使用时列信号分解的地磁日变基值推算方法

针对在地磁场长期变化作用下,地磁日变基值存在日变改正模型误差,导致海洋磁力测量精度难以提高的问题,提出STL+EMD相结合的算法:在提取地磁日变曲线短期变化趋势基础上,进一步分解得到地磁日变的长期变化,并以此建立具有时间维度的地磁日变基值的改正值。此算法优势是填补了对地磁场长期变化影响的客观评判,减小了日变改正中的模型误差。通过与IGRF参考模型的线性拟合方法相比较,STL+EMD算法的精度有显著提升,精度提高了42.27%。将STL+EMD算法应用到2020年8—11月某海域的实测数据表明,与传统平均值算法相比较,实测数据内符合精度提高了49.71%,系统误差降低了60.07%,同时明显改善了测线的交叉点差值。

基于GRU的汶川地震川西气井压力前兆异常识别研究

前兆异常出现的时间特征能够体现地震孕育的过程,通过分析前兆信息可以对地震进行短临预测,在地震预测研究中发挥着重要作用.然而传统的计算方法和处理分析模式已经很难快速地从海量观测数据中自动定位异常,识别的精度和适用性也存在不足.因此,本文从井生产数据出发,结合STL时间序列分解、趋势拟合、扩容理论和油气运移等,对汶川地震川西气井压力前兆异常现象和产生机理进行分析,并提出将门控循环神经网络(GRU)模型应用于前兆异常识别中.结果表明,川西地区多口井的气井压力数据在汶川地震前同时出现了异常降低现象,很好地反映出地震前的短临异常.相比于循环换神经网络(RNN),GRU模型充分考虑了井生产数据之间的复杂非线性关系和历史关联程度,能够准确地识别出气井压力的前兆异常现象,模型结果也具有较小的均方根误差(RMSE)和平均绝对误差(MAE),可以作为一种新思路应用于地震前兆异常识别当中.