Применение искусственных нейронных сетей для восстановления вектора магнитного поля по однокомпонентным данным

Обложка

Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Доступ платный или только для подписчиков

Аннотация

В данной работе с помощью искусственных нейронных сетей была решена задача о восстановлении векторного аномального магнитного поля по однокомпонентным данным. Для обучения искусственной нейронной сети была создана база данных компонент аномального магнитного поля Bx, By, Bz с помощью набора точечных магнитных диполей, залегающих под плоскостью измерения поля. На синтетическом примере была показана работа обученной нейронной сети в сравнении с известным численным алгоритмом восстановления векторного поля по данным одной компоненты. Далее, по данным вертикальной компоненты аномального геомагнитного поля с помощью искусственных нейронных сетей были восстановлены горизонтальные компоненты аномального геомагнитного поля на территории 58–85° E, 52°–74° N с шагом сетки 2 угловых минуты.

Об авторах

Р. А. Рытов

Институт земного магнетизма, ионосферы и распространения радиоволн им. Н.В.Пушкова РАН (ИЗМИРАН)

Автор, ответственный за переписку.
Email: ruslan.rytov2017@ya.ru
Россия, Москва, Троицк

В. Г. Петров

Институт земного магнетизма, ионосферы и распространения радиоволн им. Н.В.Пушкова РАН (ИЗМИРАН)

Email: vgpetrov2018@mail.ru
Россия, Москва, Троицк

Список литературы

  1. Колесова В.И. Аналитические методы магнитной картографии. Москва: Наука, 1985.
  2. Колесова В.И., Черкаева Е.А. Вычисление компонент векторного аномального геомагнитного поля по модульным данным. Препринт № 46 (735). М.: ИЗМИРАН, 1987.
  3. Яновский Б.М. Земной магнетизм. Ленинград : Изд-во ЛГУ, 591 c. 1978.
  4. Abadi M. et al. Tensorflow: Large-scale machine learning on heterogeneous distributed systems //arXiv preprint arXiv:1603.04467. https://doi.org/10.48550/arXiv.1603.04467. 2016.
  5. Alken P., Thébault E., Beggan C.D., et al. International Geomagnetic Reference Field: the thirteenth generation // Earth, Planets and Space. V. 73. № 1. P. 1–25. https://doi.org/10.1186/s40623-020-01288-x. 2021.
  6. Barkhatov N.A., Vorobjev V.G., Revunov S.E., et al. Effect of solar dynamics parameters on the formation of substorm activity // Geomagn. Aeron. V. 57. P. 251–256. https://doi.org/10.1134/S0016793217030021. 2017.
  7. Buchanan A., Finn C.A., Love J.J., et al. Geomagnetic referencing—the real-time compass for directional drillers // Oilfield Review. V. 25. № 3. P. 32−47. 2013.
  8. Coskun U.H., Sel B., Plaster B. Magnetic field mapping of inaccessible regions using physics-informed neural networks //Scientific Reports. V. 12. № 1. P. 12858–12867. https://doi.org/10.1038/s41598-022-15777-4. 2022.
  9. Kaftan İ. Interpretation of magnetic anomalies using a genetic algorithm // Acta Geophysica. V. 65. № 4. P. 627–634. https://doi.org/10.1007/s11600-017-0060-7. 2017.
  10. Kaji C.V., Hoover RC., Ragi S. Underwater Navigation using Geomagnetic Field Variations / 2019 IEEE Intern. Conference on Electro Information Technology (EIT). https://doi.org/10.1109/eit.2019.8834192. 2019.
  11. Kingma D.P., Ba J. Adam: A method for stochastic optimization //arXiv preprint arXiv:1412.6980. 2014.
  12. Krizhevsky A., Sutskever I., Hinton G.E. Imagenet classification with deep convolutional neural networks //Advances in neural information processing systems. V. 25. P. 1097–1105. 2012.
  13. Lourenco J.S., Morrison H.F. Vector magnetic anomalies derived from measurements of a single component of the field // Geophysics. V. 38, № 2. P. 359–368. doi: 10.1190/1.1440346. 1973.
  14. Maus S. An ellipsoidal harmonic representation of Earth’s lithospheric magnetic field to degree and order 720, Geochem. Geophys. Geosyst., 11, Q06015, https://doi.org/10.1029/2010GC003026. 2010.
  15. Montesinos F.G., Blanco-Montenegro I., Arnoso J. Three-dimensional inverse modelling of magnetic anomaly sources based on a genetic algorithm // Physics of the Earth and Planetary Interiors. V. 253. P. 74–87. https://doi.org/10.1016/j.pepi.2016.02.004. 2016.
  16. Pollok S., Bjørk R., Jørgensen P.S. Inverse design of magnetic fields using deep learning //IEEE Transactions on Magnetics. V. 57. №. 7. P. 1‒4. https://doi.org/10.1109/TMAG.2021.3082431. 2021.
  17. Pollok S. et al. Magnetic field prediction using generative adversarial networks //Journal of Magnetism and Magnetic Materials. V. 571. P. 170556–170565. https://doi.org/10.1016/j.jmmm.2023.170556. 2023.
  18. Virtanen P. et al. SciPy 1.0: fundamental algorithms for scientific computing in Python //Nature methods. V. 17. №. 3. P. 261‒272. https://doi.org/10.1038/s41592-019-0686-2. 2020.
  19. Ying X. An overview of overfitting and its solutions //Journal of physics: Conference series. – IOP Publishing. V. 1168. P. 022022–022029. https://doi.org/10.1088/1742-6596/1168/2/022022. 2019.
  20. The National Centers for Environmental Information. (2018). [Online]. Available: https://www.ngdc.noaa.gov/geomag/geomag.shtml

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать

© Российская академия наук, 2025