期刊文献+
共找到3篇文章
< 1 >
每页显示 20 50 100
琼东南盆地渐新世崖城组基准面旋回划分与转换机制 被引量:9
1
作者 王东东 李增学 +2 位作者 张功成 米立军 刘海燕 《中国矿业大学学报》 EI CAS CSCD 北大核心 2011年第4期576-583,共8页
从钻井岩心、测井、地震、构造沉降和全球海平面变化方面研究了琼东南盆地渐新世崖城组的基准面旋回特征和转换机制.岩心主要用于识别短周期基准面旋回,用岩心标定测井曲线后,可用测井曲线叠加识别出中周期旋回,并据此建立起中短周... 从钻井岩心、测井、地震、构造沉降和全球海平面变化方面研究了琼东南盆地渐新世崖城组的基准面旋回特征和转换机制.岩心主要用于识别短周期基准面旋回,用岩心标定测井曲线后,可用测井曲线叠加识别出中周期旋回,并据此建立起中短周期基准面旋回的测井模式,可以识别无心井段的基准面旋回.长周期和超长周期旋回则主要利用地震剖面中反映地层不协调关系的上超、下超、削蚀等反射终止类型来识别.在此过程中,岩心、测井与地震三者需要互相验证.文中用地层回剥法恢复了崖城组地层厚度并计算出各凹陷的构造沉降速率为312.5~750m/Ma.结果表明:崖城组可以划分为1个超长周期、3个长周期和至少12个中周期旋回层序,短周期旋回层序类型发育齐全但数目变化较快.研究区的构造沉降速率远大于全球海平面变化速率(0.2~40m/Ma),说明基准面旋回的发育和转换受构造沉降的控制程度明显大于全球海平面变化. 展开更多
关键词 基准面旋回划分 转换机制 崖城组 琼东南盆地
原文传递
高分辨层序地层学中A/S值量化方法的研究与讨论 被引量:6
2
作者 苗小龙 王红亮 +3 位作者 于波 李昭 赵国君 龚云洋 《沉积学报》 CAS CSCD 北大核心 2013年第6期1088-1093,共6页
可容纳空间增加速率与沉积物供应速率的比,即A/S,作为高分辨率层序地层学研究中一个重要的参数,主要应用于划分地层旋回性。根据岩相特征对A/S值变化的响应,本文提出了A/S区间量化方法来确定A/S值。鉴于前人的研究成果,建立理想沉积模型... 可容纳空间增加速率与沉积物供应速率的比,即A/S,作为高分辨率层序地层学研究中一个重要的参数,主要应用于划分地层旋回性。根据岩相特征对A/S值变化的响应,本文提出了A/S区间量化方法来确定A/S值。鉴于前人的研究成果,建立理想沉积模型,并对模型中的各种岩相分别赋值(由底部向顶部,ZYXWDCBA,分别为12345678)。根据沉积地层岩相值的变化,划分为基准面上升(岩相值向上增加)与下降(岩相值向上减小)两个区间,并定义单个区间内岩相值与底部岩相值的比值为该岩相地层的A/S值,同趋势区间岩相的A/S值相同。据此定义出的A/S值及其纵向变化意义与高分辨率层序地层中A/S值变化意义保持一致。应用本文提出的A/S值量化方法,对经典辫状河沉积岩相进行标准A/S量化研究,确立了各岩相的A/S值。应用于两个实例研究中确定A/S值,并利用A/S值来划分短期基准面旋回,与经典理论划分出的旋回特征具有较好的对比性,划分成果统一且操作简单,避免了同种沉积不同沉积旋回特征的划分方案。 展开更多
关键词 高分辨层序地层学 岩相特征 A S区间量化法 划分基准面旋回 辫状河沉积
下载PDF
Correlation methods of base-level cycle based on wavelet neural network
3
作者 Xingke XU Changwei CHEN Jing SUN Qinglong MENG 《Global Geology》 2007年第1期25-28,共4页
The authors discussed the method of wavelet neural network (WNN) for correlation of base-level cycle. A new vectored method of well log data was proposed. Through the training with the known data set, the WNN can re... The authors discussed the method of wavelet neural network (WNN) for correlation of base-level cycle. A new vectored method of well log data was proposed. Through the training with the known data set, the WNN can remenber the cycle pattern characteristic of the well log curves. By the trained WNN to identify the cycle pattern in the vectored log data, the ocrrdation process among the well cycles was completed. The application indicates that it is highly efficient and reliable in base-level cycle correlation. 展开更多
关键词 wavelet neural network stratigraphic correlation base-level cycle VECTOR
下载PDF
上一页 1 下一页 到第
使用帮助 返回顶部