一种无限水平柱体的总磁异常△T之解释方法

本文建立了无限水平柱体的总磁异常之解释方法。同传统的异常解释方法(特征点法和积分法)相比较，本方法具有以下几个特点。首先，所提出的特征点法和积分法适合于任意磁化水平柱体的总磁异常的解释。这一点对于海上磁法勘探的资料解释具有一定的意义。因为海上磁测通量是测得总磁异常．其次．所提出的特征点法可以用来确定与柱体中心位置相对应的在剖面上的带影点，也就是坐标原点。再者，所提出的特征点法和积分法可用来计算水平柱体中心的深度，而在积分反演中只用到磁异常曲线的一部分。这一点同其他积分法相比，其计算过程比较简单。最后，也作了理论模型的正反演计算。反演结果表明。所提出的方法构能给出满意的反演结果。     

第四纪含气层的电法勘探初析

电阻率测深是利用岩(矿)石电阻率的差异,保持观测点不动,而不断改变电极距进行观测的一种方法。随着供电电极距AB的增大,电流分布范围加深变宽,此时视电阻率ρ_s值即反映了该测点周围更宽范围内电性不均匀的情况。根据ρ_s值的变化情况,可定量地求出某些电性层的厚度和埋藏深度。作者曾将此方法应用到探测第四纪含气层,推算含气层的储存条件,发现其结果与钻探资料对比符合较好,证明此法有实际使用价值。     

人工神经网络在煤层宏观结构解释中的应用

煤层中的宏观结构变化是我国众多煤田中普遍存在的地质现象,它对煤矿生产影响极大,是当前煤矿生产中急需解决的地质构造问题,利用工人神经网络可以解释煤层的分叉,合并及缺失等宏观结构问题,为矿井的采,掘工作的提供准确的地质资料。     

BFA-CM最优化测井解释方法

最优化测井解释方法能充分利用各种测井资料及地质信息,可以有效地评价复杂岩性油气藏.优化算法的选择是最优化测井解释方法的关键,影响着测井解释结果的准确性.细菌觅食算法(BFA)是新兴的一种智能优化算法,具有较强的全局搜索能力,但在寻优后期收敛速度较慢.复合形算法(CM)局部搜索能力极强,将其与BFA算法相结合构成BFA-CM混合算法,既提高了搜索精度又提高了搜索效率.利用BFA-CM最优化测井解释方法对苏里格致密砂岩储层实际资料进行了处理,计算结果与岩心及薄片分析资料吻合得很好.     

辽宁省综合地球物理解释断裂构造的方法和依据

通过研究辽宁省布格重力异常Δg及其位场转换场、航磁ΔT异常及其位场转换场、地震波场、大地电磁场,结合地貌以及钻探等资料,综合解释出了区内断裂构造.展示出了辽宁省断裂构造平面分布特征.配合地球物理解释剖面,可以了解区内主要断裂构造的垂向发育特征.分析认为郯庐断裂带为左行走滑断层带,划分出了表壳断裂、中-下地壳断裂、超岩石圈断裂.     

垂直旋转椭球体的自然电场及其解释

引言在尋找硫化物礦體時,經常應用自然電場法。由於這種礦體的形狀是多样而十分複雜,對其觀察結果,現在廣泛應用的定量解釋方法為近似地把礦體看作球狀,圓柱狀或板狀來解釋。而對於最常遇到的透鏡狀礦體則尚未見到簡單的解釋方法。本文近似地把透鏡狀礦體看作繞垂直軸旋轉的橢球體。下面我們先來研究它們產生的自然電場,然後研究其定量解釋方法。     

MALA探地雷达在地下管线探测中的应用研究

通过研究不同材质、管径的地下管线的雷达图成像规律,利用地下管线探测生产项目进行了研究验证,选取钢管、玻璃、砼、塑料等不同材质的地下管线进行雷达探测实验,验证不同管线材质的雷达探测成像规律。然后在材质相同的条件下选取管径不同的地下管线进行探测分析,通过影像变化规律辅助判断识别管径大小,同时实现了典型的管径大小计算,并进行现场实际验证。     

岩土工程渗流参数反问题

系统介绍了目前国内外岩土工程渗流参数反问题研究的现状和进展，对参数辨识不适定性等问题做了讨论，并结合计算实践着重对几种典型求解方法的优缺点进行了比较和评述。对今后岩土工程渗流反问题研究提出了初浅的看法。     

来自大别山深成侵入岩图像深度迁移学习的可解释性研究

岩石图像识别是以深度学习为代表的感知智能在地质领域的典型应用场景。已有研究显示网络结构简单的深度卷积神经网络能够在岩石图像上取得比复杂网络结构高的分类准确率。这与ImageNet数据集上网络结构越深越好的趋势相悖。如何解释这一现象？深成侵入岩为显晶质,自形—半自形粒状结构,块状构造,其分类的依据是其矿物成分及相对含量。大别山地区岩浆活动广泛,中生代深成侵入岩广泛出露。岩石类型包括超镁铁质岩类、辉长岩类、闪长岩类、正长岩类、二长岩类和花岗岩类,基本覆盖IUGS推荐的深成侵入岩分类方案中的岩石类型。选取大别山地区中生代深成岩图像开展不同网络结构预训练模型迁移学习对比试验,能够专注于深度学习对矿物成分特征的学习解释,降低构造因素的影响。借助局部可理解的模型解释技术和特征图可视化技术,分别从全连接层分类决策区域可视化和卷积隐层可视化两方面对深度学习模型开展可解释性研究。结果表明简单网络结构的卷积神经网络能够提取不同矿物所表现出的颜色特征以及不同矿物组合所表现出的纹理特征。AlexNet模型的削减试验进一步证明：对于岩石图像深度学习,网络结构并不总是越深越好。