Three-dimensional density and air-rock interface reconstruction with muography: Application to the TianQin tunnel

本文提出了一种优化的 Metropolis-Hastings 算法和一种反距离权重法，旨在改进缪子成像中的三维密度重建和岩石-空气界面映射，并通过来自天琴隧道实验的蒙特卡洛模拟和实地数据，证明了其在显著提高精度和减少伪影方面的有效性。

要点

大局观：用隐形的箭矢为地球做 X 光检查

想象一下，你想看清一座山内部的情况，但你既不能钻孔，也不能把它切开。你需要一种方法，在不接触岩石的情况下“看到”内部。

这篇论文描述了一种被称为宇宙线成像术（Muography）的技术。把宇宙射线想象成从太空不断降落的、隐形的、超高速的箭雨（称为μ子/muons）。当这些“箭矢”撞击地球时，它们会穿透大气层并进入地下。

• 经验法则： 如果 μ 子撞击到厚重且沉重的岩壁，许多它们会被阻挡或减速。如果它们撞击到的是空心的洞穴或较轻的土层，大多数则会直接穿过去。
• 目标： 通过统计从不同角度有多少 μ 子穿透过来，科学家可以构建出物体内部的 3D 地图。这就像是通过观察手电筒光束被遮挡了多少，来推测礼物盒里礼物的形状。

问题：“模糊照片”效应

研究人员尝试将这种方法应用于一条名为**天琴隧道（TianQin Tunnel）**的隧道。然而，他们在制作这些 3D 地图时遇到了一个常见问题：模糊（Smearing）。

想象你在拍摄一座清晰锐利的雕像，但你的相机镜头脏了或者失焦了。雕像的边缘看起来很模糊，阴影也拉成了奇怪的形状。在 μ 子成像的世界里，当数据稀疏（计数不够多）时，计算机算法会变得困惑。它们试图猜测岩石的位置，但最终却创造出了“幽灵”形状，或者让真实洞穴和致密岩石的边缘变得模糊不清。

解决方案：更聪明的猜谜游戏

为了修复这种模糊感，团队开发了一种新的计算机算法，称为优化 Metropolis–Hastigh 算法（M-H 算法）。

类比：
想象你正试图通过向靶子投掷飞镖来猜测一个黑暗房间的布局。

• 旧方法（L-BFGS 和 SART）： 就像一个只会沿直线投掷飞镖、计算平均值然后停止的机器人。它很快，但如果房间结构复杂，这个机器人画出的地图可能会模糊且混乱。
• 新方法（优化后的 M-H）： 这就像是一个聪明的探险家。它从机器人的粗略地图开始，然后通过进行微小的、随机的步骤来测试不同的可能性。
  • 如果一个新的猜测让地图看起来更清晰、更符合数据，它就会保留这个猜测。
  • 如果一个猜测让结果变差了，它通常会拒绝这个猜测，但有时也会保留它，以防这可能是在通往更好位置的必经之路（这就是“蒙特卡洛”部分）。
  • 随着时间的推移，这个探险家会不断“扭动”地图，直到模糊的边缘变得锐利、清晰。

结果： 在计算机模拟中，这种新方法将原本只有 42% 精确度的重岩检测，提升到了 100% 的精确度。它清理了“幽灵”影像，并使洞穴和岩石的边界变得更加清晰锐利。

第二个技巧：绘制天花板

论文还解决了第二个问题：如何准确确定岩石与空气交界处（即隧道的顶棚）的位置。

通常，你需要知道岩石的密度才能找到洞穴，或者需要知道洞穴的情况才能找到岩石密度。团队使用了一种巧妙的数学技巧，称为反距离权重法（IDW）。

• 类比： 想象你有很多激光笔从隧道地面向上射出。每束激光在碰到天花板时都会停止。你不知道天花板的确切高度，但你有很多激光触点落在不同的位置。IDW 方法就像是一个智能平均工具。它观察小区域内的所有激光触点，并计算出该位置天花板最可能的高度，同时对距离较近的激光赋予更高的权重。

实地测试：天琴隧道

团队将他们的“聪明探险家”算法和他们定制的探测器（名为 MuGrid-v2，类似于一台高科技的 3D 打印 μ 子相机）带入了天琴隧道。

1. 设置： 他们将探测器放置在隧道内的三个不同位置，并等待 μ 子降落了数周之久。
2. 校验： 他们将 μ 子生成的隧道顶棚地图与LiDAR 扫描（从地面进行的超高精度激光扫描图）进行了对比。
3. 结果：
   • 天花板地图： 他们的 μ 子地图与激光扫描图非常吻合（误差在 5 米左右）。这证明了即使不进行钻探，他们的方法也是有效的。
   • 密度地图： 他们寻找了隧道上方山体内部是否存在隐藏的洞穴或奇特的重岩区域。结果一无所获。 隧道上方的山体是坚实且均匀的。这对隧道的安全性来说其实是个好消息！

总结

本文表明，通过使用一种更聪明的、“扭动式”的计算机算法，科学家可以将模糊、模糊的 3D X 光图像转化为锐利、清晰的照片。他们通过成功绘制真实隧道天花板的地图，并确认上方岩石坚实且安全（没有隐藏的意外），证明了这一方法的有效性。

技术摘要

技术摘要：基于缪子成像的三维密度与气岩界面重建

问题陈述
透射式缪子成像是一种用于重建密度分布和气岩界面的非侵入式成像技术，通过测量宇宙线缪子的衰减来实现。然而，重建过程涉及求解一个病态逆问题。广泛使用的确定性算法，如阻尼最小二乘法、有限内存拟布罗伊登-弗莱切-戈德芬布洛德-香恩（L-BFGS）算法以及同步代数重建技术（SART），在测量数据稀疏或探测器位置受限时，往往会产生严重的“弥散”伪影。此外，现有的专门方法（例如种子算法或反投影法）通常需要辅助先验信息，如人工设置的种子点或重力异常数据，而这些信息在许多野外场景中可能无法获得。

方法论
作者提出了一个双管齐下的方法来解决这些局限性：

1. 用于密度重建的优化 Metropolis–Hastings (M-H) 算法：

   • 作者开发了一种基于 Metropolis–Hastings 方法的优化马尔可夫链蒙特卡洛（MCMC）算法。
   • 初始化： 为了避免手动初始化，该算法使用确定性方法（L-BFGS-B 和 SART）的结果作为初始样本。
   • 扰动： 对当前样本应用 3×3 高斯卷积核以生成向量 $G$。每个体素的迭代步长由该向量和预定义的偏差率（$b$）决定。
   • 接受： 通过在计算出的边界内随机扰动当前的密度值来生成新样本。新样本的接受受限于比较实验不透明度（$X_i$）与理论不透明度（$X_{the}$）的似然函数，该函数利用系统温度参数（$T_s$）和接受率（$B_p$）。
   • 输出： 在丢弃预热期（burn-in）样本后，最终的密度分布是有效样本的逐元素平均值。

2. 用于气岩界面重建的反距离权重法 (IDW)：

   • 当密度分布已知（或假设为均匀）时，该方法通过求解路径长度矩阵（$L$）来重建气岩界面（高程图）。
   • 算法将射线端点投影到 2D 网格上。对于包含多个端点的网格单元，采用反距离权重法（IDW）计算加权平均高程，其中权重与距离单元中心的距离平方成反比。

核心贡献

• 伪影缓解： 优化的 M-H 算法有效地缓解了在稀疏测量场景中常见的弥散伪影，且无需辅助数据或人工种子点。
• 鲁棒性： 该方法证明了无论使用哪种初始化算法（L-BFGS-B 或 SART），都具有鲁棒性。
• 集成管线： 本研究将重建算法与 MuGrid-v2 集成，MuGrid-v2 是一款自主研发的缪子闪烁体探测器，具有分段式导光板和硅光电倍增管（SiPM）。
• 双模态重建： 本文提供了一个统一的框架，基于相同的缪子通量衰减原理，既能进行 3D 密度重建（求解 $\rho$），也能进行界面重建（求解 $L$）。

结果

• 蒙特卡洛模拟：
  • 在包含铅、空气和黄铜矿异常的模拟场景中，优化的 M-H 算法相比基准方法显著提高了检测精度。
  • 对于高密度异常检测（阈值为 5.1 g/cm³），精度从 42%（L-BFGS-B）提升至 100%（优化后的 M-H）。
  • 在其他阈值和低密度场景下，M-H 算法表现出 6% 至 42% 不等的持续精度增益。
  • 对重建体积的视觉检查显示，边界更加清晰，并消除了密度异常下方的伪影。
• 天琴隧道野外实验：
  • 将 MuGrid-v2 探测器部署在天琴隧道内的三个位置，用以成像上覆岩石结构。
  • 密度重建： 在隧道上方未检测到显著的密度异常，这一结论得到了异常体素簇不存在的支持。
  • 界面重建： 将重建的气岩界面与激光雷达（LiDAR）测量结果进行了对比。结果显示平均误差为 5.121 m，相对误差为 16.1%。该差异归因于假设岩石密度均匀，但重建过程成功捕捉到了整体地形特征。

意义与主张
本文声称所提出的方法从两个主要方面推进了缪子成像技术的发展：

1. 算法改进： 它证明了优化的 M-H 算法能显著减少密度异常附近的伪影，在高密度检测方面比基准算法实现了高达 58% 的精度提升。
2. 方法论扩展： 它为地质勘探提供了一个互补工具，即在已知或假设密度分布的情况下实现气岩界面重建。

作者总结道，天琴隧道实验验证了 MuGrid-v2 探测器的能力以及缪子成像应用范围的扩大。他们也客观地指出目前的局限性，特别是 M-H 算法的超参数需要手动调优，且缺乏明确的选择标准，同时在更复杂地质场景下的表现仍需更大规模数据集的进一步验证。