基于改进变分模态分解算法的海洋绝对重力数据滤波处理

原子重力仪具有采样率高、精度高及长期稳定性好等优点,适用于远洋深海高精度绝对重力测量工作。受恶劣海况影响,原子重力仪测量的绝对重力数据中存在大量非平稳、非线性的噪声信号,影响重力测量的精度,进而影响地质构造解释的准确性。为了消除重力测量数据中的噪声,本文分析了创新性地引入改进变分模态分解(improved variatio nal modal decomposition,IVMD)算法进行滤波处理。

重力梯度测量在城市空间探测中的应用

城市的规划、建设和运行依赖于所在地质环境条件并受其制约,与城市安全相关的地质问题日益突出。城市地下空间探测是解决城市地下问题的重要途径,探明城市地下空间地质构造对于城市开发具有重要意义。微重力测量(重力、重力梯度测量)是重要的地下空间探测技术.

微重力测量在城市地下空间探测应用研究

城市地下空间探测是解决城市地下问题的重要途径,探明城市地下空间地质构造对于城市开发具有重要意义。如何更好的实现城市地下空间“透明化”是人们直在探索的问题;传统的勘探方法可能会对原有环境造成破坏,难以在复杂的城市环境中开展;而地球物理勘探方法具有无损探测的特点,能够很好的获取城市地下精细结构信息。重力勘探是最常用且有效的地球物理勘探方法之.

基于变分模态分解的多旋翼无人机航磁数据误差分析及处理

多旋翼无人机航空磁测具有安全性高、成本低、操作方便等许多优点,它被广泛应用于中小型矿产资源调查、工程勘察、非爆炸物探测等领域。无人机航磁测量原始数据包括外界环境干扰、无人机平台干扰和机载电磁设备干扰。干扰在航磁异常图上主要表现为沿着测线方向的条带状异常,它们影响航磁补偿和地质异常体信息检测的准确性.

多旋翼无人机航磁系统误差综合补偿研究

多旋翼无人机磁通门航磁系统以其安全、稳定、高效等特点可广泛应用于中大比例尺矿产资源探测领域,但由于磁通门传感器存在三轴不严格正交,灵敏度、零偏不一致造成的转向差,且系统作业中存在固定场干扰、感应干扰和涡流干扰,需要进行流程繁琐的标定和补偿测试.本文根据实测数据分析出航磁系统机电干扰主要来自机载设备高频干扰,针对机电干扰高频特性设计相应低通滤波器进行误差处理,并基于Tolles-Lawson模型建立仪器转向误差和飞行平台机动误差补偿模型,根据两者结构相似的特点,建立综合补偿模型,该模型简单,实用性强,可通过野外一次补偿测试求取补偿参数进而对工区航磁数据进行补偿处理.最后,将综合补偿研究应用到辽宁省兴城市夹山地区航磁数据,综合补偿后的处理有效去除了航磁数据中的条带状干扰异常,并与地面磁测数据异常形态具有良好的一致性,验证了该研究方法有效性和实用性.

基于欧拉反褶积法的无人机航磁找矿应用

无人机航磁测量以其高效、安全、低成本等优点逐渐应用到中小面积大比例尺资源勘探领域。本文针对安徽芜湖市三山区22 km2区域构造刻画和找矿前景预测,开展1∶20 000高精度无人机航磁测量工作;推导了欧拉反演求解过程,并分析对比构造指数选取,使用构造指数为0的欧拉反褶积对航磁数据进行反演求解,获得地下磁异常体构造边界解集信息;将其应用到研究区域航磁数据反演,根据反演得到的边界位置和深度信息圈定了18处断裂,并结合异常特征给出了8.7 km2岩浆岩分布区,根据宁芜区域铁矿成矿特点,圈定岩浆分布区及边界为成矿详查区。

重力界面反演改进算法的比较与应用

为得到更接近地下真实分布的反演界面,笔者比较分析Parker-Oldenburg反演和改进迭代反演,发现改进迭代反演方法不仅可以避免计算放大项,而且能够得到更好结果。通过理论模型,对经典Parker-Oldenburg方法和改进迭代反演方法的计算速度、迭代收敛性和结果精确性进行比较,结果表明改进迭代反演方法在保证计算速度和迭代收敛的情况下,能获得更精确的地下界面结构。通过实际数据验证了改进迭代反演的有效性和实用性。

基于扩展卡尔曼滤波算法的船载绝对重力测量数据处理

基于冷原子干涉仪的高精度绝对重力动态测量为海洋重力测量提供新的手段,因而备受关注.利用自己搭建的船载冷原子干涉式绝对重力测量系统,在中国南海某海域开展了一系列测量实验.在动态条件下,测量噪声的抑制对测量性能的提升至关重要.本文根据船载绝对重力动态测量系统的物理模型,提出了一种基于扩展卡尔曼滤波算法的动态绝对重力数据处理方法,对观测的原子干涉条纹数据进行了时域滤波处理,获得了绝对重力值的最优估计.基于该处理方法将航速小于2.1 km/h条件下的绝对重力测量灵敏度从300.2 mGal/Hz^(1/2)提升至136.8 mGal/Hz^(1/2)(T=4 ms).此外,将处理后的数据与利用地球重力模型(XGM2019)计算的数据进行了比对,发现两者符合度较好.这些结果证实了本文提出的数据处理方法的有效性,并为船载冷原子干涉式绝对重力测量系统的测量噪声的抑制提供了一种新的处理方法.

全张量重力数据水平分量噪声滤除方法

为获得更好的噪声滤除方法,本文建立一个球状模型,对全张量重力梯度三个水平分量加入高斯白噪声,并利用FFT和PSD分别对加噪后三个分量(Vxx1,Vxy1,Vyy1)进行频谱分析,根据频谱分析结果分别设计了巴特沃斯低通滤波器和高斯低通滤波器对加噪数据进行滤波,取得了较好效果,并利用复杂模型验证滤波效果。

基于车载原子重力仪的外场绝对重力快速测绘研究

地球重力场信息是大地测量学、地球物理学、地球动力学等学科所必需的重要基础信息,重力场测绘是获取地球重力场信息的有效手段.相比于卫星、海洋、航空重力场测绘,车载重力场测绘具有灵活性强、空间分辨率高、精度高等优点.基于相对重力仪和高精度绝对重力基准点可以实现陆域小范围重力场测绘,但相对重力仪存在零点漂移,不适用于长基线、大范围的陆域测绘.本文基于小型化原子重力仪搭建了一套车载绝对重力快速测绘系统,在郊区安静外场环境,由12个测点约3 km的测绘结果评估仪器的内符合精度为0.123 mGal(1 Gal=10^(–2)m/s^(2)),外符合精度为0.112 mGal,并在闹市复杂外场环境下实现了单点调节时间小于2 min,有效测量时间5 min的快速绝对重力测量,通过19个测点跨区约24 km的重力场快速测绘,评估仪器的内符合精度为0.162 mGal,外符合精度为0.169 mGal.最后将原子重力仪的外场重力场测绘数据与卫星重力模型计算的数据进行了比较,发现两者的自由空间重力异常数据的整体变化趋势相吻合.本文为外场绝对重力场快速测绘提供了一种新的方案.

基于深度学习的位场边界识别方法

边界识别是位场数据处理中极为重要的一种技术,现有的边界识别方法属于无监督式机器运算,其识别精度与地质体的空间分布存在很大关系,尤其是对深部复杂异常体的识别存在边界模糊的特点.为了进一步提高边界识别的精度,受深度学习卓越非线性映射能力和监督式学习优点的启发,本文提出了基于深度学习的位场边界识别方法,深度学习网络结构是一种融合了多尺度特征和全局注意力机制的密集跳跃连接网络(PFD-Net).该网络结构首先以改进的U-net为骨干网络获取位场边界特征信息,然后在嵌套的标准卷积模块之间进行密集跳跃连接来缩减编码阶段到解码阶段的语义鸿沟,以及减少训练阶段梯度消失等问题,随后再采用全局注意力机制模块将多尺度的高低层特征信息进行融合,以此进一步加强边界的全局及细节定位.模型试验表明,PFD-Net网络能够准确识别出异常体的边界信息,且对于含噪声数据,其预测结果的质量不会降低,该网络表现出较强的泛化性和鲁棒性.最后将本文方法应用于藏东南某铁路隧道西段的航空磁测数据,取得了良好的边界识别结果并能够获得更多的构造信息.

瑞雷波频散曲线的深度学习反演方法

瑞雷波频散曲线反演是获取地表横波波速的关键步骤,现有线性反演方法的效果取决于初始模型的选择,非线性反演也存在效率低、多解等问题.为了进一步提高瑞雷波频散曲线反演的速度与精度,受深度学习卓越非线性映射能力启发,本文提出了瑞雷波频散曲线的深度学习反演方法.文中首先基于近地表速度结构的遍历属性和演化特征的有序性,提出了约束马尔科夫决策的样本数据构建方法;然后设计了一种卷积神经网络衔接长短时记忆网络的混合网络结构(CNN-LSTM),用于构建频散序列数据到速度结构的非线性映射关系,该网络结构包含了3个局部特征学习模块和1个长短时记忆层;再利用样本数据对混合网络进行训练;最后进行反演预测.理论模型试验的频散曲线在无噪与含噪情况下,拟合的平均相对误差分别不超过5.6%和8.9%,表明本文所提方法具有较高的计算精度和良好的鲁棒性.最后,将本文方法应用于2008年汶川M_(W)7.9地震白鹿镇同震地表破裂带的瑞雷波勘探中,为其浅表同震变形的局部化效应提供了科学约束.

长白山玄武岩盖层地质构造研究

长白山火山区经历了漫长的地质演化,多期火山喷发,形成了复杂的地质构造,特别是新生代中期火山活动形成的大面积的玄武岩覆盖层遮盖了它古老的面貌.为了解该区地下详细信息,本文介绍了长白山地区地层及岩性,结合长白山地区布格重力异常和航空磁异常分析长白山地区重磁特性.本文还根据长白县某地区一条重力,磁法及CSAMT联合物探剖面资料,并结合当地地质资料对测区地质构造进行综合解释.得出测区玄武岩厚度在50-200m,由南向北逐渐变厚,并得出玄武岩盖层下地层分布,圈定了6处断裂构造和2处岩体侵入.

基于全卷积神经网络的磁异常及磁梯度异常反演

地球物理反演问题具有病态性、不适定性,传统的线性反演方法面临着次优逼近和初始模型选择等挑战,为了提高磁场数据反演的精度,受深度学习卓越的非线性映射能力的启发,本文提出了一种基于全卷积神经网络的磁异常及磁梯度异常反演方法.文中首先提出了一种基于网格点几何格架的磁异常及磁梯度异常的空间域快速正演算法,这为本文全卷积神经网络反演算法的实现奠定了基础;随后对大量不同剩余磁化强度模型进行正演计算获得样本数据集,将正演数据作为输入层,磁化强度模型作为输出层,并基于U-net网络结构设计了一种端到端的网络结构(MagInvNet),再对该网络结构进行监督学习与参数优化;最后进行反演预测.三组模型试验表明,MagInvNet网络能够快速准确识别出磁异常体的位置与形状,并且能够准确的反演出异常体磁化强度的大小,对于含噪声数据,其反演结果的质量不会降低.本文最后利用安徽霍邱铁矿的航磁数据验证了文中方法的有效性.