基于并行预处理算法的三维重力快速反演

随着地球物理设备和探测技术的不断发展,快速处理大规模地球物理数据的需求也随之增长。为了解决三维重力数据密度反演的耗时问题,提出一种并行的预处理共轭梯度算法来提高计算效率。本文分别采用两种不同的预处理算子通过组合模型数据反演进行测试比较,并利用迭代残差和计算用时共同评价其加速效果。结果表明：对称逐次超松弛预处理方法比对角预处理方法反演计算速度快,密度结果更贴近实际模型;与传统串行的共轭梯度算法相比,本文并行预处理快速算法可以获得近19倍的加速比。将该算法应用于美国Vinton盐丘的实测重力数据中,反演结果能够很好地圈定出岩体的位置,验证了本文并行预处理共轭梯度法在三维重力数据快速反演中的高效性和可行性。     

任意密度分布复杂地质体重力异常快速三维正演方法

解决任意密度分布复杂地质体重力异常三维正演快速、高精度计算问题,是实现重力三维反演、人机交互解释建模的关键。针对该问题,从积分方程出发,提出一种波数域重力异常三维正演方法,其关键环节包括三个方面:(1)将研究区域剖分成许多规则小棱柱体,每个小棱柱体密度值可以任意给定,以此刻画任意密度分布和起伏地形条件下的复杂地质体;(2)给出一种新的高精度均匀棱柱体重力异常二维波数域的计算公式,用于计算组合棱柱体模型的重力异常;(3)采用Gauss-FFT法将重力异常从波数域转换到空间域,保证计算效率的同时,有效克服了传统FFT法引起的边界效应问题。模型算例检验结果表明,该算法计算速度快、精度高,对于剖分为百万个棱柱体的模型,耗时只需几秒。     

基于三维地震剥层的重力界面反演方法及应用

西部探区地表、地质条件复杂,导致地震资料品质差,深层成像差,仅靠地震识别深部地层结构属性难度大,可靠性低,多解性强。本文采用基于三维地震剥层的重力界面反演方法,其核心是添加钻井—地质资料约束,在地震构造界面的约束下采用正演"剥皮"技术进行重力场源分离,然后对目标重力异常开展界面反演。正反演阶段采用流行的频率域Parker-Oldenburg迭代算法,保证了反演的快速稳定收敛。结果表明:基于三维地震剥层的重力界面反演方法可以有效剥离浅部高频信号,实现深层目标重力异常的精确分离,进而实现对深层界面的准确标定。在准噶尔盆地东部地区开展深层构造界面反演,结果证实该方法是研究深层地质目标的有效技术手段。     

龙门山地区介质密度的卫星重力数据反演

利用重力异常反演地球内部的介质密度分布,是研究地球内部精细结构的有效方法之一,这里利用EIGEN-6C2超高阶卫星重力场模型,计算龙门山地区的自由空间重力异常、布格重力异常以及剩余重力异常,在此基础上,基于Parker-Oldenburg模型以及粒子群算法反演该地区的三维介质密度分布,发现反演结果与Crust1.0密度模型所提供的结果基本一致,结果说明,使用Parker-Oldenburg模型结合粒子群算法反演地壳的三维密度分布,具有可行性和实用性。     

三维重力梯度局部光滑约束反演

针对重力勘探中光滑反演存在的分辨率较低的问题,本文提出一种基于地质体埋深、地层倾向等一定先验信息的局部光滑约束三维反演算法,并提出了一种光滑反演中粗糙度矩阵的存储方式,该存储方式可以将M×N维粗糙度矩阵存储为M×2维,减少了计算机计算内存,且详细介绍了该存储方式下粗糙度矩阵与其他矩阵相乘时,粗糙度矩阵所存储的位置信息的读取方式以及与其他矩阵逐列逐步相乘最终得到计算结果的过程。最后,利用文中提出的算法对理论模型和实测数据进行反演试算,结果表明局部光滑反演算法相比于全局光滑反演结果更加准确,且该算法在一定噪声水平下依然稳定,在实际生产中有效可行。     

三维重力资料反演

我们介绍两种三维空间密度分布重力资料反演方法。在第一种方法中，我们根据重、磁间的泊松关系将重力资料转换成伪磁力资料并用三维磁法反演算法进行反演；在第二种方法中，我们研制了直接反演方法，由重力资料直接反演出密度分布的极小结构模型。在以上两种方法，三维地质体由大量长方体元密度分布构成，每一体元中密度值为常数。     

加速遗传算法在速度反演中的应用

这里介绍一种加速遗传算法,该算法通过提高计算效率改善了标准遗传算法,加速遗传算法在速度反演应用中具有更高的实用价值。加速遗传算法在每次加速循环中进行一次迭代,用部份最佳个体的边界值优化搜索范围,大大地提高了计算效率。在迭代完成后,进行混沌优化以提高反演精度。二种算法的反演计算结果说明,加速遗传算法性能优于标准遗传算法,无论针对简单速度模型还是复杂速度模型,加速遗传算法都是适用的。     

基于粒子群算法的重力张量反演研究

重力梯度张量的定义是对重力位求二阶导数,相比于传统的布格重力异常,它在反映地下密度异常分布上有着更高的灵敏度,且能够进一步准确直接地反映目标体的边界.但对单个张量分量作反演时,可能会丢失一部份有用的信息,从而造成反演结果的误差.而全张量反演是将重力的五个梯度张量联合起来进行反演,这样做可以综合更丰富的场源信息.相比于传统做法中的布格重力异常反演和单重力张量分量反演,得到的反演结果不仅有了更高的分辨率,在识别目标体特征上也有更好的效果.粒子群算法是一种基于群体智能的优化迭代算法,这里利用粒子群算法对重力张量单分量、布格重力异常和全张量分别进行反演,并对结果进行简要分析.     

鱼群算法的重力密度异常反演方法

解的优化问题是重磁反演中比较重要的一个方面,近些年来出现了很多的优化算法,如遗传算法、粒子群算法等。这里将采用一种新型仿生优化算法,即人工鱼群算法(Artificial FishSchool Algorithm,AFSA)来进行密度反演。将研究区域划分成若干规则且密度均匀的长方体,由引力位推导出长方体外任意一点的重力异常公式,利用重力的可叠加性,计算出观测点的重力异常。并在给定长方体参数后,根据已知重力异常确定密度参数,利用人工鱼群算法寻求最优解。通过理论模型得出:当所反演的密度参数为"2"时,该算法效果十分明显;当所反演的密度参数较多时,该算法在使用方面有一定限制。     

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。