| Titre | Retrieval of subsurface resistivity from magnetotelluric data using a deep-learning-based inversion technique |
| |
| Auteur | Liu, X ; Craven, J
A; Tschirhart, V |
| Source | Minerals vol. 13, issue 4, 2023 p. 1-16, https://doi.org/10.3390/ min13040461 |
| Image |  |
| Année | 2023 |
| Séries alt. | Ressources naturelles Canada, Contribution externe 20210009 |
| Éditeur | MDPI |
| Document | publication en série |
| Lang. | anglais |
| DOI | https://doi.org/10.3390/ min13040461 |
| Media | en ligne; numérique |
| Sujets | levés magnétotelluriques; interprétations magnétotelluriques; Apprentissage; géomathématique; Sciences et technologie |
| Illustrations | diagrammes; modèles; organigrammes; tableaux; graphiques; cartes géologiques généralisées |
| Programme | Initiative géoscientifique ciblée (IGC-6) Projet de géoscience numérique et élaboration de méthodes |
| Diffusé | 2023 03 29 |
| Résumé | (non publié)
L'inversion est une étape fondamentale de l'analyse de routine des données magnétotelluriques (MT) pour récupérer un modèle géoélectrique de subsurface qui peut être utilisé pour
éclairer les interprétations géologiques. Pour réduire l'effet de la non-unicité et les problèmes de piégeage du minimum local, et pour améliorer la vitesse de calcul, une méthode mathématique basée sur les données avec un réseau neuronal profond a
été développée pour estimer la résistivité de la subsurface. Dans cette étude, une technique d'inversion par apprentissage profond (DL) utilisant une architecture révisée de réseau neuronal convolutionnel multi-têtes (CNN) a été étudiée pour
l'analyse des données de magnétoscopie. Nous avons créé des ensembles de données synthétiques composés de 100 000 échantillons aléatoires de couches de résistivité afin d'entraîner les paramètres du réseau. Le modèle entraîné a été validé avec des
ensembles de données indépendants et bruités, et les résultats prédits ont montré une précision et une fiabilité raisonnables, ce qui démontre l'application potentielle de l'inversion DL pour les données de magnétoscopie du monde réel. Le modèle
entraîné a été utilisé pour analyser les données MT recueillies dans le sud-ouest du bassin d'Athabasca, au Canada. Les résultats calculés à partir de la méthode DL ont montré une distribution détaillée de la résistivité de la subsurface par rapport
à l'inversion itérative traditionnelle. Étant donné que cette approche peut prédire un modèle de résistivité sans avoir recours à de multiples opérations de modélisation en aval après la création du modèle CNN, ce cadre permet d'accélérer le calcul
de l'inversion multidimensionnelle de la magnétoscopie pour la résistivité de la subsurface. |
| Sommaire | (Résumé en langage clair et simple, non publié)
La méthode magnétotellurique (MT) utilise des signaux électromagnétiques naturels pour imager la distribution de résistivité du sous-sol. Il
utilise dans les limites tectoniques, l'étude des tremblements de terre, l'exploration des ressources naturelles, telles que les minéraux et la géothermie depuis des décennies. L'inversion des données MT est une étape importante pour récupérer les
informations de résistivité souterraine et suivre l'interprétation géologique. Afin de surmonter l'inconvénient des méthodes d'inversion traditionnelles, une technique d'inversion alternative potentielle a été émergée pour estimer les propriétés
souterraines dans de nombreuses méthodes géophysiques. Cette méthode basée sur les données utilisant un réseau de neurones profonds commence à être populaire avec l'amélioration du matériel informatique ces dernières années. Dans cette étude, nous
avons proposé une méthode d'inversion d'apprentissage en profondeur (DL) utilisant une architecture de réseau neuronal convolutif à plusieurs têtes (CNN) pour l'inversion de données MT unidimensionnelle. Nous avons créé des ensembles de données
synthétiques pour entraîner les paramètres de pondération du modèle CNN et validé le modèle DL entraîné. Le modèle CNN accepté a été exploité sur des données MT réelles du bassin d'Athabasca. Étant donné que cette approche peut prédire le modèle de
résistivité sans plusieurs opérations de modélisation directe après la création du modèle CNN, ce cadre s'ouvre pour une inversion MT tridimensionnelle pour prédire instantanément la structure de résistivité plus complexe et économisera beaucoup de
temps de calcul. Cet avantage peut faire de l'inversion DL un outil important pour le traitement des données de levés EM et être bénéfique pour l'exploration minérale. |
| GEOSCAN ID | 328223 |
|
|