Die dreidimensionale Schwerkraftinversionstechnologie beinhaltet die Ableitung der unterirdischen Dichte-Struktur basierend auf beobachteten Schwerkraftanomaliedaten. Neben der Schwerkraftinversion, die auf physikgetriebenen Methoden beruht, gewinnt das tiefe Lernen als rein datengestützte Technik zunehmend Aufmerksamkeit bei geophysikalischen Inversionsproblemen. Allerdings beruhen rein datengestützte Methoden auf den impliziten Beziehungen innerhalb der Daten während des Inversionsprozesses, was zu einem Mangel an klarer physikalischer Bedeutung führt. Diese Studie schlägt eine dreidimensionale Schwerkraftinversionsmethode vor, die physikalische Gleichungen mit tiefem Lernen integriert. Basierend auf der U-Net-Architektur wird die Schwerkraft-Vorwärtsgleichung als physikalischer Einschränkungsterm integriert, und eine zusammengesetzte Verlustfunktion – bestehend aus dem dreidimensionalen mittleren quadratischen Fehler, einer Tiefengewichtungsfunktion und dem dreidimensionalen Schnittmengen-Verlust – wird konstruiert, um die Inversionsgenauigkeit zu verbessern. Numerische Experimente zeigen, dass diese Methode traditionelle Algorithmen hinsichtlich der Dichtewiederherstellungsgenauigkeit und der Begrenzungsklarheit übertrifft. Bei der Anwendung auf Schwerkraftanomaliedaten aus der Erdbebenregion Tangshan in China invertierte diese Methode erfolgreich die dreidimensionale unterirdische Dichte-Struktur und offenbarte eine Hochdichteanomalie unter dem seismischen Ursprungsbereich, was wichtige Hinweise zum Verständnis des regionalen Erdbebenentstehungsmechanismus liefert.
Shi et al. (Mon,) untersuchten diese Frage.