基于深度神经网络的重力异常反演

为解决传统线性反演方法容易陷入局部极小,计算效率低等问题,本文提出了一种基于深度学习的重力异常反演方法.该方法首先构造不同形状的二维密度模型,正演得到重力异常,组成数据集;然后用该数据集训练深度神经网络;最后将重力异常数据输入到训练好的深度神经网络,直接得到反演结果.实验结果表明,该方法能快速、准确地反演出地下异常体的...     

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。     

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。     

基于迁移卷积神经网络的黄土含水率智能识别

黄土含水率深层原位精准探测是揭示黄土重大工程灾变机理及灾害预警的有效手段,基于卷积神经网络提出了一种原位孔洞探测黄土含水率的智能识别方法。首先,通过搭建室内实验平台采集间隔等级为2%的7种不同含水率下的图像信息,生成用于神经网络训练的数据集。然后,基于迁移学习思想建立了多种迁移卷积神经网络模型,并对比分析了不同模型的黄土含水率识别精度,通过混淆矩阵可视化验证模型的可靠性。结果表明：针对所建立的黄土含水率图像数据集,基于VGG19、ResNet101、DesNe201的深度迁移网络模型的测试准确率都在90%以下,并且在一定程度上出现了过拟合现象,如推广应用则会出现超过10%的误判现象;而基于Xception、MobileNet、NASNetMobile的轻量化迁移网络模型在训练后泛化能力较好,测试准确率都达到了90%以上,其中Xception迁移网络模型的识别精度最高,达到了94.6%。搭建的轻量化迁移网络模型识别精度高、计算速度快,可为开发黄土地质信息原位探测机器人的视觉系统提供算法支持。     

重力异常与武当山推覆体

利用二维重力正演拟合的方法，导出湖北武当山地区地下地层的可能分布，认为该地区是老地层覆盖在新地层之上，从而佐证了推覆体的存在。同时还得出：在川陕鄂地区的地壳中普遍存在低密度体，该低密度体可能是麻粒岩受压后折出自由水发生破碎所致。     

棱柱体重力异常的功率谱反演

本文提出一种由棱柱体产生的重力异常的模拟与反演方法，上述问题在波数域已到得了解决。在波数域解重力正问题，此时，功率谱可表述为深度，厚度，水平尺寸和棱柱体的密度的函数，场源的几何形状和密度为初值，用迭代沿脊回归算法求出反演结果，这种方法已用几个数值模拟和野外实际数据频谱来评价。重力源的质量结果与前人结果类似。     

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。     

基于重力异常的松辽盆地构造特征识别

为了解决构造识别中多个断层不能同时识别倾向的问题,提出了利用断裂构造重力异常水平导数的分布特征实现的倾向成像技术,即断裂水平导数变化率较小的一侧指示断裂的倾向;由此可直接标识出断裂的特征,避免了以往该类方法复杂的运算。将这种技术应用到松辽盆地的实测重力异常的处理中,获得了松辽盆地的构造特征。松辽盆地东西两侧具有明显的重力异常差异,但已有的电法、地震资料难以揭示这种差异的原因。笔者以地震数据为约束,利用重力数据进行松辽盆地地层界面的反演,获得了莫霍面及以下的界面特征;认为松辽盆地重力异常差异的原因是松辽盆地莫霍面下方10 km存在一个界面,且由于太平洋板块的俯冲造成该界面在松辽盆地发生了较大的起伏,从而呈现异常的变化。     

基于卷积神经网络迁移学习模型的矿岩智能识别方法

文章基于Inception-v3卷积神经网络模型,通过对采集的金矿石、铜矿石、铁矿石、铅锌矿、花岗岩、片麻岩、大理岩和页岩,8种岩石453张图像进行特征提取和迁移学习,建立了岩性分类的迁移学习模型,实现了岩性的自动识别和分类。每种岩石图像随机抽取4张作为测试集进行测试,剩余421张图像作为训练集参加训练,经测试全部图像的岩性分类结果均正确,识别正确率超过80%的岩石图像占测试集图像总数的90%以上。识别正确率未达到80%的图像经过处理后重新训练并测试,其识别正确率均超过了80%,表明了该模型具有良好的岩性识别能力且鲁棒性较好,为岩性识别和自动分类提供了一种新的智能分析方法。     

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。     

基于多尺度区域卷积神经网络的露头孔洞自动提取

碳酸盐岩储层解释与评价的一个重要内容是确定其孔隙空间特征,野外露头是地下储层的真实刻画,对野外露头进行孔洞的自动化提取与其参数定量表征具有重要意义。在深度学习Mask-RCNN模型基础上进行改进,提出一种基于多尺度的区域卷积神经网络孔洞检测新方法,并通过两种方式进行准确度分析,第一种是将该方法的孔洞提取结果与OSTU分割法、分水岭分割法、BP神经网络法、支持向量机法以及Mask-RCNN的孔洞提取结果进行比较,其结果显示该方法有更高的检测准确度;第二种是通过该方法提取的孔洞结果计算洞数量、面孔率和洞面积均值三个孔洞特征参数,以人工提取结果为参照,比较得到洞数量准确度在88%以上,面孔率准确度在93%以上,洞面积均值准确度在93%以上。最后将提出的方法应用于峨边先锋灯二段的数字露头剖面孔洞自动识别,并分层计算孔洞参数,定量分析其分布特征,为该露头碳酸盐岩储层评价提供了依据。     

从简单源体产生的重力异常估算形状因子和深度

通过一种混合型算法，利用在一些简单几何源体上产生的重力异常，来反演计算形状因子和埋深，这种算法包括模拟退火过程和非线性曲线拟合。点源，无限水平线源，半无限垂直线源的形状因子分别为1．5，1．0，0．5。已开发出确定线源的埋深，水平或垂直延伸的方法。带状的有限垂直体的形状因子变化范围是0．1－1．0。向斜的形状因子大于1，而背斜的形状因子小于1，通过形状因子，能够区分对称的向斜和背斜。文中列出解释方法用来计算水平层的深度，二维穹隆和二维洼地模型的半径。通过把推荐的方法应用到3个已知实例（古巴铬铁矿异常，Moburn矿体和Louga异常），评估了该技术的有效性和潜力。     

基于卷积神经网络的福建省区域滑坡灾害预警模型

福建省滑坡灾害频发,开展区域尺度上的滑坡灾害预警是防灾减灾的重要手段,但由于滑坡成灾机理复杂,传统的区域滑坡预警方法存在精度不足等问题。深度学习是指通过构建神经网络模型进行特征的提取、抽象、表示与学习的技术,是机器学习的一种。卷积神经网络作为一种经典的深度学习算法,具有比传统机器学习更强大的分类能力与表征能力。文章以福建省为研究区,将卷积神经网络引入滑坡灾害预警领域,构建福建省区域滑坡预警模型,过程及结果如下：（1）采用SMOTE优化算法对2010—2018年福建省滑坡灾害样本库进行优化,扩充正样本的个数,将正负样本比例从1∶3.4扩充到1∶2,样本总量达到18040个;（2）构建卷积神经网络模型结构,模型结构包括一个输入层、两个卷积层、两个最大池化层和一个全连接层以及一个输出层;（3）使用卷积神经网络对优化后的样本（2010—2018年样本的80%作为训练集）进行训练,并用贝叶斯优化算法优化模型超参数,得到福建省区域滑坡预警模型;（4）以2010—2018年样本的20%作为测试集对模型进行测试,采用混淆矩阵、ROC曲线进行模型测试,结果显示模型准确度为0.96～0.97,AUC值达到0.977,模型精度与泛化能力良好;（5）以2019年汛期滑坡灾害实况作为正样本,通过时空采样的方法采集负样本,构建2019年区域滑坡样本校验集（样本数603个）,对模型进行进一步实况校验,采用混淆矩阵、ROC曲线进行模型校验,结果显示模型准确度为0.75～0.85,AUC值为0.852。虽然仅用了2019年汛期的滑坡实况样本进行校验,但也达到较好的效果。将卷积神经网络算法应用到区域滑坡预警中,为建立区域滑坡预警模型提供了一种新的途径,初步校验表明,模型效果良好,今后将在福建省对模型进行进一步的应用与校验。     

全卷积神经网络在垃圾土勘察中的应用

垃圾土与原土壤往往存在电阻率差异,常用垃圾土探测方法是高密度电阻率法和时域电磁法,而对反演结果的人工解译效率低,且准确性难以保证。通过全卷积神经网络在垃圾土勘察中的应用,识别某拆后绿地改造工程地下建构筑物垃圾土探测数据,确定垃圾土范围,表明了本方法的有效性、实用性和可靠性,为垃圾土勘察、土方量计算和改善土地性状等提供参考。     

基于全卷积神经网络的花岗岩中不同组分分布特征分析

岩石中不同组分的分布特征是研究岩石物理力学性质的重要基础。本文以花岗岩为例,使用全卷积神经网络（FCN）和单轴压缩试验视频来研究花岗岩不同组分（裂隙、黑云母、石英、长石）的分布特征。将视频中单帧图像进行灰度转换和像素裁剪后,使用肉眼判定方法将4种组分进行标记并制成基础数据集,建立并训练了相应的FCN,通过对不同卷积层的可视化操作探讨了花岗岩中不同组分的分布情况,研究了整个变形破坏过程岩石中不同组分分布的变化特征,分析了不同组分识别准确率的变化情况及主要因素（网络深度、初始学习率和网络迭代次数）的影响。结果表明,在花岗岩的整个变形破坏过程中,裂隙首先在中部区域萌生、最后纵向贯穿整个岩石表面,黑云母组分分布分散且不断向左上方或右上方移动,石英主要集中在两侧区域,长石主要集中在中间和左上角区域;不同组分识别准确率逐步小幅度下降,准确率大小顺序是裂隙>黑云母>长石>石英;网络深度越深、初始学习率越大、则识别效果越好,迭代次数5000时的识别效果较好。研究结果对使用人工智能技术研究岩石中不同组分分布特征具有一定的参考价值。     

基于融合残差注意力机制的卷积神经网络地震信号去噪

由于U型卷积神经网络(Unet)在地震数据去噪中存在计算量大、网络退化和泛化能力弱等问题,本文为了提高去噪效果以及增强模型的泛化性,提出了一种融合残差注意力机制的卷积神经网络(RAUnet)。该网络结构主要由编码和解码两部分构成,网络的每个卷积层之后都加入了批标准化和带泄露整流激活函数。在编码器中,为了提高对噪声的提取能力,引入了残差结构和卷积块注意力模块。残差结构利用残差跳跃连接的方式减弱了网络退化,降低了特征映射的难度。卷积块注意力模块使用通道和空间的混合注意力权重,能提升相关度高的特征并抑制相关度低的特征。在解码器中,为了提升特征融合的维度恢复能力,选用双线性插值方式进行上采样。实验测试结果表明,对于合成地震信号,本文方法对简单模型和复杂模型随机噪声的压制效果均更有效,并且更好地保护了有效信号;对于实际地震信号,本文方法仍然能在去噪的同时尽量保持有效信号中的细节,对叠前数据和叠后数据都展现出了良好的泛化性。     

基于卷积神经网络和黄铁矿大数据判别金矿类型

黄铁矿是金矿中普遍存在的金属硫化物,其微量元素含量信息可以揭示出矿物形成时的相关矿物和流体组成与结晶特征,因此不同期次与金矿有关的黄铁矿及微量元素信息可以被用来预测矿床的类型。且相关研究历史已久,积累了大量的研究资料,然而由于研究思想和手段的局限性,传统方法往往存在无解性或多解性问题。随着大数据思想的发展和推广,研究人员试图采用机器学习算法来解决此类问题,已取得不错的效果。本次研究根据深度学习思想建立黄铁矿微量元素数据集并进行深入研究,采用“成分数据图像化”和“数据增强”等手段,解决了前人采用深度学习方法进行此类分类任务时遇到的数据不平衡问题和卷积神经网络无法直接读取数据的问题。本文对比分析了基于四种卷积神经网络模型(Mobilenet V2、Resnet 50、VGG 16和VIT)采用黄铁矿微量元素成分数据进行金矿类型分类任务的精度与效果,发现采用卷积神经网络算法可以基于黄铁矿成分数据对不同类型金矿进行较为精准的分类任务。此方法比传统图解法具备更高的精准度与泛化能力,通过对金矿类型的预测可以为找矿勘查和深部预测工作节省成本,也为深度学习在地质矿产研究方面的应用和推广提供全新思路,具...