偏心荷载下溶洞顶板冲切破坏上限分析

针对冲切破坏模式下溶洞顶板极限承载力问题,进行了不同顶板厚度以及不同荷载偏心距下溶洞顶板极限承载力室内试验研究,依据试验结果将偏心荷载作用下的溶洞冲切破坏假定为轴对称问题,引入Griffith强度准则,基于极限分析上限法,提出了一种适用于轴对称和偏心荷载作用下溶洞顶底板极限承载力的计算方法,并给出了能发生冲切破坏范围的估算方法。试验结果表明：在同一偏心距下,随着顶板厚度的增加,在达到基岩极限承载力之前,顶板极限承载力呈线性增长;当顶板厚度一定时,顶板极限承载力随着偏心距的增加呈非线性增长,偏心距e在能发生冲切破坏的范围之外时趋于平缓,并逐渐达到基岩极限承载力;理论计算结果与试验结果吻合较好。     

成矿预测:从二维到三维

随着矿产资源勘探方法以及计算机科学技术的不断发展,成矿预测的理论和方法已从定性发展至定量,从二维拓展到三维。近十年来,随着深部矿产资源勘探工作的推进,三维成矿预测研究得到了迅猛发展,相关理论与方法也已逐步走向成熟。本文总结了国内外二维成矿预测研究的现状,同时对近十年来国内外学者在三维地质建模技术、三维成矿预测方法等方面的主要成果和进展做了系统总结和分析。目前,国内外多个地区已相继开展了三维成矿预测工作,并成功圈定多个深部找矿靶区,相关成果为深部找矿勘探工作提供了新的方法和方向。在此基础上,本文对未来三维成矿预测的发展趋势进行展望,相较于传统的二维成矿预测,三维成矿预测往往受限于三维预测信息的缺乏。如何更好的挖掘二维数据在深度方向的指示能力,将二维数据推演至三维环境,利用数值模拟、机器学习等方法开展数据挖掘、充分发挥已有数据的内蕴信息将在未来推动三维成矿预测理论的深入发展,提高三维成矿预测的理论方法及应用实践水平。     

基于决策树特征提取的支持向量机在岩性分类中的应用

由于支持向量机属于黑箱模型,因此在进行模型学习时无法直接对特征进行选择,而决策树模型在递归创建的过程中自身具有一定的特征选择能力。针对岩性分类问题,本文将决策树和支持向量机结合,通过决策树的建立,在考虑特征重要性的前提下,利用树节点的高度对特征进行提取,并将具有更高分类能力的特征送入支持向量机进行岩性分类。结果表明:通过决策树的特征提取,减少了支持向量机模型的输入特征,从而有效控制了模型的复杂度,使得模型更加稳定并具有更高的分类精度,测试集精度能够提升10%以上。     

基于钻进状态监测的智能工况识别

钻进过程状态监测旨在实时描述钻进工况,判断运行性能优劣程度进行非优追溯,及时指导司钻人员调整作业操作,保证钻进过程安全、高效、稳定开展。钻进工况是钻进系统运行状态的反映,因此开展面向状态监测技术的钻进工况识别研究具有重要的理论和应用价值。本文针对钻进工况识别问题,基于状态监测数据,建立基于支持向量机的钻进工况识别模型,对钻进工况进行识别。综合工况识别结果,对钻进效率进行评估,并对影响钻进效率的因素进行讨论,寻找提升钻进效率的手段。最后,采用钻进现场实钻数据进行仿真实验,验证所提方法的可行性和有效性。     

基于CART算法的三维成矿预测研究——以安徽白象山矿区为例

把地质大数据和人工智能技术引入矿产资源定量评价及成矿预测体系中,提高了海量地质数据的有效信息挖掘,弥补了传统方法的不足。本文基于白象山矿区基础地质资料和物化探成果资料,利用三维地质体建模技术和三维空间分析技术,量化三维控矿因素,建立了一种基于CART 算法的三维成矿预测模型。通过在白象山矿区的实验表明：该模型能较好的定位已知矿体,并且预测出在已知矿体北部、东部、东北部、西部、南部和东南部具有较高的成矿概率,可圈定找矿靶区。该模型将地质大数据应用于找矿勘探工作,具有纯数据驱动、预测精度高、预测结果可靠等优点。研究发现,该模型的预测效果与训练数据集的数量、矿控因素提取、决策树深度等有关。     

基于FCD数据的城市有效路网密度评价——以广州荔湾区和越秀区为例

提出一种基于FCD数据的城市有效路网密度的评价方法,主要是从城市路网的静态布局结构和动态交通流量两个方面对城市路网数据以及FCD数据进行核密度估计分析,得到城市有效路网密度等级的分布特征,继而通过理论与实际道路网密度等级差异对比分析,发现路网中差异区域,为城市路网规划提供可靠的依据。以广州市中心城区越秀、荔湾内的主要路网数据以及2010年五一期间中心城区内出租车的FCD数据为例,利用上述评价方法进行分析得出以下结论:区域内人民中路、人民南路、白云路、中山六路和中山七路路段的理论与实际密度等级差异性明显,表现为路段上密度核的数量与核影响范围差异大,其中尤为突出的是人民中路和人民南路,从理论有效路网密度的分析角度,两个路段都是高密度区域,与实际交通流量存在较大的密度分异。     

基于GA-SVM封装算法的高光谱数据特征选择

封装型的特征选择算法相对于过滤算法而言更有助于提高分类精度,因此在当前计算技术及效率快速发展的背景下必将成为未来之趋势。本文以支持向量机(SVM)为分类器,遗传算法(GA)为特征子集的搜索算法,构建了封装型的特征选择算法GA-SVM,并用ENVI/IDL语言编程实现,最后以HYPERION高光谱数据为例对算法予以应用。结果表明,GA-SVM算法可从196个波段中选择出13个波段,同时分类精度较不做特征选择时提高了约4%。由此可见,GA-SVM封装型特征选择算法具有较好的同时优化特征子集和SVM核函数的性能,可为当前高光谱数据的特征选择提供一个较好的算法。     

基于卷积神经网络的无人机影像违章建筑检测应用

无人机航拍影像具有分辨率高、回访周期短等特点,利用无人机遥感技术手段对城市范围的建设进行动态监测,可及时、有效地发现涉嫌违法的建设活动.本文结合实际项目需求,研究通过卷积神经网络方法进行违章建筑的自动检测,替代过去靠大量人力检查的模式,目前测试区域无人机影像试验取得了较好的效果,在样本数据不足5000份的情况下,准确率...     

空间数据挖掘在海域天然气水合物资源评价中的应用

海域天然气水合物早期勘探阶段多使用地震调查方法,利用BSR和速度异常等指标圈定水合物矿体进行资源评价、优选预测勘探目标。阐明了空间数据挖掘技术在天然气水合物早期勘探评价阶段的应用,并通过珠江口盆地东部海域多道地震速度分析中所获速度异常信息,应用核密度估计方法,定量地划分了2个天然气水合物有利分布区(面积分别为18 km2和70 km2),进而为后期天然气水合物试采生产提供了重要依据及基础数据。     

基于迁移学习的地球物理测井储层参数预测方法研究

随着大数据和机器学习的成熟和推广应用,人工神经网络在地球物理测井预测储层参数中得到重视.本文引入迁移学习进行测井储层参数预测,以孔隙度预测神经网络模型和孔隙度含水饱和度联合预测神经网络模型为基础模型,分别以渗透率及含水饱和度预测作为目标任务进行迁移学习,以提升储层参数预测效果和效率.文中详细阐述了基于迁移学习的测井储层参数预测方法,并使用64口井的测井数据进行储层参数预测效果分析.结果表明,使用迁移学习后,渗透率模型预测效果最高可以提升58.3%;含水饱和度模型预测效果最高可以提升近40%,且最大可以节省60%的计算资源;以孔隙度预测模型为基础模型时更适合使用参数冻结的训练方式,以孔隙度含水饱和度联合预测模型为基础模型时更适合使用参数微调的训练方式.