用于隐藏地下水和地热资源三维表征的多模态机器学习
地球物理
2023-12-29 v1
摘要
我们提出了一种多模态机器学习（MML）工作流程，用于同化并同时预测地下水-地热连续体中数值和分类特征的三维分布。MML工作流程的成功依赖于一种转导学习算法，该算法将现场模态投影到单个嵌入空间（超曲面）上。多模态可以包括测量（点场）和推导（基于多物理场的数值模型反演、数据驱动的机器学习和多物理场信息机器学习）特征的任意组合。所提出的MML工作流程应用于同化夏威夷Play Fairway模态的随机洗牌子集，并预测拉奈岛和夏威夷岛的地下地球物理、地质和水文地质特征。尽管现场数据特征具有挑战性（异质、尺度依赖、空间有限、稀疏且不确定），但MML工作流程产生了一个单一的三维跨学科模型，该模型对呈现给训练模型的独立数据具有良好的泛化能力。预测的特征用于识别拉奈岛的隐藏地下水和地热资源，以及夏威夷岛的地热资源。拉奈岛的其他解释地下特征包括玄武岩、岩基、岩脉群、岩株、岩床、地幔、莫霍面和三维地热地层单元；而夏威夷岛的解释地下特征包括三维速度分层、三维地震-断层关联、三维断层系统、玄武岩、洋壳、岩浆底侵、岩石圈挠曲、地幔和莫霍面。这项研究为表征连续的地下水和地热特征提供了新能力，以支持夏威夷群岛和全球其他地热场地的可持续发展。关键词：机器学习、三维隐藏地下水资源、隐藏地热资源、断层系统、洋壳、岩浆底侵、岩石圈挠曲、莫霍面、夏威夷
引用
@article{arxiv.2312.16194,
title = {Multimodal machine learning for 3-dimensional characterization of hidden groundwater and geothermal resources},
author = {Michael J. Friedel and Nicole Lautze and Erin Wallin and Roland Gritto and Alain Bonneville and Massimo Buscema and Steve Martel},
journal= {arXiv preprint arXiv:2312.16194},
year = {2023}
}
备注
29 figures, 7 tables