沉积相智能地震识别技术研究及应用

通常利用地震反射同相轴的几何形状、横向连续性、振幅、频率和层速度等参数描述沉积相类型。传统的沉积相地震识别方法利用人工解释目标沉积体,受限于解释人员对目标工区的地质认识,工作强度大、效率低,存在多解性。在很多地震勘探工区只能够标定少量标签,这些标签不足以支撑完成强监督学习,此时小样本学习可以作为好的解决方案。为此,以小样本学习为切入点,主要研究碳酸盐岩丘滩体沉积相预测方法,探讨了基于小样本学习方法在沉积相识别方面的应用效果。在小样本弱监督学习方面,首先根据地震反射构型以及钻井信息建立了典型地震剖面地震相标签库,在川中地区灯影组地震数据中共解释了14条地震剖面作为训练标签,占总数的2.8%。其次,基于层序地层格架控制的沉积相智能分类方法,利用地震层序格架构建隐式标量场,引入地震层位的空间变化信息,避免了深度学习在地震相预测过程中未引入地质信息的缺陷,提高了沉积相智能预测精度。利用所提方法刻画了四川盆地川中地区灯影组碳酸盐岩微生物丘滩体,结果表明:礁体受控于台地边缘斜坡,对礁体边界等的预测结果与地震信息高度吻合,符合地质规律;在平面上,礁体呈条带状分布,与台地边缘的分布基本吻合,与沉积相一致。

基于深度学习的地下浅层震源定位方法

针对地下能量场聚焦模型中能量聚焦点无法有效识别的问题,在深度学习的基础上,提出一种地下浅层震源定位方法。利用逆时振幅叠加的方法将传感器阵列获取的震动数据逆时重建为三维能量场图像样本序列,并将其作为深度学习网络的输入数据。采用3D-CNN模型搭建深度学习网络框架,在前期训练时将已知震源坐标作为输入标签,且将获取的数据和标签输入到网络中进行训练测试,形成三维能量场到震源坐标的端到端学习模型,并输出聚焦点坐标,即震源坐标。实验结果表明,该方法能够有效识别能量场聚焦点,适用于地下浅层震源定位领域。

奥逊·威尔斯电影的“视觉建筑”:巴赞、德勒兹、莱布尼茨

巴赞对奥逊·威尔斯电影的景深单镜头的颂扬影响深远,但巴赞的相关论述其实也有它的"景深"或暧昧。威尔斯同时也是一位华丽运用蒙太奇的电影作者,本文从澄清这样一个基本事实出发,通过梳理德勒兹在《电影2》第六章对威尔斯电影中的"视觉建筑"的简短论述,勾勒出相关问题的理论脉络,阐述作为"屋顶"或莱布尼茨式的"圆锥"顶点的"辩护士"的威尔斯电影的美学风貌。