DEPTH ESTIMATIONS FROM MAGNETIC DATA USING EULER DECONVOLUTION METHOD AND ML-DRIVEN TECHNIQUES. Masters thesis, King Fahd University of Petroleum and Minerals.

PDF (Thesis Manuscript) Thesis_Schwarck.pdf - Accepted Version Restricted to Repository staff only until 15 February 2027. Download (12MB)

Arabic Abstract

الالتفاف لفك إيولر " طريقة تُعد " (Euler deconvolution) أعماق تقدير في النظرية لموثوقيتها عالية قيمة ذات المعقدة الجيولوجية التكوينات في خاصة الحلول، تشتت يعوقه العملي استخدامها أن إلا المغناطيسية، المصادر . قد مما المفسر، خبرة على كبير بشكل تعتمد شخصية متغيرات على التقليدية المرشحات تعتمد المشكلة، هذه ولمعالجة التفسير عملية أثناء بشري انحياز إدخال إلى يؤدي . الآلي بالتعلم مدفوعة هجينة تجميع واستراتيجية " الالتفاف لفك إيولر " بين يجمع متكامل ا إطار اا الدراسة هذه تقدم (ML) هذه تعمل للإشراف، الخاضعة غير الآلي التعلم تقنيات من مزيج وباستخدام . العمق تقدير موثوقية لتعزيز ثقل مراكز بحساب وتقوم الكثيفة، الحلول مجموعات عن التداخل وضوضاء العشوائية الضوضاء فصل على الطريقة في ميداني تطبيق تلها اصطناعية، نماذج باستخدام النهج هذا صحة من التحقق تم . المغناطيسية للمصادر مستقرة البركانية الكتلة كبريتيدات عن للتنقيب " الحوية " منطقة (VMS) السعودية العربية المملكة غرب العربي، الدرع في . الحلول تشتت من بفعالية يقلل الآلي بالتعلم المدفوع الهجين النهج أن النتائج تظهر (solution spraying)، ويحدد قُدر الدراسة، بمنطقة يتعلق وفيما . والميدانية الاصطناعية البيانات من لكل الضحلة المغناطيسية المصادر باستمرار الجوسان " غطاء مع يتوافق مما متراا، 20-0 بين المصدر إلى العمق " (gossan cap) المؤكسدة والمناطق المعروفة .

English Abstract

Euler deconvolution is valued for its theoretical reliability in estimating magnetic source depths, but practical use is hindered by solution scatter, especially in complex geology. To address this, traditional filters rely on subjective parameters that depend heavily on the interpreter’s expertise, potentially introducing human bias during interpretation. This study presents an integrated framework that combines Euler deconvolution with a hybrid machine learning (ML)-driven clustering strategy to enhance the reliability of depth estimation. Using a combination of unsupervised ML-driven techniques, the method segregates stochastic and interference noise from dense solution clusters and computes stable centroids for magnetic sources. The approach was validated using synthetic models, followed by field application at the Hawiyah Volcanogenic Massive Sulphide (VMS) prospect in the Arabian Shield, western Saudi Arabia. Results show that the ML-driven hybrid approach effectively reduces "solution spraying" and consistently identifies shallow magnetic sources for both synthetic and field data. Regarding the study area, depth-to-source was estimated at 0–20 m, correlating with the known gossan cap and oxidized zones.

Item Type:	Thesis (Masters)
Subjects:	Engineering Earth Sciences
Department:	College of Petroleum Engineering and Geosciences > Geosciences
Committee Advisor:	Sherif Hanafy Mahmoud,
Committee Co-Advisor:	Abdullatif Al-Shuhail,
Committee Members:	Ahmed Salem,
Depositing User:	CARLOS SCHWARCK VALENTE (g202321450)
Date Deposited:	18 Feb 2026 08:45
Last Modified:	18 Feb 2026 08:45
URI:	http://eprints.kfupm.edu.sa/id/eprint/144071