瞬变电磁一维反演方法存在耗时长、参数难以调控、过于依赖初始模型等缺陷。为此，提出一种基于注意力机制的卷积-双向长短时记忆神经网络（AC-BiLSTM）瞬变电磁实时反演方法，充分利用时间差，在非观测时间进行模型训练，在观测时间对当下采集数据进行实时反演。整个过程中，以实测数据加入一定比例正演数据作为数据集，以监督学习方式将采样时间-视电阻率作为输入特征，以测井约束的Occam反演结果作为学习目标，基于卷积神经网络和长短期记忆神经网络搭建编码器-解码器模型，并针对数据特性，在解码器部分加入注意力机制对隐藏层输出数据进行重点提取，最后经全连接层获得深度-电阻率数据。研究结果表明：AC-BiLSTM算法能充分挖掘数据时空特性，快速获得符合地层电性特征的电阻率成像结果，在瞬变电磁正演数据集上的预测值与正演模型拟合优度达0.898、平均误差18.44、平均相对误差0.065，与单一长短期记忆神经网络及Occam方法相比，拟合优度分别提高了0.086、0.176，平均误差分别减小了2.97、9.32，平均相对误差分别减小了0.012、0.068；通过对V8电法工作站实测瞬变电磁数据的AC-BiLSTM反演，快速实现了研究区地层的精准分层、圈定了煤矿采空区分布范围，获得成果与真实情况一致。

古瑶,解海军,周子鹏,李璐.基于Attention机制的CNN-BiLSTM瞬变电磁实时反演方法[J/OL].煤田地质与勘探:1-10[2023-06-29].http://kns.cnki.net/kcms/detail/61.1155.P.20230626.2144.002.html