深部资源勘探新突破：基于深度学习的重磁电法联合反演技术及应用

摘要:深部矿体的重磁电联合反演面临强非线性、灵敏度异质与多解性等难题。本文提出一种端到端深度学习框架，利用多分支编码与跨模态注意力在特征层实现重、磁、电信息对齐，结合U形主干与跳跃连接重建电阻率、密度与磁化率三物性体，引入小波域降噪、稳健归一化与可学习掩码以适配异质噪声与缺测。优化层面采用AdamW与余弦退火，并以蒙特卡罗失活给出不确定性估计。在江西德兴铜矿数据上的验证表明，模型识别出两条近北东向的高密度高磁化率低电阻率带，空间展布与钻孔见矿具有良好对应。与传统正则化联合反演相比，归一化均方根误差由0.15降至0.08，单次推理耗时由120分钟降至20分钟。结果显示该方法在精度、效率与稳健性方面均取得显著提升。

关键词:联合反演；深度学习；重磁电；跨模态注意力；不确定性估计

引言

深部矿体勘探中重力、磁场与电法数据反映的地质信息相互补充，但由于非线性映射强、灵敏度核在尺度与方向上差异显著，联合反演常呈现多解性与病态性，优化过程易陷入局部极小并对前向计算依赖突出。传统方法多借助交叉梯度与岩石物理约束缩减解空间，并通过梯度型或随机搜索推进求解，但在参数维度升高或响应对比弱化时，难以兼顾收敛稳定性与效率。近年来，深度学习以数据驱动先验学习观测到模型的端到端映射，具备快速近似反演与特征自适应融合的潜力。然而，多源数据在噪声谱形、量纲与采样几何上高度异质，且野外缺测普遍存在，如何在保持物理一致性的同时有效融合重、磁、电多模态信息仍是关键挑战。为此，本文构建面向重磁电联合反演的深度学习架构，围绕多源预处理、跨模态特征对齐、可学习掩码与不确定性评估开展系统设计，并在典型深部铜矿区进行验证，以期在保障可解释性的前提下同步提升精度与效率。

1 深度学习驱动重磁电法反演的理论基础

鉴于深部矿体勘探场景下多物理耦合的复杂性，重磁电法反演以地球物理前向响应与观测噪声为核心，把密度、磁化率与电阻率等物性参数同重力、磁异常及电法观测联系起来。该映射非线性强，灵敏度核在尺度与方向上高度异质，多解性与病态性并存，使联合反演在优化中易陷入局部极小，且需要大量前向计算与线性化近似，效率受限。传统路径常借助强调参数梯度共线性的交叉梯度与岩石物理耦合来收缩解空间，还选用梯度型或随机采样策略推进搜索，但当参数维度升高或响应对比弱化时，收敛稳定性与效率难以兼顾。面向上述瓶颈，深度学习把观测到模型的端到端映射当作可学习函数来训练，凭借大规模合成数据与数据驱动先验，把地质结构、噪声分布与测线几何的特征隐式编码为网络参数，从而在推理阶段实现快速近似反演。结合多源学习框架，可在特征层融合重磁电多分量数据，卷积网络强化局部表征，自注意力网络捕获长程关联，图网络表达不规则网格。引入可微前向约束、物理一致性损失与不确定性估计，可在不增加外部迭代负担下缓解多解性并提升可解释性，为联合反演提供理论支点。

2 基于深度学习的重磁电法联合反演技术构建

2.1 重磁电法联合反演的深度学习模型架构设计

鉴于深部矿体联合反演存在多物理尺度错配与响应非线性，本研究把重力、磁场与电法观测到三类物性体的映射构建为端到端模型，选用U-Net耦合注意力的编码器解码器。输入为经通道归一化与稳健标准化的重力梯度、三分量磁异常与视电阻率或电位差张量，重采样至统一网格；输出为电阻率、密度、磁化率的三维分布。结构上，设置三分支浅层编码器分离提取重、磁、电的局部纹理与噪声形态，在瓶颈处配置跨模态交叉注意力，把互补信息在空间与频带对齐；主干U形网络承担多尺度汇聚与细节恢复，跳跃连接把边界与薄层响应回注至高分辨率层。解码端布置三路输出头共享底层特征并专注各自物性，同时在上采样阶段嵌入通道注意力与空间注意力以抑制异常外泄。为适配不规则测线与缺测点，输入端引入可学习掩码，融合模块执行权重自适应重标定；卷积核取3×3、步幅取2完成尺度压缩，批标准化与SiLU激活提高数值稳定性，见图1。训练以多任务方式优化，并把损失构造成数据项叠加权重衰减项。

图1 重磁电法联合反演深度学习模型架构图

2.2 多源数据预处理与特征融合方法

鉴于重磁电观测来自不同采集平台与成因机制，数据在噪声谱形、量纲以及空间采样上呈现显著异质，本研究把预处理与融合作为联合反演的前置枢纽来构建。预处理环节以小波变换降噪为核心，借助多尺度分解把测线与剖面数据展开到尺度域，在系数域执行软阈值收缩以压制高频随机扰动，同时对低频漂移与局部尖峰进行门限约束与对称延拓，从而在保留薄层与边界响应的前提下恢复稳定梯度。小波基选用紧支撑且相位平衡的族群，并结合噪声中值估计自适应设定阈值。数据归一化选用按通道的min-max标准化，把重力梯度、三分量磁异常以及电法观测拉伸到0到1，区间端点依据分位统计进行稳健截断，以减小极端值主导的风险；归一化在测线与网格间保持一致尺度，并把缺测点以可学习掩码标识而非插值填充。融合环节围绕注意力机制展开，该机制凭借在通道以及空间两个维度分配可学习权重来突出关键地质信息。具体而言，模态内注意力在浅层过滤与本模态噪声相关的冗余特征，跨模态交叉注意力在瓶颈层对齐重、磁、电的相依结构，使高信噪比模态在局部尺度提供边界先验，低信噪比模态在全局尺度补充深部延伸。由此把多源数据的互补性显式编码为特征权重，使后续解码能够更稳定地重建多物性体，并提升表征与推理的一致性。

2.3 反演过程的优化算法选择

针对联合反演损失景观的非凸性以及重磁电多模态梯度幅值差异的现实情境，本研究把AdamW当作基础优化器来使用，并把权重衰减与自适应动量分离建模，以减弱网络在高维参数空间中的过度拟合趋向。结合编码器解码器的层级差异，把跨模态注意力与瓶颈层设定为较小学习率，把浅层卷积与归一化层设定为相对较大学习率，使高层语义聚合与低层边界恢复在训练初期维持稳定步长。进一步观察发现，学习率在长周期内的剧烈波动容易放大小样本结构的偏差，因此引入余弦退火策略，并在训练早期配置短时预热，使学习率从低幅度逐步上调后再随周期振荡衰减，由此在收敛前期增强探索能力，在后期收敛阶段压缩震荡范围。

需重点关注的是，过拟合风险并非单一来源，而是同时受限于数据规模、噪声分布以及网络容量。由此推导，网络正则化与样本多样性需要协同约束。本研究在瓶颈交叉注意力、解码上采样以及多任务输出头之间插入Dropout与通道级随机失活，把特征共适应现象进行抑制，并把深部弱响应区域的表征用稀疏激活来约束。针对野外采集的几何差异与噪声谱形，数据增强在批次加载阶段在线执行，包括对规则网格进行小角度随机旋转以及通道一致的镜像变换，以维持空间拓扑与层系关系；同时向重力梯度、三分量磁异常以及电法观测注入幅值受控的加性噪声，噪声能量按通道信噪比自适应缩放，频带上对高频成分进行轻度放大以模拟随机扰动，对低频成分进行微幅漂移以模拟基线不稳定。结合缺测点在真实采集中普遍存在的特点，增强管线还随机生成有效掩码，把缺采条带与孤立空洞进行逼真还原，使可学习掩码在训练期先行适配缺测场景。上述优化与正则化策略在不引入外部迭代环的前提下，把训练稳定性、参数泛化以及物理一致性进行平衡，为后续快速推理与不确定性评估提供可复用的优化范式。

3 深度学习联合反演技术的应用效果评估

3.1 典型深部铜矿床勘探案例的反演结果分析

于江西德兴铜矿北东向深部带的联合采集数据，本研究把重力梯度、航空三分量磁异常以及可控源电磁剖面汇集到统一网格，运用所构建的编码器解码器模型开展端到端反演。鉴于该区晚期岩脉穿插与蚀变带叠置的复杂结构，模型在浅层分支中强化磁性纹理，在瓶颈层借助交叉注意力把低信噪比电性信息与密度信息进行对齐，从而在解码端恢复连续的三物性体。见图2，反演结果指示两条近北东向的高密度高磁化率低电阻率带沿构造破碎带展布，空间形态呈分段串珠状，向深部延伸的连续性在多条剖面间保持一致。进一步对照矿区岩心编录与编号钻孔的矿化层位，可以把上述综合异常解释为含硫化物富集走廊，钻孔揭示的矿化顶底板在深度域与异常中心的对应关系较为稳定，平面上的横向偏移集中在小范围内。观测几何包含北东向剖面与北西向控制剖面相交构成十字网，站距控制在较小尺度，航磁数据经等效源下延至统一高程，强磁化围岩区网络把磁化率与密度进行解耦，避免了单模态高响应对电性低值的误导。需重点关注的是，覆盖层厚度变化较大的地段，模型通过可学习掩码抑制了观测缺口引入的伪异常，并把边界先验沿断裂走向进行传播，使薄层矿化体的边界表达更具连贯性。由此推导，跨模态注意力提供了稳健的约束来源，浅层磁性信息对异常的边界归纳更为敏感，深部段落则依靠重力与电性响应共同维持延伸可靠性，整体识别能力契合铜矿体在空间上的层控与构造复合特性。模型在推理阶段输出三物性场的同时给出基于蒙特卡罗失活的置信分布，高置信区与钻孔见矿段落的空间覆盖关系更为一致，低置信区多位于剖面交汇的边缘以及缺测带。数据预处理的小波降噪把高频随机扰动进行抑制，使薄层边界连续性在解码恢复中得到保留，从而为矿体形态的细节判读提供了更稳定的输入基线。

图2 反演结果与实际钻孔数据对比统计图

3.2 反演精度与效率的对比分析

在对江西德兴铜矿北东向深部带的统一数据框架内开展对比时，本研究把深度学习联合反演与传统正则化联合反演置于相同的观测几何与预处理流程之下，数据由重力梯度、航空三分量磁异常与可控源电磁剖面组成，空间上重采样至一致三维网格，噪声经小波域阈值收缩与稳健归一化去处理。传统方法选用交叉梯度约束与Tikhonov正则化，求解流程以高斯牛顿为核心并配合多线程稀疏线性求解器推进；深度学习方法选用多分支编码器与跨模态注意力的端到端结构，在推理阶段把多模态特征融合后直接输出三物性体。两类方法在同一台工作站运行，硬件环境为Ubuntu系统与单卡图形处理器辅以多核中央处理器，网格规模与停止准则保持一致，并把正则化权重经过折线准则与经验先验进行选定，以减少算法外部因素对结果的影响。

从误差与耗时两个维度进行统计可以更直观地呈现差异。深度学习方法在统一评价基准下的归一化均方根误差为0.08，而传统方法为0.15；深度学习方法的单次推理与后处理耗时为20 min，而传统方法从初始模型到收敛的总耗时为120 min，如表1所示。误差差异的来源可归因于特征层面的跨模态对齐机制与多尺度跳跃连接把薄层边界与深部延伸进行兼顾，减少了高响应模态对低响应模态的误导；时间差异主要来自求解范式，端到端推理避免了反复的前向响应与雅可比矩阵构建，计算代价近似线性地随体素数量增长，而传统迭代在每个外层步需要多次正演与线性系统求解，随网格细化呈现更剧烈的增长趋势。进一步观察发现，在覆盖层厚度起伏与缺测条带较多的剖面段落，深度学习方法依靠可学习掩码把观测缺口的影响在空间上进行抑制，误差波动范围更小；传统方法对缺测点的插值依赖较强，正则化强度需要在边界保持与噪声抑制之间反复折中，导致收敛步长与线性化精度的稳定性受限。

需重点关注的是，20 min的效率优势来自已经完成的离线训练，该成本在跨区应用时需要通过迁移微调来进行摊销；而在相邻构造带或相似矿化样式的工区，微调轮次较少，端到端框架仍可保持较高的效率收益。此外，深度学习输出的物性场能够伴随蒙特卡罗失活给出不确定性评估，有助于把高置信区与钻孔部署策略进行耦合；传统方法虽然在局部灵敏度分析上具备优势，但在大尺度多模态数据的联合管理上更依赖参数化经验。由此推导，在深部矿体的多源联合反演场景中，端到端学习范式在保持物理一致性约束的前提下，能够把精度与效率两个目标进行同时提升，并在复杂观测条件下呈现更稳健的表现。

表1 不同反演方法的精度与效率对比表

结语

本文围绕深部矿体重磁电联合反演的核心瓶颈，提出多分支编码加跨模态注意力的端到端框架，在特征层实现多源信息对齐，并借助U形主干与跳跃连接兼顾薄层边界与深部延伸表达。通过小波域降噪与稳健归一化抑制异谱噪声，以可学习掩码适配不规则测线和缺测，采用AdamW与余弦退火提升训练稳定性，并以蒙特卡罗失活输出不确定性图。德兴铜矿案例显示，该方法能够稳定恢复高密度高磁化率低电阻率走廊，空间形态与钻孔见矿良好对应，归一化均方根误差由0.15降至0.08，单次推理耗时由120分钟降至20分钟，体现出在复杂观测条件下的精度、效率与稳健性优势。需要指出的是，效率优势依赖于离线训练的先验积累，跨区应用仍需迁移微调。未来将结合可微前向算子与物理一致性损失进一步缓解多解性，扩展到不规则三维网格与更多地球物理模态，探索域自适应与主动采样策略以增强跨区泛化，同时引入更严格的不确定性量化与贝叶斯推断，为矿业决策提供更具可解释性的联合反演解决方案。

参考文献

[1]黄兴业,胡青青,邝文俊,万伏彬,范延松,徐馥芳.深度学习重力异常反演方法发展综述[J].石油地球物理勘探,

[2]刘双,胡祥云,张百帆,朱丹,吕梦芝,舒一鸣.多金属矿床重磁勘探关键技术及研究进展[J].西北地质,2025,58(03):1-21+295.

[3]王鹤,王彤彤,席振铢,曾威,张尚清,杨永亮,熊运平.基于等值反磁通瞬变电磁法喀斯特型铝土矿深度学习建模与反演[J].地质学报,

[4]王鹤,晏茂珊,席振铢,江沙,王俊.基于物理指导的等值反磁通瞬变电磁深度学习反演[J].中南大学学报(自然科学版),2025,56(05):1851-1860.

[5]封常青,李予国,杜志俊,李盼.融合注意力机制的深度残差网络在一维大地电磁反演中的应用[J].地球物理学报,2025,68(06):2390-2403.