Application of K-means algorithm to Werner deconvolution solutions for depth and image estimations تطبيق خوارزمية K - means على حلول فك التفاف فيرنر لتقديرات العمق والصورة Application de l'algorithme K-means aux solutions de déconvolution Werner pour les estimations de profondeur et d'image Aplicación del algoritmo K-means a las soluciones de deconvolución de Werner para estimaciones de profundidad e imagen

One of the most popular techniques for computer-assisted solution estimates for magnetics and gravity field data is Werner deconvolution. The approaches frequently produce erratic results and may not always forecast the maximum number of the geologic entity that produces them due to the intrinsic instability of potential field data. This led to the application of the K-means machine learning algorithm to further enhance the detection of the geologic potential field-generated bodies. Two substances that resembled dikes were combined to form a synthetic magnetic model. Random noise was added to the synthetic data, to make the solutions a bit more complex. Werner deconvolution technique was applied to the synthetic model to generate solutions. K-means unsupervised machine learning algorithm was applied to the generated solutions created by the synthetic data. We further applied this algorithm to real data sets from a mining site. The clustering result shows a good spatial correspondence with the geologic model, and the method was able to estimate the precise location and depth of the dike bodies. The proposed method is entirely data-driven and has proven to work in the presence of noise. واحدة من أكثر التقنيات شيوعًا لتقديرات الحلول بمساعدة الكمبيوتر لبيانات مجال المغناطيسية والجاذبية هي فك التفاف فيرنر. وكثيرا ما تسفر النهج عن نتائج غير منتظمة وقد لا تتنبأ دائما بالعدد الأقصى للكيان الجيولوجي الذي ينتجها بسبب عدم الاستقرار الجوهري للبيانات الميدانية المحتملة. أدى ذلك إلى تطبيق خوارزمية التعلم الآلي K - means لزيادة تعزيز الكشف عن الأجسام المحتملة جيولوجيًا المولدة ميدانيًا. تم الجمع بين مادتين تشبهان السدود لتشكيل نموذج مغناطيسي اصطناعي. تمت إضافة ضوضاء عشوائية إلى البيانات الاصطناعية، لجعل الحلول أكثر تعقيدًا بعض الشيء. تم تطبيق تقنية فيرنر لإزالة الالتفاف على النموذج الاصطناعي لتوليد الحلول. K - يعني أنه تم تطبيق خوارزمية التعلم الآلي غير الخاضعة للإشراف على الحلول التي تم إنشاؤها بواسطة البيانات التركيبية. كما طبقنا هذه الخوارزمية على مجموعات البيانات الحقيقية من موقع التعدين. تُظهر نتيجة التجميع تطابقًا مكانيًا جيدًا مع النموذج الجيولوجي، وتمكنت الطريقة من تقدير الموقع الدقيق وعمق أجسام السدود. تعتمد الطريقة المقترحة بالكامل على البيانات وقد أثبتت فعاليتها في ظل وجود ضوضاء. L'une des techniques les plus populaires pour les estimations de solutions assistées par ordinateur pour les données magnétiques et de champ de gravité est la déconvolution de Werner. Les approches produisent fréquemment des résultats erratiques et peuvent ne pas toujours prévoir le nombre maximum de l'entité géologique qui les produit en raison de l'instabilité intrinsèque des données potentielles sur le terrain. Cela a conduit à l'application de l'algorithme d'apprentissage automatique K-means pour améliorer encore la détection des corps géologiques potentiels générés par le champ. Deux substances ressemblant à des digues ont été combinées pour former un modèle magnétique synthétique. Un bruit aléatoire a été ajouté aux données synthétiques, pour rendre les solutions un peu plus complexes. La technique de déconvolution de Werner a été appliquée au modèle synthétique pour générer des solutions. L'algorithme d'apprentissage automatique non supervisé K-means a été appliqué aux solutions générées créées par les données synthétiques. Nous avons ensuite appliqué cet algorithme à des ensembles de données réelles provenant d'un site minier. Le résultat du regroupement montre une bonne correspondance spatiale avec le modèle géologique, et la méthode a pu estimer l'emplacement précis et la profondeur des corps de digue. La méthode proposée est entièrement axée sur les données et s'est avérée efficace en présence de bruit. Una de las técnicas más populares para las estimaciones de soluciones asistidas por ordenador para datos magnéticos y de campo gravitatorio es la deconvolución de Werner. Los enfoques con frecuencia producen resultados erráticos y no siempre pueden pronosticar el número máximo de la entidad geológica que los produce debido a la inestabilidad intrínseca de los datos de campo potenciales. Esto llevó a la aplicación del algoritmo de aprendizaje automático K-means para mejorar aún más la detección de los cuerpos geológicos potenciales generados en el campo. Dos sustancias que se asemejaban a diques se combinaron para formar un modelo magnético sintético. Se añadió ruido aleatorio a los datos sintéticos, para hacer las soluciones un poco más complejas. Se aplicó la técnica de deconvolución de Werner al modelo sintético para generar soluciones. Se aplicó el algoritmo de aprendizaje automático no supervisado K-means a las soluciones generadas por los datos sintéticos. Además, aplicamos este algoritmo a conjuntos de datos reales de un sitio minero. El resultado de la agrupación muestra una buena correspondencia espacial con el modelo geológico, y el método fue capaz de estimar la ubicación precisa y la profundidad de los cuerpos de dique. El método propuesto está totalmente basado en datos y ha demostrado funcionar en presencia de ruido.