Modelado avanzado magnetotellúrico 2D basado en el aprendizaje profundo multitarea

Área de la Ciencia:

• La geofísica
• Ciencias computacionales
• Inteligencia artificial

Sus antecedentes:

• La precisión del modelado magnético 2D (MT) es crucial para la calidad de la inversión geofísica.
• Los métodos numéricos tradicionales son computacionalmente intensivos, lo que limita su eficiencia en las computadoras personales.

Objetivo del estudio:

• Desarrollar un nuevo y eficiente método de modelado de MT 2D utilizando un enfoque de aprendizaje profundo.
• Para acelerar los cálculos a plazo de MT, manteniendo una alta precisión.

Principales métodos:

• Se utilizó una red multitarea Transformer U-Net (T-Unet) para la formación integral.
• La red aprende el mapeo entre los modelos geoeléctricos y los datos de resistividad / fase aparente.
• Un modelo de red neuronal entrenado predice directamente los resultados del modelado avanzado de MT.

Principales resultados:

• El modelo T-Unet reduce significativamente el tiempo de cálculo en comparación con las simulaciones tradicionales.
• Se mantiene una alta precisión computacional después del establecimiento del modelo.
• El método de aprendizaje profundo demuestra una eficiencia superior en las computadoras personales.

Conclusiones:

• Las redes neuronales de aprendizaje profundo tienen un potencial significativo para acelerar los cálculos futuros de MT.
• Esta investigación ofrece una nueva vía para integrar la inteligencia artificial en la exploración geofísica.
• El método T-Unet proporciona una alternativa eficiente y precisa para el modelado avanzado de MT en 2D.