Application of artificial neural networks for reconstruction of vector magnetic field from single-component data

Capa

Citar

Texto integral

Acesso aberto Acesso aberto
Acesso é fechado Acesso está concedido
Acesso é fechado Somente assinantes

Resumo

In this work the problem of reconstructing the vector anomalous magnetic field from single-component data was solved by means of artificial neural networks. For training an artificial neural network a database of anomalous magnetic field components Bx, By, Bz was created using a set of point magnetic dipoles lying under the field measurement plane. Using a synthetic example, the work of a trained neural network was shown in comparison with a well-known numerical algorithm for restoring a vector field from data of one component. Further, according to the data of the vertical component of the anomalous geomagnetic field the horizontal components of the anomalous geomagnetic field were restored using artificial neural networks in the territory of 58 – 85° E, 52 – 74° N with a grid step of 2 arc minutes.

Sobre autores

R. Rytov

Pushkov Institute of Terrestrial Magnetism, Ionosphere and Radio Wave Propagation, Russian Academy of Sciences, IZMIRAN

Autor responsável pela correspondência
Email: ruslan.rytov2017@ya.ru
Rússia, 142190, Troitsk, Moscow

V. Petrov

Pushkov Institute of Terrestrial Magnetism, Ionosphere and Radio Wave Propagation, Russian Academy of Sciences, IZMIRAN

Email: vgpetrov2018@mail.ru
Rússia, 142190, Troitsk, Moscow

Bibliografia

  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

Arquivos suplementares

Arquivos suplementares
Ação
1. JATS XML
Baixar

Declaração de direitos autorais © Russian Academy of Sciences, 2025

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».