Магнитотеллурное прямое моделирование на тонкой сетке с помощью глубокого обучения с учетом физических ограничений

Слушая скрытые сигналы Земли

Геофизики используют изящный способ «увидеть» глубокие слои под поверхностью без бурения: они улавливают слабые естественные электрические и магнитные сигналы, распространяющиеся через Землю. Моделируя то, как эти сигналы распространяются, можно картировать скрытые разломы, рудные тела и геотермальные ресурсы. Однако для точного расчёта этого обычно требуются тяжёлые, времязатратные вычисления. В статье показано, как новый подход на основе глубокого обучения, направляемый законами физики, позволяет существенно ускорить эти расчёты, сохранив или даже повысив их точность.

Почему под землёй важны мелкие детали

Метод магнитотеллурики (MT) работает в некотором роде как медицинская визуализация для планеты. Датчики на поверхности регистрируют естественные электромагнитные волны. По этим данным учёные делают выводы о том, насколько разные горные породы проводят электрический ток, что выявляет такие структуры, как рудные тела, разломы или магма. Чтобы вычислить, как будут выглядеть сигналы для заданной структуры под землёй, исследователи делят недра на сетку маленьких ячеек и рассчитывают отклик — это называется прямым моделированием. Очень тонкая сетка фиксирует тонкие особенности, например узкие рудные зоны или резкие границы между типами пород, но при этом резко увеличивает размер задач, которые нужно решить. Традиционные численные методы, такие как конечно‑элементные или конечно‑разностные схемы, при этом могут требовать сотни секунд для одного тонкосеточного расчёта на обычном компьютере, что замедляет разведку и интерпретацию.

Обучая нейросеть законам Земли

Многие команды обратились к глубокому обучению, чтобы обойти эти медленные вычисления, обучая нейросети имитировать шаг прямого моделирования. Однако чисто дата‑ориентированные сети часто отдаляются от физической реальности: они могут подстраиваться под тренировочные примеры, но не соблюдать физическое поведение электромагнитных полей, особенно при шуме или при незнакомой геологии. Авторы решили эту проблему, разработав PDMNet — многозадачную нейросеть с физическими ограничениями на базе U‑образной архитектуры Swin‑UNet. Сеть принимает 2D‑модель удельного сопротивления на входе и одновременно предсказывает два ключевых MT‑выхода — кажущуюся удельную проводимость и фазу. Важно, что её обучают не только подгонять примеры, но и удовлетворять физическим правилам, выведенным из магнитотеллурической теории.

Создание реалистичных тренировочных миров

Чтобы подготовить PDMNet к работе в реальных условиях, исследователи создали большую библиотеку из 34 733 синтетических моделей недр. Вместо простых блочных структур они использовали кубическую сплайн‑интерполяцию для генерации плавно меняющихся карт удельного сопротивления, которые лучше имитируют природную геологию и учитывают объёмные эффекты крупных тел. Для каждой модели традиционный конечно‑элементный решатель вычислял точные MT‑отклики на тонкой сетке, которые служили учебными примерами. Они также добавили небольшое случайное возмущение, до 5%, чтобы смоделировать помехи, неизбежные в полевых данных. Перед подачей данных в сеть они аккуратно нормировали диапазоны значений удельного сопротивления и фазы, чтобы обучение оставалось стабильным, а модель лучше обобщала.

Пусть физика направляет обучение

В процессе обучения PDMNet тянет в двух дополняющих друг друга направлениях. Одна часть функции потерь измеряет, насколько близки предсказанные значения кажущейся удельной проводимости и фазы к результатам тонкосеточного конечно‑элементного метода. Другая часть сравнивает исходную модель удельного сопротивления с профилем сопротивления, восстановленным из собственных предсказаний сети с помощью быстрой магнитотеллурической формулы, известной как инверсия Бостика. Этот второй член служит физическим надсмотрщиком: если предсказания подразумевают невозможную подземную структуру, сеть подталкивается обратно к физически согласованному поведению. Остаточный член, связанный с уравнениями Максвелла и граничными условиями, также вплетён в процесс обучения. Со временем вес ограничения, основанного на Бостике, постепенно уменьшают, так что на ранних этапах обучение сильно направляется физикой, а на поздних этапах сеть донастраивает соответствие данным.

Быстрее результаты без потери точности

Тесты на невидимых синтетических моделях и на реальной геологической задаче — никелево‑медно‑сульфидном месторождении Джинчуань в Китае — показывают, что PDMNet в точности воспроизводит детальные паттерны и структуры, полученные золотым стандартом — конечно‑элементным решателем. Показатели числовой ошибки и структурного сходства как правило благоприятствуют PDMNet по сравнению с чисто дата‑ориентированным Swin‑UNet, особенно при захвате тонких локальных особенностей и при работе с шумными входами. Самое примечательное — после обучения PDMNet может выдавать тонкосеточные прямые отклики примерно за одну секунду, тогда как традиционный решатель при той же разрешающей способности сети требует около 210 секунд. Проще говоря, он даёт высокоразрешающую картину недр в сотни раз быстрее, при этом соблюдая основные физические принципы.

Новый инструмент для исследований под нашими ногами

Для неспециалистов главный посыл в том, что эта работа превращает медленный, вычислительно тяжёлый этап визуализации недр в быструю операцию с ускорением через ИИ, не жертвуя научной строгостью. Сочетая глубокое обучение с тщательно продуманными физическими ограничениями, авторы показывают, что машины могут усваивать не только шаблоны в данных, но и правила, управляющие электромагнитным поведением Земли. Это облегчает и ускоряет проверку множества возможных подземных сценариев, что поддерживает более взвешенные решения при разведке ресурсов, развитии геотермальной энергетики и исследовании глубинной структуры Земли. Та же стратегия в будущем может быть расширена до полноценных 3D‑моделей, обещая ещё более насыщенные представления о том, что скрыто под нашими ногами.

Цитирование: Wang, K., Yuan, C., Zhu, H. et al. Magnetotelluric forward modeling on fine grid via deep learning with physical information constraints. Sci Rep 16, 6412 (2026). https://doi.org/10.1038/s41598-026-37645-1

Ключевые слова: магнитотеллурика, геофизическая визуализация, глубокое обучение, ИИ, учитывающий законы физики, разведка недр