طريقة انقلاب الشذوذ المغناطيسي تدمج وحدة الانتباه الكتلية الالفافية وقيود الاتساق الفيزيائي

Hao Wang; Zhaohui Tang; Xing Qi; Dongyu Zhang; Cancan Zhao

doi:10.3791/69539

Research Article

طريقة انقلاب الشذوذ المغناطيسي تدمج وحدة الانتباه الكتلية الالفافية وقيود الاتساق الفيزيائي

DOI:

10.3791/69539

⸱

March 3rd, 2026

Hao Wang¹ , Zhaohui Tang¹ , Xing Qi² , Dongyu Zhang¹ , Cancan Zhao³

¹Chengde Vocational and Technical College, ²School of Information Engineering, Hebei GEO University, ³Hebei University of Science and Technology

Summary

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

لمعالجة تحديات اللاخطية وعدم التفرد في انعكاس الشذوذ المغناطيسي، تدمج هذه الدراسة وحدة CBAM مع قيود الاتساق الفيزيائي لاقتراح طريقة انقلاب جديدة بدقة واستقرار عاليين، مما يدعم ممارسات الاستكشاف الجيولوجي.

Abstract

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

يلعب انقلاب الشذوذ المغناطيسي دورا حيويا في الاستكشاف الجيولوجي وتحديد الهياكل تحت السطحية؛ ومع ذلك، لا تزال لاخطيته المتأصلة وعدم تفردها تحديات كبيرة. لتحسين دقة الانعكاس وقابلية تفسير النموذج، تقترح هذه الدراسة طريقة انقلاب الشذوذ المغناطيسي التي تدمج وحدة الانتباه الكتل الالفافية (CBAM) مع قيود الاتساق الفيزيائي. مبنية على بنية شبكة عصبية الالتفافية، تدمج الطريقة وحدة CBAM لتعزيز انتباه الشبكة للقنوات الحرجة والمناطق المكانية، مما يحسن تحديد الحدود وإعادة بناء الهيكل. في الوقت نفسه، يتم تضمين مصطلح اتساق فيزيائي يعتمد على مصفوفة نواة النمذجة الأمامية في دالة متوسط تربيع فقدان الخطأ لفرض التوافق بين النتائج المتوقعة والقوانين الفيزيائية. تظهر تجارب الانعكاس المكثفة باستخدام بيانات تركيبية وميدانية من مناطق التعدين أن الطريقة المقترحة تتفوق على نماذج CNN التقليدية من حيث تحديد مواقع الشذوذ، وإعادة بناء الشكل، وتقدير معلمات المغنطة. تبرز النتائج الدقة والاستقرار الفائق للطريقة، مقدمة نهجا جديدا فعالا وموثوقا لعكس الشذوذ المغناطيسي.

Introduction

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

يعد انقلاب الشذوذ المغناطيسي تقنية حاسمة في مجال الاستكشاف الجيوفيزيائي، ويلعب دورا مهما في كشف البنى الجيولوجية تحت السطحية، والتنقيب عن الموارد المعدنية، والتنبؤ بالمخاطر^{الجيولوجية 1}. على مر السنين، اقترح العديد من الباحثين مجموعة متنوعة من الطرق لعكس الشذوذ المغناطيسي، مما أثرى باستمرار الأسس النظرية والمنهجيات العملية في هذا المجال.

في دراسات سابقة، تم تطبيق خوارزميات تحسين مختلفة على عكس الشذوذ المغناطيسي. على سبيل المثال، تم تطوير طريقة تحسين مستعمرة النمل مقيدة بعلم الحجر لمعالجة بيانات السطح والآبار المغناطيسية²؛ تم استخدام خوارزمية تلدين محاكاة سريعة جدا لعكس الشذوذات المغناطيسية المرتبطة بهياكل شبه العمودية شبه اللانهائية^{الشبيهة بالقضبان 3}. في الوقت نفسه، حظيت طرق الانعكاس القائمة على التنظيم باهتمام وتقدم كبيرين. خوارزمية انقلاب أوكام^{الكلاسيكية 4} تولد نماذج ناعمة من بيانات القياس الكهرومغناطيسي. بالإضافة إلى ذلك، تم إدخال التصوير الجيوفيزيائي المركز للانقلاب⁵، إلى جانب الانعكاس الكهرومغناطيسي القائم على تقريب شبه خطي⁶. كما^{تم اقتراح} طرق انعكاس كهرومغناطيسي ثلاثية الأبعاد تتضمن قيود دعم التدرج الأدنى ووظائف التثبيت ^7,8. علاوة على ذلك، وسعت تقنيات الانعكاس المدمجة والناعمة التي تستهدف بيانات الجاذبية وتدرج الجاذبية بشكل كبير إطار منهجية الانعكاس ^9,10. فيما يتعلق بالعكس المغناطيسي ثلاثي الأبعاد، اقترحت عدة دراسات استراتيجيات انقلاب ثلاثية الأبعاد مختلفة 11,12,13، والتي دفعت تطور المجال. في السنوات الأخيرة، ومع ظهور الذكاء الاصطناعي، تم تطبيق طرق التعلم العميق بشكل متزايد على عكس الشذوذ المغناطيسي. على سبيل المثال، تم استخدام الشبكات العصبية الالتفافية لعكس بيانات الجاذبية والمغناطيسية المشتركة¹⁴، وتم اعتماد الشبكات المتبقية العميقة للانعكاس ثلاثي الأبعاد للجاذبية والبيانات المغناطيسية¹⁵، مما فتح آفاقا جديدة للبحث.

علاوة على ذلك، استخدمت دراسة حالة في منطقة شريف كندي في إيران قيود الضغط في انعكاس البيانات المغناطيسية ثلاثية الأبعاد، مما دمج بشكل فعال الميزات الهيكلية الجيولوجية لتحسين موثوقية نتائج الانعكاس^{الجيولوجية 16}. على الرغم من التركيز بشكل أساسي على بيانات المقاومة، توفر الدراسات حول التغيرات الزمنية لهياكل المقاومة البركانية رؤى قيمة حول طرق الانعكاس متعددة المستويات الزمنية التي يمكن أن توجه انعكاس الشذوذ المغناطيسي الديناميكي.

على الرغم من التنوع المتزايد في طرق الانعكاس، لا تزال التطبيقات العملية تواجه العديد من التحديات. تؤثر دقة تصحيح التضاريس تحت ظروف طبوغرافية معقدة بشكل مباشر على موثوقية نتائج الانعكاس؛ تتداخل البيانات المغناطيسية عالية الضوضاء مع تقارب الخوارزميات، مما يؤدي إلى نماذج متحيزة؛ وتراكب الشذوذات المغناطيسية متعددة المصادر يعقد فصل الإشارات الشاذة. بالإضافة إلى ذلك، لا تزال الموازنة بين الكفاءة الحسابية ودقة الانعكاس، بالإضافة إلى دمج البيانات الجيولوجية والجيوفيزيائية متعددة المصادر بفعالية للتخفيف من عدم التفرد، تحديات حرجة تتطلب المزيد من البحث¹⁷.

لذلك، تقترح هذه الدراسة طريقة انعكاس الشذوذ المغناطيسي التي تدمج وحدة الانتباه الكتلية الالفافية (CBAM) مع قيود الاتساق الفيزيائي، بهدف تعزيز قدرة النموذج على التقاط الميزات الهيكلية تحت السطحية المعقدة وضمان المعقولية الفيزيائية لنتائج الانعكاس. من خلال دمج CBAM، يتم تعزيز اهتمام الشبكة بالميزات المكانية والقناة المهمة، مما يحسن استخراج الميزات متعددة المستويات والدمج بشكل فعال. في الوقت نفسه، يضمن تضمين قيود الاتساق الفيزيائي أن عملية الانعكاس تلتزم بالقوانين الجيوفيزيائية الأساسية، مما يعزز استقرار وموثوقية الانعكاس. لا تقمع هذه الطريقة بشكل فعال الآثار السلبية لتداخل الضوضاء وخلط الإشارات متعددة المصادر، بل توازن أيضا بين دقة الانعكاس والكفاءة الحسابية، مما يوفر رؤى وأدوات جديدة لتطوير تقنيات انعكاس الشذوذ المغناطيسي ذات القيمة النظرية الكبيرة وآفاق تطبيقية هندسية واسعة.

Access restricted. Please log in or start a trial to view this content.

Protocol

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

النمذجة الأمامية والعكسية للشذوذ المغناطيسي
تعد النمذجة المضافة للأمام والعكسية أساسا نظريا أساسيا في الاستكشاف الجيوفيزيائي، وتطبق على نطاق واسع في تحديد الهياكل تحت السطح والتنقيب عن الموارد. تعتمد النمذجة المتقدمة على نماذج جيولوجية تحت السطح معروفة وتستخدم قوانين فيزيائية لحساب استجابات الشذوذ المغناطيسي عند نقاط الملاحظة، مع التركيز على اشتقاق النتائج من أسباب معروفة. على النقيض من ذلك، يبدأ النمذجة العكسية من بيانات الشذوذ المغناطيسي المرصودة ويستنتج معلمات النموذج تحت السطح التي تنتج هذه الشذوذات، مثل توزيع المغنطة أو الهندسة الهيكلية. نظرا لعدم الخطية والطبيعة غير المتوازنة للحقول الجيوفيزيائية، غالبا ما تعاني المشاكل العكسية من عدم التفرد وعدم الاستقرار، مما يتطلب دمج قيود أو معلومات مسبقة لتحقيق حلول مستقرة. تشكل النمذجة الأمامية والعكسية معا الأساس النظري لتفسير الشذوذات المغناطيسية، وتلعب دورا مركزيا في بناء النماذج وتفسير البيانات. يتم توضيح العملية المحددة للنمذجة الأمامية والعكسية في الشكل 1.

figure-protocol-1
الشكل 1: مخطط تخطيطي لعمليات النمذجة الأمامية والعكسية. توضح هذه الهيئة سير العمل الأساسي للنمذجة المغناطيسية للأمام والعكس. في العملية الأمامية، يستخدم نموذج جيولوجي تحت السطح معروف كمدخل، ويتم اشتقاق بيانات الشذوذ المغناطيسي في نقاط المراقبة بناء على القوانين الفيزيائية. في العملية العكسية، يتم إدخال بيانات الشذوذ المغناطيسي المرصود إلى شبكة عصبية الالتفافية (CNN) لاستنتاج معلمات النموذج تحت السطح مثل توزيع المغنطة والهندسة الهيكلية. يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.

النمذجة الأمامية
يستخدم النمذجة الأمامية للشذوذ المغناطيسي بشكل أساسي لحساب استجابة النماذج تحت السطحية ضمن مجال مغناطيسي. تعتمد هذه العملية على التوزيع المفترض للمغنطة داخل الأجسام الجيولوجية وتستخرج بيانات الشذوذ المغناطيسي عند السطح أو نقاط المراقبة الأخرى من خلال المعادلات الفيزيائية. في النمذجة الأمامية، تتوافق بيانات الشذوذ المغناطيسي مع شدة المغنطة. من خلال مقارنة النتائج المحاكاة مع نموذج البنية التحتية الفعلية، يمكن تقييم عقلانية النمذجة الأمامية، مما يساعد بدوره على تحسين خوارزميات الانعكاس. يتم توضيح منطقة الملاحظة لنمذجة الشذوذات المغناطيسية في الشكل 2.

figure-protocol-2
الشكل 2: مخطط تخطيطي لمحاكاة الشذوذ المغناطيسي للأمام. يعرض هذا الشكل التخطيط المكاني لمنطقة الملاحظة المستخدمة في النمذجة الأمامية للشذوذ المغناطيسي. يتم تحديد المستوى الأفقي واتجاه المحور X، وينقسم المجال تحت السطح إلى عدة وحدات جيولوجية مستطيلة. "النقطة P" تمثل موقع مراقبة سطحية. يوفر هذا المخطط شرحا بصريا للعلاقة الفيزيائية المكانية بين خلايا الشبكة ونقاط المراقبة، مما يدعم التفسير النظري لمعادلة النمذجة الأمامية. يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.

ينقسم الفضاء تحت السطحي إلى عدة أجسام جيولوجية مربعة، حيث تمثل النقطة P نقطة مراقبة سطحية. تصف معادلة النمذجة الأمامية للشذوذات المغناطيسية العلاقة بين شدة المغنطة للأجسام الجيولوجية والشذوذ المغناطيسي المرصود، كما هو موضح في المعادلة (1):

figure-protocol-3 (1)

هنا، تشير F إلى الشذوذ المغناطيسي، والذي يمثل عادة كمتجه عمود يحتوي على قيم من نقاط مراقبة متعددة. G_i هي مصفوفة نواة الشذوذ المغناطيسي، حيث يمثل كل عنصر مساهمة خلية الشبكة رقم i في المجال المغناطيسي عند نقطة الملاحظة. K_i هو القابلية المغناطيسية لخلية الشبكة i، وM_i هو شدة المغنطة الخاصة بها. يعتمد حساب مصفوفة النواة عموما على العلاقة المكانية بين نقاط الملاحظة وكل خلية شبكة. نهج شائع الاستخدام يعتمد على نموذج ثنائي القطب المغناطيسي، كما هو موضح في المعادلة (2):

figure-protocol-4 (2)

هنا، يمثل G_ij مساهمة المجال المغناطيسي من خلية الشبكة j إلى نقطة الملاحظة i. μ تشير إلى النفاذية المغناطيسية للفضاء الحر. r_j هو متجه المسافة من خلية الشبكة j إلى نقطة الملاحظة i، و | ر_ج| هو مقدار تلك المسافة.

إعداد البيانات
في هذه الدراسة، تم ترتيب 101 نقطة مراقبة خطيا على طول خط مسح واحد على السطح، مع تباعد منتظم يبلغ 10 أمتار وارتفاع رصد 0.3 متر. تم تقسيم السطح السفلي إلى شبكة بحجم 20 × 40، حيث يبلغ طول كل خلية 25 متر × 25 مترا، وتم ضبط زوايا الميل والميل المغناطيسية على 90° و60° على التوالي. لمحاكاة الهياكل الجيولوجية المختلفة، تم بناء ثلاثة أنواع من النماذج الاصطناعية تحت السطحية، جميعها مبنية على شبكة 20 × 40 المذكورة سابقا. تم تعيين القيم بشكل متسلسل من اليسار إلى اليمين (الأعمدة 1→40) ومن الأعلى إلى الأسفل (الصفوف 1→20): النموذج العادي يتكون من 3 × 3 أجسام شذوذ مستطيلة (مثل الأعمدة 10-12، الصفوف 5-7) مع مغنطة ثابتة 5 أمبير/م أو 10 أمبير/متر؛ احتوى النموذج المركب على جسمين شبه منحرفين بأحجام مختلفة (مثلا، شبه منحرف كبير في الأعمدة 8-15، الصفوف 4-8، وشبه منحرف صغير في الأعمدة 20-25، والصفوف 6-9) مع مغناطيسيات 5 أمبير/م أو 10 أمبير/م؛ تم إنشاء النموذج العشوائي عن طريق اختيار خلية مركزية (مثل العمود 20، الصف 10) وأداء مشي عشوائي على الأعمدة والصفوف لإنشاء منطقة شذوذ تضم 13-16 خلية متجاورة، مع مغنطة إجمالية تبلغ 5 أمبير/م أو 10 أمبير/م. تم تحديد خمسة عشر وعشرين واثنين وثلاثين هيكل أساسي للنماذج العادية والمعقدة والعشوائية على التوالي، مما أدى إلى ما مجموعه 15 × 60 + 20 × 60 + 32 × 60 = 4020 عينة تدريب. تم تعيين قيم لكل نموذج بشكل متسلسل، وتم توليد بيانات الشذوذ المغناطيسي المقابلة له عبر النمذجة الأمامية. تم تقسيم مجموعة البيانات الناتجة إلى مجموعات تدريب واختبار بنسبة 8:2، والتي استخدمت لتدريب الشبكة وتقييم الأداء على التوالي. يتم توضيح إعداد النمذجة الأمامية المحدد في الجدول 1.

النموذج	حجم النموذج
النموذج العادي	3×6، 4×4
النموذج المركب	double8×4، شبه منحرف مزدوج
النموذج العشوائي	حجم الخطوة 13، 16 نموذج عشوائي

الجدول 1: إعداد النموذج.

بنية الشبكة
تقترح هذه الدراسة نموذج انعكاس الشذوذ المغناطيسي من طرف إلى طرف تم إنشاؤه باستخدام شبكة عصبية الالتفافية أحادية البعد (1D-CNN). يستلهم التصميم المعماري من نموذج "التكديس الالتفافي العميق" لشبكات VGG، ويتم تعزيزه أكثر بآلية انتباه متكاملة. الهدف هو تحقيق رسم خرائط فعال ودقيق من إشارات الشذوذ المغناطيسي أحادي البعد إلى توزيع المغنطة تحت السطحية ثنائي الأبعاد. تتكون الشبكة الكلية من خمسة مكونات رئيسية: تكييف الإدخال والبيانات، العمود الفقري لاستخراج الميزات، وحدات الانتباه CBAM، تسطيح الميزات، والطبقات المتصلة بالكامل.

طبقة الإدخال وتكييف البيانات
تستقبل طبقة الإدخال بيانات الشذوذ المغناطيسي أحادي البعد، مع تحديد أبعادها بدقة من خلال تكوين الملاحظة. في إعداد المسح التركيبي، يتم نشر 101 نقطة مراقبة على السطح بمسافة 10 أمتار وارتفاع 0.3 متر. وبناء عليه، يعرف بعد الإدخال بأنه 1 × 101، حيث تمثل القناة الواحدة 101 سعة شذوذ مغناطيسي تتوافق مع نقاط الرصد.

في معالجة البيانات المسبقة، تضاف 10٪ ضوضاء بيضاء غاوسية لمحاكاة اضطرابات رصدية واقعية. ثم يتم تطبيع الإشارات إلى نطاق [0, 1] باستخدام مقياس الحد الأدنى-الأقصى. هذا التطبيع يخفف من عدم الاتساق الأبعادي، ويثبت توزيع البيانات أثناء التدريب، ويمنع تحديثات المعلمات المتحيزة الناتجة عن اختلافات في المقاتلة.

العمود الفقري لاستخراج الميزات
يتكون العمود الفقري لاستخراج الميزات من 14 طبقة منظمة حول وحدات متكررة "Conv1d + BatchNorm + ReLU''، متداخلة مع عمليات تجميع قصوى لتقليل الأبعاد ودمج الميزات متعددة المقاييس. يتم تقسيم العمود الفقري إلى أربع مراحل مع عمق قناة متزايد تدريجيا.

المرحلة الأولى (استخراج الميزات الأساسية)
تشمل هذه المرحلة ثلاث طبقات (الطبقة 1-الطبقة 3)، مما ينتج خرائط ميزات ب 64 قناة.

الطبقة 1: طبقة Conv1d بحجم النواة 3 (القنوات 1→64)، تليها تطبيع دفعات وReLU. حجم الإدخال: 1×101; الإنتاج: 64 × 101.

الطبقة الثانية: نفس التكوين (64→64).

الطبقة 3: MaxPooling1d بحجم النواة 2، تقليل طول الميزات من 101 إلى 50، مما ينتج 64×50 خريطة ميزة.

المرحلة الثانية (استخراج الميزات متوسطة النطاق)
تحتوي هذه المرحلة على أربع طبقات (الطبقة 4-الطبقة 7)، وتخرج 128 قناة.

الطبقة 4-الطبقة 5: طبقات Conv1d تزيد القنوات من 64 إلى 128؛ حجم الإخراج: 128 × 50.

الطبقة 6: وحدة CBAM (انظر القسم 3).

الطبقة 7: MaxPooling1d يقلل طول الميزات إلى 25، مما يعطي 128 × 25 خريطة.

المرحلة الثالثة (تمثيل الميزات المعقدة)
تحتوي هذه المرحلة أيضا على أربع طبقات (الطبقة 8-الطبقة 11)، تنتج 256 قناة.

الطبقة 8-الطبقة 9: طبقات Conv1d تزيد القنوات من 128 إلى 256، المخرج: 256 × 25.

الطبقة 10: وحدة CBAM ثانية.

الطبقة 11: يقلل MaxPooling1d الطول إلى 12، مما يولد 256 × 12 خريطة.

المرحلة الرابعة (تحسين الخصائص العميقة)
تشمل هذه المرحلة ثلاث طبقات (الطبقة 12-الطبقة 14)، وتخرج 512 قناة.

الطبقة 12-الطبقة 13: طبقات Conv1d تزيد القنوات من 256 إلى 512.

الطبقة 14: التجميع النهائي يقلل طول الميزة من 12 إلى 6، مما ينتج تمثيل الميزات العميق 512 × 6.

وحدات الانتباه في CBAM
يتم تضمين وحدة الانتباه الكتلي الالتفافي (CBAM) بشكل استراتيجي بعد مرحلة القناة ذات ال128 قناة (الطبقة 6) والمرحلة ذات ال256 قناة (الطبقة 10). يعزز قدرة الشبكة على التركيز على الميزات الرئيسية المتعلقة بالشذوذ عبر آليات الانتباه القناة والمكانية.

وحدة الانتباه الفرعية للقناة
يتم تطبيق التجميع الأقصى العالمي والتجميع المتوسط العالمي على خريطة ميزات الإدخال لإنتاج موسفين للقنوات أحاديي البعد. بعد الترابط، تمر الواصفات عبر طبقة متصلة بالكامل تحتوي على 32 عصبية عصبية (تفعيل ReLU)، تليها طبقة أخرى متصلة بالكامل تخرج أوزان الانتباه على القناة. تقوم هذه الأوزان بتعديل ميزات الإدخال عبر الضرب العنصري، مما يضخم القنوات التي تساهم بشكل كبير في انقلاب الشذوذ المغناطيسي.

وحدة الانتباه المكاني الفرعية
بالنسبة لخريطة الميزات المنقحة بالقناة، يتم إجراء تجميع متوسط على قناة على حدة، يليه التفاف أحادي البعد بحجم النواة 3 لتوليد أوزان الانتباه المكاني. يمكن الضرب على مستوى العناصر باستخدام خريطة ميزات الإدخال النموذج من التركيز بشكل انتقائي على المناطق المكانية ذات الصلة بالشذوذات المغناطيسية مع كبح الضوضاء بشكل فعال.

تتميز بطبقات مسطحة ومتصلة بالكامل
تقوم هذه الوحدة بربط الميزات العميقة المستخرجة إلى مجال التنبؤ النهائي.

تسطيح الميزات (الطبقة 15): يحول خريطة الميزات 512×6 إلى متجه ميزات بأبعاد 3,072.

الطبقة الأولى المتصلة بالكامل (الطبقة 16): تتكون من 1,024 عصيا عصبية مع تفعيل ReLU وتنظيم الانسحاب للتخفيف من الإفراط في التوافق. تدمج هذه الطبقة الميزات عالية المستوى وتعرضها في فضاء انحدار موجه نحو المغنطة.

طبقة الإخراج (الطبقة 17): تحتوي على 800 عصبون يتوافق مع شبكة تحت السطح المتقطعة 20×40. يخرج متجه بأبعاد 800 يمثل شدة المغنطة المقدرة لكل خلية شبكة، وبذلك يكمل رسم الانعكاس من طرف إلى طرف.

معايير التدريب الفائقة
لضمان التدريب المستقر والأمثل، تستخدم المعلمات الفائقة التالية: محسن آدم بمعدل تعلم ابتدائي 0.001؛ حجم الدفعة 32؛ وإجمالي 2000 فترة تدريب. يتم تهيئة معلمات الوزن لجميع الطبقات Conv1d والمتصلة بالكامل باستخدام التوزيع الطبيعي للهيلين، ويتم تهيئة جميع مصطلحات التحيز إلى الصفر.

معلمات الشبكة التفصيلية مدرجة في الجدول 2.

الطبقة	نوع العملية	حجم الإدخال	حجم الإخراج	حجم النواة/الحوض	القنوات (داخل→خارج)
1	Conv1d + BatchNorm + ReLU	1×101	64×101	3	1 → 64
2	Conv1d + BatchNorm + ReLU	64×101	64×101	3	64 → 64
3	MaxPooling1d	64×101	64×50	2
4	Conv1d + BatchNorm + ReLU	64×50	128×50	3	64 → 128
5	Conv1d + BatchNorm + ReLU	128×50	128×50	3	128 → 128
6	وحدة CBAM	128×50	128×50
7	MaxPooling1d	128×50	128×25	2
8	Conv1d + BatchNorm + ReLU	128×25	256×25	3	128 → 256
9	Conv1d + BatchNorm + ReLU	256×25	256×25	3	256 → 256
10	وحدة CBAM	256×25	256×25
11	MaxPooling1d	256×25	256×12
12	Conv1d + BatchNorm + ReLU	256×12	512×12	3	256 → 512
13	Conv1d + BatchNorm + ReLU	512×12	512×12	3	512 → 512
14	MaxPooling1d	512×12	512×6
15	تسطيح	512×6	3072×1
16	متصل بالكامل + ReLU + انسحاب	3072×1	1024×1		3072 → 1024
17	متصل بالكامل (المخرج)	1024×1	800×1		1024 → 800

الجدول 2: تكوين بنية الشبكة.

دالة الخسارة
تكمن جوهر انقلاب الشذوذ المغناطيسي في "استنتاج النموذج تحت السطحي (السبب) من البيانات المرصودة (التأثير)." ومع ذلك، فإن هذه العملية بطبيعتها غير خطية وغير فريدة. وبالتالي، قد تنتج الشبكة المدربة فقط من خلال خسائر ملاءمة البيانات التقليدية نماذج مغنطة قريبة عدديا من الحقيقة الأرضية لكنها غير معقولة فيزيائيا. لمعالجة هذه المسألة، تم تصميم دالة الخسارة في هذه الدراسة لتحقيق هدفين في الوقت نفسه: (1) ضمان التوافق العددي بين معلمات المغنطة المتوقعة والحقيقية (ملاءمة البيانات)، و(2) فرض الاتساق الفيزيائي بحيث تلتزم النتائج المتوقعة بالقوانين الحاكمة للنمذجة المغناطيسية الأمامية (قيد الفيزياء).

وبناء عليه، فإن دالة الخسارة تتكون صراحة من مكونين:

مصطلح اختلاط البيانات: يستخدم مصطلح متوسط مربع الخطأ (MSE) لقياس التفاوت بين معلمات المغنطة الحقيقية والمتوقعة تحت السطحية، مما يضمن القدرة الأساسية على ملاءمة البيانات للشبكة.

مصطلح قيد الاتساق الفيزيائي: مشتق من نمذجة الثنائية القطب المغناطيسية للأمام، يقيس هذا المصطلح الفرق بين الشذوذ المغناطيسي النظري الناتج عن المغنطة المتوقعة والشذوذ المغناطيسي المرصود. يضمن أن النموذج المتوقع يلتزم بالمبادئ الجيوفيزيائية.

يتم دمج المكونين من خلال التكامل الموزون لتشكيل الخسارة الكلية، مما يخلق حلقة مغلقة من "ملاءمة البيانات + التحقق الفيزيائي" وتجنب فعليا السلبيات المرتبطة باستخدام مصطلح خسارة واحد.

متوسط فقدان الخطأ التربيعي
تقيس خسارة MSE الفارق بين توقعات النموذج وقيم الحقيقة الأرضية. يحسب متوسط الفروق المربعة بين القيم المتوقعة والحقيقية، ويحدد الخطأ في كل مهمة تنبؤ. لكل فرع (شذوذ الجاذبية والشذوذ المغناطيسي)، يتم حساب خسارة MSE بشكل منفصل، لتمثل خطأ النموذج في تلك المهمة المحددة. يعبر عن دالة خسائر الخطأ التربيعي المتوسط كالمعادلة (3):

figure-protocol-5 (3)

فقدان القيود القائم على الفيزياء
لمنع انعكاس الشذوذات المغناطيسية من إنتاج نتائج "قريبة عدديا من القيم الحقيقية لكنها غير قابلة للتنفيذ فيزيائيا" عند الاعتماد فقط على MSE، تقدم هذه الدراسة قيد اتساق الفيزياء بناء على نموذج ثنائي القطب المغناطيسي في دالة الفقد. يتم رسم معلمات المغنطة تحت السطحية المتوقعة عبر مصفوفة النواة الأمامية لحساب الشذوذات النظرية المغناطيسية المقابلة، والتي تتم مقارنتها بالبيانات المرصودة لتقييم المعقولية الفيزيائية لنتائج الانعكاس مباشرة. هذا القيد يعاقب فعليا التنبؤات التي، رغم قربها العددي من القيم الحقيقية، تفشل في إعادة إنتاج الشذوذات المرصودة عند نمذجة النماذج الأمامية، مما يوجه الشبكة لتعلم الخرائط المتسقة فيزيائية من "التمغنط تحت السطح → الشذوذات المغناطيسية السطحية." لتحسين الدقة العددية والاتساق الفيزيائي معا، تجمع دالة الخسارة الكلية بين فقدان بيانات MSE وقيد الفيزياء-الاتساق بطريقة موزونة، مما يضمن أن النموذج لا يقلل فقط من الفرق بين قيم المغنطة المتوقعة والحقيقية، بل ينتج أيضا مخرجات متوافقة فيزيائيا مع الملاحظات. من خلال هذه الآلية المتكاملة، يلعب قيد الاتساق الفيزيائي دورا حاسما في كبح تأثيرات الضوضاء، والتخفيف من مشاكل عدم التفرد، وتعزيز استقرار الانعكاس والتعميم، وفي النهاية ضمان أن تكون توزيعات المغنطة المتوقعة سليمة من الناحية الجيوفيزيائية وقابلة للتطبيق عمليا. تعبر دالة فقدان القيود القائمة على الفيزياء على النحو التالي: المعادلة (4):

figure-protocol-6 (4)

دالة الخسارة النهائية هي مجموع موزون لدوال الخسارة للشذوذ الجاذبي والمغناطيسي، حيث تتكون كل دالة خسارة من خسارة MSE وخسارة القيود القائمة على الفيزياء. تعبر دالة الخسارة الكلية على النحو التالي: المعادلة (5):

figure-protocol-7 (5)

هنا، يشير yl_true إلى بيانات الشذوذ المغناطيسي الحقيقي، وpred_l يمثل الشذوذ المغناطيسي المتوقع للنموذج، _وA هي مصفوفة نواة المجال المغناطيسي.

Access restricted. Please log in or start a trial to view this content.

Results

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

تجارب المحاكاة

نتائج الانعكاس على مجموعة الاختبار
يتم تدريب النموذج أولا على مجموعة التدريب ثم يتم تقييمه على مجموعة الاختبار، وخلال ذلك يتم حفظ نتائج التنبؤ على مجموعة الاختبار. لتسريع تقارب الشبكة، يتم تكوين المعلمات الفائقة المناسبة، كما هو موضح في الجدول 3. بعد عدة تكرارات تدريبية، يستقر منحنى الخسارة حوالي العصر 1900؛ لذلك، تم تحديد العدد الإجمالي لفترات التدريب إلى 2000. تظهر نتائج الانعكاس على مجموعة...

Access restricted. Please log in or start a trial to view this content.

Discussion

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

تقترح هذه الدراسة طريقة انعكاس الشذوذ المغناطيسي تدمج وحدة الانتباه الكتلية الالفافية (CBAM) مع قيود الاتساق الفيزيائي لمعالجة التحديات الشائعة لللاخطية وعدم التفرد في الانعكاس الجيوفيزيائي. من خلال دمج CBAM، يمكن للشبكة التركيز بشكل تكيفي على القنوات الحرجة والمناطق المكانية، مما يحسن بشكل كبير دقة دقة الحدود وإعادة البناء للهياكل المعقدة تحت السطح ويخفف من مشاكل مثل ضبابية الحدود والتشوه الهيكلي التي تواجهها عادة في العكس القائم على شبكات العصب الالفافية التقليدية (CNN). وفي الوقت نفسه...

Access restricted. Please log in or start a trial to view this content.

Disclosures

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

يؤكد جميع المؤلفين أنه لا توجد مصالح مالية متنافسة (بما في ذلك، وليس حصرا، المنح أو البراءات أو رسوم الاستشارات أو حيازة الأسهم) أو أي تضارب مصالح شخصي أو مهني أو مؤسسي قد يؤثر بشكل غير مناسب على نتائج أو تفسير هذه الدراسة.

Acknowledgements

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

تم تمويل هذا البحث من قبل مشروع التنمية المستدامة في مدينة تشنغده "البحث وتطبيق نظام توظيف طلاب الجامعات المعتمد على الرسوم البيانية المعرفية" (رقم المشروع 202305B032) ومشاريع من مكتب العلوم والتكنولوجيا في تشنغده (أرقام المشاريع 202501A038 و202305B032).

Access restricted. Please log in or start a trial to view this content.

Materials

List of materials used in this article
Name	Company	Catalog Number
أناكوندا3	أناكوندا	https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/
MATLAB 2016b	ماث ووركس	https://www.mathworks.com/
بايثون 3.7	Python.org	https://www.python.org/downloads/release/python-370/
TensorFlow2.0	جوجل	https://tensorflow.google.cn/install
ويندوز 10	مايكروسوفت	https://www.microsoft.com/zh-cn/software-download/windows10

References

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Liu, S., et al. Ant colony optimisation inversion of surface and borehole magnetic data under lithological constraints. J Appl Geophys. 112, 115-128 (2015).
Biswas, A., Acharya, T. A very fast simulated annealing method for inversion of magnetic anomaly over semi-infinite vertical rod-type structure. Model Earth Syst Environ. 2 (4), 1-10 (2016).
Constable, S. C., Parker, R. L., Constable, C. G. Occam's inversion: A practical algorithm for generating smooth models from electromagnetic sounding data. Geophysics. 52 (3), 289-300 (1987).
Portniaguine, O., Zhdanov, M. S. Focusing geophysical inversion images. Geophysics. 64 (3), 874-887 (1999).
Zhdanov, M. S., Fang, S., Hursán, G. Electromagnetic inversion using quasi-linear approximation. Geophysics. 65 (5), 1501-1513 (2000).
Zhang, L., Koyama, T., Utada, H., Yu, P., Wang, J. A regularized three-dimensional magnetotelluric inversion with a minimum gradient support constraint. Geophys J Int. 189 (1), 296-316 (2012).
Xiang, Y., Yu, P., Zhang, L., Feng, S., Utada, H. Regularized magnetotelluric inversion based on a minimum support gradient stabilizing functional. Earth Planets Space. 69 (1), 158(2017).
Last, B., Kubik, K. Compact gravity inversion. Geophysics. 48 (6), 713-721 (1983).
Chen, Z., Zhang, X., Chen, Z. Combined compact and smooth inversion for gravity and gravity gradiometry data. IEEE Trans Geosci Remote Sens. 60, 1-10 (2021).
Nazari, H., Esmailzadeh, M., Hajizadeh, F., Joulidehsar, F. Three-dimensional inversion of magnetic data using compaction constraint: A case study-Sharif Kandi, West Iran. Arab J Geosci. 14 (14), 1391(2021).
Utsugi, M. 3-D inversion of magnetic data based on the L1-L2 norm regularization. Earth Planets Space. 71 (1), 73(2019).
Li, Y., Oldenburg, D. W. 3-D inversion of magnetic data. Geophysics. 61 (2), 394-408 (1996).
Pilkington, M. 3-D magnetic imaging using conjugate gradients. Geophysics. 62 (4), 1132-1142 (1997).
Minami, T., Utsugi, M., Utada, H., Kagiyama, T., Inoue, H. Temporal variation in the resistivity structure of the first Nakadake crater, Aso volcano, Japan, during the magmatic eruptions from November 2014 to May 2015, as inferred by the active electromagnetic monitoring system. Earth Planets Space. 70 (1), 138(2018).
Bai, Z., et al. Joint gravity and magnetic inversion using CNNs' deep learning. Remote Sens. 16 (7), 1115(2024).
Gao, M., Wang, J., Li, S. 3D inversion of gravity and magnetic data using deep residual networks. IEEE Trans Geosci Remote Sens. 58 (9), 6554-6566 (2020).
Hubbert, M. K. Entrapment of petroleum under hydrodynamic conditions. AAPG Bull. 37 (8), 1954-2026 (1953).
Liu, S., Hu, X., Liu, T. A stochastic inversion method for potential field data: Ant colony optimization. Pure Appl Geophys. 171 (7), 1531-1555 (2014).
Dao, T., Fu, D., Ermon, S., Rudra, A., Ré, C. FlashAttention: Fast and memory-efficient exact attention with IO-awareness. Adv Neural Inf Process Syst. 35, 16344-16359 (2022).
Goodfellow, I., et al. Generative adversarial networks. Commun ACM. 63 (11), 139-144 (2020).

Access restricted. Please log in or start a trial to view this content.

Reprints and Permissions

Request permission to reuse the text or figures of this JoVE article

Request Permission

طريقة انقلاب الشذوذ المغناطيسي تدمج وحدة الانتباه الكتلية الالفافية وقيود الاتساق الفيزيائي

In This Article

Summary

Abstract

Introduction

Protocol

Results

Discussion

Disclosures

Acknowledgements

Materials

References

Reprints and Permissions

Tags

Related Articles