Een magnetische anomalie-inversie methode die convolutionele blok-aandachtmodule en fysieke consistentiebeperkingen integreert

Summary

Om de uitdagingen van niet-lineariteit en niet-uniciteit in magnetische anomalie-inversie aan te pakken, integreert deze studie de CBAM-module met fysieke consistentiebeperkingen om een nieuwe inversie methode met hoge nauwkeurigheid en stabiliteit voor te stellen, waarmee geologische exploratiepraktijken worden ondersteund.

Abstract

Magnetische anomalie-inversie speelt een essentiële rol bij geologische verkenning en identificatie van ondergrondse structuren; Toch blijven de inherente niet-lineariteit en niet-uniekheid aanzienlijke uitdagingen. Om de inversie nauwkeurigheid en de interpreteerbaarheid van het model te verbeteren, stelt deze studie een magnetische anomalie-inversie methode voor die de Convolutional Block Attention Module (CBAM) integreert met fysieke consistentiebeperkingen. Gebaseerd op een convolutioneel neuraal netwerkarchitectuur, bevat de methode de CBAM-module om de aandacht van het netwerk op kritieke kanalen en ruimtelijke gebieden te vergroten, waardoor de grensafbakening en structurele reconstructie worden verbeterd. Tegelijkertijd wordt een fysieke consistentieterm gebaseerd op de forward modeling kernel-matrix ingebed in de gemiddelde kwadraatfoutverliesfunctie om conformiteit tussen de voorspelde resultaten en natuurwetten af te dwingen. Uitgebreide inversie-experimenten met zowel synthetische als veldgegevens uit mijngebieden tonen aan dat de voorgestelde methode beter presteert dan conventionele CNN-modellen op het gebied van anomalielokalisatie, morfologiereconstructie en magnetisatieparameterschatting. De resultaten benadrukken de superieure nauwkeurigheid en stabiliteit van de methode, en bieden een efficiënte en betrouwbare nieuwe benadering van magnetische anomalie-inversie.

Introduction

Magnetische anomalie-inversie is een cruciale techniek op het gebied van geofysische exploratie en speelt een belangrijke rol bij het aan het licht brengen van ondergrondse geologische structuren, het prospecteren van minerale hulpbronnen en het voorspellen van geologische gevaren¹. Door de jaren heen hebben talrijke onderzoekers verschillende methoden voor magnetische anomalie-inversie voorgesteld, waarmee zowel de theoretische fundamenten als de praktische methodologieën in dit domein voortdurend zijn verrijkt.

In eerdere studies werden verschillende optimalisatie-algoritmen toegep....

Protocol

Magnetische anomalie voor- en inverse modellering
Magnetische anomalie-voor- en inverse modellering vormt een fundamentele theoretische basis in geofysische exploratie, veelvuldig toegepast op de identificatie van ondergrondse structuren en het prospecteren van hulpbronnen. Voorwaartse modellering is gebaseerd op bekende ondergrondse geologische modellen en maakt gebruik van natuurwetten om de magnetische anomalie-responsen op observatiepunten te berekenen, waarbij de nadruk ligt op het afleiden van resultaten uit bekende oorzaken. Daarentegen begint inverse modellering vanuit waargenomen magnetische anomaliegegeve....

Results

Simulatie-experimenten

Inversie resultaten op de testset
Het model wordt eerst getraind op de trainingsset en vervolgens geëvalueerd op de testset, waarbij de voorspellingsresultaten op de testset worden opgeslagen. Om netwerkconvergentie te versnellen worden geschikte hyperparameters geconfigureerd, zoals beschreven in Tabel 3. Na meerdere trainings-iteraties stabiliseert de verliescurve rond het tijdperk .......

Discussion

Deze studie stelt een magnetische anomalie-inversie methode voor die de Convolutional Block Attention Module (CBAM) integreert met fysieke consistentiebeperkingen om effectief de veelvoorkomende uitdagingen van niet-lineariteit en niet-uniciteit in geofysische inversie aan te pakken. Door CBAM te integreren kan het netwerk adaptief focussen op kritieke kanalen en ruimtelijke gebieden, waardoor de grensresolutie en reconstructienauwkeurigheid voor complexe ondergrondse structuren aanzienl.......

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