重力和重力梯度数据联合聚焦反演方法

重力数据包含较多的低频信息,重力梯度数据包含较多的高频信息,将重力数据和重力梯度数据进行联合反演得到的结果更加可信.本文基于聚焦反演方法,实现了这一过程.因为联合反演中分量种类增加,所以计算灵敏度矩阵所需要的时间增加,为此,本文提出了一种快速计算灵敏度矩阵的方法.因为联合反演对内存的要求增大,本文选择有限内存BFGS拟牛顿法求解反演问题.本文通过再加权的方法实现深度加权.文中利用单一分量的反演结果来预测异常体的埋深信息,随后将埋深信息结合到深度加权函数中,将其用于多分量组合反演计算.给出了模型试验,发现预测得到的异常体的埋深信息与其实际埋深存在偏差,但是将这一信息应用到反演计算,能够得到与真实模型一致的结果.之后,本文通过模型试验来探究重力和重力梯度联合反演的优势,发现将重力和重力梯度数据联合,能够识别出额外的噪声,反演得到的模型更加合理.但是,对于不同分量组合得到的反演结果是相近的,反演模型的提高很小.最后,将联合反演方法应用到美国路易斯安那州Vinton岩丘的实际数据中,结果显示,将重力和重力梯度数据联合反演,反演模型得到了提高,反演得到的结果与地质资料吻合.     

基于阈值约束的协克里金法联合反演重力与重力梯度数据

常规协克里金方法反演重力或重力梯度数据具有抗噪性好、加入先验信息容易等优点,其反演的地下密度分布能够识别异常体中心位置,还原异常体基本形态,但反演图像光滑,分辨率低,这是由于常规方法估计的密度协方差矩阵全局发散、平稳.为了通过协克里金方法获得聚焦的密度分布需要改善密度协方差矩阵的性质.首先,本文推导了理论密度协方差公式,其性质表明,当理论模型聚焦分布时,其密度协方差矩阵是非平稳且聚焦分布的.为了打破常规协方差矩阵全局平稳、发散的特征,本文设置密度阈值处理协方差矩阵,通过不断更新协方差矩阵来迭代实现协克里金反演,最终得到相对聚焦的反演结果.用本文方法处理重力与重力梯度数据恢复两种密度模型,均得到了与正演模型匹配的反演结果;再将方法运用于文顿盐丘的实际测量重力与重力梯度数据,反演结果与已知的地质情况匹配较好.

     

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...     

重力及重力梯度联合反演青藏高原及邻区岩石圈三维密度结构

本文利用GOCE L2观测重力梯度的五个独立分量（Txx,Tzz,Txy,Txz,Tyz）,联合EGM2008地球重力场模型计算垂直重力,反演计算了青藏高原及邻区0~120 km深度岩石圈三维密度结构.将经过低阶项改正、地形效应改正、沉积层界面起伏效应改正得到的剩余重力及重力梯度异常值作为观测值,以改正剩余量归一化权重作为观测权重,基于Tikhonov正则化理论建立反演目标函数.反演过程中,利用地震层析S波速度转换密度作为初始约束,通过非等权最小二乘迭代法计算得到最终反演密度.反演结果表明：（1）40 km深度,青藏高原内部为中地壳,表现为低密度,邻区为中下地壳,表现为高密度.青藏高原内部中地壳强低密度层主要分布在高原边界.其成因是印度板块俯冲和周围坚硬块体阻挡作用导致在高原边界形成的高应变积累闭锁区,为壳内低密度软弱物质的形成提供了条件.（2）80 km深度,青藏高原上地幔顶部显示出低密度的特征.高原内部东、中、西密度特征差异明显,低密度以95°E为中心线呈东西对称分布.以班公—怒江缝合带为中心,在拉萨块体和羌塘块体内从北向南出现了"低-高-低"的密度分布起伏特征.该特征与GRACE得到的莫霍面起伏特征一致,结合大地构造结果,这种起伏特征验证了印度、羌塘块体从南北两侧分别向喜马拉雅、拉萨地块挤入的双向俯冲模式.（3）四川盆地和鄂尔多斯盆地内,地壳高密度异常较地震波速异常明显偏低,表明古老的四川盆地和鄂尔多斯盆地比想象中更冷、更坚硬.塔里木盆地和柴达木盆地内壳、幔高密度的结构特征,对应地幔物质上涌.     

基于深度学习的2D-3D地下密度异常体反演方法

地下密度异常体反演需要由二维数据反演三维结果,为了高效、高精度地反演地下异常体的位置及密度信息,本文提出2D-3D InvNet深度学习反演方法.方法的编-解码器结构,在编码阶段利用二维卷积网络结构提取地表重力异常及重力梯度异常数据信息,解码阶段利用三维卷积网络结构恢复异常体地下形态,实现了二维和三维网络结构的结合.为了精确地反演异常体密度,提出利用加权均方误差（WtdMSE）作为损失函数,同时为了更好地评估反演结果,引入核密度函数作为评价手段.与均方误差（MSE）相比,利用WtdMSE作为损失函数对异常体密度的反演结果更为准确,异常体所在区域的密度误差减少50%以上.对理论样本的反演结果表明,2D-3D InvNet在准确反演异常体地下位置的同时,也能给出准确的密度信息.应用此方法对西澳大利亚Kauring地区实测数据进行反演,我们成功获得了此区域地下异常体的密度分布.理论与实际应用结果表明,2D-3D InvNet深度学习方法稳定且具有较强的泛化性能,能在无需规定限制条件的情况下快速获得准确的反演结果.

     

晋东北及邻区重力三维正、反演的初步结果

本文根据地质和区域重力资料,利用重力三维正、反演方法研究得到了晋东北地区地壳深部构造。通过三维正演,得到了不同深度的剩余重力异常;用一个已知的莫霍界面的深度值,反演出了全区地壳厚度的平面分布。在此基础上,对一些活动断裂和构造的深度以及地震和第四纪火山活动的地壳深部构造背景进行了探讨。研究还发现,沿北纬40°线可能存在一条深部剪切构造带。     

基于GPU并行的重力、重力梯度三维正演快速计算及反演策略

利用NVIDIA CUDA编程平台,实现了基于GPU并行的重力、重力梯度三维快速正演计算方法.采用当前在重力数据约束反演或联合反演中流行的物性模型(密度大小不同、规则排列的长方体单元)作为地下剖分单元,对任意三维复杂模型体均可用很多物性模型进行组合近似,利用解析方法计算出所有物性模型在计算点的异常值并累加求和,得到整个模型体在某一计算点引起的重力(或重力梯度)值.针对精细的复杂模型体产生的问题,采用GPU并行计算技术,主要包括线程有效索引与优化的并行归约技术进行高效计算.在显卡型号为NVIDIA Quadro 2000相对于单线程CPU程序,重力和重力梯度Uxx、Uxy正演计算可以分别达到60与50倍的加速.本文还讨论了GPU并行计算在两种反演方法中的策略,为快速三维反演技术提供了借鉴.     

重力异常和重力梯度联合辅助导航算法及仿真

鉴于潜艇的惯性导航系统误差随时间积累的缺陷,重力无源辅助导航近几年成为水下潜艇辅助导航研究的热点和前沿问题.采用多模型自适应Kalman滤波并行算法对重力异常和重力梯度联合辅助导航,通过对沿航迹重力异常和重力梯度信息因子的实时分配,加权处理得到潜艇位置的最优实时估计.选取不同特征区域的2条航线进行仿真试验,对算法的匹配...     

基于数据空间和稀疏约束的三维重力和重力梯度数据联合反演

随着重力和重力梯度测量技术的日趋成熟,基于重力和重力梯度数据的反演技术得到了广泛关注.针对反演多解性严重、计算效率低和内存消耗大等难点问题,本文开展了三维重力和重力梯度数据的联合反演研究,该方法结合重力和重力梯度两种数据,将L0范数正则化项加入到目标函数中,并在数据空间下采用改进的共轭梯度算法求解反演最优化问题.同时,本文摒弃了依赖先验信息的深度加权函数,引入了自适应模型积分灵敏度矩阵,用来克服因重力和重力梯度数据核函数随深度增加而衰减引起的趋肤效应问题.为了提高反演计算效率,本文又推导出基于规则网格化的重力和重力梯度快速正演计算方法.模拟试算表明,改进的共轭梯度法可以降低反演的迭代次数,提高反演的收敛速度;自适应模型积分灵敏度矩阵,可以有效解决趋肤效应,提高反演纵向分辨能力;数据空间和改进的共轭梯度算法结合,可以更好地降低反演求解方程的维度,避免存储灵敏度矩阵,有效地降低反演计算时间和内存消耗量.野外实例表明,该算法可以在普通计算机下快速地获得地下密度分布模型,表现出较强的稳定性和适用性.

     

基于共轭梯度算法的重力梯度数据三维聚焦反演研究

重力梯度数据相对于传统重力数据,能够更细致、准确地描述地球浅部构造和研究矿产资源分布等信息.本文采用共轭梯度算法,在加权密度域求解重力梯度数据三维聚焦反演最优化问题,以恢复地下三维密度分布,目标函数包括数据不拟合函数和最小支撑稳定函数.首先,在推导目标函数对加权密度的一阶导数时,为了得到更合理的计算公式,我们考虑变加权函数中含有密度变量;此外,本文通过密度上下限约束,改善了传统聚焦反演中聚焦因子选取困难的问题.新算法获得的反演结果,对聚焦因子的选择约束较少,相比传统聚焦算法,能够更容易的获得理想结果.将方法应用于理论模型验证其有效性和正确性,并应用本文方法处理文顿盐丘地区的航空全张量重力梯度数据,得到了与已知地质信息匹配的密度分布,表明本文方法具有处理实际数据的能力.

     

基于深度学习U-net网络的重力数据界面反演方法

重力数据的密度界面反演是位场数据解释中的一项主要工作, 在区域构造演化、深部莫霍面确定等领域的研究中发挥重要作用.近年来, 数据驱动的深度学习方法广泛地应用在地球物理数据处理与反演中, 本文提出一种基于深度学习U-net网络的重力数据密度界面反演方法.首先, 对半椭球体界面模型进行随机抽取和组合进而形成地下起伏界面数据集, 并基于Parker正演理论对界面数据集进行重力异常正演计算, 为深度学习网络模型的训练提供特征完备的数据源; 其次, 设计了基于U-net网络模型的深度学习界面反演算法, 在传统的损失函数基础上增加光滑损失项和过拟合抑制项, 提高重力界面反演结果的光滑性和收敛效率; 最后通过测试样本集进行反演预测, 验证建立深度学习网络模型的泛化性.本文通过理论模型和实际数据试验分析了本文方法在密度界面反演中的有效性和实用性, 基于改进损失函数约束的深度学习界面反演方法有效地提高了密度界面反演的收敛效率和计算稳定性.

     

应用全张量重力梯度数据优化密度和速度模型

重力梯度全张量数据具有高灵敏度反映探测目标局部微弱变化的特点,可以对单一地震数据在建立速度模型过程中的不确定性,尤其是各向异性速度模型建立过程中的精细结构进行补充修正.本文主要研究重震两类数据与各自所反映的物理模型关系以及密度模型与速度模型之间的相互联系和制约关系,从而建立重力全张量数据与地震速度模型间的信息互补关系和模型参数间的解析表达式.在此基础上,提出多参数加权正反演算法流程,逐层异常分离技术和约束条件下迭代反演模型修正方法,并实现模块编程和验证.实验数据和结果表明,重力全张量数据和地震数据多参数融合能够明显提高地震速度建模精度,减小模型解释的不确定性.     

基于地质体空间位置优化约束的航空重力梯度数据三维物性反演

重力数据的物性反演面临着严重的多解性问题,降低多解性的有效手段是加入约束条件.而边界识别、深度估计及成像方法可获取地质体的水平位置、深度范围等几何参数信息,本文将基于数据本身挖掘的地质体几何参数信息约束到物性反演中,以降低反演的多解性.通过引入基于深度信息的深度加权函数及基于水平位置的水平梯度加权函数建立优化约束条件,有效地提高了反演结果的横向及纵向分辨率.重力梯度数据包含更多的地质体空间特征信息,将优化约束反演方法应用到全张量数据的反演中,模型试验表明本文方法反演结果与理论模型更加吻合.最后对美国路易斯安那州文顿盐丘实测航空重力梯度数据的应用表明,本文方法在其他地球物理、地质资料不足的情况下获得更可靠的反演结果.

     

垂直重力梯度反演Moho面的频谱域公式及其应用

通过求解引力相等原则下的Fredholm积分方程,可以得到不规则单一密度界面(Moho面)的起伏.本文充分参考了前人的理论研究,推导出扰动垂直重力梯度确定Moho面深度的频谱域表达式,该式具有二次项迭代精度.运用此公式进行了全球Moho面的恢复计算,并将该结果与CRUST1.0模型和GEMMA Moho模型进行了对比和验证.