Reti Neurali Non Supervisionate Sensibili alla Profondità per l'Inversione Gravimetrica 3D
Un recente preprint arXiv (2608.08959) introduce una rappresentazione neurale implicita non supervisionata sensibile alla profondità, finalizzata all'inversione gravimetrica 3D. La gravimetria cattura le variazioni di densità del sottosuolo legate a formazioni geologiche, sistemi geotermici e corpi intrusivi. La sfida di derivare un modello di densità tridimensionale dai dati gravimetrici è significativa a causa di problemi come la non unicità, la copertura dati sparsa e l'attenuazione del campo gravitazionale con la profondità. Le tecniche di inversione tradizionali dipendono da regolarizzazione esplicita e regolazioni dei parametri, mentre i metodi di deep learning supervisionato spesso mancano di coppie gravità-densità sufficienti. Il nuovo approccio utilizza più reti neurali basate su coordinate per strati di profondità sovrapposti, ottimizzate utilizzando la matrice di sensibilità derivata dai dati gravimetrici osservati. Incorpora caratteristiche di Fourier specifiche per strato, guadagni di profondità basati sulla fisica e regolarizzazione programmata per stabilire priori strutturali, tutto in modo non supervisionato, eliminando la necessità di dati etichettati.
Fatti principali
- Il paper arXiv:2608.08959v1 propone una rappresentazione neurale implicita non supervisionata sensibile alla profondità per l'inversione gravimetrica 3D.
- La gravimetria immagini i contrasti di densità del sottosuolo associati a strutture geologiche, sistemi geotermici e corpi intrusivi.
- Il recupero del modello di densità 3D dalle osservazioni gravimetriche è mal posto a causa della non unicità, della copertura dati limitata e dell'attenuazione con la profondità.
- I metodi di inversione classici si basano su regolarizzazione esplicita e ottimizzazione dei parametri.
- Gli approcci di deep learning supervisionato richiedono coppie rappresentative gravità-densità che raramente sono disponibili.
- Il volume di densità è rappresentato da più reti neurali basate su coordinate assegnate a strati di profondità sovrapposti.
- L'ottimizzazione viene effettuata direttamente dalle misurazioni gravimetriche osservate attraverso la matrice di sensibilità.
- Caratteristiche di Fourier specifiche per strato, guadagni di profondità basati sulla fisica e regolarizzazione programmata forniscono priori strutturali.
Entità
Istituzioni
- arXiv