Auteurs : Muhammad Rizwan Asif, Nikolaj Foged, Pradip Kumar Maurya, Denys James Grombacher, Anders Vest Christiansen, Esben Auken, Jakob Juul Larsen
Résumé : Les levés électromagnétiques aéroportés dans le domaine temporel produisent des ensembles de données extrêmement importants, avec des milliers de kilomètres linéaires de données et des millions de modèles possibles pour expliquer les données. L'inversion de ces ensembles de données pour obtenir les structures de résistivité de la subsurface est un calcul intensif et implique le calcul d'un nombre important de réponses directes et dérivées pour résoudre le problème inverse des moindres carrés. L'altitude de vol du système aéroporté doit être incluse dans la modélisation, ce qui ajoute à la complexité. Nous proposons d'intégrer des réseaux neuronaux dans un cadre d'inversion itérative amortie des moindres carrés afin d'accélérer le processus d'inversion. Nous formons deux réseaux neuronaux distincts pour prédire les réponses directes et les dérivées partielles indépendamment pour une large gamme de structures de résistivité et d'altitudes de vol. L'inversion des données n'est pas seulement utilisée pour produire les modèles finaux de la subsurface, mais aussi pendant le traitement des données ou pour produire des résultats intermédiaires au cours d'une étude. En gardant ces objectifs à l'esprit, nous proposons trois schémas d'inversion avec un équilibre réglable entre le temps de calcul et la précision de la modélisation : (1) les réponses numériques directes utilisées initialement en combinaison avec les dérivés du réseau neuronal, et les dérivés passant à une solution numérique dans les itérations finales, (2) les réponses numériques directes en combinaison avec les dérivés du réseau neuronal utilisés tout au long de l'inversion, et (3) uniquement les réponses directes et les dérivés du réseau neuronal utilisés dans l'inversion. Des expériences sur des données de terrain montrent que la première approche permet d'améliorer la vitesse d'inversion sans perte de précision de la modélisation, tandis que la deuxième approche permet une accélération significative au prix d'écarts mineurs et souvent acceptables dans les résultats de l'inversion par rapport à l'inversion non linéaire conventionnelle. La dernière approche est la plus rapide et capture assez bien les structures de résistivité globales. Par conséquent, en fonction de la précision de la modélisation, des facteurs d'accélération de l'inversion allant jusqu'à 50 sont réalisés en utilisant les schémas proposés.
