基于地震属性的煤层厚度预测模型及其应用

地震属性技术在岩性和构造解释等方面得到了越来越广泛的应用,特别是在煤、油气资源勘探中具有重要的作用.基于淮南矿区谢桥1区13 1煤层地震勘探资料,提取了28种地震属性数据;通过地震属性的分析,优选出平均峰值振幅、振幅的峰态、最大绝对振幅、瞬时频率斜率等4种地震属性作为煤层厚度预测模型基本参数,结合已知钻孔资料,利用多元多项式回归以及BP人工神经网络方法,求出了各属性与煤厚之间的多元多项式回归模型及人工神经网络模型,并对模型进行了误差分析和应用结果对比分析,反映出人工神经网络模型在煤厚预测中具有好的应用效果.     

电阻率二维神经网络反演

由于非线性特性地球物理反演一直以来都是一个比较困难的问题. 近十年来,非线性反演方法如人工神经网络、遗传算法在地球物理数据解释中得到越来越多的应用,但目前基本仍限于一维反演问题. 对于二维反问题,反演参数较多,神经网络反演运用较少. 本文利用BP神经网络优化方法,实现了电阻率二维非线性反演. 与传统线性化的迭代反演比较,神经网络反演能够克服传统方法的不足、获得更好的反演结果.     

不同矿化度下泥质对岩石电性影响的逾渗网络研究

为了进一步认识泥质对岩石宏观电性的影响规律,本文利用非规整三维逾渗网络模型,通过数值模拟研究了不同矿化度下泥质对岩石电性影响的规律. 模拟结果表明：在中低矿化度下,泥质对岩石导电整体上呈现减阻作用,随着泥质含量的增加,电阻率降低的速度减慢;中等矿化度下泥质的减阻效果明显弱于低矿化度下的减阻效果;在高矿化度下泥质对岩石导电整体上呈现增阻作用. 在高矿化度、高含水饱和度下泥质对岩石电性的影响较小. 泥质起减阻、增阻作用的具体矿化度范围取决于储层的孔隙度、连通性以及地层温度等特性.     

地震资料预测薄层厚度方法研究与应用

薄层厚度预测一直是公认的难题之一,其难度就在于如何准确地识别和提取薄层的地震属性.常规方法是利用时间域或频率域地震属性与薄层厚度的线性关系计算.但是理论与实际资料表明,不同的薄层和地层组合对地震波的动力学的信息影响很大,各种参数与薄层厚度成非线性关系,使用单一的信息不可能准确预测薄层厚度.本文利用三种线性预测原理（模型）,经数学变换为属性参数,采用非线性BP网络预测薄层厚度,取得了令人满意的效果.     

网络环境下的前兆数据自动编排管理系统

通过在Intemet和局域网下开发的程序,实现了安徽省地震前兆数据自动编排管理。该网络程序可以自动检索和收集各地方台站上报的数据,然后将其按照规定的格式编排,通过纠错子系统检查无误后传至中国地震局数据中心。本系统可以将数据自动分类管理并做好备份,最大的优点是速度快、准确性高、操作方便。     

镜泊湖火山监测台网监测能力初步分析

介绍了镜泊湖火山台网的组成,并对其监测能力进行了初步估算,结果表明,镜泊湖火山台网的近震监测能力完全满足设计要求,在距台网中心50km范围内,ML0以上地震都能准确定位。     

分析云南地震资料给出的近震震级ML和面波震级Ms

云南省区域数字地震遥测台网自1999年建成以来,记录了大量地震波形资料,从2000年1月至2006年2月,云南省及邻区共发生ML≥4.0地震168次,对这些地震的震级重新进行了测定,结果表明,对于云南省的区域地震,近震的体波震级ML和面波震级MS之间不满足昆明地震台网多年使用的MS=1.13ML-1.08这一换算公式,且发现ML也不一定大于MS。     

福建地壳运动观测网络观测成果初步分析

利用最新GAMIT软件,对福建省地壳运动观测网络的厦门、福州、泉州、龙岩、南平5个GPS基准站2004年3月1日至2005年3月6日的观测资料在ITRF2000全球坐标系统框架下,使用IGS精密星历数据及其核心观测站的坐标和运动速率为控制参数进行了统一解算,并利用GLOBK软件进行联合平差,得到了5个测站的观测精度。结果表明,福建地区形变南强北弱、东强西弱,且该地区随中国大陆较均匀地向SE（SEE）方向运动。     

基于MapInfo数据格式在GIS应用环境下等值线综合方法实现

等值线构建是G IS开发、数字地图绘制重要的研究内容之一。重点讨论了基于M apInfo数据格式在G IS应用环境下等值线综合方法的实现,首先根据高程采样点跟踪等高线通过点,再利用五点光滑法、正轴抛物线加权平均光滑法以及M apX提供的光滑方法对等值线通过点进行光滑处理,从而绘制出光滑度好、准确美观的等值线,同时发现M apX所提供的光滑方法可能利用的就是正轴抛物线加权平均光滑法。通过大量的数据验证了绘制的正确性。     

由粒子吸收光谱提取浮游植物吸收光谱的人工神经网络方法

基于现场实验数据集及人工神经网络技术,论文提出了一种从海中粒子吸收光谱提取浮游植物吸收光谱的方法。这个数据集包含了海中粒子吸收光谱和对应的浮游植物吸收光谱,并被分为三个子集:训练集、印证集和试验集。本研究所利用的人工神经网络系统为多层感知器,训练后的人工神经网络的性能由印证集和试验集来评价。实验结果表明,文中所提出的方法可成功地提取浮游植物的吸收光谱,其提取精度与传统的实验方法相当。