Восстановление векторного магнитного поля по однокомпонентным данным с использованием эволюционного алгоритма

Обложка

Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Только для подписчиков

Аннотация

Предложен простой эволюционный алгоритм для восстановления вектора аномального магнитного поля по данным измерения одной его компоненты. Алгоритм подбирает положения и магнитные моменты ансамбля точечных магнитных диполей, совокупное магнитное поле которых приближает с необходимой точностью данные однокомпонентных магнитных измерений на известной высоте над земной поверхностью. Найденное таким образом распределение источников позволяет восстановить все три компоненты магнитного поля. В данной работе с помощью эволюционного алгоритма решена задача восстановления компонент Hx и Hy магнитного поля по данным измеренной вертикальной Hz-компоненты. Предложена также итерационная процедура для расчета Hx , Hy , Hz-компонент магнитного поля по известным данным для аномальной составляющей геомагнитного поля.

Полный текст

Доступ закрыт

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

Н. А. Усов

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

Email: usov@obninsk.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. Отв. ред. В.И. Почтарев. Москва: Наука, 222 c. 1985.
  2. Яновский Б.М. Земной магнетизм. Ленинград : Изд-во ЛГУ, 591 c. 1978.
  3. Alken P., Thébault E., Beggan C.D., et al. International Geomagnetic Reference Field: the thirteenth generation // Earth Planets and Space. V. 73. № 1. 2021. doi: 10.1186/s40623-020-01288-x
  4. Arturi C.M., Di Rienzo L., Haueisen J. Information Content in Single-Component Versus Three-Component Cardiomagnetic Fields // IEEE Transactions on Magnetics. V. 40. № 2. P. 631–634. 2004. doi: 10.1109/tmag.2004.824891
  5. Baniamerian J., Liu S., Hu X., Fedi M., Chauhan M.S., Abbas M.A. Separation of magnetic anomalies into induced and remanent magnetization contributions // Geophysical Prospecting. V. 68. № 7. P. 2320–2342. 2020. doi: 10.1111/1365-2478.12993
  6. Biswas A., Acharya T. A very fast simulated annealing method for inversion of magnetic anomaly over semi-infinite vertical rod-type structure // Modeling Earth Systems and Environment. V. 2. № 4. P. 1–10. 2016. doi: 10.1007/s40808-016-0256-x
  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. The National Centers for Environmental Information. (2018). [Online]. Available: https://www.ngdc.noaa.gov/geomag/geomag.shtml
  9. de Groot L.V., Fabian K., Béguin A., Kosters M.E., Cortés‐Ortuño D., Fu R.R., Jansen C.M.L., Harrison R.J., van Leeuwen T., Barnhoorn A. Micromagnetic Tomography for Paleomagnetism and Rock‐Magnetism // Journal of Geophysical Research: Solid Earth. V. 126. № 10. 2021. doi: 10.1029/2021jb022364
  10. Ding X., Li Y., Luo M., Chen J., Li Z., Liu H. Estimating Locations and Moments of Multiple Dipole-Like Magnetic Sources From Magnetic Gradient Tensor Data Using Differential Evolution // IEEE Transactions on Geoscience and Remote Sensing. V. 60. P. 1–13. 2022. doi: 10.1109/tgrs.2021.3094057.
  11. Essa K.S., Elhussein M. Interpretation of Magnetic Data Through Particle Swarm Optimization: Mineral Exploration Cases Studies // Natural Resources Research. V. 29. № 1. P. 521–537. 2020. doi: 10.1007/s11053-020-09617-3
  12. Ibrahim D. An overview of soft computing // Procedia Computer Science. V. 102. P. 34–38. 2016. doi: 10.1016/j.procs.2016.09.366
  13. Kaftan İ. Interpretation of magnetic anomalies using a genetic algorithm // Acta Geophysica. V. 65. № 4. P. 627–634. 2017. doi: 10.1007/s11600-017-0060-7
  14. Kaji C.V., Hoover R.C., Ragi S. Underwater Navigation using Geomagnetic Field Variations / 2019 IEEE Intern. Conference on Electro Information Technology (EIT). 2019. doi: 10.1109/eit.2019.8834192
  15. 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. 1973. doi: 10.1190/1.1440346
  16. Maier H.R., Razavi S., Kapelan Z., Matott L.S., Kasprzyk J., Tolson B.A. Introductory overview: Optimization using evolutionary algorithms and other metaheuristics // Environmental Modelling & Software. V. 114. P. 195–213. 2019. doi: 10.1016/j.envsoft.2018.11.018
  17. 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. 2016. doi: 10.1016/j.pepi.2016.02.004
  18. Munschy M., Fleury S. Scalar, vector, tensor magnetic anomalies: measurement or computation? // Geophysical Prospecting. V. 59. № 6. P. 1035–1045. 2011. doi: 10.1111/j.1365-2478.2011.01007.x
  19. Pace F., Santilano A., Godio A. A Review of Geophysical Modeling Based on Particle Swarm Optimization // Surveys in Geophysics. V. 42. № 3. P. 505–549. 2021. doi: 10.1007/s10712-021-09638-4
  20. Pilkington M., Boulanger O. Potential field continuation between arbitrary surfaces — Comparing methods // Geophysics. V. 82. № 3. P. J9–J25. 2017. doi: 10.1190/geo2016-0210.1
  21. Zuo B., Hu X., Leão‐Santos M., Wang L., Cai Y. Downward Continuation and Transformation of Total‐Field Magnetic Anomalies Into Magnetic Gradient Tensors Between Arbitrary Surfaces Using Multilayer Equivalent Sources // Geophysical Research Letters. V. 47. № 16. 2020. doi: 10.1029/2020gl088678

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать
2. Рис. 1. (a)− Схематичное изображение набора пробных диполей и создаваемого ими аномального магнитного поля, иллюстрирующее геометрию задачи; (б) − блок-схема эволюционного алгоритма для расчета аномального магнитного поля с помощью набора точечных дипольных источников.

Скачать (211KB)
Метаданные
3. Рис. 2. Распределение функции невязки для различных значений магнитных моментов диполей, M, и числа магнитных диполей, Nd. Римскими цифрами I − III обозначены области параметров M и Nd, для которых проводились расчеты с помощью эволюционного алгоритма.

Скачать (131KB)
Метаданные
4. Рис. 3. (а, б, в) − Заданное распределение компонент Hx, Hy, Hz магнитного поля; (г, д, е) − найденные с помощью эволюционного алгоритма распределения тех же компонент Hz, Hx, Hy, по данным одной вертикальной компоненты Hz для случая значений M = 2.3∙10-3 А∙м2 и Nd = 80 (область III на рис. 2); (ж, з, и) – распределение невязки для компонент найденного магнитного поля.

Скачать (447KB)
Метаданные
5. Рис. 4. Распределение функции невязки для магнитного поля в районе полуострова Ямал для различных значений магнитных моментов диполей, M, и числа магнитных диполей, Nd. Окружность выделяет область, для которой проводились расчеты с помощью эволюционного алгоритма.

Скачать (120KB)
Метаданные
6. Рис. 5. (а) − Исследуемая область; (б) − исходные модульные данные аномального магнитного поля DT, полученные по уравнению (4) в исследованной области. (в, г, д) – найденные с помощью вычислений компоненты Hx, Hy, Hz магнитного поля; (е, ж, з) − истинные Hx, Hy, Hz компоненты магнитного поля, полученные из разности моделей EMM и IGRF, , i = x, y, z.

Скачать (470KB)
Метаданные
7. Рис. 6. Эволюция разности (в нТ) между истинным и рассчитанным с помощью эволюционного алгоритма распределением магнитного поля, , (а) − на первой итерации, (б) − на второй итерации и (в) − на третьей итерации по уравнениям (5) – (7).

Скачать (196KB)
Метаданные

© Российская академия наук, 2024

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».