Eine 3D-Inversionsmethode der TEM, die PSO-NLCG-Optimierung und adaptive Regularisierung kombiniert

Verborgene Strukturen unter unseren Füßen sichtbar machen

Viele der für das moderne Leben wichtigen Ressourcen und Gefahren liegen unsichtbar unter der Erde. Planer möchten alte Stollen vor Baumaßnahmen lokalisieren, Wasserverwalter müssen Aquifere verfolgen und Geologen suchen nach Erzlagerstätten. Diese Studie stellt eine intelligentere Methode vor, um oberflächennahe Messungen kurzlebiger elektromagnetischer Signale in klare dreidimensionale Bilder des Untergrunds zu verwandeln, mit dem Ziel, solche Untersuchungen in der Praxis genauer, stabiler und nützlicher zu machen.

Den nachklingenden Signalen im Boden zuhören

Die Arbeit konzentriert sich auf die Transienten-Elektromagnetik (TEM), bei der eine Drahtschleife an der Oberfläche einen kurzen Stromimpuls in den Boden sendet und dann dem Abklingen des resultierenden elektromagnetischen Felds lauscht. Veränderungen in der Abklingkurve liefern Hinweise darauf, wie gut verschiedene Schichten und Körper elektrischen Strom leiten, was wiederum Rückschlüsse auf Gesteinsarten, Wassergehalt oder Hohlräume erlaubt. Aus diesen verrauschten, kurzlebigen Signalen eine 3D-Karte zu erstellen ist schwierig, weil viele unterschiedliche unterirdische Anordnungen die gleichen Daten liefern können und die Messungen häufig durch Stromleitungen und andere Störungen verfälscht werden.

Abwägen von Datenanpassung und plausibler Untergrunddarstellung

Um dem zu begegnen, formulieren die Autoren das Problem als Optimierungsaufgabe: Finde eine 3D-Verteilung elektrischer Eigenschaften, die die beobachteten Signale bestmöglich reproduziert und gleichzeitig geologisch sinnvoll bleibt. Sie messen, wie gut ein vorgeschlagenes Modell zu den Daten passt, und fügen einen zweiten Term hinzu, der glatte, nicht übermäßig gezackte Strukturen begünstigt. Ein wichtiger Fortschritt besteht darin, dass dieses Glättungsgewicht nicht fest ist. Zunächst ist es stark und trägt dazu bei, die Lösung trotz Rauschens stabil zu halten. Im weiteren Verlauf der Berechnung wird es schrittweise gelockert, sodass das Modell die Formen und Grenzen echter Untergrundstrukturen schärfen kann, anstatt sie zu stark zu glätten.

Kombination aus breiter Suche und Feintuning

Die zweite Komponente ist eine hybride Suchstrategie, die zwei Arten numerischer Methoden vereint. Particle Swarm Optimization (Partikelschwarm-Optimierung) imitiert eine Schar einfacher Entdecker, die viele verschiedene Untergrundmodelle über einen weiten Bereich testen, was hilft, in schlechten lokalen Lösungen stecken zu bleiben zu vermeiden. Sobald diese globale Suche eine vielversprechende Region eingegrenzt hat, übernimmt eine nichtlineare konjugierte Gradientenmethode, um das Modell effizient anhand lokaler Steigungsinformationen zu verfeinern. Die Autoren fügen zudem Schranken hinzu, um Modellwerte in realistischen Grenzen zu halten, sowie Abbruchkriterien, die Rechenaufwand vermeiden, sobald Verbesserungen vernachlässigbar werden.

Tests an Benchmarks und synthetischen Untergrundmodellen

Das Team überprüfte ihre hybride Herangehensweise zunächst an einer Reihe standardisierter mathematischer Testfunktionen, die häufig zum Vergleich von Optimierungsalgorithmen verwendet werden. Sowohl in einfachen als auch in stark unregelmäßigen Landschaften erreichte ihre kombinierte Methode durchgängig Werte, die näher am theoretisch Bestmöglichen lagen als die Ergebnisse reiner Schwarm- oder Gradientenmethode, wobei die Laufzeit nur geringfügig über der schnellerer, aber weniger genauer Verfahren lag. Anschließend wandten sie die Technik auf computergenerierte Untergrundszenarien an, die ein oder mehrere plattenartige Körper mit anderen Leitfähigkeiten als die Umgebung enthielten, und fügten den simulierten Messungen realistisches Rauschen hinzu. In diesen Tests verzerrten konventionelle Methoden entweder die Formen, verwischten die Grenzen oder verlagerten die Ziele, während der neue Ansatz Größe, Tiefe und Lage deutlich präziser rekonstruierte.

Bewährung an realen Baustellendaten

Schließlich setzten die Autoren ihre Methode auf Felddaten von einer Baustelle ein, auf der bekannte unterirdische Hohlräume (Bergbauauswitterungen) vorhanden waren. Die mit der neuen Inversion gewonnenen Vermessungslinien und Tiefenschnitte stimmten gut mit Lage und Tiefenbereichen der meisten bekannten Hohlräume überein. In Bereichen, in denen zwei Anomalien sehr dicht beieinanderlagen, verschmolz die Methode diese, insgesamt war die räumliche Übereinstimmung jedoch stark, was zeigt, dass der Ansatz auch außerhalb kontrollierter Tests robust ist.

Klarere Untergrundkarten für sicherere Entscheidungen

Kurz gesagt zeigt diese Studie, wie sich eine weitreichende Suche mit sorgfältigem Feintuning sowie einer anpassenden Glättung verbinden lassen, um klarere und verlässlichere 3D-Karten des Untergrunds zu erzeugen. Für Planer, Bergleute und Umweltingenieure bedeutet das bessere Chancen, verborgene Strukturen zu finden, Gefahren zu vermeiden und den unterirdischen Raum sinnvoll zu nutzen — alles aus Messungen, die an der Erdoberfläche aufgenommen wurden.

Zitation: Jianqiang, C., Feng, Z., Xuhai, D. et al. A 3D inversion method of TEM combining PSO-NLCG optimization and adaptive regularization. Sci Rep 16, 16115 (2026). https://doi.org/10.1038/s41598-026-48117-x

Schlüsselwörter: transientes elektromagnetisch, 3D-Inversion, geophysikalische Bildgebung, Optimierungsalgorithmus, unterirdische Strukturen