基于机器学习松辽盆地大地热流计算与特征分析

大地热流是地球内部热量在地表的直接显示,对地热资源评估具有极高的参考价值,由于传统利用钻井技术的热流测定方法既昂贵又困难,至今松辽盆地仍未能实现高质量、高分辨率的大地热流测量。机器学习是一种用于数据分析的技术,它可以识别数据中的模式并将其用于自动计算未知数据。本文引入机器学习方法来计算区域大地热流。这项研究基于全球大地热流实测数据与地质构造数据,首先采用了Kriging回归算法和机器学习算法计算某已知热流分布区域的大地热流,并计算了均方根误差和相关系数,表明机器学习算法能获得误差更小、相关度更高的结果。随后使用机器学习方法计算了松辽盆地的大地热流值。计算结果显示盆地中部大地热流最高,以大庆、松原之间的区域为中心呈环状向外逐渐变低,中心区域大地热流超过80 mV/m2。该结果与区域实测地温梯度测量结果具有良好一致性,为进一步分析松辽盆地地热资源分布规律提供参考。最后,利用Sobol方法进行地质特征灵敏度分析,量化各参数的影响。本文的研究表明机器学习方法在大地热流值计算方面具有较高的研究和应用价值。

基于速度分析的探地雷达阻抗介电常数反演

阻抗反演是利用波阻抗与介电常数关系开展地下介质参数估计的重要技术,在探地雷达以及叠后地震资料解释中具有广泛的应用。常规阻抗反演需要钻孔或测井曲线作为约束项,约束项信息直接影响阻抗反演的估计精度。在缺少钻孔数据的实际应用中,如何开展探地雷达阻抗反演是该方法研究的重要内容之一。基于上述问题,本文提出了基于速度分析的探地雷达阻抗反演方法。其基本思想是基于多偏移距雷达数据开展速度谱分析和Dix反演,以获得不同深度的速度信息作为阻抗反演的约束项;同时,采用K-means方法自动拾取速度谱信息,大大降低了常规人工拾取误差,提高了计算效率。通过典型随机土壤介质模型,验证了本文方法在无钻孔条件下仍然可以获得较好的介电常数估计结果,并测试噪声适应能力强。最后通过美国密歇根州Wurtsmith AFB, in Oscoda区域的探地雷达数据测试了本文提出方法在探地雷达实测数据参数估计中具有较好的应用效果。