CN117709192B - 一种深度学习驱动的电磁数据城市岩溶探测方法 - Google Patents
一种深度学习驱动的电磁数据城市岩溶探测方法 Download PDFInfo
- Publication number
- CN117709192B CN117709192B CN202311723743.7A CN202311723743A CN117709192B CN 117709192 B CN117709192 B CN 117709192B CN 202311723743 A CN202311723743 A CN 202311723743A CN 117709192 B CN117709192 B CN 117709192B
- Authority
- CN
- China
- Prior art keywords
- conductivity
- data
- model
- electromagnetic
- deep learning
- 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
- 238000013135 deep learning Methods 0.000 title claims abstract description 35
- 238000001514 detection method Methods 0.000 title claims abstract description 35
- 230000004044 response Effects 0.000 claims abstract description 39
- 238000012549 training Methods 0.000 claims abstract description 22
- 230000006870 function Effects 0.000 claims abstract description 9
- 238000005457 optimization Methods 0.000 claims abstract description 9
- 230000004913 activation Effects 0.000 claims abstract description 6
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 6
- 238000000034 method Methods 0.000 claims description 17
- 238000010606 normalization Methods 0.000 claims description 9
- 238000013501 data transformation Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000005674 electromagnetic induction Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000004088 simulation Methods 0.000 claims description 4
- 230000001052 transient effect Effects 0.000 claims description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 238000005452 bending Methods 0.000 claims description 3
- 239000011148 porous material Substances 0.000 claims description 3
- 230000002194 synthesizing effect Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 abstract description 6
- 238000013136 deep learning model Methods 0.000 abstract 2
- 238000000605 extraction Methods 0.000 abstract 1
- 239000010410 layer Substances 0.000 description 27
- 235000019994 cava Nutrition 0.000 description 7
- 235000019738 Limestone Nutrition 0.000 description 6
- 239000004927 clay Substances 0.000 description 6
- 239000006028 limestone Substances 0.000 description 6
- 238000011161 development Methods 0.000 description 5
- 239000002689 soil Substances 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
Classifications
-
- 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
- Y02A90/30—Assessment of water resources
Landscapes
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开了一种深度学习驱动的电磁数据城市岩溶探测方法,先获取所需探测城市的地质分布情况,接着采用层状介质循环生成策略和溶洞生成方案产生多样化的电导率模型;并获得包含不同溶洞的电导率模型对应的电磁响应数据;然后对上述电磁响应数据进行特征增强,便于特征提取并建立电导率模型与响应数据的映射关系;最后构建深度学习模型,将电导率模型及电磁响应数据作为训练数据对集合,并采用适当的激活函数和优化算法对深度学习模型进行训练,完成训练后的深度学习网络模型获得不同溶洞电导率模型与不同特征电磁响应数据的映射关系;进行地下溶洞探测时,模型能快速输出包含溶洞信息的电导率模型,从而实现高效率且准确识别城市岩溶地质结构。
Description
技术领域
本发明涉及一种城市岩溶探测方法,具体为一种深度学习驱动的电磁数据城市岩溶探测方法,属于城市地质探测技术领域。
背景技术
岩溶发育城市,是指地下灰岩地层中存在发育溶洞的城市,这种城市地下溶洞发育会引发严重的路面塌陷,对城市安全和可持续发展带来巨大挑战。低成本、高效率的城市地下岩溶的探查是必不可少的技术。传统的地球物理探测方法,比如地震、电法勘探等,需要事先布设观测***,存在着效率低,成本高的特点。如图5所示,电磁拖曳式的探测装置具备快速探测的能力,但是由于现有的电磁数据处理方法对获取的电磁数据需要较长的处理时间,才能获得探测装置探测的地下溶洞情况,即针对城市岩溶探测中的高成本、低效率的探测方法问题,经典电磁精细反演技术存在效率低,难以达到实时探测;因此这种方式难以满足拖曳式电磁快速探测的需求,无法实现高效率且准确识别城市岩溶地质结构这一目标。
因此,需要一种新的方法,使其能快速对获取的电磁数据进行分析处理确定探测位置的地下溶洞情况,从而满足拖曳式电磁快速探测的需求,最终实现高效率且准确识别城市岩溶地质结构,是本行业的研究方向之一。
发明内容
针对上述现有技术存在的问题,本发明提供一种深度学习驱动的电磁数据城市岩溶探测方法,采用训练后的深度学习网络模型能快速对获取的电磁数据进行分析处理确定探测位置的地下溶洞情况,从而满足拖曳式电磁快速探测的需求,最终实现高效率且准确识别城市岩溶地质结构。
为了实现上述目的,本发明采用的技术方案是:一种深度学习驱动的电磁数据城市岩溶探测方法,具体步骤为:
步骤一、调查当前城市地下的地质背景信息:先获取当前城市地下的地质分布情况,包括地层种类及位置,并分别确定各种类地层的平均厚度,同时确定各种类地层的电导率数值及已探明的充水溶洞的电导率;
步骤二、生成包含溶洞的电导率模型:根据步骤一获得各地层种类的分布情况,确定电导率模型的模拟探测区域,接着采用层状介质的循环生成策略,从而获得平均厚度与上述各种类地层厚度一致且生成多样化的多层介质电导率模型;每层电导率模型分别对应一种地层;最后在每层电导率模型中均采用溶洞生成方案,从而在每层电导率模型内随机生成孔径大小不等且近似圆形的溶洞,完成包含溶洞的电导率模型建立;
步骤三、生成溶洞样本集:根据步骤二中生成的包含大量溶洞的电导率模型,使用一维层状介质的瞬变电磁感应方式合成每层电导率模型内不同溶洞样本各自对应的电磁响应数据(该方式可以采用现有仿真软件从电导率模型仿真合成电磁响应数据);
步骤四、对电磁响应数据进行特征增强:针对电磁响应信号的衰减特性,采用数据变换与梯度组合的方式对步骤三获取的电磁响应数据进行特征增强,具体过程为。
其中数据变换与梯度组合进行数据处理的公式如下:
D=Grad(Log(d))
其中,D表示进行特征增强后的电磁响应数据,d表示步骤三获取的电磁响应数据,Log表示取对数运算,Grad表示梯度运算;
步骤五、训练深度学习网络模型:根据步骤二和步骤四中得到的多样化电导率模型及其电磁响应数据,形成训练数据对集合,并开展数据归一化;然后构建深度学习网络模型,其包括输入层、隐藏层和输出层,并采用适当的激活函数和优化算法并结合数据归一化后的训练数据对集合,对深度学习网络模型进行训练,达到训练次数后,完成深度学习网络模型训练;
步骤六、根据实际电磁数据实时识别地下溶洞情况:采用电磁拖曳式探测装置对当前城市进行地下溶洞探测,从而实时采集地下反射的电磁数据,对采集的电磁数据进行预处理后输入步骤五训练后的深度学习网络模型,深度学习网络模型根据该电磁数据的特征,对应输出包含溶洞信息的预测电导率模型,最终根据预测电导率模型实时确定地下溶洞情况。
进一步,所述步骤二中采用层状介质的循环生成策略及采用溶洞生成方案建立包含溶洞的电导率模型的具体规则为:
①采用层状介质的循环生成策略获得每层电导率模型的界面生成公式如下:
其中ai(i=0,1,2,…4)表示各个项的系数,x表示模型沿着水平方向的坐标轴;y1与y2表示界面的弯曲程度,y3表示界面的倾斜和深度;对于每个特定界面,深度a0是随机生成与层平均深度为均值的随机常数,从而保证电导率模型的多样性;
②溶洞生成公式如下:
其中x和z分别表示模型沿着水平和垂直方向的坐标轴,x0和z0分别为溶洞的大致中心位置,其位置是在地层中随机产生,R表示允许的最大陷落柱尺寸,Random表示随机常数在一个R之内的随机数rad,NormalInteger表示产生一个高斯分布的随机数,c表示方差;通过上述公式,从而生成包含溶洞的电导率模型。
进一步,所述步骤六中预处理包括数据去噪和数据归一化。
进一步,所述步骤五中激活函数采用Relu和Sigmoid组合函数,优化算法采用Adam优化方法。
与现有技术相比,本发明具有如下优点:
1、本发明先获取所需探测城市的地质分布情况,并分别确定各种类地层的平均厚度,同时确定各种类地层的电导率数值及已探明的充水溶洞的电导率;接着采用层状介质的循环生成策略,获得平均厚度与上述各种类地层厚度一致且生成多样化的多层介质电导率模型;每层电导率模型分别对应一种地层,并采用特定的溶洞生成方案获取数以万计包含不同溶洞的电导率模型;最后使用一维层状介质的瞬变电磁感应方式获得包含不同溶洞的电导率模型对应的电磁响应数据;通过上述方式,先模拟获得不同溶洞的电导率模型,进而得到不同溶洞电导率模型对应的电磁响应数据。
2、本发明采用数据变换与梯度组合的方式对上述不同溶洞样本对应的电磁响应数据进行特征增强,通过这种方式来凸显不同溶洞(即岩溶异常体)所引发的电磁响应数据不同的特征,从而建立不同溶洞电导率模型与不同特征电磁响应数据的映射关系,并作为后续深度神经网络模型训练的样本。
3、本发明先构建深度学习网络模型,然后将多样化电导率模型及其对应的电磁响应数据作为训练数据对集合,并采用适当的激活函数和优化算法对深度学习网络模型进行训练,完成训练后的深度学习网络模型获得不同溶洞电导率模型与不同特征电磁响应数据的映射关系,这样在后续采用电磁拖曳式探测装置进行地下溶洞探测时,能实时获得实际探测的电磁响应数据,将该实时电磁响应数据进行预处理后直接输入已训练的深度学习网络模型,由于深度学习网络模型经过训练已经建立了映射关系,因此模型根据输入电磁响应数据的特征直接能获得该特征对应的包含溶洞信息的电导率模型并输出,整个输入输出过程无需大量计算分析,从而实现高效率且准确识别城市岩溶地质结构,满足拖曳式电磁快速探测的需求。
附图说明
图1是本发明的流程原理示意图;
图2是本发明部分电导率模型示意图;
图3是本发明部分电导率模型对应的电磁响应数据示意图;
图4是本发明部分电导率模型对应的电磁响应增强数据示意图;
图5是电磁拖曳式探测装置的示意图。
具体实施方式
下面将对本发明作进一步说明。
实施例:徐州是典型的岩溶发育城市,为了对徐州市进行溶洞快速探测,采用本发明结合拖拽式探测装置进行,如图1所示,具体步骤为:
步骤一、调查当前城市地下的地质背景信息:先获取徐州市地下的地质分布情况,经调查徐州市地质分布情况为从地表向下依次为杂填土、黏土,中风化灰岩三种地层,并且杂填土的厚度平均约2m左右,黏土层厚平均为8m左右,黏土层之下为中风化的灰岩,深度持续至100m左右。其中杂填土的电导率数值为1x10-3 S/m,黏土的电导率为0.1S/m,中风化灰岩的电导率为1x10-5 S/m,充水溶洞的电导率为0.2S/m;
步骤二、生成包含溶洞的电导率模型:根据步骤一获得各地层种类的分布情况,确定电导率模型的模拟探测区域为纵向深度约为100m(与中风化的灰岩的实际深度相一致),横向展布为10m,接着采用层状介质的循环生成策略,从而获得平均厚度与上述各种类地层厚度一致且生成多样化的三层介质电导率模型;每层电导率模型分别对应一种地层(即杂填土、黏土,中风化灰岩三种地层);最后在每层电导率模型中均采用溶洞生成方案,如图2所示,从而在每层电导率模型内随机生成孔径大小不等且近似圆形的溶洞,完成包含溶洞的电导率模型建立,具体规则为:
①采用层状介质的循环生成策略获得每层电导率模型的界面生成公式如下:
其中ai(i=0,1,2,…4)表示各个项的系数,x表示模型沿着水平方向的坐标轴;y1与y2表示界面的弯曲程度,y3表示界面的倾斜和深度;对于每个特定界面,深度a0是随机生成与层平均深度为均值的随机常数,从而保证电导率模型的多样性;通过上述单层界面的生成方式,可生成包含均厚为2m的杂填土层;均厚为8m的黏土层,以及中风化灰岩层的电导率模型;
②溶洞生成公式如下:
其中x和z分别表示模型沿着水平和垂直方向的坐标轴,x0和z0分别为溶洞的大致中心位置,其位置是在各个地层中随机产生,R表示允许的最大陷落柱尺寸,Random表示随机常数在一个R之内的随机数rad,NormalInteger表示产生一个高斯分布的随机数,c表示方差;通过上述公式,从而批量生成数以万计包含不同溶洞的电导率模型。
步骤三、生成溶洞样本集:根据步骤二中生成的包含大量溶洞的电导率模型,使用一维层状介质的瞬变电磁感应方式合成每层电导率模型内不同溶洞样本各自对应的电磁响应数据,如图3所示;
步骤四、对电磁响应数据进行特征增强:针对电磁响应信号的衰减特性,采用数据变换与梯度组合的方式对步骤三获取的电磁响应数据进行特征增强,如图4所示,具体过程为。
其中数据变换与梯度组合进行数据处理的公式如下:
D=Grad(Log(d))
其中,D表示进行特征增强后的电磁响应数据,d表示步骤三获取的电磁响应数据,Log表示取对数运算,Grad表示梯度运算;
步骤五、训练深度学习网络模型:根据步骤二和步骤四中得到的多样化电导率模型及其电磁响应数据,形成训练数据对集合,并开展数据归一化;然后构建深度学习网络模型,其包括输入层、隐藏层和输出层,采用Relu和Sigmoid组合激活函数和Adam优化方法并结合数据归一化后的训练数据对集合,对深度学习网络模型进行训练,达到训练次数后,完成深度学习网络模型训练;
步骤六、根据实际电磁数据实时识别地下溶洞情况:采用电磁拖曳式探测装置对当前城市进行地下溶洞探测,从而实时采集地下反射的电磁数据,对采集的电磁数据进行预处理后输入步骤五训练后的深度学习网络模型,所述预处理包括数据去噪和数据归一化,深度学习网络模型根据该电磁数据的特征,对应输出包含溶洞信息的预测电导率模型,最终根据预测电导率模型实时确定地下溶洞情况。
以上所述仅是本发明的优选实施方式,应当指出:对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (4)
1.一种深度学习驱动的电磁数据城市岩溶探测方法,其特征在于,具体步骤为:
步骤一、调查当前城市地下的地质背景信息:先获取当前城市地下的地质分布情况,包括地层种类及位置,并分别确定各种类地层的平均厚度,同时确定各种类地层的电导率数值及已探明的充水溶洞的电导率;
步骤二、生成包含溶洞的电导率模型:根据步骤一获得各地层种类的分布情况,确定电导率模型的模拟探测区域,接着采用层状介质的循环生成策略,从而获得平均厚度与上述各种类地层厚度一致且生成多样化的多层介质电导率模型;每层电导率模型分别对应一种地层;最后在每层电导率模型中均采用溶洞生成方案,从而在每层电导率模型内随机生成孔径大小不等且近似圆形的溶洞,完成包含溶洞的电导率模型建立;
步骤三、生成溶洞样本集:根据步骤二中生成的包含大量溶洞的电导率模型,使用一维层状介质的瞬变电磁感应方式合成每层电导率模型内不同溶洞样本各自对应的电磁响应数据;
步骤四、对电磁响应数据进行特征增强:针对电磁响应信号的衰减特性,采用数据变换与梯度组合的方式对步骤三获取的电磁响应数据进行特征增强,具体过程为:
其中数据变换与梯度组合进行数据处理的公式如下:
D=Grad(Log(d))
其中,D表示进行特征增强后的电磁响应数据,d表示步骤三获取的电磁响应数据,Log表示取对数运算,Grad表示梯度运算;
步骤五、训练深度学习网络模型:根据步骤二和步骤四中得到的多样化电导率模型及其电磁响应数据,形成训练数据对集合,并开展数据归一化;然后构建深度学习网络模型,其包括输入层、隐藏层和输出层,并采用适当的激活函数和优化算法并结合数据归一化后的训练数据对集合,对深度学习网络模型进行训练,达到训练次数后,完成深度学习网络模型训练;
步骤六、根据实际电磁数据实时识别地下溶洞情况:采用电磁拖曳式探测装置对当前城市进行地下溶洞探测,从而实时采集地下反射的电磁数据,对采集的电磁数据进行预处理后输入步骤五训练后的深度学习网络模型,深度学习网络模型根据该电磁数据的特征,对应输出包含溶洞信息的预测电导率模型,最终根据预测电导率模型实时确定地下溶洞情况。
2.根据权利要求1所述深度学习驱动的电磁数据城市岩溶探测方法,其特征在于,所述步骤二中采用层状介质的循环生成策略及采用溶洞生成方案建立包含溶洞的电导率模型的具体规则为:
①采用层状介质的循环生成策略得到每层电导率模型的界面生成公式如下:
其中ai(i=0,1,2,…4)表示各个项的系数,x表示模型沿着水平方向的坐标轴;y1与y2表示界面的弯曲程度,y3表示界面的倾斜和深度;对于每个特定界面,深度a0是随机生成与层平均深度为均值的随机常数,从而保证电导率模型的多样性;
②溶洞生成公式如下:
其中x和z分别表示模型沿着水平和垂直方向的坐标轴,x0和z0分别为溶洞的大致中心位置,其位置是在地层中随机产生,R表示允许的最大陷落柱尺寸,Random表示随机常数在一个R之内的随机数rad,NormalInteger表示产生一个高斯分布的随机数,c表示方差;通过上述公式,从而生成包含溶洞的电导率模型。
3.根据权利要求1所述深度学习驱动的电磁数据城市岩溶探测方法,其特征在于,所述步骤六中预处理包括数据去噪和数据归一化。
4.根据权利要求1所述深度学习驱动的电磁数据城市岩溶探测方法,其特征在于,所述步骤五中激活函数采用Relu和Sigmoid组合函数,优化算法采用Adam优化方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311723743.7A CN117709192B (zh) | 2023-12-15 | 2023-12-15 | 一种深度学习驱动的电磁数据城市岩溶探测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311723743.7A CN117709192B (zh) | 2023-12-15 | 2023-12-15 | 一种深度学习驱动的电磁数据城市岩溶探测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117709192A CN117709192A (zh) | 2024-03-15 |
CN117709192B true CN117709192B (zh) | 2024-05-24 |
Family
ID=90152855
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311723743.7A Active CN117709192B (zh) | 2023-12-15 | 2023-12-15 | 一种深度学习驱动的电磁数据城市岩溶探测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117709192B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109271898A (zh) * | 2018-08-31 | 2019-01-25 | 电子科技大学 | 基于优化卷积神经网络的溶洞体识别算法 |
CN111126591A (zh) * | 2019-10-11 | 2020-05-08 | 重庆大学 | 一种基于空间约束技术的大地电磁深度神经网络反演方法 |
CN115577612A (zh) * | 2022-08-04 | 2023-01-06 | 山东大学 | 基于深度学习的隧道电阻率极化率联合反演梯度优化方法 |
CN116146190A (zh) * | 2023-02-24 | 2023-05-23 | 西南石油大学 | 一种基于双向流量测量的井下漏失或溢流预警装置及方法 |
CN116879960A (zh) * | 2023-06-02 | 2023-10-13 | 中国矿业大学 | 一种基于深度学习的随掘超前探测异常体定位与辨识方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10920585B2 (en) * | 2017-12-26 | 2021-02-16 | Saudi Arabian Oil Company | Determining sand-dune velocity variations |
US20210109248A1 (en) * | 2019-05-03 | 2021-04-15 | Sophia Wang | System, method, and device for real-time sinkhole detection |
CN111812724B (zh) * | 2020-06-29 | 2021-08-27 | 山东大学 | 一种隐伏岩溶管道探测方法及*** |
-
2023
- 2023-12-15 CN CN202311723743.7A patent/CN117709192B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109271898A (zh) * | 2018-08-31 | 2019-01-25 | 电子科技大学 | 基于优化卷积神经网络的溶洞体识别算法 |
CN111126591A (zh) * | 2019-10-11 | 2020-05-08 | 重庆大学 | 一种基于空间约束技术的大地电磁深度神经网络反演方法 |
CN115577612A (zh) * | 2022-08-04 | 2023-01-06 | 山东大学 | 基于深度学习的隧道电阻率极化率联合反演梯度优化方法 |
CN116146190A (zh) * | 2023-02-24 | 2023-05-23 | 西南石油大学 | 一种基于双向流量测量的井下漏失或溢流预警装置及方法 |
CN116879960A (zh) * | 2023-06-02 | 2023-10-13 | 中国矿业大学 | 一种基于深度学习的随掘超前探测异常体定位与辨识方法 |
Non-Patent Citations (1)
Title |
---|
地面瞬变电磁法(TEM)研究进展;欧阳立胜;;四川地震;20111215(第04期);第40-45页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117709192A (zh) | 2024-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106873033B (zh) | 一种基于神经网络的多属性地震信息融合裂缝预测的方法 | |
CN103775071B (zh) | 采动煤岩体裂隙演化的测量方法 | |
CN110632653A (zh) | 盐构造分析方法、装置及*** | |
CN106709987B (zh) | 一种三维地质剖面模型动态构建方法 | |
CN104330832A (zh) | 一种瞬变电磁快速三维人机交互反演方法 | |
CN110632659A (zh) | 断层空间封闭性分析方法、装置及*** | |
CN112231974B (zh) | 基于深度学习的tbm破岩震源地震波场特征恢复方法及*** | |
CN110019594A (zh) | 一种基于数值模拟的地质知识库建立方法 | |
CN109064560B (zh) | 一种地铁隧道施工过程中地质条件模型化方法 | |
CN112766381B (zh) | 有限样本下属性引导的sar图像生成方法 | |
CN117709192B (zh) | 一种深度学习驱动的电磁数据城市岩溶探测方法 | |
CN103777244B (zh) | 一种地震裂缝属性体的定量分析方法 | |
CN117369008A (zh) | 基于最近单元多头注意力和多尺度编码机制的tem反演方法 | |
Sarkheil et al. | The fracture network modeling in naturally fractured reservoirs using artificial neural network based on image loges and core measurements | |
CN110687598A (zh) | 一种加速微震数值模拟的方法及装置 | |
CN114692391B (zh) | 用于模拟岩溶地区地层的相似试验装置及其使用方法 | |
CN107238860A (zh) | 二维地质模型的建模方法及*** | |
CN111597752A (zh) | 平衡孔间敏感性的跨孔电阻率ct深度学习反演方法及*** | |
CN114254566B (zh) | 一种基于2.5维混合谱元法的神经网络地质探测反演方法 | |
CN117852416B (zh) | 基于数字化地质模型的多模态注浆预控分析方法及*** | |
Abhinaya | Using Machine Learning to detect voids in an underground pipeline using in-pipe Ground Penetrating Radar | |
Wang et al. | Time domain reflectometry waveform interpretation with convolutional neural networks | |
CN117687096B (zh) | 一种用于预测小尺度缝洞分布的代理模型构建方法 | |
CN113971351B (zh) | 裂缝孔隙度的确定方法及装置 | |
Li et al. | Road sub-surface defect detection based on gprMax forward simulation-sample generation and Swin Transformer-YOLOX |
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 |