Аннотация:При решении обратных нелинейных задач геофизики в последние годы эффективно применяютсянейросетевые (НС) методы [Оборнев и др., 2020], которые основаны на аппроксимацииприближенного обратного оператора задачи с помощью многослойной нейронной сети – НСаппроксиматора. Оптимизационные задачи построения (обучения) НС аппроксиматора и оценкипогрешности получаемых приближенных решений обратной задачи решаются с использованиемметодов группы Монте-Карло (Шимелевич и др., 2018). Для этого рассчитываются множестварешений прямых задач (порядка нескольких тысяч) для различных векторов параметров среды,которые изменяются случайным образом в максимально широком диапазоне их изменения (с учетомреальных свойств пород), и на их основе определяются оценки решений указанныхоптимизационных задач. Проводится анализ структуры обучающей выборки для построенияаппроксиматора.Существенное влияние на итоговый НС аппроксиматор оказывает учёт дополнительнойинформации о среде, полученный в лабораторных условиях и основанный на связи междуплотностью и удельным электрическим сопротивлением метаморфических и магматических пород,характерной для изучаемого региона (Муравина, Пономаренко, 2020). На основе этих данныхкорректируется (сужается) расчётное множество априорных ограничений решаемой обратнойзадачи, что приводит к уменьшению практической неоднозначности получаемых решений(Shimelevich et al., 2021). На основе этих данных с помощью прямого оператора задачи, строится«банк решений» – множество известных опорных моделей прямых и обратных задач в заданномклассе сред. Такой банк решений используется при построении (обучении) специализированного(территориального) НС аппроксиматора (нейросетевой палетки), применяемого к полевым данным,получаемым методом магнитотеллурического зондирования.Анализируется случайная величина расстояний между точками по всему банку решений, котораяхарактеризует степень равномерности и плотности заполнения (представительности) обучающегомножества. Исследуются вопросы сходимости и устойчивости получаемых оценок при увеличенииобъема выборки. Приводятся численные примеры, иллюстрирующие работу алгоритмов намодельных и полевых данных для задач геоэлектрики.