基于卷积神经网络识别重力异常体

本文将深度学习与重力异常体识别结合,基于近年来在图像识别邻域取得优异效果的卷积神经网络,将重力观测等值线图看作待识别的二维图像,将地下重力异常体的空间参数看作识别输出,从而形成适用于异常体识别的卷积神经网络模型。在训练中,随机生成大量不同参数的三维异常体模型,正演得到其重力观测二维数据,用异常体模型参数标签和重力数据训练卷积神经网络。在模型算例中测试训练好的网络模型,其识别准确性良好。同时,相比于传统神经网络从二维重力测线中识别异常体的埋深,卷积神经网络可从二维的重力数据识别三维异常体的埋深和大小信息。最后,将网络应用于澳大利亚Kauring地区重力观测数据,异常体识别结果与前人研究结果相符。说明卷积神经网络具泛化能力,可用于识别实测重力异常体,结果可靠。     

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...     

基于遗传算法的磁异常反演

遗传算法是模拟自然界生物进化思想所得到的一种全局非线性最优化算法,该算法可有效地避免局部最优解。这里介绍遗传算法的原理以及基于其算法的磁异常反演算例,对不同迭代次数所得理论模型反演的磁性体空间位置与磁性等参数的相对误差进行了对比。据此,对四川会理黎溪地区某磁铁矿区外围8号剖面上实测△T磁异常进行遗传算法,并迭代拟合反演,求其反问题,获得了与后续工程揭露及磁性测定结果相吻合的结果。     

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。     

基于时间卷积网络的地震波阻抗反演

近些年来,深度学习网络的兴起极大地推动了人工智能技术在地震数据处理、反演以及解译等领域的应用.地震波阻抗反演是石油地震勘探领域的一项关键技术,其反演精度在圈定油气储层构造中起到非常重要的作用.提出了一种基于数据驱动时间卷积网络（temporal convolution network,TCN）模型的地震波阻抗反演方法,旨在无需建立初始反演模型,直接利用工区的少量测井标签数据,以地震振幅数据为输入,将波阻抗反演转化为时间序列建模任务,最终输出地下模型的阻抗信息.采用Marmousi2数据集对基于TCN的波阻抗反演模型进行训练、验证和测试,结果显示,在测试集上该模型预测结果的皮尔逊系数和决定系数分别达到97.92%和95.95%,并对远离训练区域的波阻抗信息预测有着良好的泛化性,且在预测时间和预测精度等方面都要明显优于前人的相关研究工作.上述结果表明,TCN时间序列深度学习模型在复杂地层波阻抗反演中具有一定优越性和应用前景,为地震波阻抗反演提供了新思路.      

重磁异常有界变量线性规划反演

本文指出了重磁异常线性规划反演中存在的问题,在传统线性规划反演数学模型中引入有界变量,并化成有界变量线性规划的标准形式直接求解,从而提出了有界变量线性规划反演方法,模型与实例计算表明新方法具有较高的反演精度。     

关于区域磁异常反演问题的统计分析方法

提出并全面介绍了哎域磁异常反演的一种统计分析方法。包括该方法的地质和地球物理基础，统计参数，统计方法的稳定性和唯一性的讨论，以及在国内外的应用效果，该方法能够很好地反演出平均界面深度和进行地质填图工艺。其研究成果为地球动力学的发展开辟了新的领域。     

2.5D人机交互反演在航磁异常解释中的应用

RGIS软件中2.5D重磁联合反演模块采用2.5D人机交互重磁异常反演方法,具有界面简洁、操作方便、反演曲线实时显示等优点.笔者以甘肃敦煌地区甘C-2011-0011航磁异常反演为例,介绍了该软件数据输入、参数设置及模型建立的具体方法.反演结果与实际钻孔验证结果基本吻合,表明反演结果可靠.     

二维航磁异常无约束最优化反演

一、简述利用计算机对物探数据进行自动反演,具有拟合速度快,人为因素少等优点。采用无约束条件下求目标函数极小值的最优化方法,如变尺度法、共轭梯度法、马奎特法等,己广泛用于物探数据自动化解释中,并取得了良好的效果。由于多参量解的等效性与多解等特点,在无约束条件下,初始参量不准确时,其解收敛慢,甚至不收敛,或误差较大,影响了它的应用效果;而有约束条件的求解,由于约束条件的存在,往往是十分困难的,必须求助于特殊的方法。本文探讨了在二维空间域航磁异常的反演解释中,通过引进辅助变量的方法,将地质和地球物理约束条件,代进新的解释变量中,使其成为无约束最优化反演问题,并用     

二度体磁异常快速反演方法

本文提出一种二度磁异常快速反演方法。该方法不是利用磁异常直接反演,而是通过构造一个新函数,该函数与异常源地质体各欲求参数间存在比较简单的函数关系,从而将复杂的非线性问题化为简单的线性问题,提高了反演速度。基于这一原理,本文就二度岩脉、接触带、垂直断层磁异常的反问题导出其表达式。具体解法归结为:先求解一个线性方程组,再通过代数运算,求出欲求异常体的参数。通过理论模型与实际资料的反演,证实了该方法是正确而有效的,且适用于横向具有一定间隔的组合模型的反演。     

库车—塔中—塔南剖面磁异常反演与塔里木盆地基底演化

对塔里木盆地库车—塔中—塔南剖面进行磁异常反演,提取异常体的剩磁倾角,结 合古地磁、构造热事件和岩石磁性等资料,研究盆地基底的演化。结果表明,南、北塔里木 地 块经历了不同的热演化史：北塔里木基底主要受早期古生代构造热事件的影响,中央隆起和 南塔里木基底主要受二叠纪构造热事件的影响。在南、北和中区内都有沿深部断裂发育的剩 磁倾角较陡的磁异常体,与火山岩对应。二叠纪之后,地壳相对稳定,盆地基底的演化基本 结束。     

基于遗传算法优化的BP神经网络在密度界面反演中的应用

BP神经网络方法在二维密度界面的反演中取得了较好的效果,但在反演三维界面时,由于模型更复杂、参数更多,BP神经网络的收敛速度和反演精度都有一定程度的下降。为了改善反演效果,本文利用遗传算法对BP神经网络的权值、阈值选择过程进行优化,获得了更好的网络模型;并将此模型应用于密度界面模型的反演中,预测误差从上百米减小到数十米,同时迭代计算步数减少了近2/3,有效减少了计算时间,反演结果更准确。利用基于遗传算法优化的BP神经网络反演了法国某地区莫霍面深度,预测相对误差仅为1.8%,取得了较好的应用效果。基于遗传算法优化的BP神经网络在密度界面的反演中具有良好的应用价值和研究前景。     

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。     

大数据挖掘与智能预测找矿靶区实验研究——卷积神经网络模型的应用

成矿预测需要通过一定的规则集合将专家观点、地质背景、成矿类型等因素进行综合考虑。但由于受到人类实际计算能力的生物条件限制,影响找矿预测成果的最大因素是找矿者的经验知识。随着大数据时代的到来,成矿预测可充分利用数学计算,即以特定规则对成矿系统进行计算,以概率表示成矿前景。依靠计算机的超级运算能力,结合机器学习的方法技术,可以对地质大数据进行成矿预测特征学习,实现对众多地质变量与矿体相关性之间的验证,从而进行预测。本文以安徽东至兆吉口铅锌矿床为例,示范如何通过机器学习的卷积神经网络方法,学习元素Zn在地表的分布特征与矿体在地下空间就位的耦合关系,并圈定靶区。经过450次训练后,得到了准确率95%,损失率14%的CNN模型,并成功实现智能圈定3块找矿靶区。这种神经网络模型可能表达了矿体在地下就位时元素在地表分布的响应,可以用来进行找矿勘查并圈定靶区。     

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。     

高精度磁测反演技术在沙丘地区找矿中的应用

在地表覆盖严重的地区开展地质工作,勘探方法的选择非常重要,高精度磁法是寻找磁性矿物的首选物探方法,目前在祁漫塔格地区的地质找矿工作中起到了非常重要的作用。那陵郭勒河西地区分布有大面积砂梁,高数米至十余米。依钻孔数据,厚度为160～314m,所有形迹都被沙漠覆盖,地面磁异常宽缓不明显。由于缺乏本区地质资料,这给磁测资料的解释带来困难,使得不能给验证钻孔准确定位,这时异常解释手段的选择显得非常重要。通过实例说明综合采用磁法地-井资料的精细反演技术,在沙漠覆盖区实现找矿重大突破。     

基于小样本卷积神经网络的主动源P 波初至拾取方法

地震走时成像结果的准确性取决于初至到时的拾取精度,人工挑选初至效率低、成本高。前人研究表明深度学习可以应用于初至的自动拾取,然而传统的深度学习方法往往需要大量人工挑选的初至作为神经网络的训练集。文章利用U型卷积神经网络拾取单炮多道P波初至,研究表明P波初至拾取的均方根误差会随着训练集数量的增加而减少。训练集分别采用35炮和597炮数据时,对应的均方根误差分别为11.4和6.5 ms。参考半监督学习中数据增强方法,选取适合主动源数据的增强方法（随机剪裁、随机擦除等）用于拓展训练集。结果显示,以人工拾取总数据量的5%（35炮）作为小样本并进行随机擦除数据增强后,实现了均方根误差在5.5 ms（约3个采样点）以内,比未经增强的误差减少51%。与前人的深度学习方法相比,本文应用的数据增强方法可以在小样本的情况下实现主动源地震初至的高精度拾取。     

基于卷积神经网络的智能找矿预测方法：以甘肃龙首山地区铜矿为例

智能找矿预测是数字地质科学的前沿领域。本文基于一种二维卷积神经网络的智能找矿预测方法,以25种元素的水系沉积物数据和航磁数据为找矿预测数据,将已知的矿点作为监督样本,利用步长平移数据增强方法获取了训练数据集,对卷积神经网络进行训练后,将其应用于未知区域的找矿预测。应用该方法对甘肃省龙首山西段高台县臭泥墩—西小口子地区进行了铜矿智能找矿预测,根据已知的3个铜矿点,获取了22 934个训练数据,经过200轮训练之后,预测精度能够达到98.1%,最终圈定了5个预测区,5个预测区均具有良好的铜矿找矿远景。     

基于二维经验模态分解的重磁异常分离

由于地质过程的复杂性及成矿过程的多期次叠加性,原始重磁异常往往是多种地质因素的混合信息,既包含区域背景异常信息,也包含与矿床(体)、矿化蚀变带以及隐伏岩体等与找矿密切相关的地质要素所引起的局部重磁异常.如何从复杂的叠加重磁异常中分离出具有找矿意义的局部异常,是当前矿产勘查和资源潜力评价工作中面临的难题之一.采用经验模态分解(EMD)方法来分解重磁异常,为提高分解的稳健性提出了用双调和样条插值(BSI)进行包罗面插值的新方法,并以云南个旧地区重磁数据为例,对其进行非线性多尺度分解,实现对区域异常与局部重磁异常的分离,揭示了深层次找矿信息并拓宽了经验模态分解方法的应用领域.