Autores: Muhammad Rizwan Asif, Nikolaj Foged, Pradip Kumar Maurya, Denys James Grombacher, Anders Vest Christiansen, Esben Auken, Jakob Juul Larsen
Resumen: Los estudios electromagnéticos aerotransportados en el dominio del tiempo producen conjuntos de datos extremadamente grandes con miles de kilómetros lineales de datos y millones de modelos posibles para explicar los datos. La inversión de tales conjuntos de datos para obtener las estructuras de resistividad del subsuelo es intensiva desde el punto de vista computacional e implica el cálculo de un número significativo de respuestas directas y derivadas para resolver el problema inverso de mínimos cuadrados. La altitud de vuelo del sistema aerotransportado debe incluirse en el modelado, lo que añade más complejidad. Proponemos integrar las redes neuronales en un marco de inversión por mínimos cuadrados iterativos amortiguados para agilizar el proceso de inversión. Entrenamos dos redes neuronales separadas para predecir las respuestas hacia delante y las derivadas parciales independientemente para una amplia gama de estructuras de resistividad y altitudes de vuelo. La inversión de datos no sólo se utiliza para producir los modelos finales del subsuelo, sino que también se utiliza durante el procesamiento de datos, o para producir resultados intermedios durante un estudio. Con estos propósitos en mente, proporcionamos tres esquemas de inversión con un equilibrio sintonizable entre el tiempo computacional y la precisión del modelado: (1) respuestas numéricas directas utilizadas inicialmente en combinación con derivadas de red neuronal, y las derivadas cambiadas a una solución numérica en iteraciones finales, (2) respuestas numéricas directas en combinación con derivadas de red neuronal utilizadas a lo largo de la inversión, y (3) sólo respuestas directas de red neuronal y derivadas utilizadas en la inversión. Los experimentos con datos de campo demuestran que con el primer método se mejora la velocidad de inversión sin perder precisión en el modelado, mientras que con el segundo se consigue un aumento significativo de la velocidad a costa de desviaciones menores, y a menudo aceptables, en los resultados de la inversión con respecto a la inversión no lineal convencional. El último enfoque es el más rápido y captura bastante bien las estructuras generales de resistividad. Por lo tanto, dependiendo de la precisión del modelado, se obtienen factores de aceleración de la inversión de hasta el 50 utilizando los esquemas propuestos.
