畳み込みブロック注意モジュールと物理的整合性制約を統合した磁気異常反演法

Summary

磁気異常反転における非線形性と非一意性の課題に対処するため、本研究はCBAMモジュールと物理的整合性制約を統合し、高精度かつ安定性のある新しい反演手法を提案し、地質探査の実践を支援します。

Abstract

磁気異常反転は地質探査や地下構造の特定において重要な役割を果たします。しかし、その本質的な非線形性と非一意性は依然として大きな課題となっています。反転精度とモデル解釈可能性を向上させるために、本研究は畳み込みブロック注意モジュール(CBAM)と物理的整合性制約を統合した磁気異常反転手法を提案します。畳み込みニューラルネットワークアーキテクチャを基盤とし、CBAMモジュールを組み込んで重要なチャネルや空間領域へのネットワークの注意を強化し、境界の境界区分や構造再構築を改善します。同時に、前方モデリングカーネル行列に基づく物理的整合項が平均二乗誤差損失関数に埋め込まれ、予測結果と物理法則との整合性を強制します。鉱山地域の合成データと現場データの両方を用いた広範な反転実験により、提案された手法は異常局在、形態再構築、磁化パラメータ推定の面で従来のCNNモデルを上回る性能を示している。この結果は、この手法の優れた精度と安定性を強調し、磁気異常反転に対する効率的かつ信頼性の高い新しいアプローチを提供します。

Introduction

磁気異常反転は地球物理探査の分野で重要な技術であり、地下地質構造の明らか化、鉱物資源の探査、地質災害予測に重要な役割を果たし^{ています。}長年にわたり、多くの研究者が磁気異常反転のためのさまざまな手法を提案し、この分野の理論的基盤と実践的方法論を継続的に豊かにしてきました。

以前の研究では、磁気異常反転に様々な最適化アルゴリズムが適用されていました。例えば、岩相学に制約されたアリコロニー最適化手法が、表面およびボアホールの^{磁気データの}処理のために開発されました。半無限の垂直棒状構造に関連する磁気異常を逆さなすために、非常に高速なシミュレートされたアニーリングアルゴリズムが用いられ^ました。同時に、正則化に基づく反演手法は広範な注目と進歩を集めています。古典的なオッカム反転アルゴリズム4は、電磁的な音響データから滑らかな^{モデルを生成}します。さらに、焦点地球物理的反転イメージング^5と準線形近似に基づく電磁反転が^{導入されました。}最小勾配支持制約と安定化汎関数を取り入れた三次元電磁反転アプローチ^{も提案されています7,8}。さらに、重力および重力勾配データを対象としたコンパクトかつ滑らかな反転技術は、反転手法の枠組みを大幅に拡張^{しました。}三次元磁気異常反転に関しては、いくつかの研究が異なる3次元反転戦略^11、12、13を提案しており、これがこの場の発展を後押ししています。近年、人工知能の登場により、深層学習手法は磁気異常反転にますます応用されています。例えば、畳み込みニューラルネットワークは重力と磁^{気データの共同}反転に利用されており、深残留ネットワークは重力の三次元反転や磁気データ¹⁵に採用されており、新たな研究の道が開かれています。

さらに、イランのシャリフ・カンディ地域での事例研究では、三次元磁気データの反転において圧縮制約を用い、地質構造的特徴を効果的に統合して反^転結果の地質学的信頼性を向上させました。主に抵抗率データに焦点を当てていますが、火山抵抗率構造の時間的変動に関する研究は、動的磁気異常反転の多時間スケール反転アプローチに関する貴重な洞察を提供します。

反演法の多様性が増えているにもかかわらず、実用的な応用は依然として多くの課題に直面しています。複雑な地形条件下での地形補正の精度は、反転結果の信頼性に直接影響します。高ノイズの磁気データはアルゴリズム収束を妨げ、バイアスモデルを生み出します。また、複数の磁気源の磁気異常の重ね合わせは、異常信号の分離を複雑にします。さらに、計算効率と反転精度のバランス、そして多源地質・地球物理学データの統合による非独自性の軽減も、^{さらなる研究を必要とする}重要な課題です。

したがって、本研究は、畳み込みブロック注意モジュール(CBAM)を物理的一貫性制約と統合した磁気異常反転手法を提案し、複雑な地下構造の特徴を捉え、反転結果の物理的妥当性を確保する能力を高めることを目的としています。CBAMを組み込むことで、ネットワークの重要な空間的およびチャネル別特徴への注意が強化され、マルチスケールの特徴抽出と融合が効果的に向上します。同時に、物理的整合性制約を埋め込むことで、反転過程が基本的な地球物理学の法則に従うことが保証され、逆転の安定性と信頼性が向上します。この手法はノイズ干渉や多源信号混合の悪影響を効果的に抑制するだけでなく、反転精度と計算効率のバランスを取ることで、理論的価値が高く幅広い工学的応用可能性を持つ磁気異常反転技術の進展に向けた新たな洞察とツールを提供します。

Protocol

磁気異常の順方向および逆モデリング
磁気異常の順方向および逆モデルは、地球物理探査における基本的な理論的基盤として機能し、地下構造の特定や資源探査に広く応用されています。フォワードモデリングは既知の地下地質モデルに基づき、物理法則を用いて観測点での磁気異常応答を計算し、既知の原因から結果を導き出すことに重点を置いています。対照的に、逆モデリングは観測された磁気異常データから始まり、磁化分布や構造形状など、これらの異常を引き起こす地下モデルパラメータを推論します。地球物理場の非線形性と錯位的な性質により、逆問題はしばしば非一意性や不安定性に悩まされ、安定した解を得るために制約や事前情報の組み込みが必要です。順方向モデリングと逆モデリングは磁気異常の解釈の理論的基盤を形成し、モデル構築やデータ解釈において中心的な役割を果たします。順方向および逆モデリングの具体的なプロセスは 図1に示されています。

図1:順方向および逆モデリング過程の回路図。 この図は磁気異常の順方向および逆モデリングのコアワークフローを示しています。前方プロセスでは、既知の地下地質モデルが入力として用いられ、観測点での磁気異常データは物理法則に基づいて導出されます。逆過程では、観測された磁気異常データを畳み込みニューラルネットワーク(CNN)に入力し、磁化分布や構造幾何学などのサブサーフェスモデルパラメータを推定します。 この図の拡大版はこちらをクリックしてご覧ください。

前方モデリング
磁気異常前方モデリングは主に磁場内の地下モデルの応答を計算するために用いられます。この過程は地質体内の磁化分布を想定し、物理方程式を通じて地表や他の観測点で磁気異常データを導出します。前方モデリングでは、磁気異常データは磁化強度に対応します。シミュレーション結果と実際の地下構造モデルを比較することで、前方モデリングの合理性を評価でき、それが反転アルゴリズムの改善に寄与します。磁気異常前方モデリングの観測領域は 図2に示されています。

図2:磁気異常順方向シミュレーションの回路図。 この図は、磁気異常前方モデリングで用いられる観測領域の空間配置を示しています。水平面とX軸方向が示され、地下領域は複数の長方形地質単位に分割されています。「ポイントP」は地表観測位置を表します。この図はグリッドセルと観測点の物理的空間的関係を視覚的に説明し、前方モデリング方程式の理論的解釈を支持します。 この図の拡大版はこちらをクリックしてご覧ください。

地下空間は複数の正方形地質体に分割されており、点Pは表面観測点を表しています。磁気異常の前方モデリング方程式は、地質体の磁化強度と観測される磁気異常との関係を記述しており、式(1)に示されています。

(1)

ここで Fは 磁気異常を表し、通常は複数の観測点からの値を含む列ベクトルとして表されます。 G_i は磁気異常カーネル行列であり、各要素は観測点の第 i格子セルの磁場への寄与を表します。 K_i は第 i格子セルの磁化率であり、 M_i はその磁化強度です。核行列の計算は一般的に観測点と各グリッドセル間の空間的関係に依存します。一般的に用いられる手法は、式(2)に示される磁気双極子モデルに基づくものです。

(2)

ここでG _ijは、第j格子セルから第i番目の観測点への磁場寄与を表します。μは自由空間の磁気透磁率を示します。r_j は j 番目の格子セルから第 i 番目の観測点までの距離ベクトルであり、 |R_J |はその距離の大きさです。

データ準備
この研究では、101の観測点が地表の単一の調査線に沿って線形に配置され、均一な間隔は10m、観測高度は0.3mでした。地下は20×40グリッドに離散化され、各セルは25 m×25 m、磁気赤緯角と傾斜角はそれぞれ90°と60°に設定されました。異なる地質構造をシミュレートするために、前述の20×40グリッドに基づく3種類の合成地下モデルが構築されました。値は左から右(列1→40)および上から下へ(行1→20)に順に割り当てられました。通常のモデルは3×3個の長方形異常体(例:10-12列、5-7行)で構成され、磁化は5 A/mまたは10 A/mでした。この複雑なモデルは、異なるサイズの台形異常天体(例:8-15列4-8行目に大きな台形、20-25列6-9行目に小さな台形)を含み、磁化は5 A/mまたは10 A/mです。このランダムモデルは、中央のセル(例:20列、10行)を選び、列や行に沿ってランダムウォークを行い、13〜16個の連続セルからなる異常領域を作り出し、全体の磁化度は5 A/mまたは10 A/mでした。正則モデル、複素モデル、ランダムモデルに対してそれぞれ15、20、32の基礎構造が定義され、合計15×60+20 × 60 + 32 × 60 = 4020の訓練サンプルが得られました。各モデルは順次に値が割り当てられ、対応する磁気異常データは前方モデリング によって 生成されました。得られたデータセットは、8:2の比率でトレーニングセットとテストセットに分割され、それぞれネットワークトレーニングとパフォーマンス評価に使用されました。具体的な前方モデリングのセットアップは 表1に示されています。

モデル	モデルサイズ
レギュラーモデル	3×6、4×4
複素モデル	ダブル8×4、ダブル台形
ランダムモデル	ステップサイズ13、16のランダムモデル

表1:モデルの設定。

ネットワークアーキテクチャ
本研究は、一次元畳み込みニューラルネットワーク(1D-CNN)を用いて構築された端から端までの磁気異常反転モデルを提案します。アーキテクチャ設計はVGGネットワークの「ディープ畳み込み積み」パラダイムに触発され、統合的な注意メカニズムによってさらに強化されています。目的は、一次元磁気異常信号から二次元地下磁化分布への効率的かつ正確なマッピングを達成することです。全体のネットワークは、入力およびデータ適応、特徴抽出バックボーン、CBAM注意モジュール、特徴フラット化、完全接続層の5つの主要な構成要素で構成されています。

入力層とデータ適応
入力層は観測構成によって厳密に定義される一次元磁気異常データを受け取ります。合成調査装置では、10m間隔、標高0.3mの観測点が地表に設置されます。したがって、入力次元は1×101として定義され、1つのチャネルは観測点に対応する101の磁気異常振幅を表します。

データ前処理では、現実的な観測乱れを再現するために10%のガウスホワイトノイズが加えられます。信号はMin-Maxスケーリングを用いて[0, 1]範囲に正規化されます。この正規化により次元不整合性が緩和され、訓練中のデータ分布が安定化し、大きさの不一致によるバイアスパラメータ更新を防ぎます。

特徴抽出バックボーン
特徴抽出バックボーンは、繰り返し行われる「Conv1d + BatchNorm + ReLU」モジュールを中心に構成された14層で構成され、次元削減や多スケール特徴融合のための最大プーリング操作と交互に配置されています。背骨は4つの段階に分けられ、チャネルの深さは徐々に増大します。

ステージI(基本特徴抽出)
この段階は3層(Layer1-Layer3)で構成され、64チャンネルの特徴マップを作成します。

レイヤー1:カーネルサイズ3(チャネル1→64)のConv1dレイヤーで、その後バッチ正規化とReLUが続きます。入力サイズ:1×101;出力:64×101。

レイヤー2:同じ構成(64→64)。

レイヤー3:カーネルサイズ2のMaxPooling1d、特徴量長を101から50に短縮し、64×50の特徴マップを生成。

ステージII(中規模の特徴抽出)
このステージは4層(Layer4-Layer7)で構成され、128チャンネルを出力します。

レイヤー4-レイヤー5:Conv1dレイヤーがチャネル数を64から128へ増加させる;出力サイズ:128 × 50。

レイヤー6:CBAMモジュール(セクション3参照)。

レイヤー7:MaxPooling1dが特徴の長さを25に短縮し、128マップ×25マップを得ました。

ステージIII(複素特徴表現)
この段階には4つのレイヤー(レイヤー8〜レイヤー11)が含まれ、256チャンネルを生成します。

Layer8-Layer9:Conv1d層を128から256に増やし、出力は256×25。

レイヤー10:2つ目のCBAMモジュール。

レイヤー11:MaxPooling1dで長さを12に短縮し、256×12マップを生成しました。

ステージIV(ディープ機能の精錬)
この段階は3層(Layer12〜Layer14)で構成され、512チャンネルを出力します。

レイヤー12-レイヤー13:Conv1dレイヤーがチャネル数を256から512に増加させます。

レイヤー14:最終的なプールリングにより特徴の長さは12から6に短縮され、深い512×6の特徴表現が得られます。

CBAM注意モジュール
畳み込みブロック注意モジュール(CBAM)は、128チャンネルステージ(レイヤー6)と256チャネルステージ(レイヤー10)の後に戦略的に組み込まれています。チャネルや空間的注意メカニズムを通じて、ネットワークが異常に関連する重要な特徴に集中する能力を高めます。

チャネル注意サブモジュール
グローバル最大プーリングとグローバル平均プーリングは入力特徴マップに適用され、2つの一次元チャネル記述子を作成します。連結後、ディスクリプタは32個のニューロンを持つ完全連結層(ReLU活性化)を通過し、その後、チャネルごとの注意重みを出力する別の完全連結層を通過します。これらの重みは要素ごとの乗算 によって 入力特徴を変調し、磁気異常反転に大きく寄与するチャネルを増幅します。

空間注意部分加群
チャネル精錬特徴マップでは、チャネルごとの平均プーリングを行い、その後カーネルサイズ3の1次元畳み込みで空間注意の重みを生成します。入力特徴マップとの要素別掛け算により、磁気異常に関連する空間領域を選択的に強調しつつ、ノイズを効果的に抑制できます。

特徴:平坦化および完全連結層
このモジュールは抽出された深部特徴を最終的な予測領域にマッピングします。

特徴フラット化(レイヤー15):512×6の特徴マップを3,072次元の特徴ベクトルに変換します。

完全連結レイヤー1(レイヤー16):1,024個のニューロンで構成され、ReLUの活性化とドロップアウト正則化により過学習を軽減します。この層は高次の特徴を統合し、磁化指向の回帰空間に投影します。

出力層(レイヤー17):20×40の離散化された地下グリッドに対応する800個のニューロンを含みます。各グリッドセルの推定磁化強度を表す800次元ベクトルを出力し、端から端までの反転マッピングを完成させます。

ハイパーパラメータの訓練
安定かつ最適な訓練を確保するために、以下のハイパーパラメータが使用されます:初期学習率0.001のアダム最適化器;バッチ数は32人、そして合計2,000の訓練時代を経ています。すべての対立層および完全連結層の重みパラメータはHe正規分布で初期化され、すべてのバイアス項はゼロに初期化されます。

詳細なネットワークパラメータは 表2に記載されています。

層	作戦タイプ	入力サイズ	出力サイズ	カーネル/プールサイズ	チャンネル(入→出)
1	Conv1d + BatchNorm + ReLU	1×101	64×101	3	1 →64
2	Conv1d + BatchNorm + ReLU	64×101	64×101	3	64→64
3	MaxPooling1d	64×101	64×50	2
4	Conv1d + BatchNorm + ReLU	64×50	128×50	3	64→128
5	Conv1d + BatchNorm + ReLU	128×50	128×50	3	128→128
6	CBAMモジュール	128×50	128×50
7	MaxPooling1d	128×50	128×25	2
8	Conv1d + BatchNorm + ReLU	128×25	256×25	3	128→256
9	Conv1d + BatchNorm + ReLU	256×25	256×25	3	256→256
10	CBAMモジュール	256×25	256×25
11	MaxPooling1d	256×25	256×12
12	Conv1d + BatchNorm + ReLU	256×12	512×12	3	256→512年
13	Conv1d + BatchNorm + ReLU	512×12	512×12	3	512→512年
14	MaxPooling1d	512×12	512×6
15	フラット(平坦化)	512×6	3072×1
16	完全接続 + ReLU + ドロップアウト	3072×1	1024×1		3072→1024年
17	完全接続(出力)	1024×1	800×1		1024 → 800

表2:ネットワークアーキテクチャ構成。

損失関数
磁気異常反転の本質は「観測データ(結果)から地下モデル(原因)を推論すること」にあります。しかし、この過程は本質的に非線形かつ一意性を持ちません。したがって、従来のデータフィッティング損失のみで訓練されたネットワークは、数値的には現実的に近いものの物理的には非現実的な磁化モデルを生み出すことがあります。この問題に対処するため、本研究における損失関数は、(1) 予測された磁化パラメータと真の磁化パラメータの数値的一致(データフィッティング)を確保すること、(2) 磁気前方モデリングの支配法則(物理的制約)に従う物理的一貫性を強制すること。

したがって、損失関数は明示的に2つの成分から構成されます。

データミスフィット項:平均二乗誤差(MSE)項は、予測された表面磁化パラメータと真の表面磁化パラメータの不一致を定量化し、ネットワークの基本的なデータフィッティング能力を保証します。

物理一貫性制約項:磁気双極子前方モデリングから導き出された項は、予測される磁化によって生じる理論的な磁気異常と観測される磁気異常の差を測定します。これにより、予測モデルが地球物理学の原則に適合していることが保証されます。

この2つの成分は加重積分によって結合され、全損失を形成し、「データフィッティング+物理的検証」というクローズドループを確立し、単一の損失項を使用する際の欠点を効果的に回避します。

平均二乗誤差損失
MSE損失は、モデルの予測値と実際の真実値との乖離を測定します。予測値と真値の差の二乗差の平均を計算し、各予測タスクの誤差を定量化します。各分岐(重力異常と磁気異常)ごとに、MSE損失は別々に計算され、その特定の課題におけるモデルの誤差を表します。平均二乗誤差損失関数は式(3)として表されます。

(3)

物理ベースの制約損失
磁気異常の逆転が、MSEのみに頼った場合に「数値的には真の値に近いが物理的に実現不可能」となる結果を生み出すのを防ぐため、本研究は磁気双極子順方向モデルに基づく物理的一貫性制約を損失関数に導入します。予測された地下磁化パラメータは前方核行列にマッピングされ、対応する理論的な磁気異常を計算し、観測データと比較して反転結果の物理的妥当性を直接評価します。この制約は、数値的には真の値に近いものの、前方モデルで観測された異常を再現できない予測に対して実質的にペナルティを与え、「表面磁化→表面磁気異常」から物理的に一貫したマッピングを学習するようネットワークに導きます。数値精度と物理的整合性を同時に最適化するために、全損失関数はMSEデータ損失と物理一貫制約を重み付け方式で組み合わせ、モデルが予測値と真の磁化値の差を最小化するだけでなく、観測値と物理的に整合した出力を生成することを保証します。この統合メカニズムを通じて、物理一貫性制約はノイズ効果の抑制、非一意性の問題の緩和、反転の安定性と一般化の向上、そして最終的に予測される磁化分布が地球物理的に健全かつ実用的に適用可能なものであることを保証する上で重要な役割を果たします。物理に基づく制約損失関数は式(4)として表されます。

(4)

最終損失関数は重力異常と磁気異常の損失関数の重み付け和であり、それぞれの損失関数はMSE損失と物理に基づく制約損失の両方を含みます。全損失関数は式(5)として表されます:

(5)

ここで、yl_trueは真の磁気異常データ、pred_lはモデルの予測磁気異常、A マットは磁場の核行列を表します。

Results

シミュレーション実験

テストセットでの反転結果
モデルはまず訓練セット上で訓練され、その後テストセット上で評価され、その際にテストセット上の予測結果が保存されます。ネットワークの収束を加速させるために、 表3に詳述されたように適切なハイパーパラメータが設定されています。複数回の訓練反復を経て、損失曲線は1900年頃に安定します。したがって、訓練エポックの総数は2000に設定されています。テストセットの逆転結果は 図3に示されています。

パラメータ

Discussion

本研究は、畳み込みブロック注意モジュール(CBAM)を物理的整合性制約と統合し、地球物理的反転における非線形性や非一意性という一般的な課題に効果的に対処する磁気異常反転手法を提案します。CBAMを組み込むことで、ネットワークは重要なチャネルや空間領域に適応的に集中でき、複雑な地下構造の境界解像度と再構成精度を大幅に向上させ、従来の畳み込みニューラルネットワーク(CNN)ベースの反転でよく見られる境界のぼやけや構造歪みなどの問題を緩和します。一方で、前方モデリングカーネル行列に基づく物理的整合項が平均二乗誤差損失関数に組み込まれ、モデル出力が物理法則に適合することを保証するとともに、反転結果の解釈可能性と信頼性が向上します。これにより、データ駆動型学習と物理に基づく事前学習が有機的に融合しています。実験結果により、提案された手法は異常局在、形態再構築、磁化パラメータ推定において従来のCNNモデルを上回り、ノイズが多く複雑な地質条件下でも高い精度と堅牢性を維持できることが示されています。提案されたアプローチは、深層学習と地球物理的反転の統合に新たな視点を提供し、データ駆動型...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
アナコンダ3	アナコンダ	https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/
MATLAB 2016b	マスワークス	https://www.mathworks.com/
Python3.7	Python.org	https://www.python.org/downloads/release/python-370/
テンソルフロー2.0	グーグル	https://tensorflow.google.cn/install
Windows10	マイクロソフト	https://www.microsoft.com/zh-cn/software-download/windows10