陆棚海泥岩的岩相特征及沉积过程

传统的沉积模式认为大部分细粒沉积岩（泥岩或页岩）的沉积发生在相对深水、低能的环境中。作为地表上分布最为广泛的沉积岩类型,泥页岩包含了对重构地质历史时期古地理、古气候的重要信息。泥页岩除了可以作为有效的烃源岩,勘探开发技术的进展更发掘出泥岩作为非常规油气储层的巨大潜力。近十年来,国内外对细粒沉积物的水槽实验、泥岩沉积微相的精细分析、以及泥岩岩相组成特征的研究取得了长足的进展。这些研究对泥岩的沉积过程和沉积模式在不同角度上提供了新的认知。大部分泥岩（甚至包括众多有机质含量高的泥岩）都可能沉积在相对浅水以及水动力条件相对较高的环境中。不同的沉积过程（底部水流）形成不同的泥岩沉积微相,并对有机质在泥岩中的埋藏富集具有重要的控制作用。以晚白垩纪北美西部内陆海道为例,总结在陆棚浅海环境中（最大水深< 200 m）,位于从近岸到远岸（> 500 km）不同沉积环境（包括前三角洲/下邻滨、内陆棚、中陆棚、和外陆棚环境）中的泥岩的主要沉积过程、沉积微相特征、以及富集有机质的潜力。由于沉积过程和沉积环境是决定泥岩成分、沉积相、和岩石物理特征非均质性的首要因素,不同浅海环境中的泥岩相特征和沉积模式可有助于利用泥岩地层进行古地理、古气候的重构,并能够对预测不同陆棚浅海环境中沉积的泥岩作为有效烃源岩或有效储层的潜力提供指导。     

基于深度神经网络的地磁观测数据高压直流输电干扰事件识别

随着越来越多高压直流输电线路的投入运行,地磁观测数据质量受到了严重影响.现有以人工或半人工方法识别高压直流输电干扰事件的工作量也随着受干扰范围的不断扩大和地磁观测仪器的增多而成倍增加.为了高效、准确地识别地磁观测数据中的高压直流干扰事件,本文基于卷积神经网络和长短期记忆神经网络,提出了一种高压直流输电干扰事件自动识别深度学习模型.利用2012年1月1日至2014年12月31日地磁台站原始观测数据,结合专家标注的持续时间在2 h内的高压直流输电干扰事件记录,制作高压直流输电干扰样本34360条,正常样本34360条.模型在训练集上的准确率达到了94.12%,验证集上的准确率达到了92.94%,测试集上的准确率达到了92.86%.初步研究表明深度学习方法在识别地磁观测数据中的高压直流输电干扰事件中具有较高的准确率,为下一步自动识别地磁观测数据中的车辆干扰、基建工程干扰、轻轨干扰等其他干扰事件提供了一种新的思路.