利用航磁数据识别浅覆盖区地质体的方法研究

在浅覆盖区,常规填图方法填制的地质图,由于信息量少导致整体质量不高.利用勘查技术方法来提高覆盖区地质填图的效率、质量和地质研究水平,具有重要的现实意义.航磁方法是其中的一种重要方法,但航磁测量获取的数据是磁异常迭加的综合反应,而区域地质填图仅描述地表附近的地质情况,直接利用航磁数据辅助地质填图是不合理的.因此,基于插值切割、数理统计和灰色关联度分析等方法,提出了一种剔除深部影响,利用浅层岩石磁性分布规律和磁性差异来识别浅覆盖区地质体的新思路.经选用黑龙江省塔河地区数据进行验证,识别效果明显.     

基于重力及重力梯度数据的位场偏移成像

为了验证位场偏移快速成像方法的有效性以及对比基于重力和重力梯度数据的偏移成像的效果,笔者利用MATLAB编写了重力及重力梯度数据位场偏移成像的算法,并进行了模型正演计算,发现基于梯度数据的偏移成像的横向分辨率、抗噪性和抗背景场能力好于重力数据的偏移成像,并且能够较好的确定模型的中心埋深。将此方法应用于葫芦岛市黑鱼沟的某铅锌矿洞的深度计算中,验证了该方法的有效性。     

高精度重力方法在高青地区探测古潜山构造中的应用

本文根据作者几年来把高精度重力勘探方法应用在胜利油田进行古潜山构造探测的生产实践经验,总结了在油气勘探中高精度重力方法应用的新进展,阐述了它在勘探程度极高的胜利老油区依然可以解决一些石油地质问题,尤其与其它物探资料的联合解释取得了明显的地质效果。依据高青测区所取得的高精度重力资料,基本查清了区内的古潜山分布规律,为下一步古潜山油气藏的勘探部署提供了重要的参考资料。     

小波阈值去噪方法在重力资料处理中的应用

简要介绍了小波变换的基本理论与小波阈值去噪实现过程。通过单球体与双球体模型试验,探讨了阈值去噪时小波基以及分解层数的选择问题;最后利用小波阈值去噪方法,对某实测布格重力资料进行处理,有效滤除了随机噪声。去噪后计算的水平方向导数明显比去噪前直接计算的水平方向导数效果好。     

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。     

奇异值分解(SVD)在位场数据去噪中的应用

根据奇异值分解原理,分析其在位场去噪中的可行性,提出了一种判断有效阶次k的方法。对多边形厚板模型的重力异常进行奇异值分解去噪和小波去噪效果的对比,证明了奇异值分解去噪的有效性和优势。将其应用于实测重力数据的处理中,取得较好的效果。理论模型和实测资料的处理结果表明:基于奇异值分解的去噪方法可以有效地去除随机噪声,提高数据处理和解释的精度。     

基于模糊加权线性回归法的重力仪漂移系数计算

重力仪漂移系数对于观测数据的有效零漂改正,进而获得可靠重力观测数据具有重要意义。笔者提出利用模糊加权线性回归法进行重力仪漂移系数计算,通过对理论与实际的重力仪静态数据的试验、比较与分析,认为该方法具有计算自动化、有效压制干扰、计算结果稳定等特点,能够实现对重力仪漂移系数的有效计算,具有应用前景。     

基于李雅普诺夫指数的矿产资源评价模型的建立

李雅普诺夫指数(Lyapunov exponent)反映了相邻轨迹的分离速率,其重要作用之一就是判断系统的混沌行为。这里建立了以李雅普诺夫指数为基础的资源评价方法的数学模型,并与其它评价方法进行了简单比较,探讨了一种反映混沌成矿的资源预测方法。     

重磁异常界面反演中的计算方法

迭代法和子空间法为重力异常界面反演最优化求解计算的两种方法。传统的最优化计算立意虽然简单明确，但迭代计算过程中必须的简化使得求解不稳定，加进一些限制条件之后，使计算量明显增大，以致使求解变得困难。通过引入子空间计算在矩阵求解中减少了工作量，使得加约束的最优化计算变得容易实现。通过理论分析，表明利用子空间方法的解的计算结果准确且效率较高。     

依据重力与航磁资料对天津地区深大断裂深部特征的解释

依据重力与航磁异常,在地壳分层、正演模拟以及多种不同方法的处理结果基础上,重点认识天津断裂、沧东断裂与天津西部断裂等深大断层的深部延展特征,分析其活动规律,从不同侧面认识本区地壳在渤海湾裂谷盆地发育中的地质过程。研究结果认为:天津地区存在超壳断裂的可能性不大;天津断裂带西部新生代盖层下部存在规模较大的产状较陡的隐伏断裂,该断裂的活动性对本地区地壳稳定性影响更大。