Eine magnetische Anomalie-Inversionsmethode, die konvolutionale Block-Aufmerksamkeitsmodul- und physikalische Konsistenzbedingungen integriert

Summary

Um die Herausforderungen der Nichtlinearität und Nicht-Einzigartigkeit bei der magnetischen Anomalieinversion zu adressieren, integriert diese Studie das CBAM-Modul mit physikalischen Konsistenzvorgaben, um eine neuartige Inversionsmethode mit hoher Genauigkeit und Stabilität vorzuschlagen und somit geologische Explorationspraktiken zu unterstützen.

Abstract

Die magnetische Anomalie-Inversion spielt eine entscheidende Rolle bei der geologischen Erkundung und der Identifikation von unterirdischen Strukturen; seine inhärente Nichtlinearität und Nicht-Einzigartigkeit bleiben jedoch erhebliche Herausforderungen. Um die Inversionsgenauigkeit und Modellinterpretierbarkeit zu verbessern, schlägt diese Studie eine magnetische Anomalieinversionsmethode vor, die das Convolutional Block Attention Module (CBAM) mit physikalischen Konsistenzbedingungen integriert. Die Methode basiert auf einer konfaltionellen neuronalen Netzarchitektur und integriert das CBAM-Modul, um die Aufmerksamkeit des Netzwerks auf kritische Kanäle und räumliche Bereiche zu erhöhen und so die Grenzzeichnung und die strukturelle Rekonstruktion zu verbessern. Gleichzeitig wird ein physikalischer Konsistenzterm basierend auf der Vorwärtsmodellierungs-Kernelmatrix in die mittlere quadratische Fehlerverlustfunktion eingebettet, um die Konformität zwischen den vorhergesagten Ergebnissen und den physikalischen Gesetzen zu gewährleisten. Umfangreiche Inversionsexperimente mit sowohl synthetischen als auch Felddaten aus Bergbaugebieten zeigen, dass die vorgeschlagene Methode konventionelle CNN-Modelle hinsichtlich Anomalielokalisierung, Morphologierekonstruktion und Magnetisierungsparameterschätzung übertrifft. Die Ergebnisse unterstreichen die überlegene Genauigkeit und Stabilität der Methode und bieten einen effizienten und zuverlässigen neuen Ansatz zur magnetischen Anomalie-Inversion.

Introduction

Die magnetische Anomalie-Inversion ist eine entscheidende Technik im Bereich der geophysikalischen Exploration, die eine bedeutende Rolle bei der Aufdeckung unterirdischer geologischer Strukturen, der Mineralressourcenprospektion und der Vorhersage geologischer Gefahren^{spielt 1}. Im Laufe der Jahre haben zahlreiche Forscher verschiedene Methoden zur magnetischen Anomalie-Inversion vorgeschlagen und sowohl die theoretischen Grundlagen als auch die praktischen Methoden in diesem Bereich kontinuierlich bereichert.

In früheren Studien wurden verschiedene Optimierungsalgorithmen auf die ma....

Protocol

Vorwärts- und inverse Modellierung der magnetischen Anomalie
Magnetische Anomalie-Vorwärts- und Inversmodellierung bildet eine grundlegende theoretische Grundlage in der geophysikalischen Exploration und wird weit verbreitet für die Identifikation von Untergrundstrukturen und die Ressourcensuche eingesetzt. Die Vorwärtsmodellierung basiert auf bekannten unterirdischen geologischen Modellen und nutzt physikalische Gesetze, um die magnetischen Anomaliereaktionen an Beobachtungspunkten zu berechnen, wobei die Herleitung von Ergebnissen aus bekannten Ursachen betont wird. Im Gegensatz dazu beginnt die inverse Modellier....

Results

Simulationsexperimente

Inversionsergebnisse im Testsatz
Das Modell wird zunächst auf dem Trainingssatz trainiert und anschließend auf dem Testsatz ausgewertet, wobei die Vorhersageergebnisse des Testsatzes gespeichert werden. Um die Netzwerkkonvergenz zu beschleunigen, werden geeignete Hyperparameter konfiguriert, wie in Tabelle 3 beschrieben. Nach mehreren Trainingiterationen stabilisiert sich die Verlustk.......

Discussion

Diese Studie schlägt eine magnetische Anomalie-Inversionsmethode vor, die das Convolutional Block Attention Module (CBAM) mit physikalischen Konsistenzbeschränkungen integriert, um die häufigen Herausforderungen von Nichtlinearität und Nicht-Einzigartigkeit bei geophysikalischer Inversion effektiv zu adressieren. Durch die Integration von CBAM kann das Netzwerk adaptiv auf kritische Kanäle und räumliche Bereiche fokussieren, wodurch die Grenzauflösung und Rekonstruktionsgenauigkeit kompl.......

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
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	Google	https://tensorflow.google.cn/install
Windows10	Microsoft	https://www.microsoft.com/zh-cn/software-download/windows10