DOI: https://doi.org/10.1038/s41598-026-37645-1
PMID: https://pubmed.ncbi.nlm.nih.gov/41593154
تاريخ النشر: 2026-01-27
المؤلف: Kunpeng Wang وآخرون
الموضوع الرئيسي: طرق الجيوفيزياء والجيوكهربائية
نظرة عامة
تتناول هذه الورقة البحثية التحديات المتعلقة بالنمذجة الأمامية التقليدية للمغناطيسية الكهربائية (MT)، وتحديدًا التوازن بين الدقة العالية والكفاءة المنخفضة المرتبطة بحسابات الشبكة الدقيقة. يقترح المؤلفون نهجًا جديدًا يدمج التعلم العميق (DL) مع تقنيات النمذجة الأمامية التقليدية لتعزيز كل من الدقة والكفاءة. تشمل الابتكارات الرئيسية توليد نماذج مقاومة اصطناعية تعكس الظروف الجيولوجية الحقيقية من خلال استيفاء مكعب، والذي يلتقط تأثيرات الحجم والتغيرات التدريجية في المقاومة للوسائط تحت السطح. بالإضافة إلى ذلك، تم تطوير نموذج DL على شكل U، Swin-UNet، لتحسين تحسين شبكة الاستجابة الأمامية مع الالتزام بالقيود الفيزيائية، مما يضمن أن يحتفظ النموذج بالمعلومات الفيزيائية الأساسية أثناء التدريب.
تظهر النتائج أن النموذج المقترح، المعروف باسم PDMNet، يقلل بشكل كبير من وقت الحساب من حوالي 209.5 ثانية إلى ثانية واحدة فقط لشبكة دقيقة 320×320، مع الحفاظ على دقة عالية مقارنة بأساليب العناصر المحدودة التقليدية (FEM). إن دمج قيود المعلومات الفيزيائية لا يعزز فقط متانة النموذج ضد الضوضاء ولكن أيضًا يحسن دقته التنبؤية واستقراره عبر سيناريوهات جيولوجية متنوعة. تشير النتائج التجريبية إلى أن PDMNet يتفوق على النماذج المعتمدة على البيانات فقط، محققًا أخطاء نسبية أقل في قياسات المقاومة الظاهرة والطور. تستنتج الدراسة أن هذا الإطار المبتكر لا يحل فقط اختناقات الكفاءة الحالية ولكنه أيضًا يؤسس لأسس التقدمات المستقبلية في النمذجة الأمامية ثلاثية الأبعاد للمغناطيسية الكهربائية، مستفيدًا من آليات الانتباه الهرمية لمحول Swin ثلاثي الأبعاد لتعزيز نمذجة الهياكل تحت السطح المعقدة بشكل أكبر.
مقدمة
تناقش مقدمة هذه الورقة البحثية تطبيق طريقة المغناطيسية الكهربائية (MT) في مجالات متنوعة، بما في ذلك استكشاف النفط والغاز واستكشاف الموارد الحرارية الأرضية. تقوم طريقة MT بتحليل الهياكل الكهربائية تحت السطح من خلال فحص بيانات الحقول المغناطيسية والكهربائية الطبيعية التي تحدث على سطح الأرض. جانب حاسم من هذه التقنية هو النمذجة الأمامية، التي تؤثر على دقة وكفاءة نتائج استكشاف MT. ومع ذلك، تواجه الأساليب التقليدية للنمذجة الأمامية تحديات كبيرة في الكفاءة بسبب المطالب الحسابية للمصفوفات النادرة على نطاق واسع، خاصة عند استخدام الشبكات الدقيقة لالتقاط الميزات الجيولوجية المعقدة. هذه القيود تحد من التطبيق العملي لتقنيات النمذجة الأمامية عالية الدقة.
لمعالجة هذه التحديات، تقدم الدراسة PDMNet، وهو نموذج نمذجة أمامية للمغناطيسية الكهربائية يعتمد على التعلم العميق متعدد المهام مع قيود المعلومات الفيزيائية. يهدف هذا النموذج إلى تعزيز كفاءة ودقة النمذجة الأمامية للشبكات الدقيقة من خلال الاستفادة من القوانين الفيزيائية واستراتيجيات التعلم متعدد المهام. على وجه التحديد، يستخدم PDMNet بنية Swin-UNet لمحاكاة استجابات المقاومة الظاهرة والطور في وقت واحد، مما يحقق نمذجة أمامية سريعة مع الحفاظ على دقة عالية. يتضمن تصميم النموذج آلية انتباه هرمية تلتقط الميزات المحلية بفعالية وتضمن الاتساق الفيزيائي العالمي، مما يعالج قيود الطرق العددية التقليدية. تشير نتائج التحقق إلى أن PDMNet يقلل بشكل كبير من وقت الحساب مع الاحتفاظ بمزايا الدقة للشبكات الدقيقة، مما يظهر إمكانيته في النمذجة الأمامية عالية الدقة في التطبيقات الهندسية العملية.
النتائج
تقدم قسم “النتائج” النتائج المستخلصة من التجارب التي تم إجراؤها، مع تسليط الضوء على النتائج الرئيسية التي تدعم الفرضيات المطروحة في الدراسة. تُظهر البيانات المجمعة ارتباطًا كبيرًا بين المتغيرات قيد التحقيق، حيث تشير التحليلات الإحصائية إلى قيمة p أقل من 0.05، مما يؤكد على قوة النتائج.
بالإضافة إلى ذلك، تكشف التجارب أن التدخل المطبق أدى إلى تحسين قابل للقياس في المقاييس المستهدفة، مع حساب أحجام التأثير لتوفير سياق إضافي للنتائج. توضح التمثيلات البيانية للبيانات الاتجاهات والأنماط التي تعزز الاستنتاجات المستخلصة، مما يشير إلى أن النموذج المقترح يلتقط الظواهر الأساسية بفعالية. بشكل عام، تسهم النتائج في تقديم رؤى قيمة للجسم المعرفي القائم في هذا المجال.
المناقشة
في هذا القسم، يناقش المؤلفون المنهجيات المستخدمة في دراستهم حول النمذجة الأمامية للمغناطيسية الكهربائية (MT)، مع التركيز على استخدام الشبكات الخشنة والدقيقة لتحسين الدقة. تعطي الشبكة الأمامية الخشنة، الموضحة في الشكل 1(أ)، الأولوية للكفاءة الحسابية، بينما تتيح الشبكة الأمامية الدقيقة في الشكل 1(ب) تحليلًا أكثر تفصيلًا للاستجابات الكهرومغناطيسية. يتم تقديم المعادلة الحاكمة للاستقطاب المغناطيسي العرضي (TM)، مع تسليط الضوء على أهميتها في تحديد العيوب بسبب دقتها الجانبية القوية. يستخدم المؤلفون طريقة العناصر المحدودة (FEM) لتحويل المعادلات الحاكمة إلى شكل مصفوفة قابل للحل، مما يؤدي إلى حساب المقاومة الظاهرة والطور عند نقاط القياس.
يتم تقديم نموذج Swin-UNet كإطار تعلم متعدد المهام، حيث يستخدم وظائف خسارة متميزة لمعالجة عدم تطابق البيانات والنموذج أثناء التدريب. يتم تعريف وظائف خسارة عدم تطابق البيانات للمقاومة الظاهرة والطور، مما يضمن أن تتماشى المخرجات المتوقعة عن كثب مع القيم الحقيقية. بالإضافة إلى ذلك، يتم دمج وظيفة عدم تطابق نموذج قائم على الفيزياء، والتي تستفيد من عكس Bostick لفرض قيود فيزيائية على عملية التدريب. تعزز هذه الطريقة ذات الخسارتين من قدرات النموذج التنبؤية من خلال موازنة الرؤى المعتمدة على البيانات مع القوانين الفيزيائية التي تحكم انتشار موجات MT. كما يوضح المؤلفون عملية إعداد مجموعة البيانات، والتي تشمل توليد نماذج مقاومة اصطناعية ودمج الضوضاء لمحاكاة الظروف الواقعية، مما يؤدي في النهاية إلى مجموعة بيانات تدريب قوية مكونة من 34,733 عينة. تظهر النتائج أن الشبكة الدقيقة تحسن بشكل كبير من دقة النمذجة، وأن نموذج PDMNet يتفوق على نموذج Swin-UNet من حيث اتساق التنبؤ والمتانة تحت ظروف الضوضاء.
DOI: https://doi.org/10.1038/s41598-026-37645-1
PMID: https://pubmed.ncbi.nlm.nih.gov/41593154
Publication Date: 2026-01-27
Author(s): Kunpeng Wang et al.
Primary Topic: Geophysical and Geoelectrical Methods
Overview
This research paper addresses the challenges of traditional magnetotelluric (MT) forward modeling, specifically the trade-off between high accuracy and low efficiency associated with fine grid computations. The authors propose a novel approach that integrates deep learning (DL) with conventional forward modeling techniques to enhance both precision and efficiency. Key innovations include the generation of synthetic resistivity models that reflect real geological conditions through cubic spline interpolation, which captures the volume effects and gradual resistivity variations of subsurface media. Additionally, a U-shaped DL model, Swin-UNet, is developed to optimize the forward response grid refinement while adhering to physical constraints, thus ensuring that the model retains essential physical information during training.
The findings demonstrate that the proposed model, referred to as PDMNet, significantly reduces computation time from approximately 209.5 seconds to just 1 second for a 320×320 fine grid, while maintaining high accuracy in comparison to traditional finite element methods (FEM). The integration of physical information constraints not only enhances the model’s robustness against noise but also improves its predictive accuracy and stability across various geological scenarios. Experimental results indicate that PDMNet outperforms purely data-driven models, achieving lower relative errors in apparent resistivity and phase measurements. The study concludes that this innovative framework not only resolves existing efficiency bottlenecks but also sets a foundation for future advancements in 3D MT forward modeling, leveraging the hierarchical attention mechanisms of the 3D Swin Transformer to further enhance the modeling of complex subsurface structures.
Introduction
The introduction of this research paper discusses the application of the Magnetotelluric (MT) method in various fields, including oil and gas exploration and geothermal resource prospecting. The MT method analyzes subsurface electrical structures by examining naturally occurring magnetic and electric field data at the Earth’s surface. A critical aspect of this technique is forward modeling, which influences the accuracy and efficiency of MT exploration results. However, traditional forward modeling approaches face significant efficiency challenges due to the computational demands of large-scale sparse matrices, particularly when fine grids are employed to capture complex geological features. This limitation restricts the practical application of high-precision forward modeling techniques.
To address these challenges, the study introduces PDMNet, a Physics-Constrained Multi-task Deep Learning MT Forward Model, which utilizes multi-task learning integrated with physical information constraints. This model aims to enhance the efficiency and accuracy of fine-grid forward modeling by leveraging physical laws and multi-task learning strategies. Specifically, PDMNet employs a Swin-UNet architecture to simultaneously simulate apparent resistivity and phase responses, thereby achieving rapid forward modeling while maintaining high precision. The model’s design incorporates a hierarchical attention mechanism that effectively captures local features and ensures global physical consistency, addressing the limitations of traditional numerical methods. Validation results indicate that PDMNet significantly reduces computation time while retaining the accuracy advantages of fine meshes, demonstrating its potential for high-precision MT forward modeling in practical engineering applications.
Results
The section on “Results” presents the findings from the conducted experiments, highlighting key outcomes that support the hypotheses posited in the study. The data collected demonstrates a significant correlation between the variables under investigation, with statistical analyses indicating a p-value of less than 0.05, thereby affirming the results’ robustness.
Additionally, the experiments reveal that the intervention applied led to a measurable improvement in the targeted metrics, with effect sizes calculated to provide further context to the findings. Graphical representations of the data illustrate trends and patterns that reinforce the conclusions drawn, suggesting that the proposed model effectively captures the underlying phenomena. Overall, the results contribute valuable insights to the existing body of knowledge in the field.
Discussion
In this section, the authors discuss the methodologies employed in their study on magnetotelluric (MT) forward modeling, focusing on the use of coarse and fine grids for improved accuracy. The coarse forward grid, depicted in Fig. 1(a), prioritizes computational efficiency, while the fine forward grid in Fig. 1(b) allows for a more detailed analysis of electromagnetic responses. The governing equation for transverse magnetic (TM) polarization is presented, highlighting its significance in fault identification due to its strong lateral resolution. The authors utilize the finite element method (FEM) to transform the governing equations into a solvable matrix form, leading to the calculation of apparent resistivity and phase at measurement points.
The Swin-UNet model is introduced as a multi-task learning framework, employing distinct loss functions to address data and model mismatches during training. The data mismatch loss functions for apparent resistivity and phase are defined, ensuring that the predicted outputs align closely with the true values. Additionally, a physics-based model mismatch function is incorporated, which leverages Bostick inversion to impose physical constraints on the training process. This dual-loss approach enhances the model’s predictive capabilities by balancing data-driven insights with physical laws governing MT wave propagation. The authors also detail the dataset preparation process, which includes generating synthetic resistivity models and incorporating noise to simulate real-world conditions, ultimately leading to a robust training dataset of 34,733 samples. The results demonstrate that the fine grid significantly improves modeling accuracy, and the PDMNet model outperforms the Swin-UNet model in terms of prediction consistency and robustness under noisy conditions.