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 toegepast op magnetische anomalie-inversion. Zo werd een door lithologie beperkt mierenkolonie-optimalisatiemethode ontwikkeld voor het verwerken van oppervlakte- en boorgatmagnetische gegevens²; Er werd een zeer snel gesimuleerd annealing-algoritme gebruikt om magnetische anomalieën te inverteren die geassocieerd zijn met semi-oneindige verticale staafvormige structuren³. Tegelijkertijd hebben regularisatie-gebaseerde inversie methoden veel aandacht en vooruitgang gekregen. Het klassieke Ocam-inversie-algoritme⁴ genereert vloeiende modellen uit elektromagnetische klankgegevens. Daarnaast werd gefocuste geofysische inversiebeeldvorming geïntroduceerd⁵, samen met elektromagnetische inversie gebaseerd op quasi-lineaire benadering⁶. Driedimensionale elektromagnetische inversie benaderingen met minimale gradiëntondersteuningsbeperkingen en stabiliserende functionalen zijn ook voorgesteld ^7,8. Bovendien hebben compacte en soepele inversietechnieken gericht op zwaartekracht- en zwaartekrachtgradiëntgegevens het inversiemethodologiekader^sterk uitgebreid ^9,10. Wat betreft driedimensionale magnetische anomalie-inversie hebben verschillende studies verschillende 3D-inversie strategieën^{voorgesteld, die} de ontwikkeling van het veld hebben gestimuleerd. In de afgelopen jaren, met de komst van kunstmatige intelligentie, zijn deep learning-methoden steeds vaker toegepast op magnetische anomalie-inversion. Zo zijn convolutionele neurale netwerken gebruikt voor gezamenlijke inversie van zwaartekracht- en magnetische data¹⁴, en diepe residuele netwerken zijn toegepast voor driedimensionale inversie van zwaartekracht en magnetische data¹⁵, wat nieuwe onderzoeksmogelijkheden opent.

Bovendien gebruikte een casestudy in de regio Sharif Kandi in Iran compactiebeperkingen in driedimensionale magnetische data-inversie en integreerde effectief geologische structurele kenmerken om de geologische betrouwbaarheid van inversie resultaten te verbeteren¹⁶. Hoewel de focus voornamelijk ligt op resistiviteitsgegevens, bieden studies naar temporele variaties van vulkanische resistiviteitsstructuren waardevolle inzichten in multi-tijdschaal inversie benaderingen die dynamische magnetische anomalie-inversie kunnen informeren.

Ondanks de toenemende verscheidenheid aan inversiemethoden staan praktische toepassingen nog steeds voor tal van uitdagingen. De nauwkeurigheid van terreincorrectie onder complexe topografische omstandigheden beïnvloedt direct de betrouwbaarheid van inversieresultaten; Hoogruis magnetische data interfereren met de convergentie van algoritmen, wat leidt tot bevooroordeelde modellen; en de superpositie van magnetische anomalieën met meerdere bronnen bemoeilijkt de scheiding van anomalistische signalen. Daarnaast blijven het balanceren van computationele efficiëntie en inversie nauwkeurigheid, evenals het effectief integreren van multi-bron geologische en geofysische data om niet-uniciteit te beperken, kritieke uitdagingen die verder onderzoek vereisen¹⁷.

Daarom stelt deze studie een methode voor magnetische anomalie-inversie die de Convolutional Block Attention Module (CBAM) integreert met fysieke consistentiebeperkingen, met als doel het vermogen van het model te vergroten om complexe ondergrondse structurele kenmerken vast te leggen en de fysieke plausibiliteit van inversieresultaten te waarborgen. Door de CBAM te integreren wordt de aandacht van het netwerk voor belangrijke ruimtelijke en kanaalgebonden kenmerken versterkt, waardoor multi-scale feature-extractie en fusie effectief worden verbeterd. Tegelijkertijd garandeert het inbedden van fysieke consistentiebeperkingen dat het inversieproces voldoet aan fundamentele geofysische wetten, waardoor de stabiliteit en betrouwbaarheid van de inversie worden verbeterd. Deze methode onderdrukt niet alleen effectief de nadelige effecten van ruisinterferentie en multi-source signaalmenging, maar balanceert ook de nauwkeurigheid van inversie en rekenefficiëntie, en biedt nieuwe inzichten en tools voor het ontwikkelen van magnetische anomalie-inversie technieken met aanzienlijke theoretische waarde en brede technische toepassingsmogelijkheden.

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 anomaliegegevens en leidt het de parameters van het ondergrondse model af die aanleiding geven tot deze anomalieën, zoals magnetisatieverdeling of structurele geometrie. Door de niet-lineariteit en slecht geformuleerde aard van geofysische velden lijden inverse problemen vaak aan niet-uniciteit en instabiliteit, waardoor het opnemen van beperkingen of voorafgaande informatie nodig is om stabiele oplossingen te bereiken. Voorover- en inverse modellering vormen samen de theoretische basis voor het interpreteren van magnetische anomalieën, en spelen een centrale rol bij modelconstructie en data-interpretatie. Het specifieke proces van voorwaartse en inverse modellering wordt geïllustreerd in Figuur 1.

Figuur 1: Schematisch diagram van voorwaartse en inverse modelleringsprocessen. Deze figuur illustreert de kernworkflow van magnetische anomalie-forward- en inverse modellering. In het voorwaartse proces wordt een bekend ondergronds geologisch model als invoer gebruikt, en magnetische anomaliegegevens op observatiepunten worden afgeleid op basis van natuurwetten. In het inverse proces worden waargenomen magnetische anomaliegegevens ingevoerd in een convolutioneel neuraal netwerk (CNN) om ondergrondse modelparameters zoals magnetisatieverdeling en structurele geometrie af te leiden. Klik hier om een grotere versie van deze figuur te bekijken.

Vooruit modellering
Magnetische anomalie-voorwaartse modellering wordt voornamelijk gebruikt om de respons van ondergrondse modellen binnen een magnetisch veld te berekenen. Dit proces is gebaseerd op de veronderstelde verdeling van magnetisatie binnen geologische lichamen en leidt magnetische anomaliegegevens af aan het oppervlak of andere observatiepunten via natuurkundige vergelijkingen. Bij forward modellering komen de magnetische anomaliegegevens overeen met de magnetisatieintensiteit. Door de gesimuleerde resultaten te vergelijken met het daadwerkelijke ondergrondse structuurmodel, kan de rationaliteit van de voorwaartse modellering worden geëvalueerd, wat op zijn beurt helpt om inversie-algoritmen te verbeteren. Het observatiegebied voor magnetische anomalie-voorwaartse modellering is geïllustreerd in Figuur 2.

Figuur 2: Schematisch diagram van magnetische anomalie-voorwaartse simulatie. Deze figuur toont de ruimtelijke indeling van het observatiegebied dat wordt gebruikt bij magnetische anomalie-vooruitmodellering. Het horizontale vlak en de X-as richting zijn aangegeven, en het ondergrondse domein is verdeeld in meerdere rechthoekige geologische eenheden. "Punt P" vertegenwoordigt een waarnemingslocatie aan het oppervlak. Dit diagram biedt een visuele verklaring van de fysieke ruimtelijke relatie tussen rastercellen en observatiepunten, en ondersteunt daarmee de theoretische interpretatie van de voorwaartse modelleringsvergelijking. Klik hier om een grotere versie van deze figuur te bekijken.

De ondergrondse ruimte is verdeeld in meerdere vierkante geologische lichamen, waarbij punt P een oppervlakteobservatiepunt vertegenwoordigt. De voorwaartse modelleringsvergelijking van magnetische anomalieën beschrijft de relatie tussen de magnetisatieintensiteit van de geologische lichamen en de waargenomen magnetische anomalie, zoals aangetoond in Vergelijking (1):

(1)

Hier duidt F de magnetische anomalie aan, doorgaans weergegeven als een kolomvector met waarden van meerdere observatiepunten. G_i is de magnetische anomalie-kernelmatrix, waarbij elk element de bijdrage van de i-de roostercel aan het magnetisch veld op het observatiepunt vertegenwoordigt. K_i is de magnetische gevoeligheid van de i-de roostercel, en M_i is de magnetisatieintensiteit ervan. De berekening van de kernelmatrix hangt over het algemeen af van de ruimtelijke relatie tussen observatiepunten en elke rastercel. Een veelgebruikte benadering is gebaseerd op het magnetisch dipoolmodel, zoals weergegeven in Vergelijking (2):

(2)

Hier vertegenwoordigt G_ij de bijdrage van het magnetisch veld van de j-de roostercel aan het i-de observatiepunt. μ duidt de magnetische permeabiliteit van de vrije ruimte aan. r_j is de afstandsvector van de j-de roostercel tot het i-de observatiepunt, en | r_j | is de grootte van die afstand.

Datavoorbereiding
In deze studie werden 101 observatiepunten lineair gerangschikt langs één enkele meetlijn op het oppervlak, met een uniforme afstand van 10 m en een observatiehoogte van 0,3 m. De ondergrond werd gediscretiseerd in een raster van 20 × 40, waarbij elke cel 25 m × 25 m meet, en de magnetische declinatie- en inclinatiehoeken werden respectievelijk ingesteld op 90° en 60°. Om verschillende geologische structuren te simuleren zijn drie typen synthetische ondergrondse modellen gebouwd, allemaal gebaseerd op het eerder genoemde 20 × 40 raster. Waarden werden sequentieel toegewezen van links naar rechts (kolommen 1→40) en van boven naar beneden (rijen 1→20): het reguliere model bestond uit 3 × 3 rechthoekige anomalielichamen (bijv. kolommen 10-12, rijen 5-7) met een vaste magnetisatie van 5 A/m of 10 A/m; Het complexe model bevatte twee trapeziumvormige anomalielichamen van verschillende grootte (bijvoorbeeld een grote trapezium in kolommen 8-15, rijen 4-8, en een kleine trapezium in kolommen 20-25, rijen 6-9) met magnetisaties van 5 A/m of 10 A/m; Het willekeurige model werd gegenereerd door een centrale cel te selecteren (bijv. kolom 20, rij 10) en een willekeurige wandeling langs kolommen en rijen uit te voeren om een anomaliegebied van 13-16 aaneengesloten cellen te creëren, met een totale magnetisatie van 5 A/m of 10 A/m. Vijftien, twintig en tweeëndertig basisstructuren werden gedefinieerd voor respectievelijk de reguliere, complexe en willekeurige modellen, wat resulteerde in een totaal van 15 × 60 + 20 × 60 + 32 × 60 = 4020 trainingsmonsters. Elk model kreeg sequentieel waarden toegewezen, en de bijbehorende magnetische anomaliegegevens werden gegenereerd via forward modeling. De resulterende dataset werd opgesplitst in trainings- en testsets in een verhouding van 8:2, die respectievelijk werden gebruikt voor netwerktraining en prestatie-evaluatie. De specifieke forward modeling-opzet wordt geïllustreerd in Tabel 1.

Model	Modelgrootte
Regulier model	3×6, 4×4
Complex Model	dubbel8×4, dubbele trapezium
Willekeurig model	Stapgrootte van 13, 16 willekeurig model

Tabel 1: Setting van het model.

Netwerkarchitectuur
Deze studie stelt een end-to-end magnetisch anomalie-inversie model voor, geconstrueerd met behulp van een eendimensionaal convolutioneel neuraal netwerk (1D-CNN). Het architectonische ontwerp is geïnspireerd op het paradigma van "deep convolutional stacking" van VGG-netwerken en wordt verder verbeterd met een geïntegreerd aandachtsmechanisme. Het doel is een efficiënte en nauwkeurige mapping te realiseren van eendimensionale magnetische anomaliesignalen naar de tweedimensionale magnetisatieverdeling van ondergrondse magnetisatie. Het totale netwerk bestaat uit vijf hoofdcomponenten: invoer- en data-adaptatie, feature-extractiebackbone, CBAM-aandachtmodules, feature flattening en volledig verbonden lagen.

Invoerlaag en data-adaptatie
De invoerlaag ontvangt eendimensionale magnetische anomaliegegevens, waarbij de dimensionaliteit strikt wordt bepaald door de observatieconfiguratie. In de synthetische survey-opstelling zijn 101 observatiepunten aan het oppervlak geplaatst met een afstand van 10 m en een hoogte van 0,3 m. Dienovereenkomstig wordt de invoerdimensie gedefinieerd als 1 × 101, waarbij een enkel kanaal 101 magnetische anomalie-amplitudes vertegenwoordigt die overeenkomen met de observatiepunten.

Bij data-voorverwerking wordt 10% Gaussische witte ruis toegevoegd om realistische observatieverstoringen na te bootsen. De signalen worden vervolgens genormaliseerd naar het [0, 1]-bereik met behulp van Min-Max-schaal. Deze normalisatie vermindert dimensionale inconsistentie, stabiliseert de gegevensverdeling tijdens training en voorkomt bevooroordeelde parameterupdates die ontstaan door grootteverschillen.

Feature-extractie-ruggengraat
De feature-extractie backbone bestaat uit 14 lagen die zijn georganiseerd rond herhaalde modules van "Conv1d + BatchNorm + ReLU", afgewisseld met max-pooling-operaties voor dimensionaliteitsreductie en multi-scale feature fusion. De ruggengraat is gegroepeerd in vier stadia met geleidelijk toenemende kanaaldiepte.

Fase I (Basisfeature-extractie)
Deze fase omvat drie lagen (Laag1-Laag3), die 64-kanaals featuremaps opleveren.

Laag1: Een Conv1d-laag met kernelgrootte 3 (kanalen 1→64), gevolgd door batchnormalisatie en ReLU. Invoergrootte: 1×101; Output: 64 × 101.

Laag2: Zelfde configuratie (64→64).

Laag 3: MaxPooling1d met kernelgrootte 2, waarbij de featurelengte wordt verminderd van 101 naar 50, wat resulteert in 64×50 feature maps.

Fase II (middelgrote feature-extractie)
Deze fase bevat vier lagen (Laag4-Laag7), die 128 kanalen uitgeven.

Laag4-Laag5: Conv1d-lagen die kanalen verhogen van 64 naar 128; Uitvoergrootte: 128 × 50.

Laag 6: Een CBAM-module (zie Sectie 3).

Laag7: MaxPooling1d die de lengte van features terugbrengt tot 25, waardoor er 128 × 25 maps ontstaan.

Fase III (Complexe kentekenrepresentatie)
Deze fase bevat ook vier lagen (Laag8-Laag11), die 256 kanalen opleveren.

Laag8-Laag9: Conv1d-lagen verhogen kanalen van 128 naar 256, output: 256 × 25.

Laag10: Een tweede CBAM-module.

Laag11: MaxPooling1d die de lengte terugbrengt tot 12, waardoor 256 × 12 maps worden gegenereerd.

Fase IV (Diepe verfijning van de functies)
Deze fase omvat drie lagen (Laag12-Laag14), die 512 kanalen uitzenden.

Laag12-Laag13: Conv1d-lagen die kanalen verhogen van 256 naar 512.

Laag14: Final pooling verkleint de featurelengte van 12 naar 6, waardoor de diepe representatie van 512 × 6 features ontstaat.

CBAM-aandachtmodules
De Convolutional Block Attention Module (CBAM) is strategisch ingebed na de 128-kanaals fase (Layer 6) en de 256-kanaals fase (Layer 10). Het versterkt het vermogen van het netwerk om zich te richten op belangrijke anomalie-gerelateerde kenmerken via kanaal- en ruimtelijke aandachtmechanismen.

Kanaalaandacht-submodule
Global max pooling en global average pooling worden toegepast op de inputfeature map om twee eendimensionale kanaaldescriptors te produceren. Na concatenatie worden de descriptoren door een volledig verbonden laag met 32 neuronen geleid (ReLU-activatie), gevolgd door een andere volledig verbonden laag die de kanaalgewijze aandachtgewichten uitgeeft. Deze gewichten moduleren de invoerkenmerken via elementgewijze vermenigvuldiging, waarbij kanalen worden versterkt die aanzienlijk bijdragen aan de magnetische anomalie-inversie.

Submodule ruimtelijke aandacht
Voor de kanaal-verfijnde featuremap wordt kanaalgewijze gemiddelde pooling uitgevoerd, gevolgd door een 1D-convolutie met kerngrootte 3 om de ruimtelijke aandachtsgewichten te genereren. Elementgewijze vermenigvuldiging met de invoerkenmerkkaart stelt het model in staat om selectief ruimtelijke gebieden te benadrukken die relevant zijn voor magnetische anomalieën, terwijl ruis effectief wordt onderdrukt.

Kenmerken afvlakken en volledig verbonden lagen
Deze module brengt de geëxtraheerde diepe features in kaart met het uiteindelijke voorspellingsdomein.

Feature Flattening (Laag15): Zet de 512×6 featuremap om in een 3.072-dimensionale featurevector.

Volledig verbonden laag 1 (laag 16): Bestaat uit 1.024 neuronen met ReLU-activatie en Dropout-regularisatie om overfitting te beperken. Deze laag integreert hoog-niveau kenmerken en projecteert deze in een magnetisatie-georiënteerde regressieruimte.

Outputlaag (Laag 17): Bevat 800 neuronen die overeenkomen met het 20×40 gediscretiseerde ondergrondse raster. Het geeft een 800-dimensionale vector uit die de geschatte magnetisatieintensiteit van elke rooster weergeeft, waarmee de end-to-end inversiemapping wordt voltooid.

Training Hyperparameters
Om stabiele en optimale training te garanderen, worden de volgende hyperparameters gebruikt: de Adam-optimizer met een initiële leersnelheid van 0,001; batchgrootte van 32; en in totaal 2.000 trainingsperiodes. Gewichtparameters van alle Conv1d- en volledig verbonden lagen worden geïnitialiseerd met behulp van de He-normaalverdeling, en alle bias-termen worden op nul geïnitialiseerd.

Gedetailleerde netwerkparameters zijn vermeld in Tabel 2.

Laag	Bedieningstype	Invoergrootte	Uitvoergrootte	Kernel/poolgrootte	Kanalen (in→out)
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-module	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-module	256×25	256×25
11	MaxPooling1d	256×25	256×12
12	Conv1d + BatchNorm + ReLU	256×12	512×12	3	256 → 512
13	Conv1d + BatchNorm + ReLU	512×12	512×12	3	512 → 512
14	MaxPooling1d	512×12	512×6
15	Plat maken	512×6	3072×1
16	Volledig verbonden + ReLU + Uitval	3072×1	1024×1		3072 → 1024
17	Volledig verbonden (Output)	1024×1	800×1		1024 → 800

Tabel 2: Configuratie van de netwerkarchitectuur.

Verliesfunctie
De essentie van magnetische anomalie-inversie ligt in het "afleiden van het ondergrondse model (oorzaak) uit de waargenomen data (effect)." Dit proces is echter van nature niet-lineair en niet-uniek. Daardoor kan een netwerk dat uitsluitend door conventionele data-fittingverliezen is getraind, magnetisatiemodellen opleveren die numeriek dicht bij de grondwaarheid liggen, maar fysiek onwaarschijnlijk. Om dit probleem aan te pakken, is de verliesfunctie in deze studie ontworpen om gelijktijdig twee doelstellingen te bereiken: (1) het waarborgen van numerieke overeenstemming tussen de voorspelde en werkelijke magnetisatieparameters (data fitting), en (2) het afdwingen van fysieke consistentie zodat de voorspelde resultaten voldoen aan de geldende wetten van magnetisch vooruit modelleren (natuurkundige beperking).

Dienovereenkomstig bestaat de verliesfunctie expliciet uit twee componenten:

Data misfit-term: Een term voor gemiddelde kwadratische fout (MSE) wordt gebruikt om het verschil te kwantificeren tussen de voorspelde en werkelijke ondergrondse magnetisatieparameters, waarmee de fundamentele datafittingcapaciteit van het netwerk wordt gegarandeerd.

Fysica-consistentie constraintterm: Afgeleid van magnetisch dipoolvoorwaartse modellering, meet deze term het verschil tussen de theoretische magnetische anomalie die wordt gegenereerd door de voorspelde magnetisatie en de waargenomen magnetische anomalie. Het zorgt ervoor dat het voorspelde model voldoet aan geofysische principes.

De twee componenten worden gecombineerd door gewogen integratie om het totale verlies te vormen, waardoor een gesloten lus van "data fitting + fysieke validatie" ontstaat en de nadelen van het gebruik van een enkele verliesterm effectief worden vermeden.

Gemiddeld kwadraat foutverlies
Het MSE-verlies meet het verschil tussen de voorspellingen van het model en de grondwaarheidswaarden. Het berekent het gemiddelde van de kwadratische verschillen tussen voorspelde en werkelijke waarden en kwantificeert de fout in elke voorspellingstaak. Voor elke tak (zwaartekrachtsanomalie en magnetische anomalie) wordt het MSE-verlies afzonderlijk berekend, waarbij de modelfout bij die specifieke taak wordt weergegeven. De gemiddelde kwadratische foutverliesfunctie wordt uitgedrukt als Vergelijking (3):

(3)

Natuurkundig gebaseerd beperkingsverlies
Om te voorkomen dat de omkering van magnetische anomalieën resultaten oplevert die "numeriek dicht bij de werkelijke waarden maar fysiek onhaalbaar" zijn wanneer uitsluitend op MSE wordt vertrouwd, introduceert deze studie een fysica-consistentiebeperking gebaseerd op het magnetisch dipoolvoorwaartse model in de verliesfunctie. De voorspelde magnetisatieparameters van de ondergrond worden via de voorwaartse kernelmatrix in kaart gebracht om de bijbehorende theoretische magnetische anomalieën te berekenen, die vervolgens worden vergeleken met de waargenomen gegevens om direct de fysieke plausibiliteit van de inversieresultaten te beoordelen. Deze beperking straft effectief voorspellingen die, hoewel numeriek dicht bij de werkelijke waarden, de waargenomen anomalieën niet kunnen reproduceren wanneer ze vooruit worden gemodelleerd, waardoor het netwerk wordt geleid om de fysisch consistente mapping te leren van "subsurface magnetisatie → oppervlaktemagnetische anomalieën." Om gezamenlijk numerieke nauwkeurigheid en fysieke consistentie te optimaliseren, combineert de totaalverliesfunctie het MSE-dataverlies met de fysica-consistentiebeperking op een gewogen manier, zodat het model niet alleen het verschil tussen voorspelde en echte magnetisatiewaarden minimaliseert, maar ook resultaten produceert die fysiek consistent zijn met de waarnemingen. Door dit geïntegreerde mechanisme speelt de fysica-consistentiebeperking een cruciale rol bij het onderdrukken van geluidseffecten, het beperken van niet-uniciteitsproblemen, het verbeteren van inversie stabiliteit en generalisatie, en uiteindelijk ervoor zorgen dat de voorspelde magnetisatieverdelingen zowel geofysisch correct als praktisch toepasbaar zijn. De op fysica gebaseerde constraint loss-functie wordt uitgedrukt als Vergelijking (4):

(4)

De eindverliesfunctie is een gewogen som van de verliesfuncties voor zwaartekrachtsanomalie en magnetische anomalie, waarbij elke verliesfunctie zowel het MSE-verlies als het fysica-gebaseerde constraint-verlies omvat. De totale verliesfunctie wordt uitgedrukt als Vergelijking (5):

(5)

Hier duidt yl_waar de ware magnetische anomaliegegevens aan, pred_l de voorspelde magnetische anomalie van het model, en A_mat is de magnetische veldkernelmatrix.

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