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 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