重力异常AlexNet深度神经网络反演

针对传统反演方法存在的初始模型依赖、计算时间较长等问题,提出了一种新的基于AlexNet深度神经网络的重力异常反演方法。该方法首先借鉴经典的深度神经网络AlexNet设计了一种用于重力异常反演的Alex反演网络(AlexInvNet),接着设计大量密度异常体模型并通过正演计算得到带标签的数据集,然后用该数据集训练AlexInvNet网络,最后将重力异常数据输入训练好的AlexInvNet网络直接得到反演结果。理论模型反演结果表明,该方法相较于全连接网络深度学习反演方法,能够更好地反演出异常体的位置和密度,具有较好的泛化能力和抗噪声能力。实测数据反演结果表明,该方法能有效解决重力异常反演问题。     

基于卷积神经网络的磁异常反演

针对传统反演方法存在的初始模型依赖、计算时间较长等问题,提出一种基于卷积神经网络的磁异常反演方法。该方法首先设计大量磁异常体模型,进行正演模拟产生样本数据集;接着借鉴经典的卷积神经网络VGG-13设计了一种全新的VGG磁异常反演网络(VGGINV);然后使用样本数据集训练该网络,并优化网络参数;最后对理论模型和实测数据进行反演实验。实验结果表明,该方法可以准确地反演出磁异常体的位置和磁化强度,具有较强的学习能力和一定的泛化能力,能有效解决磁异常数据反演问题。     

基于卷积神经网络识别重力异常体

本文将深度学习与重力异常体识别结合,基于近年来在图像识别邻域取得优异效果的卷积神经网络,将重力观测等值线图看作待识别的二维图像,将地下重力异常体的空间参数看作识别输出,从而形成适用于异常体识别的卷积神经网络模型。在训练中,随机生成大量不同参数的三维异常体模型,正演得到其重力观测二维数据,用异常体模型参数标签和重力数据训练卷积神经网络。在模型算例中测试训练好的网络模型,其识别准确性良好。同时,相比于传统神经网络从二维重力测线中识别异常体的埋深,卷积神经网络可从二维的重力数据识别三维异常体的埋深和大小信息。最后,将网络应用于澳大利亚Kauring地区重力观测数据,异常体识别结果与前人研究结果相符。说明卷积神经网络具泛化能力,可用于识别实测重力异常体,结果可靠。     

新疆色尔特能地区视密度和视磁性的反演

将起伏地形上测量的重力异常和磁异常,延拓至平均水平面;对平面上的场进行不同深度层源的切割分离;再将各层的场向下延拓至相应的深度,并反演出该深度层的密度和磁化强度结构。以此得到的密度和磁化强度,反映该深度层密度和磁性的近似分布,称为视密度和视磁性反演。本方法反演速度很快,在主频1.73 GHz的微机上,完成71×81数据点反演的计算时间为10s。这里以新疆色尔特能地区的实例说明这种方法的反演效果。     

区域重力异常多尺度密度反演研究

重力测量观测得到的重力异常,反映的是不同深度和不同尺度异常源的叠加效应。在理论上,只有进行适当的异常分解,才能较为准确地反演异常体的物性与几何参数。这里首先对重力异常进行小波多尺度分解,再通过频谱分析求出各层对应的中心深度,然后确定各层的平均密度,用广义线性反演方法反演各层密度的扰动,进而得到各层的密度分布。通过塔里木盆地的重力异常的多尺度分析和密度反演应用实例,显示了多尺度反演方法对区域重力异常的有效性和应用价值。     

细胞神经网络在重力异常分异中的研究及应用

介绍采用细胞神经网络CNN(cellular neural network)方法,对铬铁矿区内的矿体和围岩的重力异常进行分异。首先阐述了CNN方法的原理和算法,采用拟BP学习算法训练网络的权值,用全局误差函数求导方法推导权值的修正公式,讨论了如何根据目标异常训练适合该地质条件的网络的连接权值;其次将重力异常数据预处理,以达到适合CNN方法处理的数据格式和要求;最后由于该矿区内没有已知的重力数据作为网络训练的目标输出,根据相关地质图设置相应的地下构造模型。利用"点元"法分别正演出叠加异常和矿体异常,进而训练出适合全区的网络连接权值,实现了对全区重力异常的分异。应用结果表明,细胞神经网络方法较好地突出该矿区高异常和矿体的边界,只要选择了合适的网络连接权值,就能将横向叠加异常区分开,故CNN方法可以实现矿体和围岩的重力异常分异。     

重力异常三维反演——视密度成像方法技术的应用

将起伏地形上测量的重力异常,延拓至平均水平面;对平面上的重力场进行不同深度层源的切割分离;再将各层的重力场向下延拓至相应的深度,并反演出该深度层的密度结构.以此得到的密度,反映该深度层密度的近似分布,故称为视密度成像.在重力场的曲面向下延拓过程中,采用了新的延拓方法——迭代法,延拓深度大,延拓过程稳定;且不需解线性代数方程组,避开了制约三维反演实用化的计算时间的瓶颈问题.在主频1.73 GHz的微机上,完成71×81数据点反演的计算时间为10 s.以新疆一个地区的实例说明这种方法的反演效果.     

基于重磁欧拉3D反褶积的相山基底起伏研究

相山盆地位于华南异常带,区域重力异常和区域磁异常特征明显。这里利用布格重力异常、磁异常进行Euler3D反演和信号分析方法,对相山盆地重力和磁数据进行处理,得到相山盆地构造走向、倾向和重力、磁性基底深度图。研究认为:1山砀、蔡坊一带存在构造断裂带,以东西走向为主;2相山主峰存在两个火山喷发中心;3盆地有3条基底深度凹陷带,将盆地划分为两个基底隆起块。在此基础上,通过研究断裂构造、基底深度、矿集区,提出山砀-蔡坊地区为有利成矿部位的结论。     

基于Cokriging的三维重力张量随机反演

重力张量是重力位的二阶导数,与传统的重力测量相比,重力张量具有更高的分辨率。协同克里格法是地质统计学中常见的一种方法,使用协同克里格法对三维重力张量各分量数据进行随机反演。由于位场数据在深度方向上的分辨率较低,因此需通过使用深度加权函数和钻孔数据来解决这一问题,对比了带深度加权和带钻孔数据的协同克里格反演结果。反演结果表明,协同克里格法能够较好地反演重力张量各分量数据,两种方式都能够较好地反演出地下异常位置,带深度加权的协同克里格法反演出来的密度值与实际值有一定的偏差,而带钻孔数据的协同克里格法能够较好地反演出剩余密度值,并且对于不同埋深的异常体都能很好地反映。     

DEXP反演方法在寻找钾盐中的应用

为验证DEXP反演方法在寻找钾盐中的效果,先从DEXP反演方法的原理着手,然后将其应用于某地区实测布格重力异常数据的处理中,确定钾盐矿的埋藏深度,取得了非常好的效果.结果表明,在矿产勘查中应用DEXP反演方法确定场源埋藏深度是可行有效的.     

基于EIGEN-6C2重力场模型反演青藏高原地壳结构

重力数据是地下场源产生的重力场的叠加, 包含了地下从浅部到深部的丰富信息.高阶卫星资料的丰富为青藏高原深部构造研究提供了重要资料.基于EIGEN-6C2模型作为原始数据, 首先对青藏高原布格重力异常和均衡重力异常分别作1~5阶尺度分解, 得到不同尺度重力异常的分布特性, 探讨不同空间尺度反映的地壳构造意义.其次, 基于径向对数功率谱估计平均深度方法理论, 进一步研究1~5阶细节反映的场源深度.再次, 利用Canny算子的多尺度边缘检测识别和分析重力异常中表现不明显的断裂, 定位断裂在地表的位置, 识别青藏高原内部断块边界, 完成活动块体和次级块体的划分.最后, 对布格重力异常进行沉积层及岩石圈改正, 采用Parker-Oldenbarg三维位场反演法反演青藏高原莫霍界面起伏.      

拟神经网络反演在煤田中应用

Parker快速富氏变换反演单一密度界面存在两方面问题：一是求解目标界面重力异常难度较大;二是受正演速度及反演参量维数的限制,不能对界面进行精细划分.拟神经网络BP算法的引入,首先解决了快速三维正演问题,又突破了反演参量维数的限制,实现快速收敛,有效解决两个或多个密度界面的反演问题.在实际应用中,先用密度“补偿法”正演求取剩余生力异常,然后利用拟神经网络BP算法同时反演两个二维密度界面,拟合求得两个界面的深度异常,在此基础上预测煤田.     

基于粒子群优化的细胞神经网络油气重力异常信息提取

细胞神经网络方法是一种有效的重力异常提取方法,提取出的重力异常信息具有较强的横向分辨能力,但如何训练优化模板是影响该方法提取精度的关键所在。笔者引入粒子群优化算法进行参数优化,结合细胞神经网络和粒子群方法各自的特点,通过细胞神经网络动态性能分析,对模板加入约束条件,并在粒子群算法中引入收缩因子,提出一种基于改进的粒子群优化的细胞神经网络算法。使用该方法进行了模型验证和实际资料处理,处理结果表明,该方法提高了重力异常提取的稳定性,能够更准确地提取油气藏重力异常信息。     

概率神经网络储层流体密度反演及应用

概率神经网络是一种基于概率统计思想的神经网络,利用概率神经网络进行储层的流体密度反演,通过它的非线性扩展进行多个属性的优选组合,完成神经网络的训练学习和概率估算,有效地剔除个别数据的不利影响,使反演过程更加稳定,减少反演结果的多解性.川西某气藏的概率神经网络储层流体密度反演结果表明,该反演方法准确性很高,反演结果与实际...     

基于时间卷积网络的地震波阻抗反演

近些年来,深度学习网络的兴起极大地推动了人工智能技术在地震数据处理、反演以及解译等领域的应用.地震波阻抗反演是石油地震勘探领域的一项关键技术,其反演精度在圈定油气储层构造中起到非常重要的作用.提出了一种基于数据驱动时间卷积网络（temporal convolution network,TCN）模型的地震波阻抗反演方法,旨在无需建立初始反演模型,直接利用工区的少量测井标签数据,以地震振幅数据为输入,将波阻抗反演转化为时间序列建模任务,最终输出地下模型的阻抗信息.采用Marmousi2数据集对基于TCN的波阻抗反演模型进行训练、验证和测试,结果显示,在测试集上该模型预测结果的皮尔逊系数和决定系数分别达到97.92%和95.95%,并对远离训练区域的波阻抗信息预测有着良好的泛化性,且在预测时间和预测精度等方面都要明显优于前人的相关研究工作.上述结果表明,TCN时间序列深度学习模型在复杂地层波阻抗反演中具有一定优越性和应用前景,为地震波阻抗反演提供了新思路.      

地震属性的拟测井反演及在煤层解释中的应用

描述了地震属性的拟测井反演方法,即从地震属性中反演能够反映煤层特征的拟测井曲线。该方法将钻孔处的测井曲线和地震属性作为样本数据,经过神经网络训练后形成网络模型,以此模型反演非钻孔处的地震属性,得到三维测井曲线数据体。该数据体纵向分辨率高,横向分布精确可靠,经过解释,提供高准确度的煤层空间分布情况。      

利用实测重力垂直梯度反演长白山地区一剖面的深部构造

针对重力梯度高分辨率的特点,利用在长白山地区实测的重力垂直梯度数据,采用梯度空间参量图反演其深部构造。台阶模型试验表明: 重力梯度空间参量图能给出构造倾角和倾面的信息,结合重力梯度剖面和梯度空间参量图可以构建出地下构造的几何模型,进而对一些复杂构造进行解释。通过对比实测布格重力异常和实测重力梯度异常,重力梯度比重力异常的分辨率更高; 将梯度法应用到实测重力梯度数据的处理中,结果表明: 该方法对确定密度变化界面的水平位置和深度具有非常好的效果。     

基于卫星重力异常的南海南部中生界反演

已有钻井以及地震资料揭示南海南部海域广泛发育中生代地层。为了进一步了解南海南部中生代地层的分布特征及油气地质意义,本文利用最新的卫星重力数据反演中生界的深度和厚度。首先,采用重力场正演技术消除海水的影响,获得南海南部布格重力异常。其次,为了消除新生代沉积层的影响,将新生代沉积层划分为0～3、3～6、6～10 km 3层,并根据前人在南海获得的密度与深度的关系,采用变密度Parker正演方法计算新生代沉积层产生的重力影响,并将其从布格重力异常中减去,从而获得前新生代重力异常。在此基础上,采用小波多尺度分解技术,消除深部莫霍面以及局部岩体重力的影响,从而计算得到反映中生界的重力异常。最后采用三维Parker变密度界面快速反演技术获得南海南部中生界深度和厚度。反演结果与已知中生界钻井具有较好的对应。南海南部地区中生界主要分布在礼乐滩、巴拉望岛北部和万安地区,厚度分布小于9 km,其他大部分地区中生界厚度小于1 km或者不存在中生界。其中中生界在礼乐滩地区最为发育,其次在巴拉望岛北部也广泛发育。结合前人在该区域的油气地质条件研究成果,认为南海南部海域礼乐滩地区中生界具有较好的油气勘探前景。     

基于重力全张量数据的Parker-Oldenburg算法研究

相比重力数据,重力张量数据通常包含更多的异常信息。本文根据重力数据与重力张量数据的关系,利用位场转化技术,将重力张量数据应用于传统的Parker-Oldenburg密度界面反演算法中。通过模型试验,证明了在网格间距较大或者数据存在一定噪音时,使用本文算法进行反演能得到更好的效果。实验结果说明利用重力张量数据可以有效地提高密度界面反演的分辨率。     

华北地区岩石圈三维密度分布

利用华北地区的2°×2°网格S波速度三维层析成像结果和15°×15°的网格平均布格重力异常,采用约束最小二乘方法反演,得到了华北地区岩石圈内6个层面上的密度分布结果.反演结果表明:华北地区岩石圈密度极不均匀,反映了区内强烈的构造活动特征;层内密度分布与大地构造有明显的相关性,不同的构造单元存在着密度差异,断裂带表现为密度异常梯级带;壳内存在着低密度层,华北地区地震的震源深度主要发生在这一深度上,可能与之相关