Physically Guided Deep Unsupervised Inversion for 1D Magnetotelluric Models

要約

地熱エネルギーや白色水素などの非在来型エネルギー源に対する世界的な需要には、正確な地下構造の特性評価と潜在的な貯留層の特定のための新しい探査技術が必要です。
磁気地テル法 (MT) 法はこれらの作業に不可欠であり、数百から数千メートルの範囲の深さにおける地下の電気抵抗率の分布に関する重要な情報を提供します。
ただし、従来の反復アルゴリズムベースの反転手法では、複数のパラメーターの調整が必要であり、適切なコスト関数の最小化を達成するには、時間のかかる徹底的な調整プロセスが必要になります。
最近の進歩では、主に教師あり学習に基づいた MT 逆変換の深層学習アルゴリズムが組み込まれていますが、\paul{and} はトレーニング用に大規模なラベル付きデータセットを必要とします。
この作業では、TensorFlow 操作を利用して微分可能な前方 MT 演算子を作成し、その自動微分機能を活用します。
さらに、古典的なアルゴリズムのように地下モデルを直接解く代わりに、この論文では、1D MT モデルを推定するための、物理学に基づいた新しい深い教師なし反転アルゴリズムを紹介します。
トレーニング中に観測データとそのそれぞれのモデルを含むデータセットをラベルとして使用する代わりに、私たちの方法では、コスト関数の最小化を物理的に導く微分可能なモデリング演算子を採用し、提案された方法が観測データのみに依存するようにします。
したがって、最適化 \paul{algorithm} はネットワークの重みを更新してデータの不適合を最小限に抑えます。
さまざまな取得周波数でフィールドデータと合成データを使用して提案された方法をテストし、得られた抵抗率モデルが他の技術を使用して計算されたモデルよりも正確であることを実証しました。

要約(オリジナル)

The global demand for unconventional energy sources such as geothermal energy and white hydrogen requires new exploration techniques for precise subsurface structure characterization and potential reservoir identification. The Magnetotelluric (MT) method is crucial for these tasks, providing critical information on the distribution of subsurface electrical resistivity at depths ranging from hundreds to thousands of meters. However, traditional iterative algorithm-based inversion methods require the adjustment of multiple parameters, demanding time-consuming and exhaustive tuning processes to achieve proper cost function minimization. Although recent advances have incorporated deep learning algorithms for MT inversion, primarily based on supervised learning, \paul{and} needs large labeled datasets for training. This work utilizes TensorFlow operations to create a differentiable forward MT operator, leveraging its automatic differentiation capability. Moreover, instead of solving for the subsurface model directly, as classical algorithms perform, this paper presents a new deep unsupervised inversion algorithm guided by physics to estimate 1D MT models. Instead of using datasets with the observed data and their respective model as labels during training, our method employs a differentiable modeling operator that physically guides the cost function minimization, making the proposed method solely dependent on observed data. Therefore, the optimization \paul{algorithm} updates the network weights to minimize the data misfit. We test the proposed method with field and synthetic data at different acquisition frequencies, demonstrating that the resistivity models obtained are more accurate than those calculated using other techniques.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google