色拉哈断裂及邻区音频大地电磁三维阵列探测

为了能在川藏铁路色拉哈段隧道选址过程中最大限度地规避地质灾害体,本文针对色拉哈断裂及邻区开展了音频大地电磁三维阵列探测研究,获得了研究区可靠的三维精细电性结构.结合地表活动断裂调查结果,对区内三维电性分布特征进行了综合解释.研究表明,色拉哈断裂及邻区地表至500 m,整体表现为高阻特征,局部受断裂控制的区域为低阻特征;500 m以下电阻率下降显著,推测是断裂带在500 m以下的深部构造富含水体所致;此外,位于色拉哈断裂北侧的木格措南阶区以及南侧的断裂交汇区东侧发育两处高导体C1和C2,推测为区内含水的构造软岩,在设计隧道路线的过程中,应尽量避让.      

西藏东部阿旺地下热水化学特征及其成因初探

本文基于西藏阿旺乡的地热地质背景, 综合应用野外调查、水文地球化学、环境同位素方法, 初步探究了区内出露地下热水的发育特征及其成因机制。结果表明, 地下热水化学类型为HCO₃-Na型, 这与地下热水在径流过程中与围岩发生溶滤作用和阳离子交互作用有关。氢氧同位素分析显示地下热水补给来源为大气降水, 并伴随有轻微的氧漂移现象, 表明水岩作用较强烈, 热储温度较高。采用同位素方法估算补给高程在4600~4800 m左右, 推测地下热水的补给区为阿旺乡西北部山区。Na-K-Mg三角图判别法和矿物饱和度指数表明地下热水为未成熟水, 其在上升过程中受到了浅表冷水的混合, 冷水混入比为60% ~70%, 采用地球化学温标计算得到的深部热储温度为170~200 ℃, 地下热水循环深度为4500~5300 m。阿旺地区地下热水成因模式为:大气降水自补给区入渗进入深循环, 经大地热流加热形成热水, 热水在地下循环过程中沿断层破碎带上升受到浅循环冷水混合后出露地表形成温泉。     

高原铁路水平定向试验孔施工概况和关键技术

川藏铁路地处高原高寒高山峡谷地区,铁路隧道勘察十分艰难。开展了千米级水平绳索取心钻进技术与装备研发,在川藏铁路卡子拉山一号隧道DZ-卡子拉山一号-定向实验-01孔进行应用示范。成功完成1212 m水平定向试验钻孔,查明陡倾岩层3条断层和19处节理密集带,方位角偏差≤1°,孔斜0.76°/100 m,机械钻速3.09 m/h,台月效率350.29 m,创造国内水平绳索钻杆PQ、HQ深度588 m和974 m两项最新记录。攻克难进入地区钻孔无法搬迁和查明混杂陡倾岩层构造的难题,突破过去垂直“点”勘察变为水平“线”勘察,直观查明隧道洞身段地层岩性、陡倾岩层构造、水文地质条件等情况,为解决高原铁路长大深埋隧道勘察难题提供了借鉴,具有示范与推广作用。     

基于深度学习的重力异常与重力梯度异常联合反演

高效高精度的反演算法在重力大数据时代背景下显得尤为重要,受深度学习卓越的非线性映射能力的启发,本文提出了一种基于深度学习的重力异常及重力梯度异常的联合反演方法.文中首先提出了一种基于网格点几何格架的重力异常及重力梯度异常的空间域快速正演算法,这为本文深度学习反演算法的实现奠定了基础;其次对大量的不同密度模型进行正演计算获得样本数据集;然后设计了一种端到端的深度学习网络结构(GraInvNet),再利用样本数据对该网络结构进行训练;最后进行反演预测.组合模型试验表明,多维度数据联合反演相比单一分量反演其结果更“聚焦”,且与模型边界高度吻合,并且对于复杂模型的姿态与物性预测具有极为显著的优势,以及对于含噪声数据的反演,其质量也不会降低;Vinton岩丘实测重力数据也验证了文中方法的有效性;从而证明了深度学习在重力数据的高效高精度反演方面具有的巨大潜力.     

川藏铁路勘察超长水平孔绳索取心钻探技术

新建川藏铁路途经川西高原地区,区内地势险峻、生态脆弱、道路交通条件差,开展工程勘察钻探的难度很大。其中涉及到大量特长深埋隧道的勘察。水平取心钻探是隧道勘察的重要手段之一。针对工区条件,EP600Plus型便携式钻机原设计无法施工水平孔、水平孔钻进阻力大、大量高压涌水制约取心效率等问题,通过改造升级和加工创新等多种方法灵活运用,配套辅助设备并首创架管便桥便道等环保措施,采用绳索取心钻探技术,完成最深903.28 m的水平取心钻孔。探索建立的整套技术方案现已逐渐应用成熟,其主要成果可为同类型工程项目提供参考。     

遥感技术在川藏铁路车站选址中的应用

川藏铁路拟选康定车站地处高山峡谷区,地形高差大,地质环境复杂,车站选址难度极大。为研究该铁路关键节点车站选址问题,本文充分运用高分辨率遥感技术,辅以热红外、InSAR等遥感新技术,对拟选车站选址区的活动断裂、不良地质等重大工程地质问题进行了详细判释和综合分析,遴选出三道桥设站为最优方案,可以为拟选车站选址及该段方案稳定提供重要依据,并指导工程地质调绘和勘探工作。结果表明:该方法效果良好,对于类似复杂艰险山区车站选址工作具有参考价值。     

基于全卷积神经网络的磁异常及磁梯度异常反演

地球物理反演问题具有病态性、不适定性,传统的线性反演方法面临着次优逼近和初始模型选择等挑战,为了提高磁场数据反演的精度,受深度学习卓越的非线性映射能力的启发,本文提出了一种基于全卷积神经网络的磁异常及磁梯度异常反演方法.文中首先提出了一种基于网格点几何格架的磁异常及磁梯度异常的空间域快速正演算法,这为本文全卷积神经网络反演算法的实现奠定了基础;随后对大量不同剩余磁化强度模型进行正演计算获得样本数据集,将正演数据作为输入层,磁化强度模型作为输出层,并基于U-net网络结构设计了一种端到端的网络结构(MagInvNet),再对该网络结构进行监督学习与参数优化;最后进行反演预测.三组模型试验表明,MagInvNet网络能够快速准确识别出磁异常体的位置与形状,并且能够准确的反演出异常体磁化强度的大小,对于含噪声数据,其反演结果的质量不会降低.本文最后利用安徽霍邱铁矿的航磁数据验证了文中方法的有效性.     

岩体裂隙三维可视化新方法及其应用

快速准确地识别岩体裂隙的三维分布特征是西南山区铁路防灾减灾的关键.本研究提出了一套岩体裂隙可视化新方法,基于测窗调查的裂隙数据,依托球坐标及极射赤平投影进行数字化处理及降维,利用K-Means++聚类算法、Fisher分布模型和蒙特卡洛模拟,完成裂隙产状数据的自动分组和模拟,最后运用Python及圆盘模型实现岩体裂隙三维可视化.本研究采用坐标变换和三角网格曲面的方式,更有利于与其他三维建模软件嵌套分析.水电站工程的先行应用研究表明产状数据服从Fisher分布,本文的模型相对于传统玫瑰花图和施密特图有着一定的优势.因此,本文建立的岩体裂隙模型具有直观快速反映区域裂隙网络三维分布特征的优点,研究成果可以直接服务于西南山区铁路施工阶段隧道掌子面及洞壁的节理裂隙三维识别以及防灾减灾研究.      

基于轨道精炼控制点精选的极艰险区域时序InSAR地表形变监测

极艰险区域具有地形起伏极大、地理环境复杂和永久散射体稀少的特点,为此文章设计了一种改进的SBAS-InSAR技术进行地表形变监测。文章先从相干性、振幅离差指数、形变速率三个方面获得候选的永久性散射体点,之后辅以光学影像精选出最终的永久性散射体点,将其作为轨道精炼控制点引入SBAS-InSAR解算过程,最终完成了研究区的地表形变监测。通过对比分析常规的PS-InSAR技术与SBAS-InSAR技术,该技术在极艰险区域具有良好的应用价值。