DOI: https://doi.org/10.1007/s11600-026-01876-7
تاريخ النشر: 2026-05-22
المؤلف: Koustav Ghosal وآخرون
الموضوع الرئيسي: طرق الجيوفيزياء والجيوكهربائية
نظرة عامة
في هذا البحث، يتم تقديم نهج التعلم العميق (DL) لعكس بيانات الراديو مغناطيسية (RMT)، مع معالجة التحديات المتعلقة بالتعميم عند تطبيق النماذج على بيانات الحقل. يقترح المؤلفون مخطط عكس جديد يستخدم حقول عشوائية غاوسية (GRF) لتوليد نماذج مقاومة تحت السطح، مما يعزز قدرة الشبكة على التعميم على مجموعات البيانات خارج التوزيع (OOD). أظهرت الشبكة المدربة مسبقًا فعالية في الكشف عن الشذوذ في مجموعة بيانات OOD، متفوقة على الطرق التقليدية المعتمدة على التدرج، وأكدت أن التدريب باستخدام مجموعات بيانات GRF يحسن الأداء بشكل كبير مقارنة بالخلفيات المتجانسة.
تقوم الدراسة أيضًا بالتحقق من صحة المخطط المقترح من خلال تجارب اصطناعية وبيانات ميدانية من موقع نفايات في روكي، الهند. تشير النتائج إلى أن بنية U-net المعدلة لا تتفوق فقط في استعادة هياكل المقاومة في نماذج الشطرنج، ولكنها أيضًا تحافظ على القوة ضد الضوضاء. يتم التأكيد على فعالية المخطط من خلال قدرته على الكشف عن الميزات في بيانات الحقل التي لم يتم اكتشافها بواسطة طرق العكس الحتمية. يقترح المؤلفون أن التحسينات المستقبلية في التعميم يمكن تحقيقها من خلال زيادة حجم مجموعة البيانات واستخدام هياكل شبكية أكثر تقدمًا أو محاكيات قائمة على الفيزياء كدوال خسارة.
مقدمة
تناقش مقدمة هذه الورقة البحثية طريقة الراديو مغناطيسية (RMT)، وهي تقنية مستخدمة على نطاق واسع للتحقيقات القريبة من السطح، بما في ذلك التطبيقات في دراسات المياه الجوفية، وتقييمات الانهيارات الأرضية، وتقييمات مواقع النفايات. تتضمن الطريقة قياس المجالات الكهربائية والمغناطيسية المتغيرة مع الزمن على سطح الأرض، والتي يتم توليدها بواسطة أجهزة إرسال راديو بعيدة. يسمح الممانعة المستمدة من هذه القياسات بتقدير مقاومة الكهرباء تحت السطح من خلال تقنيات العكس. تواجه طرق العكس التقليدية المعتمدة على التدرج، مثل عكس أوكام، تحديات في التقاط العلاقات غير الخطية بين النماذج والبيانات الملاحظة، مما يدفع إلى استكشاف طرق التحسين العالمية مثل التلدين المحاكي والخوارزميات الجينية. ومع ذلك، فإن هذه الطرق العالمية تتطلب حسابات مكثفة، خاصة للمشاكل عالية الأبعاد.
تسلط الورقة الضوء على إمكانيات خوارزميات التعلم العميق (DL) لمعالجة قيود تقنيات العكس التقليدية من خلال نمذجة عدم الخطية في البيانات بشكل فعال. تم تطبيق هياكل DL مختلفة على عكس بيانات MT أحادية وثنائية الأبعاد، مع دراسات تظهر استخدام الشبكات العصبية التلافيفية (CNNs)، والشبكات العصبية المتكررة (RNNs)، وشبكات الاعتقاد العميق. على الرغم من هذه التقدمات، غالبًا ما تعتمد الأساليب الحالية على مجموعات بيانات تدريب بسيطة تحد من قدرات التعميم لعينات خارج التوزيع (OOD). لتعزيز قابلية تعميم نماذج DL، تقترح هذه الدراسة توليد مجموعات بيانات تدريب متنوعة باستخدام حقول عشوائية غاوسية (GRFs) ومعالجة البيانات المفقودة من خلال تقنيات الاستشعار المضغوط. توضح الورقة هيكلها، مشيرة إلى أن الأقسام التالية ستتناول نمذجة RMT للأمام، ومنهجيات عكس DL، وتقييم مجموعة البيانات، والنتائج من كل من التجارب الاصطناعية والميدانية.
النتائج
تقدم هذه القسم النتائج العددية التي تم الحصول عليها من الدراسة، مع تسليط الضوء على النتائج الرئيسية المستمدة من النماذج المنفذة. تشير النتائج إلى وجود ارتباط كبير بين المعلمات المدخلة والمقاييس الناتجة، مما يوضح فعالية المنهجية المقترحة. تم تحليل سيناريوهات مختلفة، مما يكشف أن النموذج يعمل بشكل مثالي تحت ظروف معينة، والتي تم تفصيلها في الجداول والأشكال المرفقة.
بالإضافة إلى ذلك، تحقق المحاكاة العددية من التنبؤات النظرية، مما يبرز قوة النموذج عبر مجموعات بيانات مختلفة. تتضمن التحليلات مقارنة مع الأساليب الحالية، موضحة التحسينات في الدقة والكفاءة. بشكل عام، تؤكد النتائج على التطبيقات المحتملة للنموذج في السيناريوهات الواقعية، مما يمهد الطريق للبحث والتطوير المستقبلي في هذا المجال.
المناقشة
في هذه الدراسة، تم تطوير مخطط قائم على التعلم العميق لعكس بيانات المقاومة ثنائية الأبعاد من طريقة الراديو مغناطيسية (RMT)، باستخدام بنية U-Net المعدلة. تم إجراء نمذجة للأمام للحقول الكهرومغناطيسية لكل من أوضاع الكهرباء المستعرضة (TE) والمغناطيسية المستعرضة (TM)، التي تحكمها معادلات تفاضلية جزئية تتضمن معلمات الموصلية الكهربائية والمقاومة. تم تعزيز عملية العكس من خلال زيادة البيانات باستخدام حقول عشوائية غاوسية (GRFs)، مما سمح بتوليد نماذج مقاومة متنوعة. أظهرت U-Net أداءً متفوقًا في استعادة هياكل المقاومة مقارنة بطرق العكس الحتمية التقليدية، خاصة في وجود عينات خارج التوزيع (OOD) ومستويات ضوضاء متغيرة.
أشارت النتائج إلى أن U-Net قامت بتحديد نماذج المقاومة بشكل فعال، محققة مقاييس دقة عالية مثل متوسط الخطأ التربيعي (MSE) ومقياس مؤشر التشابه الهيكلي (SSIM). تم التحقق من قوة الشبكة من خلال تجارب تتضمن بيانات ضوضاء وتقنيات الاستشعار المضغوط لإعادة بناء البيانات المفقودة. أظهرت بيانات ميدانية من موقع تلوث المياه الجوفية في روكي، الهند، قدرة U-Net على الكشف عن الميزات تحت السطح التي لم يتم التقاطها بواسطة طرق العكس التقليدية. بشكل عام، لا يتفوق الإطار القائم على التعلم العميق المقترح على الأساليب التقليدية فحسب، بل يظهر أيضًا إمكانيات للتطبيق في السيناريوهات الواقعية، مما يبرز الحاجة إلى مزيد من توسيع البيانات وهياكل الشبكة المتقدمة لتعزيز التعميم والدقة.
DOI: https://doi.org/10.1007/s11600-026-01876-7
Publication Date: 2026-05-22
Author(s): Koustav Ghosal et al.
Primary Topic: Geophysical and Geoelectrical Methods
Overview
In this research, a deep learning (DL) approach for the inversion of Radio Magnetotelluric (RMT) data is presented, addressing the challenges of generalization when applying models to field data. The authors propose a novel inversion scheme that utilizes Gaussian Random Fields (GRF) to generate subsurface resistivity models, enhancing the network’s ability to generalize to out-of-distribution (OOD) datasets. The pretrained network demonstrated effective anomaly detection in an OOD dataset, outperforming traditional gradient-based methods and confirming that training with GRF datasets significantly improves performance compared to homogeneous backgrounds.
The study further validates the proposed scheme through synthetic experiments and field data from a waste site in Roorkee, India. Results indicate that the modified U-net architecture not only excels in recovering resistivity structures in checkerboard models but also maintains robustness against noise. The scheme’s effectiveness is underscored by its ability to reveal features in field data that were undetected by deterministic inversion methods. The authors suggest that future improvements in generalization could be achieved by increasing the dataset size and employing more advanced network architectures or physics-based simulators as loss functions.
Introduction
The introduction of this research paper discusses the Radio Magnetotelluric (RMT) method, a widely used technique for near-surface investigations, including applications in groundwater studies, landslide assessments, and waste site evaluations. The method involves measuring time-varying electric and magnetic fields on the Earth’s surface, generated by remote radio transmitters. The impedance derived from these measurements allows for the estimation of subsurface electrical resistivity through inversion techniques. Traditional gradient-based inversion methods, such as Occam inversion, face challenges in capturing non-linear relationships between models and observed data, prompting the exploration of global optimization methods like simulated annealing and genetic algorithms. However, these global methods are computationally intensive, particularly for high-dimensional problems.
The paper highlights the potential of deep learning (DL) algorithms to address the limitations of conventional inversion techniques by effectively modeling the non-linearities in data. Various DL architectures have been applied to 1D and 2D MT data inversion, with studies demonstrating the use of convolutional neural networks (CNNs), recurrent neural networks (RNNs), and deep belief networks. Despite these advancements, existing approaches often rely on simplistic training datasets that limit generalization capabilities for out-of-distribution (OOD) samples. To enhance the generalizability of DL models, this study proposes generating diverse training datasets using Gaussian Random Fields (GRFs) and addressing missing data through compressed sensing techniques. The paper outlines its structure, indicating subsequent sections will cover RMT forward modeling, DL inversion methodologies, dataset evaluation, and results from both synthetic and field data experiments.
Results
The section presents the numerical results obtained from the study, highlighting key findings derived from the implemented models. The results indicate a significant correlation between the input parameters and the output metrics, demonstrating the effectiveness of the proposed methodology. Various scenarios were analyzed, revealing that the model performs optimally under specific conditions, which are detailed in the accompanying tables and figures.
Additionally, the numerical simulations validate the theoretical predictions, showcasing the robustness of the model across different datasets. The analysis includes a comparison with existing approaches, illustrating improvements in accuracy and efficiency. Overall, the results underscore the potential applications of the model in real-world scenarios, paving the way for future research and development in the field.
Discussion
In this study, a deep learning-based scheme for the inversion of 2D resistivity data from the Randomized Magnetotellurics (RMT) method was developed, utilizing a modified U-Net architecture. The forward modeling of the electromagnetic fields was conducted for both Transverse Electric (TE) and Transverse Magnetic (TM) modes, governed by partial differential equations that incorporate electrical conductivity and resistivity parameters. The inversion process was enhanced through data augmentation using Gaussian Random Fields (GRFs), which allowed for the generation of diverse resistivity models. The U-Net demonstrated superior performance in recovering resistivity structures compared to traditional deterministic inversion methods, particularly in the presence of out-of-distribution (OOD) samples and varying noise levels.
The results indicated that the U-Net effectively delineated resistivity models, achieving high accuracy metrics such as Mean Square Error (MSE) and Structural Similarity Index Measure (SSIM). The network’s robustness was further validated through experiments involving noisy data and compressed sensing techniques for missing data reconstruction. Field data from a groundwater contamination site in Roorkee, India, showcased the U-Net’s capability to reveal subsurface features that were not captured by conventional inversion methods. Overall, the proposed deep learning framework not only outperformed traditional approaches but also demonstrated potential for application in real-world scenarios, emphasizing the need for further data expansion and advanced network architectures to enhance generalization and accuracy.