Die Autoren: Muhammad Rizwan Asif, Nikolaj Foged, Pradip Kumar Maurya, Denys James Grombacher, Anders Vest Christiansen, Esben Auken, Jakob Juul Larsen
Zusammenfassung: Elektromagnetische Vermessungen aus der Luft im Zeitbereich erzeugen extrem große Datensätze mit Tausenden von Linienkilometern und Millionen von möglichen Modellen zur Erklärung der Daten. Die Inversion solcher Datensätze, um die Widerstandsstrukturen des Untergrunds zu erhalten, ist rechenintensiv und beinhaltet die Berechnung einer beträchtlichen Anzahl von Vorwärts- und Ableitungsantworten zur Lösung des inversen Problems der kleinsten Quadrate. Die Flughöhe des Bordsystems muss in die Modellierung einbezogen werden, was die Komplexität weiter erhöht. Wir schlagen vor, neuronale Netze in ein gedämpftes iteratives Least-Squares-Inversionsverfahren zu integrieren, um den Inversionsprozess zu beschleunigen. Wir trainieren zwei separate neuronale Netze, um die Vorwärtsantworten und partiellen Ableitungen unabhängig voneinander für einen breiten Bereich von Widerstandsstrukturen und Flughöhen vorherzusagen. Die Dateninversion wird nicht nur für die Erstellung der endgültigen Untergrundmodelle verwendet, sondern auch während der Datenverarbeitung oder zur Erstellung von Zwischenergebnissen während einer Untersuchung. Für diese Zwecke bieten wir drei Inversionsschemata mit einem einstellbaren Gleichgewicht zwischen Rechenzeit und Modellierungsgenauigkeit an: (1) numerische Vorwärtsantworten, die anfänglich in Kombination mit Ableitungen des neuronalen Netzes verwendet werden, wobei die Ableitungen in den letzten Iterationen auf eine numerische Lösung umgeschaltet werden, (2) numerische Vorwärtsantworten in Kombination mit Ableitungen des neuronalen Netzes, die während der gesamten Inversion verwendet werden, und (3) nur Vorwärtsantworten und Ableitungen des neuronalen Netzes, die bei der Inversion verwendet werden. Experimente mit Felddaten haben ergeben, dass wir mit unserem ersten Ansatz die Inversionsgeschwindigkeit ohne Einbußen bei der Modellierungsgenauigkeit verbessern, während das zweite Schema eine erhebliche Beschleunigung auf Kosten geringer und oft akzeptabler Abweichungen der Inversionsergebnisse von der konventionellen nichtlinearen Inversion bewirkt. Der letzte Ansatz ist der schnellste und erfasst die gesamten Widerstandsstrukturen recht gut. Je nach Modellierungsgenauigkeit lassen sich mit den vorgeschlagenen Verfahren daher Beschleunigungsfaktoren von bis zu 50 erreichen.
