Une méthode d’inversion d’anomalie magnétique intégrant les contraintes du module d’attention par bloc convolutif et la cohérence physique

Summary

Pour relever les défis de la non-linéarité et de la non-unicité dans l’inversion par anomalie magnétique, cette étude intègre le module CBAM avec des contraintes de cohérence physique afin de proposer une méthode d’inversion novatrice avec une grande précision et stabilité, soutenant ainsi les pratiques d’exploration géologique.

Abstract

L’inversion par anomalie magnétique joue un rôle vital dans l’exploration géologique et l’identification des structures souterraines ; Cependant, sa non-linéarité inhérente et son non-unicité restent des défis majeurs. Pour améliorer la précision de l’inversion et l’interprétabilité du modèle, cette étude propose une méthode d’inversion par anomalie magnétique qui intègre le Module d’Attention au Bloc Convolutionnel (CBAM) avec des contraintes de cohérence physique. Basée sur une architecture de réseau de neurones convolutionnels, la méthode intègre le module CBAM pour améliorer l’attention du réseau sur les canaux critiques et les régions spatiales, améliorant ainsi la délimitation des limites et la reconstruction structurelle. Simultanément, un terme de cohérence physique basé sur la matrice du noyau de modélisation directe est intégré dans la fonction de perte de l’erreur quadratique moyenne afin d’assurer la conformité entre les résultats prédicts et les lois physiques. Des expériences d’inversion approfondies utilisant à la fois des données synthétiques et de terrain provenant de zones minières démontrent que la méthode proposée surpasse les modèles CNN conventionnels en termes de localisation d’anomalies, de reconstruction morphologique et d’estimation des paramètres de magnétisation. Les résultats mettent en lumière la supériorité de la méthode avec précision et stabilité, offrant une nouvelle approche efficace et fiable de l’inversion par anomalie magnétique.

Introduction

L’inversion par anomalie magnétique est une technique cruciale dans le domaine de l’exploration géophysique, jouant un rôle important dans la révélation des structures géologiques souterraines, la prospection des ressources minérales et la prédiction des risques^{géologiques 1}. Au fil des années, de nombreux chercheurs ont proposé diverses méthodes d’inversion des anomalies magnétiques, enrichissant continuellement à la fois les fondements théoriques et les méthodologies pratiques dans ce domaine.

Dans des études antérieures, divers algorithmes d’optimisation ont été appliqués à l’inve....

Protocol

Modélisation avant et inverse par anomalie magnétique
La modélisation avant et inverse des anomalies magnétiques constitue une base théorique fondamentale dans l’exploration géophysique, largement appliquée à l’identification des structures sous-marines et à la prospection des ressources. La modélisation directe est basée sur des modèles géologiques subterranis connus et utilise des lois physiques pour calculer les réponses des anomalies magnétiques aux points d’observation, en mettant l’accent sur la dérivation des résultats à partir de causes connues. En revanche, la modélisation inverse part des données d’anomal....

Results

Expériences de simulation

Résultats d’inversion sur l’ensemble de test
Le modèle est d’abord entraîné sur l’ensemble d’entraînement puis évalué sur l’ensemble de test, durant lequel les résultats de prédiction sur l’ensemble de test sont sauvegardés. Pour accélérer la convergence du réseau, des hyperparamètres appropriés sont configurés, comme détaillé dans le tableau 3. Après plusieurs itérations d’entraîn.......

Discussion

Cette étude propose une méthode d’inversion par anomalie magnétique qui intègre le Module d’Attention par Blocs Convolutionnels (CBAM) avec des contraintes de cohérence physique afin de répondre efficacement aux défis communs de la non-linéarité et de la non-unicité dans l’inversion géophysique. En intégrant le CBAM, le réseau peut se concentrer de manière adaptative sur des canaux critiques et des régions spatiales, améliorant ainsi significativement la résolution des limites et la préc.......

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