收费全文 | 1139篇 |
免费 | 103篇 |
国内免费 | 193篇 |
测绘学 | 374篇 |
大气科学 | 159篇 |
地球物理 | 194篇 |
地质学 | 244篇 |
海洋学 | 92篇 |
天文学 | 12篇 |
综合类 | 129篇 |
自然地理 | 231篇 |
2024年 | 53篇 |
2023年 | 107篇 |
2022年 | 189篇 |
2021年 | 204篇 |
2020年 | 163篇 |
2019年 | 120篇 |
2018年 | 63篇 |
2017年 | 70篇 |
2016年 | 35篇 |
2015年 | 31篇 |
2014年 | 32篇 |
2013年 | 60篇 |
2012年 | 75篇 |
2011年 | 27篇 |
2010年 | 21篇 |
2009年 | 18篇 |
2008年 | 17篇 |
2007年 | 22篇 |
2006年 | 26篇 |
2005年 | 14篇 |
2004年 | 12篇 |
2003年 | 12篇 |
2002年 | 8篇 |
2001年 | 12篇 |
2000年 | 8篇 |
1999年 | 14篇 |
1998年 | 2篇 |
1997年 | 6篇 |
1996年 | 3篇 |
1995年 | 4篇 |
1994年 | 1篇 |
1993年 | 1篇 |
1991年 | 2篇 |
1988年 | 1篇 |
1985年 | 1篇 |
1984年 | 1篇 |
随着地震数据采集技术的进步,地震数据量日益增加,全自动、高精度的地震初至走时拾取技术受到了更加广泛的关注.本文将初至拾取看作特征空间内带约束的Markov决策过程,在奖励函数空间,按一定准则全局寻优获得积累奖励值最大的路径,从而达到在高维空间自动拾取初至信息的目的.同时,状态值函数中包含与距离相关的折扣因子γ,使Markov决策过程拾取初至能够考虑地震数据的横向连续性,并且回避地震数据中的坏道信息.在此基础上,本文方法进一步引入受空间几何信息约束的动作(Actions)和转移概率(Transitions Probability),从而降低了对起始状态和折扣因子选取的难度,让地震数据初至走时拾取更加准确和自动化.实际数据测试结果表明,在初至能量较弱(信噪比较低)情况或浅层存在相邻较近复杂波形时,本文提出的约束Markov算法仍能准确地进行初至走时的自动拾取,并且具有一定的质量监控能力,让拾取结果更有物理意义.
相似文献地震数据中存在的多次波影响偏移成像,误导地震资料的解释,因此通常视为相干噪声而被去除.为了对多次波进行智能化衰减,本文提出了一种基于数据增广训练的使用深度神经网络的多次波压制方法.设计的深度神经网络包括卷积编码和卷积解码过程,其中卷积编码过程学习全波场数据中的一次波特征,卷积解码过程利用这些特征来重构一次波并压制多次波和随机噪声.在训练阶段,旋转训练集并在输入数据中加入随机噪声构成增广训练数据集来提升神经网络的抗噪稳定性和泛化性,通过迁移学习让深度神经网络具备跨工区压制多次波的能力.简单模型与Sigsbee2B模型三套模拟数据的实例验证了本文方法在一次波重构和多次波压制中的有效性、稳定性和良好泛化性;一套崎岖海底模型地震物理模拟数据的应用实例表明本文方法具有应用于复杂条件下压制地震多次波的能力.
相似文献储层可压性的准确评价是储层压裂设计和压后产能评估的重要前提。目前,采用岩石力学参数进行页岩可压裂性评价取得了较好的现场应用效果。因此,如何准确获取岩石力学参数成为至关重要的问题。通过建立一种基于物理信息约束的神经网络模型,该模型采用物理和数据双驱动,仅使用少量数据就能够实现岩石力学参数的准确预测。为验证模型性能的优异性,采用人工神经网络、随机森林和XGBoost模型与之进行对比。结果表明,物理信息约束的神经网络在少量数据下预测岩石力学参数的平均准确率高于95%,性能远优于其他模型。采用物理信息约束的神经网络预测得到弹性模量、泊松比、抗拉强度和断裂韧性4种岩石力学参数,基于岩石力学参数对储层可压性的影响,建立了基于脆性指数和力学参数的可压性评价方法。最后,以渤海湾盆地沧东凹陷K2段不同储层可压性为例进行验证。结果表明:研究区整体可压性较好,其中,纹层状混合质页岩可压裂指数高于0.7,可压性良好;纹层状长英质页岩、厚层状灰云质页岩和薄层灰云质页岩可压裂指数均处在0.4~0.7,可压性中等。评价结果与实际施工现场各储层日采油量进行对比,证实了可压性智能评价方法的可靠性,该方法可以推广至页岩储层可压性评价工作中。
相似文献致灾机理、危险性评价、灾变预测共同构成矿井水防治理论体系基本内容,其在过去20多年里快速发展,目标是理解矿井水行为特征,预测演化趋势,服务矿区水害防治工作。机器学习是大数据时代进行数据分析和挖掘的有力工具。将机器学习应用于矿井水防治理论体系研究,已得到相对广泛的关注。针对理论体系的3项基本内容,重点讨论了机器学习在各内容建设中的具体应用,主要包括:根据不同水害类型分类简述致灾机理研究现状,指出机器学习应用暂为空白的原因为其不具备做出假设的能力。认为未来致灾机理研究方法依然以传统方法(理论分析、数值模拟、相似模拟等)为主,机器学习促进地质数据获取与处理,对机理研究作出贡献;分析方法优势,指出机器学习作用于危险性评价的主要方式为非结构化数据的处理及丰富评价方法;分析基于物理和基于数据的单一预测模式弊端,论述物理模型与数据驱动相结合的必要性,相应给出“模型−数据”双驱动预测模式的3种实现形式,并讨论了基于图像的灾变预测方法可行性。随着生产数据及地质数据的丰富,机器学习方法可推动理论体系研究快速发展,并为矿井水防治学科系统方法论研究作出贡献。
相似文献