Three-dimensional inversion of gravity data using implicit neural representations
Pankaj K Mishra, Sanni Laaksonen, Jochen Kamm and Anand Singh
重力数据的倒置是研究与各种应用相关的地下密度变化的重要方法,包括矿物勘探,地热评估,碳储存,天然氢,地下水资源和构造演变。 在这里,我们提出了三维重力反转的科学机器学习方法,该方法使用隐性神经表示(INR)将地下密度表示为连续场。 该方法通过基于物理的远向模型损失直接训练深度神经网络,将空间坐标映射到连续密度场,而无需预先定义的网格或离散化。 位置编码增强了网络捕获锐利对比度和短波长特征的能力,这些特征由于光谱偏差而倾向于过度平滑。 我们展示了合成示例的方法,包括高斯随机场,代表现实的地质复杂性,以及评估块结构恢复的浸渍块模型。 INR框架在没有明确的正则化或深度加权的情况下重建了详细的结构和地质上合理的边界,同时大大减少了反转参数的数量。 这些结果突出了隐式表示实现可扩展、灵活和可解释的大规模地球物理反转的潜力。 这个框架可以推广到其他地球物理方法和联合/多物理反转。
Inversion of gravity data is an important method for investigating subsurface density variations relevant to diverse applications including mineral exploration, geothermal assessment, carbon storage, natural hydrogen, groundwater resources, and tectonic evolution. Here we present a scientific machine-learning approach for three-dimensional gravity inversion that represents subsurface density as a continuous field using an implicit neural representation (INR). The method trains a deep neural netw...