为解决磁异常反演中的非线性和非唯一性难题，本研究将CBAM模块与物理一致性约束相结合，提出一种具有高精度和高稳定性的新型反演方法，从而为地质勘探实践提供支持。
需要JoVE订阅才能观看此内容。 请登录或开始免费试用
本文内容
摘要
摘要
磁异常反演在地质勘探和地下结构识别中起着至关重要的作用，但其固有的非线性和非唯一性仍是重大挑战。为提高反演精度和模型可解释性，本研究提出一种融合卷积块注意力模块（CBAM）与物理一致性约束的磁异常反演方法。该方法基于卷积神经网络架构，引入CBAM模块以增强网络对关键通道和空间区域的关注，从而改善边界刻画和结构重建效果。同时，将基于正演建模核矩阵的物理一致性项嵌入均方误差损失函数中，以确保预测结果符合物理规律。通过对合成数据及矿区实测数据进行大量反演实验表明，该方法在异常定位、形态重建和磁化参数估计方面均优于传统卷积神经网络模型。结果凸显了该方法在精度和稳定性上的优势，为磁异常反演提供了一种高效且可靠的新途径。
引言
磁异常反演是地球物理勘探领域中的一项关键技术，在揭示地下地质结构、矿产资源勘查以及地质灾害预测方面发挥着重要作用1。多年来，众多研究人员提出了多种磁异常反演方法，不断丰富了该领域的理论基础与实践技术体系。
在早期研究中，多种优化算法被应用于磁异常反演。例如，已开发出一种受岩性约束的蚁群优化方法，用于处理地表和井中磁测数据2；同时，采用一种极快的模拟退火算法对与半无限垂直杆状结构相关的磁异常进行反演3。与此同时，基于正则化的反演方法也获得了广泛关注和进展。经典的Occam反演算法4可从电磁测深数据中生成平滑模型。此外，还提出了聚焦型地球物理反演成像方法5，以及基于准线性近似的电磁反演方法6。已有研究提出了结合最小梯度支撑约束和稳定泛函的三维电磁反演方法7,8。此外，针对重力及重力梯度数据的紧凑型和平滑型反演技术极大地拓展了反演方法体系9,10。关于三维磁异常反演，....
访问受限。请登录或开始试用以查看此内容。
方案
磁异常正演与反演建模
磁异常正演与反演建模是地球物理勘探中的基本理论基础，广泛应用于地下结构识别与资源勘探。正演建模基于已知的地下地质模型，利用物理定律计算观测点处的磁异常响应，强调从已知成因推导结果。相比之下，反演建模则从观测到的磁异常数据出发，推断产生这些异常的地下模型参数，如磁化强度分布或构造几何形态。由于地球物理场具有非线性和病态特征，反演问题常存在解的非唯一性和不稳定性，因此需要引入约束条件或先验信息以获得稳定的解。正演与反演建模共同构成了磁异常解释的理论基础，在模型构建与数据解释中起核心作用。正演与反演建模的具体流程如图1所示。
图1：正演与反演建模过程的示意图。 本图展示了磁异常正演与反演建模的核心工作流程。在正演过程中，以已知的地下地质模....
访问受限。请登录或开始试用以查看此内容。
结果
模拟实验
测试集上的反演结果
模型首先在训练集上进行训练，然后在测试集上进行评估，并在此过程中保存测试集上的预测结果。为了加速网络收敛，设置了适当的超参数，具体如表3所示。经过多次训练迭代后，损失曲线在约第1900个训练轮次趋于稳定；因此，总训练轮次设定为2000。测试集上的反演结果如图3所示。
| 参数 | 数值 |
| 训练集 : 测试集 | 8 : 2 |
| 优化器 |
访问受限。请登录或开始试用以查看此内容。
讨论
本研究提出了一种融合卷积块注意力模块（Convolutional Block Attention Module, CBAM）与物理一致性约束的磁异常反演方法，以有效应对地球物理反演中常见的非线性和多解性难题。通过引入CBAM，网络能够自适应地关注关键通道和空间区域，从而显著提升对复杂地下结构的边界分辨率和重建精度，缓解传统基于卷积神经网络（CNN）的反演方法中常见的边界模糊和结构失真等问题。同时，将基于正演建模核矩阵的物理一致性项嵌入均方误差损失函数中，确保模型输出符合物理规律，提升反演结果的可解释性与可靠性，实现数据驱动学习与基于物理先验信息的有机融合。实验结果表明，所提出的方法在异常定位、形态重建和磁化参数估计方面均优于传统CNN模型，即使在含噪声和复杂地质条件下仍保持高精度与强鲁棒性。该方法为深度学习与地球物理反演的融合提供了新视角，推动了结合数据驱动建模与物理约束的智能反演方法的发展，提升了地下结构识别与参数恢复的精确性与可靠性。然而，该方法仍存在一定局限性：网络性能在一定程度上依赖于训练数据的代表性和质量，且注意力机制与物理约束的引入增加了计算复杂度。具体而言，CBAM与物理一致性约束提高了训练与推理的开销，训练时间比传统CN.......
访问受限。请登录或开始试用以查看此内容。
披露
所有作者确认不存在任何竞争性经济利益（包括但不限于资助项目、专利、咨询费、股票持有）或其他可能不当影响本研究结果或解释的个人、专业或机构利益冲突。
致谢
本研究由承德市可持续发展项目资助 "基于知识图谱的大学生就业系统研究与应用" （项目编号：202305B032）以及承德市科学技术局项目（项目编号：202501A038 和 202305B032）。
....访问受限。请登录或开始试用以查看此内容。
材料
| 姓名 | 公司 | 目录编号 | 评论 |
|---|---|---|---|
| Anaconda3 | Anaconda | https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/ | |
| MATLAB 2016b | MathWorks | https://www.mathworks.com/ | |
| Python3.7 | Python.org | https://www.python.org/downloads/release/python-370/ | |
| TensorFlow2.0 | 谷歌 | https://tensorflow.google.cn/install | |
| Windows10 | 微软 | https://www.microsoft.com/zh-cn/software-download/windows10 |
参考文献
- 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.
访问受限。请登录或开始试用以查看此内容。