美高梅博彩

居里点深度(Curie Point Depth, CPD)是表征岩石圈热结构的重要指标，对于研究区域大地热流、地壳热异常以及评估地热资源潜力具有关键作用。传统CPD估算通常依赖于磁异常谱分析或界面反演方法。然而，这些方法大多仅考虑感应磁化的影响，而忽略了岩石在成岩过程中获得的剩磁（Remanent Magnetization）。事实上，在火成岩或变质岩广泛分布区域，强剩磁的存在会显著改变磁异常空间分布特征，导致预测结果产生严重多解性和误差。目前，如何在强剩磁干扰下高精度约束居里面深度，仍是地磁学领域面临的一大挑战。

针对上述问题，我校地球物理与信息技术学院博士生马力克在王俊副教授指导下，提出了一种基于物理约束神经网络（Curie-Physics Informed Neural Network, C-PINN）的居里面深度高精度反演新方法，研究结合随机剩磁建模、磁异常快速模拟与深度学习，探讨了剩磁对CPD估计的影响，取得了以下认识：

（1）首次构建了耦合空间相关剩磁扰动的双磁性界面层模型（图1），设计了符合磁异常谱衰减定律的C-PINN深度学习架构（图2），并创新构建了频谱斜率约束模块，使得神经网络在学习数据特征的同时，遵循位场衰减物理规律，有效降低了强剩磁条件下的反演多解性。

（2）模型实验表明，相较于传统界面反演类方法，C-PINN方法在复杂剩磁条件下的CPD估算精度大幅度提升，同时有效克服了传统谱分析方法分辨率低、过度平滑的缺陷（图3）。

（3）将该方法成功应用于鄂尔多斯及周边区域磁异常（图4），结果显示在秦岭造山带等构造活跃、剩磁显著区域，考虑剩磁反演的CPD结果与地表高热流异常呈现出极好的空间对应关系。

该研究不仅为复杂剩磁背景下的居里面深度估计提供了一套高精度、强鲁棒性的新技术，也为深部地热资源的靶区优选和岩石圈热演化规律的探讨提供了更为可靠的物理约束。

图1 双界面磁性层模型示意图

图2 C-PINN（物理约束神经网络）架构图

图3 复杂剩磁条件下的合成模型反演对比结果

图4 C-PINN 方法在鄂尔多斯区域的实际应用结果及热流相关性分析

该研究受到教育部学科交叉突破先导项目(JYB2025XDXM803)的资助，成果发表在地球科学领域国际权威期刊《Geophysical Research Letters》上：Ma, L., & Wang, J. (2026). High-precision delineation of Curie point depth under remanent magnetization using Physics-Informed Neural Networks. Geophysical Research Letters, 53, e2025GL120275.

全文链接：https://doi.org/10.1029/2025GL120275