CN114779324B - 一种基于深度学习的瑞雷波频散曲线反演方法 - Google Patents
一种基于深度学习的瑞雷波频散曲线反演方法 Download PDFInfo
- Publication number
- CN114779324B CN114779324B CN202210238632.6A CN202210238632A CN114779324B CN 114779324 B CN114779324 B CN 114779324B CN 202210238632 A CN202210238632 A CN 202210238632A CN 114779324 B CN114779324 B CN 114779324B
- Authority
- CN
- China
- Prior art keywords
- deep learning
- dispersion curve
- network
- inversion
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 54
- 239000006185 dispersion Substances 0.000 title claims abstract description 48
- 238000013135 deep learning Methods 0.000 title claims abstract description 35
- 238000012549 training Methods 0.000 claims description 23
- 230000006870 function Effects 0.000 claims description 18
- 238000012360 testing method Methods 0.000 claims description 9
- 238000001228 spectrum Methods 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 230000035772 mutation Effects 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 2
- 238000010276 construction Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 claims description 2
- 238000013499 data model Methods 0.000 claims 2
- 125000004122 cyclic group Chemical group 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 5
- 239000010410 layer Substances 0.000 description 37
- 239000013598 vector Substances 0.000 description 11
- 230000015572 biosynthetic process Effects 0.000 description 8
- 238000005755 formation reaction Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 5
- 238000000605 extraction Methods 0.000 description 4
- 239000011435 rock Substances 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 238000009412 basement excavation Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000005641 tunneling Effects 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000006698 induction Effects 0.000 description 2
- 239000002356 single layer Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005422 blasting Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013016 damping Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010348 incorporation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000010363 phase shift Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000004080 punching Methods 0.000 description 1
- 229910052704 radon Inorganic materials 0.000 description 1
- SYUHGPGVQRZVTB-UHFFFAOYSA-N radon atom Chemical compound [Rn] SYUHGPGVQRZVTB-UHFFFAOYSA-N 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/28—Processing seismic data, e.g. for interpretation or for event detection
- G01V1/282—Application of seismic models, synthetic seismograms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Remote Sensing (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Acoustics & Sound (AREA)
- Geology (AREA)
- Geophysics (AREA)
- Environmental & Geological Engineering (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明提供了一种基于深度学习的瑞雷波频散曲线反演方法及应用,包括对瑞雷波进行地震数据采集、采集的地震数据叠加形成频散曲线能量图、在能量谱中提取频散曲线、反演频散曲线以获取地下各层的剪切波速。基于本发明的技术方案进行的地球物理反演,其数据集具备足量性、多样性,网络结构更具普遍性、泛化性,反演精度在浅层包括地层分界处都较为精确,且可以反演出比传统反演方法更深的地层情况。通过采用本方法对频散曲线进行反演的瑞雷面波勘探技术,在便捷性、勘探深度和精确度方面都更加优良。
Description
技术领域
本发明涉及瑞雷波频散曲线的反演技术领域,特别地涉及一种基于深度学习的瑞雷波频散曲线反演方法。
背景技术
在现代工业中,出于对活动空间以及地下资源等的需求,人类对于近地表地下空间需要有更加广泛和准确的认知。在各种对地层情况的研究当中,瑞雷波因为具有采集简便、衰减小、信噪比高、抗干扰能力强、面波速度与横波速度相近等优点以及其独有的,在层状介质中的频散特性,可作为研究近地表地下空间的重要工具。利用瑞雷波研究近地表的方法主要包括对瑞雷波进行地震数据采集,叠加形成频散曲线能量谱,在能量谱中提取频散曲线,反演频散曲线以获取地下各层的剪切波速四个步骤。
在上述过程中,反演频散曲线的方法主要包括在线性反演中应用较广最小二乘(LM)方法、阻尼最小二乘方法(DLS)和Occam算法等;在非线性反演中,模拟退火法及其改进算法、遗传算法、粒子群算法等在内的全局优化算法较为常用。但传统算法普遍存在的计算量大、效率低及精确度差的问题。
由于近年来AI技术的强有力发展,包括深度学习等方法被广泛研究并应用于非线性反演,所以可以将该新型的反演方法运用于上述的反演瑞雷波频散曲线的过程。
发明内容
针对上述现有技术中的问题,本申请提出了一种基于深度学习的瑞雷波频散曲线反演方法,是常用的瑞雷波勘探步骤:对瑞雷波进行地震数据采集,采集的地震数据叠加形成频散曲线能量图,在能量谱中提取频散曲线,反演频散曲线以获取地下各层的剪切波速中反演方法的改良。
优选地,对瑞雷波进行地震数据采集,是通过在地面上击锤的方法制造人工震源,再通过检波器接受震源发生的地震波来获取地震信息。
优选地,利用深度学习的方法在能量谱中提取频散曲线。
优选地,反演频散曲线的具体步骤包括:搭建用于反演的深度学习网络、建立由地层数据组成的数据集用于训练网络、训练深度学习网络并验证。
优选地,用于反演的深度学习网络包括卷积神经网络、深度置信网络、循环神经网络及生成对抗网络中的至少一种。
优选地,进行关于瑞雷波的数据模型建立,并以此来训练学习网络;在进行数据构建时,根据对大自然中的多种模型种类的总结,设置不同情况模型所占比例。
优选地,将大自然中的地层模型分为逐层递增、从某层开始发生异常并延续、某几层发生突变三种情况,并根据所述三种情况设置数据集类型。
优选地,将所述三种情况进行合理配比时引入了马尔科夫决策理论,通过马尔科夫决策理论决定出发生异常情况的某一层或几层,为所述一层或几层赋予新的横波波速来控制其变化。
优选地,所述深度学习网络为CNN-LSTM混合网络结构,网络结构运行包括训练数据和测试网络两个部分;在开始时将样本数据库随机分为训练数据和测试数据两组,对应比例为10:1;在训练前,需要将输入和输出值通过激活函数进行标准化,使其变化在[0,1]范围内;激活函数包括sigmoid函数、tanh函数和ReLH函数,数学表达式如下:
fsigmoid(x)=1/(1+e-x)
ftanh(x)=(ex-e-x)/(ex+e-x)
fReLU(x)=max(x,0)。
上述技术特征可以各种适合的方式组合或由等效的技术特征来替代,只要能够达到本发明的目的。
本发明提供的一种基于深度学习的瑞雷波频散曲线反演方法及应用,与现有技术相比,至少具备有以下有益效果:
本申请进行的地球物理反演的数据集具备足量性、多样性,网络结构更具普遍性、泛化性,反演精度在浅层包括地层分界处都较为精确,且可以反演出比传统反演方法更深的地层情况。通过采用本方法对频散曲线进行反演的瑞雷面波勘探技术,在便捷性、勘探深度和精确度方面都更加优良。
附图说明
在下文中将基于实施例并参考附图来对本发明进行更详细的描述。其中:
图1显示了本发明基于深度学习网络的瑞雷波频散曲线反演方法的流程图;
图2显示了本发明建立用于深度学习训练的数据集的流程图;
图3显示了本发明所搭建的CNN-LSTM混合网络结构;
图4显示了本发明对CNN-LSTM网络进行训练时的损失曲线;
图5显示了本发明训练过程中测试阶段的部分结果;
图6显示了本发明用于验证上述训练后的深度学习网络的实际近地表地层频散曲线;
图7显示了利用现有技术与本发明分别对频散曲线反演的结果。
具体实施方式
下面将结合附图对本发明作进一步说明。
利用瑞雷波研究近地表的方法包括地震数据采集,叠加形成频散曲线能量谱,提取频散曲线,反演频散曲线四个步骤。其中本项发明的重点为反演频散曲线一步,下面将进行详细介绍:
1.地震数据采集
地震数据的采集方法为多道地震数据采集方法,通过在地面上通过击锤等方法制造人工震源,再通过检波器接受震源发生的地震波来获取地震信息。
2.形成频散曲线能量谱
利用波场变换等方法形成记录的频散能量图,包括τ-p变换、f-k变换、相移法、频率分解法和高分辨线性拉东变换等。
3.提取频散曲线
频散曲线的提取在面波反演中至关重要,直接影响面波的反演结果。手动或根据能量自动拾取频散曲线是一种简单且直接的方法。由于自动拾取容易受假频以及噪声等因素影响拾取错误信息;手动拾取时非常耗时和繁琐,且其精确性取决于解译人员的经验,具有过多的主观性和不确定性。将深度学习用于频散曲线的提取方法是未来频散曲线提取技术的发展方向。
4.反演频散曲线
(1)搭建用于反演的深度学习网络;
在本申请中,将CNN同LSTM进行结合形成新的深度学习网络,这样就可以使该深度学习网络更具精确性。
(2)建立由地层数据组成的数据集用于训练网络;
如图1所示,进行深度学习需要进行关于瑞雷波的数据模型建立,并以此来训练学习网络。但是在进行数据构建时,由于利用深度学习来进行的地球物理反演的数据集必须需具备足量性、多样性这些条件,才能让网络结构更具普遍性、泛化性及反演精度。因此,在构建数据库时,需要对大自然中几乎所有的模型种类进行总结,同时也要保证不同情况模型的所占比例。
在本次的数据库构建过程中,按照地层中的横波波速规律将大自然中几乎所有的地层模型分为逐层递增、从某层开始发生异常并延续、某几层发生突变三种大体情况,并在将三种情况进行合理配比时引入了马尔科夫决策理论。具体实施步骤如下:
1)根据大数据计算归纳得出首层横波波速范围为150m/s-350m/s,随机从首层横波波速范围中决定首层波速Vs(1),再利用如表1所示,由大数据计算归纳得出的各层波速斜率范围中随机选取的斜率K(i)通过公式:
Vs(i)=K(i)*Vs(i-1)
即可得出逐层递增情况的地层模型。
表1
层数 | Kmax | Kmin |
2 | 1.249297261 | 1.197565538 |
3 | 1.146258619 | 1.116911864 |
4 | 1.106713181 | 1.085596414 |
5 | 1.085736312 | 1.068899144 |
6 | 1.072761687 | 1.058540852 |
7 | 1.063971383 | 1.051509602 |
8 | 1.057645086 | 1.046442471 |
9 | 1.052892277 | 1.042631857 |
10 | 1.049205441 | 1.039673597 |
2)在上述模型中通过马尔科夫决策理论决定出发生异常情况的某一层或几层,为该层赋予新的横波波速来控制其变化。具体操作为在进行各层波速的计算前时,将所有数据集中约5%的部分某一层或几层在计算前赋予一个随机的波速,并继续按照1)的步骤计算;5%的部分在计算后单独赋予某一层或几层一个随机的波速;其他90%则继续按照1)计算。
3)最终通过经验公式:
ρ=1.2475+0.399*(0.001*Vp)-0.026*[(0.001*Vp)*(0.001*Vp)]
可求出每层的纵波速度Vp及密度ρ。经过整合即构成了用于训练的数据集,总体流程如图2所示。
(3)训练深度学习网络并验证;
本方法所搭建的CNN-LSTM混合网络结构及输入输出模型如图3所示,网络结构运行包括训练数据和测试网络两个部分。依此,在开始时将样本数据库随机分为训练数据和测试数据两组,对应比例为10:1。在训练前,需要将输入和输出值通过激活函数进行标准化,使其变化在[0,1]范围内。激活函数包括sigmoid函数、tanh函数和ReLH函数等,数学表达式如下:
fsigmoid(x)=1/(1+e-x)
ftan(x)=(ex-e-x)/(ex+e-x)
fReLU(x)=max(x,0)
此项工作中的CNN-LSTM混合框架是使用Keras构建的,并采用tensorflow作为后端。设置批量大小为64,并进行共100轮训练,且在每轮训练后都进行验证,可以防止过拟合现象。在验证的过程中将部分测试组反演得出的Vs预测结果同理论值进行对比即得出如表2—5的结果,表中包括了上述数据集建立中的所有情况,由两组数据的契合程度可以实际验证该方法的可行性。
表2
可以看出在第三层的横波速度发生了明显的突变,该表为从第三层开始横波速度瞬间加快,并在此基础上继续随深度增加,即在第二三层之间发生了地层倒置,具体为某地层的缺失的情况。
表3
层数 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 |
深度 | 2 | 4.2 | 6.62 | 9.28 | 12.21 | 15.43 | 18.97 | 22.87 | 27.16 | 31.87 |
Vs理论值 | 308.70 | 370.68 | 420.34 | 463.38 | 500.98 | 346.63 | 365.28 | 386.07 | 406.27 | 424.35 |
Vs预测值 | 309.92 | 375.46 | 415.80 | 465.57 | 504.38 | 358.36 | 372.72 | 379.56 | 403.56 | 415.36 |
该表为从第六层开始横波速度急剧减速,并在此基础上继续随深度增加,即发生了地层被覆盖的倒置情况。
表4
层数 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 |
深度 | 2 | 4.2 | 6.62 | 9.28 | 12.21 | 15.43 | 18.97 | 22.87 | 27.16 | 31.87 |
Vs理论值 | 229.46 | 275.94 | 308.77 | 336.20 | 364.25 | 386.95 | 965.95 | 431.33 | 451.09 | 472.51 |
Vs预测值 | 229.04 | 272.87 | 308.43 | 340.17 | 364.04 | 394.33 | 978.62 | 436.13 | 455.03 | 479.77 |
表4显示了在正序增加的基础上,在第七层单层的波速加快,即在正序地层之间混入了高速层的倒置情况。
表5
层数 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 |
深度 | 2 | 4.2 | 6.62 | 9.28 | 12.21 | 15.43 | 18.97 | 22.87 | 27.16 | 31.87 |
Vs理论值 | 281.44 | 346.69 | 387.95 | 429.32 | 464.60 | 292.19 | 522.75 | 550.38 | 578.85 | 602.66 |
Vs预测值 | 281.74 | 340.43 | 389.49 | 426.22 | 463.39 | 314.02 | 518.24 | 539.58 | 569.29 | 595.16 |
表5显示了在正序增加的基础上,在第六层单层的波速减速,即在正序地层之间混入了低速层的倒置情况。
通过上述所有的地层倒置情况的反演结果验证,可以得出在深度学习的验证阶段,此次的反演结果良好,如图4—5所示。
(4)实例
虽然本反演方法在理论部分的反演结果较好,但如果没有在实际情况下的运算结果的分析,该方法最终将只能存在于理论方面。因此,下面通过对图6所示的频散曲线进行反演测试对本发明方案和有益效果进行验证。
图7为将图3中提取出来的频散曲线通过反演得出的地层信息及用传统方法的反演结果。通过将两结果进行比对,不难发现在浅层包括地层分界处本方法都较为精确,且可以反演出比传统反演方法更深的地层情况。最终表明,通过采用本方法对频散曲线进行反演的瑞雷面波勘探技术在深度和精确度方面都更加优良。
(5)应用
隧道挖掘机器被更广泛使用到隧道工程领域,因为他们挖掘速度更快,比传统的人工打孔和***方法更加安全,然而隧道挖掘机器在挖掘作业过程中,并不能实时预测前方的地质情况,以确定是否能够继续安全作业。我们可以将准确的地质情况反演技术应用于此,以产生新的更安全、高效的作业方法。
利用上述反演技术,我们在隧道挖掘机器的内部安装用于获取微地震数据的多个检波器,多个检波器按照圆周方向均布或沿着两条平行线等间距布置,以获取更准确的数据。
建立基于线性预测的函数F(x),结合多个特征向量xi,特征向量是选取目标的岩层波速。例如,选取隧道挖掘机器作业面所在岩层为特征向量一,以所述作业面所在岩层为基准,向上选取3层岩层为特征向量二、特征向量三、特征向量四,向下选取3层岩层为特征向量五、特征向量六、特征向量七,每个向量具有相应的权重向量wi。并有:
当实时的线性预测的函数值F(x)为1时,继续向前进行挖掘作业,当实时的线性预测的函数值F(x)为0时,停止向前进行挖掘作业,等待技术人员的进一步分析指示。临界值根据历史作业的采集数据以及发生作业事故的特例数据综合分析设定。
本发明虽然已以较佳实施例公开如上,但其并不是用来限定本发明,任何本领域技术人员在不脱离本发明的精神和范围内,都可以利用上述揭示的方法和技术内容对本发明技术方案做出可能的变动和修改,因此,凡是未脱离本发明技术方案的内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化及修饰,均属于本发明技术方案的保护范围。
Claims (6)
1.一种基于深度学习的瑞雷波频散曲线反演方法,其特征在于,包括以下步骤:
(1)搭建用于反演的深度学习网络;
(2)建立由地层数据组成的数据集用于训练网络;进行关于瑞雷波的数据模型建立,并以此来训练学习网络;在进行数据构建时,根据对大自然中的多种模型种类的总结,设置不同情况模型所占比例;
(3)训练深度学习网络并验证;深度学习网络为CNN-LSTM混合网络结构,网络结构运行包括训练数据和测试网络两个部分;在开始时将样本数据库随机分为训练数据和测试数据两组,对应比例为10∶1;在训练前,需要将输入和输出值通过激活函数进行标准化,使其变化在[0,1]范围内;激活函数包括sigmoid函数fsigmoid(x)、tanh函数ftanh(x)和ReLU函数fReLU(x),数学表达式如下:
fsigmoid(x)=1/(1+e-x)
ftanh(x)=(ex-e-x)/(ex+e-x)
fReLU(x)=max(x,0)
对瑞雷波进行地震数据采集,采集的地震数据叠加形成频散曲线能量图,利用深度学习的方法在能量谱中提取频散曲线,反演频散曲线以获取地下各层的剪切波速。
2.根据权利要求1所述的基于深度学习的瑞雷波频散曲线反演方法,其特征在于,对瑞雷波进行地震数据采集,是通过在地面上击锤的方法制造人工震源,再通过检波器接受震源发生的地震波来获取地震信息。
3.根据权利要求1所述的基于深度学习的瑞雷波频散曲线反演方法,其特征在于,用于反演的深度学习网络包括卷积神经网络、深度置信网络、循环神经网络及生成对抗网络中的至少一种。
4.根据权利要求1所述的基于深度学习的瑞雷波频散曲线反演方法,其特征在于,将大自然中的地层模型分为逐层递增、从某层开始发生异常并延续、某几层发生突变三种情况,并根据所述三种情况设置数据集类型。
5.根据权利要求4所述的基于深度学习的瑞雷波频散曲线反演方法,其特征在于,将所述三种情况进行合理配比时引入了马尔科夫决策理论,通过马尔科夫决策理论决定出发生异常情况的某一层或几层,为所述一层或几层赋予新的横波波速来控制其变化。
6.权利要求1-5任一项所述的基于深度学习的瑞雷波频散曲线反演方法,其特征在于,所述基于深度学习的瑞雷波频散曲线反演方法应用在隧道工程中。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210238632.6A CN114779324B (zh) | 2022-03-11 | 2022-03-11 | 一种基于深度学习的瑞雷波频散曲线反演方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210238632.6A CN114779324B (zh) | 2022-03-11 | 2022-03-11 | 一种基于深度学习的瑞雷波频散曲线反演方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114779324A CN114779324A (zh) | 2022-07-22 |
CN114779324B true CN114779324B (zh) | 2023-07-25 |
Family
ID=82424192
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210238632.6A Active CN114779324B (zh) | 2022-03-11 | 2022-03-11 | 一种基于深度学习的瑞雷波频散曲线反演方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114779324B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115877451A (zh) * | 2022-12-09 | 2023-03-31 | 中铁第四勘察设计院集团有限公司 | 一种多激发点瞬态面波勘探方法、设备及存储介质 |
CN116663428B (zh) * | 2023-07-24 | 2024-01-26 | 中国地震局地球物理研究所 | 一种基于神经网络的面波成像联合反演方法 |
CN116992770B (zh) * | 2023-08-07 | 2024-03-22 | 中国铁建大桥工程局集团有限公司 | 一种基于goa-dbn神经网络的护壁控制***方法 |
CN117631029A (zh) * | 2024-01-26 | 2024-03-01 | 中国铁路设计集团有限公司 | 基于联合算法的瑞雷面波频散曲线反演方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110879412A (zh) * | 2019-10-31 | 2020-03-13 | 南方科技大学 | 地下横波速度反演方法、装置、计算设备及存储介质 |
CN111766625A (zh) * | 2020-07-06 | 2020-10-13 | 中国科学技术大学 | 一种基于深度学习的地震背景噪声频散曲线的提取方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR2800473B1 (fr) * | 1999-10-29 | 2001-11-30 | Inst Francais Du Petrole | Methode pour modeliser en 2d ou 3d un milieu heterogene tel que le sous-sol decrit par plusieurs parametres physiques |
CN111273348B (zh) * | 2020-01-21 | 2021-02-05 | 长江大学 | 基于更新概率比率恒定理论的多点地质统计叠前反演方法 |
US20230213671A1 (en) * | 2020-06-19 | 2023-07-06 | Exxonmobil Upstream Research Company | Classifying geologic features in seismic data through image analysis |
CN111596366B (zh) * | 2020-06-24 | 2021-07-30 | 厦门大学 | 一种基于地震信号优化处理的波阻抗反演方法 |
-
2022
- 2022-03-11 CN CN202210238632.6A patent/CN114779324B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110879412A (zh) * | 2019-10-31 | 2020-03-13 | 南方科技大学 | 地下横波速度反演方法、装置、计算设备及存储介质 |
CN111766625A (zh) * | 2020-07-06 | 2020-10-13 | 中国科学技术大学 | 一种基于深度学习的地震背景噪声频散曲线的提取方法 |
Non-Patent Citations (1)
Title |
---|
考虑区域特征的递增型土层剪切波速反演;陈拓;中国优秀硕士学位论文全文数据库;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114779324A (zh) | 2022-07-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114779324B (zh) | 一种基于深度学习的瑞雷波频散曲线反演方法 | |
Hasanipanah et al. | Developing a new hybrid-AI model to predict blast-induced backbreak | |
CN111596354B (zh) | 一种机器学习框架下考虑空间约束的地震储层预测方法 | |
CN108415079B (zh) | 基于凿岩冲击声识别的岩层分界面圈定方法 | |
Eftekhari et al. | Predicting penetration rate of a tunnel boring machine using artificial neural network | |
CN114723095A (zh) | 缺失测井曲线预测方法及装置 | |
CN112765791B (zh) | 一种基于数值样本和随机森林的tbm卡机风险预测方法 | |
Oraee et al. | Prediction of the penetration rate of TBM using adaptive neuro fuzzy inference system (ANFIS) | |
CN113494286B (zh) | 一种地质钻进过程钻速智能动态预测方法及*** | |
CN115481565A (zh) | 一种基于lstm和蚁群算法的土压平衡盾构机掘进参数预测方法 | |
CN112146748A (zh) | 一种结合隧道与地表监测数据定位隧道周围振动源的方法 | |
Mikaeil et al. | An Experimental-Intelligent Method to Predict Noise Value of Drilling in Dimension Stone Industry | |
US20240134080A1 (en) | Method and System for Real-Time Calculating a Microseismic Focal Mechanism Based on Deep Learning | |
CN111751878A (zh) | 横波速度的预测方法和装置 | |
CN115434696B (zh) | 一种岩性识别数据库构建方法及岩性识别方法 | |
Lee et al. | Quick prediction of tunnel displacements using Artificial Neural Network and field measurement results | |
Mohebi et al. | Adaptive-neuro fuzzy inference system (ANFIS) model for prediction of blast-induced ground vibration | |
Sebbeh-Newton et al. | Application of artificial intelligence techniques for identifying rock mass quality in an underground tunnel | |
CN116973550B (zh) | 一种基于超前地质钻探的***参数确定方法 | |
Maynard et al. | Estimating the Geological Properties in Oil Reservoirs Through Multi-Gene Genetic Programming | |
CN118223828B (zh) | 用于油气井作业的中性解堵剂使用控制方法及*** | |
CN116108587B (zh) | 一种考虑多源信息不确定性的tbm利用率预测方法 | |
CN117236197B (zh) | 岩体弹性模量随钻测试方法与*** | |
CN118332903A (zh) | 一种改进bp神经网络的***参数优化的方法 | |
CN111815760A (zh) | 一种三维地层可钻性场空间建模方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |