Multi-Objective Gravity Data Inversion for Basement Depth Estimation in Sedimentary Basins

Technische Samenvatting: Multi-Objective Zwaartekrachtdata-inversie voor Schatting van de Basis van Sedimentaire Bekkens

Probleemstelling
Nauwkeurige schatting van de diepte van de basis (basement depth) is cruciaal voor de exploratie van energiebronnen (hydrocarbonen, geothermische energie, grondwater) en mijnbouw binnen sedimentaire bekken. Deze schatting wordt doorgaans bereikt via zwaartekrachtanomalie-inversie, een inherent niet-lineair, slecht gesteld (ill-posed) en niet-uniek probleem. Conventionele benaderingen vertrouwen vaak op single-objective optimalisatie waarbij datamisfit en modelregularisatie (gladheid) worden gecombineerd in een samengestelde functie via een gewogen som. Deze methodologie introduceert aanzienlijke subjectiviteit, aangezien de selectie van de regularisatieparameter (Lagrange-multiplier) doorgaans via trial-and-error wordt bepaald. Bovendien zijn lokale optimalisatiemethoden gevoelig voor het vastlopen in lokale minima, terwijl globale optimalisatiemethoden die als single-objective problemen zijn geformuleerd, nog steeds lijden onder de subjectiviteit van wegingparameters. Daarnaast kunnen standaard regularisatietechnieken de oplossingsequivalentie mogelijk niet volledig elimineren, wat kan leiden tot misinterpretatie als de voorafgaande geologische aannames onnauwkeurig zijn.

Methodologie
De studie stelt een multi-objective optimalisatiekader voor dat gebruikmaakt van het Adaptive Multi-Algorithm Genetically Adaptive Multi-objective (AMALGAM) algoritme om zwaartekrachtdata te inverteren voor de schatting van de diepte van de basis.

• Forward Modeling: Het ondergrondse model wordt geparametriseerd als een reeks naast elkaar gelegen twee-dimensionale rechthoekige prisma's. De verticale zwaartekrachtattractie wordt berekend met behulp van de polygonal body discretisatie methode, waarbij de dikte van elk prisma de onbekende diepte van de basis vertegenwoordigt.
• Multi-Objective Formulering: In plaats van doelstellingen te combineren, minimaliseert de inversie gelijktijdig twee concurrerende functies:
  1. Datamisfit ($F_1$): De genormaliseerde L2-norm van het verschil tussen de geobserveerde en berekende zwaartekrachtanomalieën.
  2. Modelrestrictie ($F_2$): Een ruwheids-/gladheidsregularisatieterm gedefinieerd door de L2-norm van het tweede-orde verschil van de modelparameters.
     Deze aanpak elimineert de noodzaak voor post-inversie smoothing, spectrale filtering of de subjectieve selectie van een regularisatiegewicht.
• AMALGAM Algoritme: AMALAM is een evolutionair gebaseerd algoritme dat vier constituerende zoekstrategieën integreert: Non-dominated Sorting Genetic Algorithm (NSGA-II), Particle Swarm Optimization (PSO), Adaptive Metropolis Search (AMS) en Differential Evolution (DE). Het maakt gebruik van een zelf-adaptief mechanisme waarbij de bijdrage van elk algoritme aan de nakomeling-populatie dynamisch wordt aangepast op basis van het reproductieve succes in het genereren van Pareto-optimale oplossingen. Dit stelt het algoritme in staat om exploratie en exploitatie te balanceren zonder handmatige parametertuning.
• Oplossingsselectie: Het algoritme genereert een Pareto-optimaal pakket (POS) van niet-gedomineerde oplossingen. Een "knee point"-methode wordt toegepast om de optimale trade-off oplossing te identificeren tussen datafit en modelcomplexiteit. Onzekerheid wordt gekwantificeerd met behulp van de interkwartielafstand (IQR) en de standaarddeviatie van de POS.

Belangrijkste Bijdragen

• Ontkoppeling van Doelstellingen: De studie demonstreert een kader waarbij datamisfit en modelgladheid als onafhankelijke, concurrerende doelstellingen worden behandeld, wat de subjectiviteit wegneemt die geassocieerd wordt met Lagrange-multipliers in single-objective formuleringen.
• Adaptieve Multi-Method Zoektocht: Door gebruik te maken van AMALGAM, past de methode zich dynamisch aan de topologie van de objectieve functielandschap aan, waarbij de complementaire sterktes van meerdere evolutionaire algoritmen worden benut om hoog-dimensionale, niet-lineaire parameterruimten te navigeren.
• Onzekerheidskwantificatie: De generatie van een Pareto-optimaal ensemble maakt een rigoureuze statistische beoordeling van de modelonzekerheid mogelijk, waarbij een reeks geologisch aanvaardbare oplossingen wordt geboden in plaats van een enkele, potentieel bevoordeelde schatting.
• Eliminatie van Post-processing: De methode produceert direct geologisch realistische modellen vanuit het optimalisatieproces, waardoor post-inversie smoothing of filtering overbodig wordt.

Resultaten
Het voorgestelde kader werd gevalideerd via synthetische studies en veldtoepassingen:

• Synthetische Studies: Twee modellen (een simpel symmetrisch bekken en een complex onregelmatig bekken) werden getest onder ruisvrije en 10% ruis-gevoegde condities.
  • Het algoritme slaagde erin de basisgeometrieën te herstellen die nauw overeenkomen met de ware modellen in beide scenario's.
  • Statistische analyse toonde lage standaarddeviaties in de objectieve functiewaarden, wat wijst op stabiele convergentie.
  • De POS-ensemble leverde nauwkeurige onzekerheidsgrenzen, waarbij de mediaanoplossingen goed uitlijnden met de ware dieptes, zelfs in aanwezigheid van ruis.
• Veldtoepassing 1 (Büyük Menderes Graben, Turkije): Inversie van een 50 km zwaartekrachtprofiel leverde basisdiepteschattingen op die consistent zijn met onafhankelijke Differential Evolution (DE) resultaten en beschikbare boorgat-lithologische logs. De geschatte diepte op de locatie van het boorgat (0,61 ± 0,06 km) kwam overeen met de boorgat-constraint (0,61 km) en de DE-oplossing (0,61 km). Maximale basisdieptes waren vergelijkbaar met eerdere studies met behulp van DE, Deep Learning en MJAYA algoritmen.
• Veldtoepassing 2 (Moghan Bekken, Iran): Inversie van zwaartekrachtdata over de Moghan-bekken produceerde basisdiepteprofielen die nauw overeenkwamen met de resultaten van een gecombineerde Imperialist Competitive Algorithm en Firefly Algorithm (ICAFA) aanpak, met minimale afwijkingen toegeschreven aan randeffecten.

Betekenis
Dit artikel vestigt de AMALGAM-gebaseerde multi-objective inversie-aanpak als een robuuste, nauwkeurige en computationeel efficiënte methode voor ondergrondse beeldvorming in sedimentaire bekken. Door datafit en modelcomplexiteit als concurrerende doelstellingen te behandelen, biedt de methode een striktere en systematischere beoordeling van de modelonzekerheid, terwijl de inherente niet-uniciteit van zwaartekrachtinversie wordt getemperd. De resultaten bevestigen dat dit kader een veelbelovend alternatief is voor conventionele single-objective inversietechnieken, waarbij betrouwbare schattingen van de basisdiepte worden geboden zonder de noodzaak van subjectieve regularisatieparameter-tuning of post-inversie smoothing.