物理、数据先验认识融合的叠前解耦分步反演

AVA三参数反演在地层弹性参数预测中发挥着重要作用。由于AVA理论公式(即物理先验认识)中的角度不易确定,加之大型稀疏矩阵的病态性,导致常规叠前反演过程不稳定。为此,提出物理、数据先验认识融合的叠前解耦分步反演方法。首先,基于物理先验认识构建非稀疏正演框架,以增加参数反演的稳定性,为解耦分步反演奠定基础;然后,以井资料为数据先验认识,将物理、数据先验认识融合,对叠前地震数据进行解耦,以得到更准确的叠前地震属性数据;最后,对解耦后的叠前地震属性进行反演得到地层弹性参数。该方法通过井数据先验认识修正反演过程,可以避免因物理先验认识中角度不准带来的误差。实际数据测试结果表明,相比于业界三参数AVA反演方法,本方法的反演结果具有更高的精度,其中拉梅参数、剪切模量和密度的精度分别提高14.1%、13.6%和11.9%。

感知物理先验的机器学习及其在地理空间智能中的研究前景

许多复杂的物理现象和动态系统尚未为科学家所完全理解和解释,因此不能构建确定的数学方程来描述,不能直接使用紧凑的物理机理模型来进行分析和预测。随着观测数据的日益丰富,数据驱动的机器学习方法可以较好地描述复杂非线性现象,但是纯数据驱动模型在表征能力、可解释、泛化能力、样本利用效率方面还存在很多不足。常规机器学习方法在地学领域的应用还面临时空异质性、样本稀疏等带来的挑战。近年来感知物理先验的机器学习方法可以在物理原理不太明确的情况下更有效地利用观测数据描述和分析动态系统,受到了广泛关注,并在物理、计算机、生物、医学和地学等领域得到了一定的应用。近年来人工智能和机器学习技术已经大量应用于地理学尤其是地理信息和遥感领域,受到地理学者广泛重视,被称为地理空间智能,并已成为一个热门的研究方向。感知物理先验的机器学习方法融合了模型驱动和数据驱动思想,为地理空间智能研究带来新的研究范式,促进各种复杂地理现象的精细描述和预测。本文首先分别从物理先验的表达形式和如何在机器学习中集成物理先验两方面概述了该领域的进展。物理先验是在机器学习建模之前已经存在、独立于机器学习方法的知识。本文从增广的数据和定制特征、物理定律和约束规则、支配方程、几何特性等方面总结物理先验知识的表达形式。主要从机器模型约束建模、辅助任务设计和模型的训练推理角度总结如何在机器学习模型中有效集成各种物理先验。本文基于以上的综述框架,结合地学机器学习和地理空间智能的发展和前沿问题,探讨了地理时空先验与其他物理先验的关系,简要总结和分析了目前感知时空先验的地理空间智能方法研究案例,探讨了时空先验表征以及集成时空先验地理空间智能的未来研究规划和应用前景。随着感知物理先验的机器学习方法研究的快速发展,我们相信感知时空先验的地理空间智能研究未来将逐步构建起跨多时空尺度的通用地理表征、分析、预测和解释框架,不仅能更好地解决地理信息科学的传统问题,还将鼓励地理学者与其他相关学科一起建立交叉研究的前沿机会,探索解决人类未来面临的共同挑战。

融合先验物理信息的高精度智能可控源电磁反演算法

可控源电磁反演利用人工信号获取地下结构信息,为地质勘探和资源开发提供准确的数据支持。然而,传统电磁反演方法面临低分辨率的挑战,主要是由于简化处理和观测数据的限制,导致模型平滑、细节丢失,从而削弱了反演的准确性,影响了电磁勘探的效率。为了解决这一问题,本文提出将传统反演结果与响应数据同时作为深度网络的输入数据,为深度网络反演提供先验物理信息,并结合深度学习算法提升可控源电磁反演的计算效率。通过模型试验,对合成的电阻率模型分别进行了传统反演、智能反演以及融合先验物理信息的智能反演。结果表明,融合先验物理信息的智能反演能够更好地刻画异常体结构特征,有效提升反演效率,并且得到的电阻率参数更符合实际。最后,将该反演技术应用于金川铜镍矿床的可控源数据反演解释,取得了较为可靠的应用效果。

基于物理信息变分自编码器的计算流体动力学修复

为修复噪声干扰或局部缺失的流体流动数据,实现精确的流体动力学分析,提出了一种基于物理信息的变分自编码器模型。首先,利用变分自编码器学习流体流动的潜在表示;其次,将时空坐标信息与流体流动的潜在表示结合,通过自动微分技术获得解码后的流场信息关于时空坐标输入的偏导数;最后,引入流体动力学的物理先验信息,构造物理约束损失项,使得生成的数据同时符合流动关键特征和底层物理定律,从而增强了流体流动的物理一致性和重建精度,并且提供了一定的可解释性。实验结果表明,所提模型在处理流场噪声和数据缺失问题方面比现有方法具有更高的精度,并且在二维和三维复杂涡旋流场中都证明了其有效性。

青藏高原冈底斯带及邻区重磁三维反演及岩浆岩特征研究

岩浆岩在青藏高原的大陆动力学研究中有着重要的作用,它既是构造演化的记录,又是重要构造-岩浆-成矿带的指示.本文主要基于冈底斯带及邻区的地面重力和航磁数据,首先进行地质-地球物理先验信息约束下的重磁2.5维交互式反演,再将2.5维反演结果作为参考模型加入到三维反演计算中,得到地下三维密度和磁化率结构.结合岩浆岩密度、磁化率统计资料和岩浆岩地球化学成果,推断研究区基性岩、I型花岗岩和S型花岗岩的三维分布图,得到如下结论:S型花岗岩主要分布在冈底斯东带和冈底斯弧背断隆带以北;北冈底斯的西部无明显的岩浆活动,而在其南侧和北侧,发现大量的隐伏基性岩和零散分布的I型花岗岩;中生代I型花岗岩在南冈底斯和冈底斯弧背断隆带广泛分布,且到新生代才出现大量的S型花岗岩.上述结果为中生代班公湖—怒江洋壳和新特提斯洋壳的双向剪刀式俯冲模式的观点提供了重要佐证,并认为班公湖—怒江洋壳在北冈底斯西部约84°E—88°E的范围内先后存在向北和向南俯冲的可能,北向羌塘地体下俯冲,南向冈底斯地体下俯冲.

基于深度学习的玻璃基板铲起过程作用力预测

针对现有机器人接触性操作任务中作用力建模方法表征能力不足、通用性差的问题,以玻璃基板卸片这一实际生产过程为例,对复杂接触动力学的建模方法进行研究。考虑到玻璃基板铲起过程中的作用力受多个界面接触动力学的影响,表现出多模态、非线性、非平稳性的特性,将物理先验知识以不同形式融合在深度学习模型的设计以及训练过程中,提出一种结合深度学习与机理模型的铲起过程作用力预测方法——针对玻璃基板铲起过程的受力特点,提出结合多尺度卷积核、注意力机制以及长短时记忆网络的深度学习模型结构;提出动力学参数随机化方法与基于材料力学、断裂力学的接触力补偿措施,使仿真训练数据更鲁棒地反映真实接触情况;在均方误差损失函数基础上,针对不合理的物理“穿透”行为引入附加损失函数进行网络训练。实验结果表明,所提方法在作用力单步预测中的均方根误差为0.286,可以准确地预测水平与竖直两个方向的作用力,多步预测结果也可以满足应用需求,预测性能优于现有的主流模型。消融实验表明,文中方法的优良预测性能是局部特征提取模块、注意力机制模块与时序特征提取模块3个组件共同作用的结果,同时,所提出的改进损失函数提高了模型训练的稳定性。文中方法可以应用于类似场景中对机器人与环境的接触力预测。