Un método de inversión de anomalías magnéticas que integra el módulo de atención de bloques convolucionales y restricciones de consistencia física

Resumen

Para abordar los desafíos de la no linealidad y la no unicidad en la inversión de anomalías magnéticas, este estudio integra el módulo CBAM con restricciones de consistencia física para proponer un método novedoso de inversión con alta precisión y estabilidad, apoyando así las prácticas de exploración geológica.

Resumen

La inversión de anomalías magnéticas desempeña un papel vital en la exploración geológica e identificación de estructuras subterráneas; Sin embargo, su inherente no linealidad y no singularidad siguen siendo desafíos importantes. Para mejorar la precisión de la inversión y la interpretabilidad del modelo, este estudio propone un método de inversión por anomalía magnética que integra el Módulo de Atención de Bloques Convolucionales (CBAM) con restricciones de consistencia física. Construido sobre una arquitectura de red neuronal convolucional, el método incorpora el módulo CBAM para mejorar la atención de la red a canales críticos y regiones espaciales, mejorando así la delimitación de límites y la reconstrucción estructural. Simultáneamente, un término de consistencia física basado en la matriz kernel de modelado directo se incrusta en la función de pérdida por error cuadrático medio para hacer cumplir la conformidad entre los resultados predichos y las leyes físicas. Extensos experimentos de inversión utilizando datos sintéticos y de campo de zonas mineras demuestran que el método propuesto supera a los modelos convencionales de CNN en términos de localización de anomalías, reconstrucción morfológica y estimación de parámetros de magnetización. Los resultados ponen de manifiesto la superior precisión y estabilidad del método, ofreciendo un nuevo enfoque eficiente y fiable para la inversión de anomalías magnéticas.

Introducción

La inversión de anomalías magnéticas es una técnica crítica en el campo de la exploración geofísica, desempeñando un papel significativo en la revelación de estructuras geológicas subterráneas, la prospección de recursos minerales y la predicción de riesgos^{geológicos 1}. A lo largo de los años, numerosos investigadores han propuesto una variedad de métodos para la inversión de anomalías magnéticas, enriqueciendo continuamente tanto los fundamentos teóricos como las metodologías prácticas en este ámbito.

En estudios anteriores, se aplicaron varios algoritmos de optimización a la invers....

Protocolo

Modelado frontal e inverso de anomalías magnéticas
La modelización frontal e inversa de anomalías magnéticas sirve como base teórica fundamental en la exploración geofísica, ampliamente aplicada a la identificación de estructuras subterráneas y a la prospección de recursos. La modelización directa se basa en modelos geológicos subterráneos conocidos y utiliza leyes físicas para calcular las respuestas de anomalías magnéticas en puntos de observación, enfatizando la derivación de resultados a partir de causas conocidas. En cambio, la modelización inversa parte de datos observados de anomalías magnéticas e infiere lo....

Resultados

Experimentos de simulación

Resultados de inversión en el conjunto de pruebas
El modelo se entrena primero en el conjunto de entrenamiento y luego se evalúa en el conjunto de prueba, durante el cual se guardan los resultados de predicción en dicho conjunto. Para acelerar la convergencia de la red, se configuran los hiperparámetros apropiados, como se detalla en la Tabla 3. Tras múltiples iteraciones de entre.......

Discusión

Este estudio propone un método de inversión de anomalías magnéticas que integra el Módulo de Atención de Bloques Convolucionales (CBAM) con restricciones de consistencia física para abordar eficazmente los desafíos comunes de la no linealidad y la no unicidad en la inversión geofísica. Al incorporar CBAM, la red puede enfocarse de forma adaptativa en canales críticos y regiones espaciales, mejorando así significativamente la precisión de la resolución y reconstrucción de los límites para.......

Materiales

Lista de materiales utilizados en este artículo

Nombre	Empresa	Número de catálogo	Comentarios
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