构造物理模拟和PIV有限应变分析对构造裂缝预测的启示

油气储层中构造裂缝发育与有限应变状态关系密切,为了探索有限应变分析与构造裂缝预测的新技术方法,此次研究设计完成了一组单侧挤压收敛模型的物理模拟实验,并引入粒子图像测速(PIV,Particle Image Velocimetry)技术对实验过程进行了定量化分析。实验模型在垂向上为含粘性层的多层结构,实验结果形成了一个肉眼可见的箱状褶皱。通过PIV技术可以获取实验模型变形演化过程中各阶段的位移场数据,计算出各阶段的增量应变,实现从初始状态到褶皱形成之后整个变形过程的有限应变分析,探讨构造裂缝成因机制和分布规律,进行定量化裂缝预测。挤压变形过程初期,应变分布范围很广,有限应变较弱(约4%~8%),在挤压方向上的线应变表现为弱压应变,在垂向上的线应变表现为弱张应变,这种现象是褶皱和断层产生前平行层缩短和层增厚的纯剪变形结果,也是区域型张裂缝和剪裂缝形成的主要机制。褶皱和断层即将发育之时至发育之后,应变局限在断层发育的剪切带及附近区域,有限应变表现为较强(达20%)的剪切应变和剪切张应变,是断层面附近简单剪切变形作用的结果,也是局部型剪裂缝和张剪裂缝形成的主要机制。     

新疆春风油田石炭系火山岩岩性特征及测井识别方法

不同岩性的火山岩其储集性能差异甚远,准确识别火山岩岩性对于火山岩储层的研究具有重要意义。研究区春风油田石炭系储层以火山岩为主,过渡类型较多,岩性较为复杂。利用岩心观察、薄片鉴定、地化分析等方法确定研究区发育火山熔岩类和火山碎屑岩类两类火山岩,其中,火山熔岩包括玄武岩、安山玄武岩、玄武安山岩以及安山岩,火山碎屑岩有凝灰岩和火山角砾岩等。通过识别出的岩性标定测井,分析每种岩性的测井响应特征,利用交会图法和星形图法,建立了不同岩性的识别标准。     

鱼是如此完美

正由于水族自称为"虽",且其他民族多以"水家"称之,1956年,经过民族识别并尊重其民族意愿,国务院批准,将操壮侗语族水语支的人们共同体统一称为"水族"。也就是说,"水族"名称的诞生不是直接因为水。可无法否认的是,水族传统生活却和水里的鱼有着密切的联系,人们对鱼始终存在一份特殊的感情,而鱼,也在水族人生活里占据着特殊的地位。《越绝书》记载:"大越海滨之民。"意思是说,古百越族乃生活在海边的民族。而水族属     

典型矿区尾矿库特征污染物识别研究

通过对典型尾矿库土壤样品分析,利用重金属超标率、植物体BCF、污染因子的权重值筛选等通进行典型污染物识别,为开展尾矿库污染治理工作提供依据。     

PNN在煤田随钻测井岩性判识应用研究

介绍了PNN方法原理及其算法训练学习过程,详细阐述了网络识别岩性参数的选取、岩性识别模型的建立过程.通过对比研究PNN与其他6种岩性识别方法,分析相同条件下预测结果,得到不同识别方法的优劣性.经研究发现,PNN概率神经网络方法在生产应用中效果更佳、训练识别用时最短.利用人工智能神经网络对测井数据进行自动解释分析,可满足随钻测井时效性及快速解释处理的地质导向需求.     

基于岩石图像深度学习的岩性自动识别与分类方法

岩石岩性的识别与分类对于地质分析极为重要,采用机器学习的方法建立识别模型进行自动分类是一条新的途径。基于Inception-v3深度卷积神经网络模型,建立了岩石图像集分析的深度学习迁移模型,运用迁移学习方法实现了岩石岩性的自动识别与分类。采用此方法对所采集的173张花岗岩图像、152张千枚岩图像和246张角砾岩图像进行了学习和识别分类研究,通过训练学习建立岩石图像深度学习迁移模型,并分别采用训练集和测试集中的岩石图像对模型进行了检验分析。对于训练集中的岩石图像,每组岩石分别用3张图像测试,三种岩石的岩性分类均正确,且分类概率值均达到90%以上,显示了模型良好的鲁棒性;对于测试集中的岩石图像,每组岩石分别采用9张图像进行识别分析,三种岩石的岩性分类均正确,并且千枚岩组图像分类概率均高于90%,但是花岗岩组2张图像和角砾岩组的1张图像分类概率值不足70%,概率值较其他岩石图像低,推测其原因是训练集中相同模式的岩石图像较少,导致模型的泛化能力减小。为了提高识别精确度,对准确率较低的岩石图像进行截取,分别取其中的3张图像加入训练集进行再训练,增加与测试图像具有相同模式的训练样本;在新的模型中,对3张图像进行二次检验,测试概率值均达到85%以上,说明在数据足够的状况下模型具有良好的学习能力。与传统的机器学习方法相比,所提出的岩石图像深度学习方法具有以下优点:第一,模型通过搜索图像像素点提取物体特征,不需要手动提取待分类物体特征;第二,对于图像像素大小,成像距离及光照要求低;第三,采用适当的训练集可获得较好的识别分类效果,并具有良好鲁棒性和泛化能力。     

山区输变电工程崩塌(滚石)灾害识别与预测方法

山区输变电工程崩塌随着国家“一带一路”和“全球能源互联网”战略的构建和实施,山区复杂地质环境条件下的输变电工程建设越来越多。然而,现阶段对于输变电工程崩塌（滚石）灾害识别、预测和评价方法等方面的研究相对较少,难以有效解决山区崩塌（滚石）灾害频发与输变电工程安全建设、运营之间不断增长的矛盾。鉴于此,作者借助航空遥感、无人机航测、岩体结构分析工具、崩塌（滚石）运动数值模拟软件等新技术方法等,对山区输变电工程中崩塌（滚石）灾害识别与预测方法等开展了相关研究。提出:（1）基于区域工程地质分区-区段遥感分析-山体无人机航拍-岩体结构特征分析的思路,实现对长距离、大区域山区输变电工程的崩塌（滚石）危岩体快速识别和分析;（2）利用三维崩塌（运动）模拟方法快速识别崩塌（滚石）在杆塔（变电站）范围的到达情况,然后再利用多种方法对比确定能到达杆塔（变电站）范围内崩塌（滚石）的冲击特征;（3）山区输变电工程崩塌（滚石）灾害风险计算方法。     

改进粒子滤波器的室内地磁匹配精度研究

针对粒子滤波算法在室内地磁分布的连续性变化中会发生滤波发散,加之算法中重采样步骤使该现象恶化,直接导致室内定位过程中目标丢失的问题。该文受Hausdorff距离度量法中点集匹配思想的启发,提出了一种利用初定位误差作为最大粒子匹配距离的约束思想,通过缩小匹配空间的区域范围的方法来解决传统算法的发散问题。最后实验表明,此方法解决了粒子滤波器在地磁匹配中出现的滤波发散现象,同时使得定位结果更加快速收敛。     

一种盾构施工引起的地面沉降预测方法

针对盾构施工引起的地面沉降的影响因素众多、关系错综复杂,常规数学模型难以准确预测沉降量的问题,该文提出了采用主成分分析法和粒子群优化的支持向量机方法来建立预测模型。并结合工程实例将预测结果与常用的多元线性回归模型和基于Levenberg-Marquardt算法改进的BP神经网络模型(LM-BP)的预测结果做了比较。结果表明:PCA-PSO-SVM的预测结果精度较多元线性回归模型和LM-BP神经网络有很大的提高,证明了该研究方法具有一定的理论意义和参考价值。     

基于错误式学习的低空影像人行横道多角度自动识别

提出了一种基于特征的错误式学习分类器半自动迭代训练方法,该分类器能够自动识别多角度低空影像上的人行横道线,在人行横道线管控与数据库建立、道路网提取上有较好的应用。介绍了基于错误式学习的分类器训练思路与方法,并提出了将同一地区不同角度低空影像的识别结果进行合并,从而尽可能全面的检测出被城区高楼以及车辆遮挡的人行横道线的思路。通过对比实验该方法的鲁棒性,并在其基础上随机选取多组数据进行系列实验,证实了基于错误式学习的分类器比传统方式训练的分类器有更好的综合性能,能够在不降低识别耗时的前提下产生高准确率、低漏检率和低误识别率的识别结果。