ИСТИНА

Разработка методики магнитотеллурических исследований, основанной на эффективных процедурах подавления влияния приповерхностных неоднородностей, формирования и инверсии массива магнитотеллурических данных, обеспечивающих повышение надёжности и детальности построения геоэлектрических моделей.

The project is aimed at improving the efficiency of geophysical surveys using the magnetotelluric sounding method (MTS). For this, an optimal methodology for correcting near-surface distortions and 3D inversion of magnetotelluric data will be developed. The main research method will be testing different approaches to solving these problems on synthetic magnetotelluric data calculated for certain geoelectric models. A model with an inhomogeneous near-surface layer will serve as a basis for testing the approaches proposed by various researchers that use the decomposition of the impedance tensor into local and regional components, as well as the idea of normalizing the apparent resistivity curves. The model with heterogeneities on three structural levels (in the sedimentary cover, in the earth's crust and in the mantle) will be used to test different approaches to the formation and 3D inversion of data sets, including using additional transfer functions and adding various noises. The method proposed as a result of the study will be applied to the observed MTS data obtained in the study of the deep structure of the earth's crust and in the exploration of mineral deposits.

- Обзор методов коррекции приповерхностных искажений; - МТ данные для 3D модели с неоднородным верхним слоем; - Программная реализация алгоритмов коррекции; - Результаты опробования алгоритмов коррекции на модельных данных; - Обзор мирового опыта 3D инверсии МТ данных; - МТ данные для 3D модели с неоднородностями на трёх структурных этажах; - Результаты экспериментов по 3D инверсии модельных МТ данных; - Результаты по 3D инверсии подмножеств данных и зашумлённых данных. По итогам первого года планируется подготовить минимум две статьи для реферируемых журналов, сделать не менее 4 докладов на различных научных конференциях.

У всех участников проекта есть опыт проведения магнитотеллурических исследований на всех стадиях, включая анализ и интерпретацию данных и представление результатов. У старших участников проекта опыт научной, образовательной и производственной деятельности, связанной с электромагнитными зондированиями, превышает 20 лет. В том числе, он включает: - Разработку методов и программного обеспечения для обработки, анализа, моделирования и интерпретации электромагнитных данных; - Изучение геоэлектрического строения консолидированной земной коры и верхней мантии Земли на основе наземных и морских магнитотеллурических данных; - Применение электромагнитных методов при поисках и разведке месторождений углеводородов и твердых полезных ископаемых, а также при геодинамических, геотермальных и малоглубинных исследованиях.

Общий план работ включает: составление ряда геоэлектричеких моделей; расчёт и анализ синтетических МТ данных, под которыми мы понимаем как тензор импеданса [Z], так и другие передаточные функции (матрица Визе-Паркинсона [W], магнитный тензор [M], теллурический тензор [T]); опробование на синтетических данных различных методов коррекции МТ данных и инверсии различных ансамблей МТ данных; развитие методики коррекции и интерпретации МТ данных; применение предложенной методики на наблюдённых данных, полученных в регионах со сложным геоэлектрическим строением. Для тестирования методов коррекции приповерхностных искажений предполагается взять за основу 3D модель с относительно простым глубинным строением (фоновый трёхслойный разрез с высокоомным промежуточным слоем, отвечающим консолидированной литосфере, и вытянутым проводящим грабеном в кровле этого слоя) и с неоднородным верхним слоем. Верхний слой будет включать в себя несколько десятков приповерхностных неоднородностей различной формы и контраста сопротивления. Помимо основного варианта модели, содержащего как высокоомные, так и проводящие приповерхностные неоднородности (ППН), будут рассмотрены варианты модели с неоднородностями только одного знака. Для сравнения будет также использоваться вариант модели с однородным верхним слоем. В течение первого года выполнения проекта планируется реализовать в виде скртиптов в системе MATLAB различные методы подавления приповерхностных искажений (упомянутые выше методы декомпозиции Бара, Грума-Бэйли, фазового тензора и другие, методы нормализации путем пространственной фильтрации, приведения к реперу и другие). Методы будут опробованы на синтетических данных, в том числе с добавлением в них шумов. В течение второго года будет выполнено сопоставление результатов применения различных методов, сделаны выводы по их эффективности и рекомендации по использованию. С их учётом, будет выполнено подавление влияния ППН с использованием наблюдённых МТ данных, полученных при глубинных и разведочных исследованиях. Также могут быть сделаны рекомендации по оптимизации системы наблюдений сопутствующих зондирований методом ЗСБ, выполняемых для коррекции статических смещений. Для изучения возможностей инверсии МТ данных будет использоваться базовая модель, содержащая крупные неоднородности на трёх структурных этажах: в осадочном чехле, в высокоомной литосфере и в проводящей мантии. На верхнем этаже это близкие к изометричным антиклинальная и синклинальная структуры, на среднем этаже - две вытянутые проводящие зоны различного простирания, характерные для протяжённых коровых аномалий, на нижнем этаже - вытянутое поднятие проводящей мантии со своим простиранием. Границы структур будут плавными, реалистичными. Для компиляции модели на большой сетке (порядка 100 x 100 x 100 ячеек) будет использоваться специальный алгоритм, позволяющий создать "куб сопротивлений" на основе карт глубин до границ и неоднородностей. Чувствительность ко всем упомянутым элементам модели будет оценена с помощью решения прямых задач для полной модели и варианта модели с отсутствием соответствующего элемента. При необходимости, модель будет немного скорректирована, чтобы обеспечить достаточную чувствительность к элементам на всех структурных этажах. В течение первого года будут выполнены пробные 3D инверсии синтетических данных с помощью программы WSInv3DMT (W. Siripunvaraporn), опыт работы с которой у нас имеется, а также программы ModEM (G.Egbert, A. Kelbert, N. Meqbel). Сначала мы будем использовать персональный компьютер и небольшие размеры массивов, но ко второму году планируем освоить запуск на имеющихся в МГУ суперкомпьютерах. Для сравнения, результаты 3D инверсии будут дополнены разрезами, построенным с помощью программ 2D инверсии REBOCC (G. Egbert, W. Siripunvaraporn) и Zond2DMT (A. Kaminsky). Большой интерес представляет вопрос о вкладе, который различные компоненты МТ данных вносят при их совместной 3D инверсии. В частности, в течение первого года планируется сравнить результаты инверсии всех компонент тензора [Z] и его главных компонент. На второй год мы предполагаем оценить вклад дополнительных передаточных функций. Помимо этого, планируется проведение экспериментов с использованием более и менее детальных схем наблюдения. Отдельным вопросом является влияние шума на результаты инверсии, в том числе случайного шума во всех компонентах, а также шума, создаваемого приповерхностными неоднородностями. По этому направлению планируется ряд экспериментов с разными уровнями шумов и параметрами программ инверсии. На второй год выполнения проекта по результатам экспериментов с инверсиями будут сделаны выводы и сформулированы методические рекомендации по её применению. С их учётом будет выполнена инверсия наблюдённых МТ данных, полученных при глубинных и разведочных исследованиях. Помимо рассмотренной основной задачи проекта, планируется рассмотреть следующую, также важную для интерпретации магнитотеллурических данных. На основе методов машинного обучения (Machine Learning, ML) с использованием модельных данных предполагается решить задачу выбора модельного класса, что является важным элементом интерпретации МТ-данных и ограничивает множество решений обратной задачи, в котором проводится поиск решения (геоэлектрической модели). Применяемые методы будут включать решающие деревья в различных модификациях, а также нейронные сети, в т.ч. конволюционные. Выборка для обучения будет сформирована из распределений синтетических МТ-откликов и их трансформант. Будут рассмотрены различные комбинации параметров с различной пространственной плотностью; для каждого варианта на основе ряда метрик, включая ROC-AUC, будут получены оценки эффективности классификации. Реализация ML- алгоритмов будет осуществляться на языках Python и MATLAB с использованием библиотек sklearn и Neural Network Toolbox, сооответственно.