Un metodo di inversione dell'anomalia magnetica che integra i vincoli di attenzione del blocco convoluzionale e della consistenza fisica

Summary

Per affrontare le sfide di non linearità e non unicità nell'inversione dell'anomalia magnetica, questo studio integra il modulo CBAM con vincoli di coerenza fisica per proporre un nuovo metodo di inversione con alta accuratezza e stabilità, supportando così le pratiche di esplorazione geologica.

Abstract

L'inversione dell'anomalia magnetica svolge un ruolo fondamentale nell'esplorazione geologica e nell'identificazione delle strutture sotterranee; tuttavia, la sua intrinseca non linearità e non unicità restano sfide significative. Per migliorare la precisione dell'inversione e l'interpretabilità del modello, questo studio propone un metodo di inversione per anomalie magnetiche che integra il Convolutional Block Attention Module (CBAM) con vincoli di coerenza fisica. Basato su un'architettura di rete neurale convoluzionale, il metodo incorpora il modulo CBAM per aumentare l'attenzione della rete su canali critici e regioni spaziali, migliorando così la delineazione dei confini e la ricostruzione strutturale. Contemporaneamente, un termine di coerenza fisica basato sulla matrice kernel di modellazione diretta viene incorporato nella funzione di perdita per errore quadratico medio per imporre la conformità tra i risultati previsti e le leggi fisiche. Esperimenti di inversione estesi utilizzando sia dati sintetici che di campo provenienti da aree minerarie dimostrano che il metodo proposto supera i modelli CNN convenzionali in termini di localizzazione delle anomalie, ricostruzione morfologica e stima dei parametri di magnetizzazione. I risultati evidenziano la superiore accuratezza e stabilità del metodo, offrendo un nuovo approccio efficiente e affidabile all'inversione delle anomalie magnetiche.

Introduction

L'inversione delle anomalie magnetiche è una tecnica fondamentale nel campo dell'esplorazione geofisica, svolgendo un ruolo significativo nella rivelazione di strutture geologiche sotterranee, nella prospettazione delle risorse minerarie e nella previsione dei rischi^geologici. Nel corso degli anni, numerosi ricercatori hanno proposto una varietà di metodi per l'inversione delle anomalie magnetiche, arricchendo continuamente sia le basi teoriche sia le metodologie pratiche in questo ambito.

In studi precedenti, vari algoritmi di ottimizzazione sono stati applicati all'inversione delle....

Protocol

Modellazione magnetica frontale e inversa
La modellazione magnetica in avanzo e inversa dell'anomalia magnetica costituisce una base teorica fondamentale nell'esplorazione geofisica, ampiamente applicata all'identificazione delle strutture sotterranee e alla prospezione delle risorse. La modellazione diretta si basa su modelli geologici sottomarini noti e utilizza leggi fisiche per calcolare le risposte delle anomalie magnetiche nei punti di osservazione, sottolineando la derivazione dei risultati da cause note. Al contrario, la modellazione inversa parte dai dati osservati delle anomalie magnetiche e deduce i para....

Results

Esperimenti di simulazione

Risultati dell'inversione sul set di test
Il modello viene prima addestrato sull'insieme di addestramento e poi valutato sull'insieme di test, durante il quale vengono salvati i risultati di previsione sull'insieme di test. Per accelerare la convergenza della rete, vengono configurati iperparametri appropriati, come dettagliato nella Tabella 3. Dopo molteplici iterazioni di addest.......

Discussion

Questo studio propone un metodo di inversione dell'anomalia magnetica che integra il Convolutional Block Attention Module (CBAM) con vincoli di coerenza fisica per affrontare efficacemente le sfide comuni della non linearità e della non unicità nell'inversione geofisica. Incorporando il CBAM, la rete può focalizzarsi in modo adattativo su canali critici e regioni spaziali, migliorando così significativamente la risoluzione dei confini e la precisione della ricostruzione per strutture sot.......

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