厄瓜多尔俯冲区震间闭锁与粘弹性变形研究北大核心CSCD

以厄瓜多尔俯冲区为例,建立区域三维纯弹性和粘弹性模型,并基于有限元数值模拟方法分析其震间变形过程,同时以十余年的震间GPS速度场为约束,估算不同模型下的最佳震间闭锁深度。结果表明,在厄瓜多尔俯冲区,基于弹性模型的最佳震间闭锁深度约为30~35 km,而基于粘弹性模型的最佳闭锁深度为25 km。同时,相比于弹性模型,粘弹性模型能够更好地解释震间地表变形,说明该区域深部粘弹性圈层在俯冲板块的推挤作用下会引起较为明显的上地壳变形。     

一种基于学习型特征的多模态影像匹配方法

多模态影像在辐射特征和几何特征方面存在的显著差异,会造成高精度匹配困难。因此,本文提出了一种融合多尺度深度学习特征的多模态影像匹配方法,主要利用深度残差神经网络结构自主训练学习影像的学习型特征,得到多模态图像之间更为丰富和更为准确的同名特征点对,实现了对多尺度、多时相影像的协同稳健匹配。结果表明,本文方法对于多组实验均能够得到数量丰富且分布相对均匀的同名特征点对,并具有高效、稳健的匹配性能。     

2018年12月16日兴文5.7级地震序列定位

Gong Yue;Zhao Min;LongFeng;Fu Ying(Sichuan Earthquake Agency,Sichuan Chengdu 610041,China)     

对于全球规模的地球构造我们知道多少？

最近5-6年主要由于高质数字地震资料而使得对地球内部构造的了解有了很大的进展。应用地球体波、面波及自由振荡的各种研究阐明了不同深度上的三维构造。然而,任何构造研究都受到对用于探测构造的波长分辨力问题的限制。在这方面,比如由体波得到的模式代表着由面波或自由振荡获得的那些不同尺度的平均值,它应包括了更详细的结果。不过我们经常发现对于各种结果的解释就象它们给出的是对三维地球中地震速度进行的点估计。本文中我们回顾每种类型资料是如何提供给我们有关地球构造的信息以及如何依据其分辨力与误差进行解释。三维构造研究中出现的最明显的特点之一即为与地表地质相对应的近地表速度的变     

变质反应对变质温度的缓冲效应

变质反应对变质温度的缓冲效应赵国春（长春地质学院，长春１３００６１）关键词变质反应，变质温度，缓冲效应变质作用温度除受区域热流值直接影响外，还常受变质反应的缓冲［’，’ｊ。缓冲程度可根据有关的矿物热力学数据进行定量或半定量估算。对于在变质作用过程中所...     

地球物理测井高低分辨率参数之间的关系

从数学角度研究入手 ,论证线性和非线性响应测井曲线深度积分面积的守恒关系 :线性响应测井曲线的深度积分面积与曲线的纵向分辨率无关 ,而非线性响应测井曲线的深度积分面积与曲线的纵向分辨率有关 ,且纵向分辨率越高 ,其深度积分面积越大 .然后 ,研究了线性和非线性数学变换对不同分辨率线性和非线性响应测井曲线关系的影响 .最后 ,在一定条件下分析了不同分辨率泥质含量曲线深度积分面积的守恒性 ,并研究了孔隙度曲线积分面积的守恒性问题 .     

深度学习加速分子动力学模拟研究岩浆洋的传输性质

了解岩浆洋的传输性质对于认识地球和行星的宜居性及其内部物质组成均具有重要意义。相较于高温高压实验,分子动力学具有在更极条件开展模拟的优势。然而,分子动力学的高计算成本也限制了其模拟规模大小和时间尺度。随着深度学习的发展,许多工作就分子动力学模拟中面临的计算精度和效率等困境进行了展开。通过学习基于密度泛函理论等量子力学计算方法产生的数据集,神经网络可以学习原子间势能面或者原子力。经过训练的深度学习模型可以让分子动力学同时获得良好的精度和效率。针对计算量大、耗时长的模拟,学者们还开发了分子动力学的深度学习代理模型,或利用机器学习挖掘分子动力学模拟轨迹,直接预测计算结果。上述研究工作均使分子动力学模拟效率得到了极大改善。本文以深度学习加速分子动力学模拟熔体物理性质为例,介绍了热导率的计算结果：随着压强的升高,MgSiO₃熔体的热导率增加,但低于同等条件下矿物的热导率;而熔体的黏度则先减后增。这一结果指示核-幔边界的硅酸盐熔体,作为岩浆洋演化的产物,由于散热效率低而可能在较长地质时期得以保存。     

时间域航空电磁系统探测深度研究

时间域航空电磁系统探测深度与采样时间、发射磁矩、大地电导率、仪器背景噪声和灵敏度等诸多因素相关。本文基于时间域航空电磁一维正演对时间域航空电磁系统探测深度进行研究。正演算法从麦克斯韦方程出发,结合准静态近似条件,得到一维层状介质上空中心回线频率域电磁场响应的垂直分量,并采用汉克尔积分进行计算,进而通过时-频变换获得时间域电磁场响应。探测深度研究参考仪器背景噪声水平,通过设定最小可识别信号阈值（本文设定为系统背景噪声三倍）获取最大可探测分离时间,进而利用该分离时间结合平均电导率求取最大探测深度。最后本文以VTEM系统为例,对不同层状介质模型以及不同发射磁矩、背景噪声、发射脉宽和飞行高度下的时间域航空电磁系统最大探测深度进行分析和讨论。     

基于深度学习方法的测井岩性识别研究

采用机器学习方法进行自动岩性识别是当下的研究热点,神经网络作为具有代表性的机器学习方法,具有非线性建模能力强、结构灵活以及泛化性强等优点,目前已初步应用于岩性识别问题中。当下神经网络方法在测井岩性解释上的限制因素主要在于数据类别不均衡问题难以解决以及现有模型的可解释性较差。文章讨论了深度神经网络模型在纳岭沟地区铀矿测井解释的岩性分类问题上的应用,通过采用不同结构的模型缓解了类别不均衡对分类结果的影响,并着重分析了模型的层次结构和训练过程,更全面地解释了模型的内在机制和决策逻辑。结果显示,长短时记忆网络能在保持较高训练效率的同时获得高于80%的识别精度,8层全连接网络能达到90%以上的精度,但是需要的计算资源较大,训练时间较久。以上模型可应用于不同环境和需求。文章为深度学习方法在岩性识别问题上的应用提供了有益的见解和经验,具有一定参考价值。