利用隐式神经表示和科学机器学习对重力数据进行三维反演

摘要

重力数据的反演是研究与矿产勘探、地热评估、碳储存、天然氢、地下水资源和构造演化相关的地下密度变化的重要方法。本文提出了一种基于科学机器学习的三维重力反演方法，该方法利用隐式神经表示（INR）将地下密度表示为连续场。该方法通过基于物理的正向模型损失函数直接训练深度神经网络，将空间坐标映射到连续的密度场中，无需预先定义网格或离散化。空间编码增强了网络捕捉尖锐对比度和短波长特征的能力，而传统的基于坐标的网络由于光谱偏差往往会过度平滑这些特征。我们在包括平滑模型（代表真实的地质复杂性）和倾斜块模型在内的合成示例上展示了该方法，以评估不同深度结构的反演效果。INR框架能够在不进行显式正则化或深度加权的情况下重建详细的地质结构和合理的边界，并且随着问题规模的增大还能减少反演参数的数量。这些结果凸显了隐式表示方法在实现可扩展、灵活且可解释的大规模地球物理反演方面的潜力。该框架可以推广到其他地球物理方法以及联合/多物理场反演中。