining and Technology，Xuzhou 221116，China; 3.Key Laboratory of Petroleum Resource Research，Institute of Geology and Geophysics，Chinese Academy of Sciences，Beijing 100029，China)

There developed huge thick Permian Igneous in Tabei area of Xinjiang.The Permian igneous rocks with sharp variation of velocity，affects the process of oil and gas exploration seriously，and makes trap-confirming more difficult.For solving this problem，this paper use Probabilistic Neural Network inversion method to establish igneous velocity field.Compared with CSSI，PNN inversion is a typical nonlinear inversion with its high resolution.At first，a group of attributes was selected by using Stepwise regression and cross-validation for analyzing and error minimum，to make inversion results have better correlation with log properties.The inversion velocity field was testified to conform the distribution of igneous and velocity changes.

probabilistic neural network inversion;cross-validation;identifying-lithology;igneous rocks

2014-03-07

謝會(huì)文(1967-)，男，重慶萬(wàn)州人，高級(jí)工程師，礦產(chǎn)普查與勘探專業(yè)，現(xiàn)從事油氣勘探方面的研究工作。E-mail：xiehw-tlm@petrochina.com.cn。

許永忠(1969-)，男，福建莆田人，博士，副教授，從事地球物理勘探與反演方面的研究工作。E-mail：xuyongzhong2004@126.com

P361.4

A

1004-4051(2015)02-0154-05