Nonlinear 1D Time-Domain Electromagnetic Inversion using Adaptive Differential Evolution: Application to Volcanic-Hydrothermal System

Technische Samenvatting: Nietlineaire 1D Tijd-Domein Elektromagnetische Inversie met Adaptieve Differentiele Evolutie

Probleemstelling
Tijd-domein elektromagnetische (TDEM) ondergrondse resistiviteitsinversie wordt gekenmerkt als een hoogst nietlineair, slecht gestelbaar optimalisatieprobleem. Het proces wordt belemmerd door aanzienlijke uitdagingen zoals parametercoupling, laagequivalentie (waarbij verschillende combinaties van resistiviteit en dikte ononderscheidbare responsen opleveren) en de prevalentie van lokale minima. Conventionele deterministische methoden (bijv. Gauss–Newton, Levenberg–Marquardt) falen vaak in deze scenario's vanwege hun afhankelijkheid van initiële model-inschattingen en hun vatbaarheid voor het vastlopen in lokale minima. Hoewel globale stochastische optimalisatiealgoritmen zoals Differentiele Evolutie (DE) een oplossing bieden, vertrouwen standaard DE-implementaties op statische controleparameters (mutatieschaalfactor $F$ en crossover-snelheid $Cr$). Deze vaste instellingen missen de flexibiliteit om zich aan te passen aan de dynamische zoekvereisten van verschillende evolutionaire fasen, wat vaak leidt tot voortijdige convergentie of stagnatie, met name in complexe, multimodale landschappen die typerend zijn voor vulkanisch-hydrothermische systemen.

Methodologie
Deze studie stelt een geavanceerd stochastisch inversiekader voor op basis van Verbeterde Lineaire Populatieomvang Reductie Success-History Gebaseerde Adaptieve Differentiele Evolutie (iL-SHADE). De methodologie integreert verschillende adaptieve mechanismen om een balans te vinden tussen globale exploratie en lokale exploitatie zonder handmatige parametertuning:

1. Adaptieve Parametercontrole: In tegenstelling tot canonieke DE maakt iL-SHADE gebruik van historische geheugenarrays ($M_F$ en $M_{Cr}$) om succesvolle mutatie- en crossoverparameters uit voorgaande generaties op te slaan. Deze geheugens worden bijgewerkt met behulp van gewogen gemiddelden van succesvolle proeven, waardoor het algoritme zijn zoekgedrag zelf kan reguleren op basis van eerdere prestaties.
2. Lineaire Populatieomvang Reductie (LPSR): Het algoritme reduceert de populatieomvang ($N_p$) dynamisch lineair van een initiële maximum naar een minimumdrempel naarmate de optimalisatie vordert. Deze strategie behoudt een hoge diversiteit tijdens de vroege exploratiefasen en concentreert computationele middelen op veelbelovende regio's tijdens latere exploitatiefasen.
3. Mutatiestrategie: Het framework maakt gebruik van een current-to-pbest/1/bin mutatiestrategie, die doelvectoren selecteert uit de top $p\%$ van de populatie, wat exploratie en exploitatie verder in evenwicht brengt.
4. Forward Modeling: Het TDEM forward-probleem wordt opgelost met behulp van een gegronde horizontale elektrische dipel (HED) bronconfiguratie. De oplossing omvat het transformeren van de Maxwell-vergelijkingen naar het Laplace-domein, het oplossen voor de magnetische vectorpotentiaal in gelaagde media, en het toepassen van het Gaver–Stefhest algoritme voor numerieke inverse Laplace-transformatie om de tijd-domein magnetische fluxdichtheidsrespons ($B_z(t)$) te verkrijgen.
5. Validatiekader: Het algoritme werd geëvalueerd met behulp van:
   • Synthetische Benchmarks: Vier verschillende 5-laags aardmodellen (Ascending, Bell, Bowl en Descending resistiviteitsprofielen) om prestaties te testen over variërende geologische complexiteiten.
   • Statistische Rigor: 30 onafhankelijke stochastische runs per model, geanalyseerd met niet-parametrische Wilcoxon rank-sum hypothesetests ($\alpha = 0,01$) om statistische significantie te bevestigen.
   • Robuustheidstests: Beoordeling onder Gaussische ruisniveaus tot 20% en scenario's met laag-mismatch (inversie van 3-laags data met een 5-laags model).
   • Veldtoepassing: Validatie met echte TDEM-data van Station UZ01 op de Unzen Vulkaan, Japan.

Belangrijkste Bijdragen

• Algoritmische Adaptatie: Dit werk presenteert de eerste systematische toepassing van iL-SHADE op TDEM-inversie, waarbij wordt aangetoond dat adaptieve parametercontrole en populatiebeheer standaard DE en SHADE in geofysische contexten aanzienlijk overtreffen.
• Empirische Richtlijnen: De studie stelt specifieke baseline-configuraties vast voor TDEM-inversie, waarbij een initiële populatieomvang van $N_p = 21 \times D$ (waarbij $D$ de modeldimensie is) en een $p$-best bereik van $[0,10, 0,20]$ wordt aanbevolen, wat de noodzaak voor kostbare trial-and-error tuning elimineert.
• Statistische Verificatie: Door 30 onafhankelijke runs uit te voeren en Wilcoxon rank-sum tests toe te passen, levert de studie een rigoureus statistisch bewijs ($p\text{-waarden} < 0,01$) dat de prestatieverbeteringen niet door toeval komen, maar inherent zijn aan de mechanica van het algoritme.
• Omgang met Niet-Uniekheid: Het framework demonstreert het vermogen om "equivalente" modelruimtes (specifiek de uitdagende "Bowl" model) effectiever te navigeren dan concurrerende algoritmen, waarbij lagere misfits en hogere stabiliteit worden bereikt.

Resultaten

• Synthetische Prestaties: Over alle vier de synthetische modellen behaalde iL-SHADE mediane misfits in de orde van grootte van $10^{-8}$ tot $10^{-9}$. Dit vertegenwoordigt een verbetering van 2 tot 4 ordes van grootte ten opzichte van standaard DE en SHADE. In het meest uitdagende "Bowl" model (gekenmerkt door een laag-resistieve intermediaire zone) behaalde iL-SHADE een minimale misfit van $2,555 \times 10^{-9}$ en een mediaan van $5,979 \times 10^{-9}$, wat concurrenten aanzienlijk overtreft.
• Statistische Significantie: Paargewijze Wilcoxon-tests bevestigden dat de superioriteit van iL-SHADE statistisch significant is ($p \approx 3,020 \times 10^{-11}$) over alle modelprofielen.
• Ruisrobuustheid: Onder Gaussische ruisniveaus tot 20% behield het algoritme een consistente convergentie naar de door de ruisvloer begrensde minima, waarbij de misfit-waarden lineair en voorspelbaar toenamen (van ~0,8066 naar ~0,8094), wat wijst op een hoge stabiliteit.
• Veldgegevens Toepassing: Toegepast op Unzen Vulkaan data (1,4 km zender, 2,0 km offset), loste iL-SHADE succesvol een 5-laags ondergrondse structuur op tot een diepte van 5,6 km met een RMS-misfit van 24,388. Het model identificeerde:
  • Een oppervlakkige resistente laag (onveranderd vulkanisch puin).
  • Een matige resistiviteitslaag (verwering van pyroclastische materialen).
  • Een ultra-conductieve laag ($\rho \approx 1,48 \, \Omega\cdot\text{m}$) op 2,0–2,5 km diepte, geïnterpreteerd als een hydrothermische kleikap (smectiet/illiet).
  • Een conductief geothermisch reservoir ($\rho \approx 3,32 \, \Omega\cdot\text{m}$) dat zich uitstrekt tot 5,6 km.
  • Een diepe resistente basis ($\rho \approx 977,7 \, \Omega\cdot\text{m}$) die de magmatische warmtebron representeert.

Betekenis en Claims
Het artikel claimt dat iL-SHADE een zeer robuust, parameter-adaptief optimalisatiekader biedt dat effectief de ernstige niet-uniciteit en parametercoupling aanpakt die inherent zijn aan TDEM inverse problemen. Door historische geheugen en lineaire populatievermindering te integreren, bereikt het algoritme een superieur evenwicht tussen exploratie en exploitatie, wat resulteert in een betrouwbaardere en nauwkeurigere resistiviteitsimaging in complexe vulkanisch-hydrothermische systemen. De studie positioneert deze aanpak als een praktische, geautomatiseerde oplossing die de afhankelijkheid van handmatige hyperparameter-tuning vermindert, waardoor de betrouwbaarheid van geologische interpretaties afgeleid van TDEM-metingen wordt vergroot. De auteurs merken op dat hoewel de huidige implementatie bedoeld is voor 1D-inversie, het succes van het framework wijst op potentieel voor toekomstige uitbreiding naar 2D/3D-problemen, mogelijk ondersteund door high-performance computing.