“Deep-time Digital Basin” Based on Big Data and Artificial Intelligence

1 Introduction Information technology has been playing an ever-increasing role in geoscience.Sphisicated database platforms are essential for geological data storage,analysis and exchange of Big Data(Feblowitz,2013;Zhang et al.,2016;Teng et al.,2016;Tian and Li,2018).The United States has built an information-sharing platform for state-owned scientific data as a national strategy.

Decodification of Earth Evolution in Deep-Time

In the new era of earth system science in conjunction with the digital revolution,new platforms and programs are required for facilitating the utilization of geoscience data,especially to improve the integration of structured data with unstructured data for solving complex problems.Big data is not just matter of size but most importantly how easily and effectively it can be used.A major goal is to facilitate a move from traditional scientific approaches to a more modern approach that involves big data analytics.

Review on status of groundwater database and application prospect in deep-time digital earth plan

Groundwater is an important water resource.The total amount of active groundwater in a hydrological cycle is about 3.5 times that of the total amount of surface water.The information in the deep groundwater records the material exchange and dynamics in the earth’s evolution,which is an important aspect of the Deep-Time Digital Earth(DDE)plan.In recent years,scientists have discussed the distribution of transboundary aquifers and the environmental significance of groundwater resources through groundwater databases established by international organizations,such as the Global Groundwater Information System and the chronicles consortium,and national institutes,such as national geological surveys.The application of the groundwater database in the DDE plan,however,has been limited by the management,interactivity,and monitoring method of the groundwater data.The ability to further integrate data that are private and scattered across research institutions and individuals,while establishing an open,unified,and shared groundwater data platform,is essential to enhance our understanding of groundwater,ranging from shallow to deep water,which is a goal of the DDE plan.In this study,we introduced the current situation of groundwater database operations in domestic and international research and provided frontier research with groundwater big data.Considering the related objectives of the DDE plan and the limitations of existing groundwater databases,we proposed an improvement plan and new prospects for applying groundwater databases in the research of the deep earth.

Sedimentological/Palaeogeographic Data as Fundamental Building Blocks of the DDE Project:Critical Underpinning of Reconstructing Deep-time Earth Systems

1 Introduction Sedimentary rocks archive important information for understanding how the earth system operates and how life and environments have evolved through earth history.Properly identifying characteristics of sedimentary rocks,along with the subsequent interpretation of depositional processes and sedimentary environments in a basin or locality.

Deep-time Paleogeographic Reconstruction Based on Database:Taking the South China T. approximatus Biozone(Early Ordovician) as an Example

Paleogeography is a discipline that studies spatial distribution and evolutionary characteristics of geographic objects in earth history(Feng,2003;Feng et al.,2012).It focuses on the sediments,organisms and environmental proxies,most of which are preserved in the rocks.However,a large amount of this geological and biological information was no longer preserved after the geological process of burial.

基于GPlates平台的深时地质图编图方法研究

地图是人类对地理事物的符号化表达。通过视觉符号语言,地图能够实现复杂空间信息的传递。从最早的地图出现至今,地图经历了由追求空间位置的精确性、表达内容的客观性、表达范围的广阔性,到地图表达的多层级、多维度、多类型的转变。随着信息技术的快速发展,地图的展示形式也发生着变革,由原来的平面静态图到现在的多元动态图,这种连续的、动态的地图表达方式.

全球矿床数据库建设现状、应用与展望

基于大数据和人工智能技术的数据驱动科学范式推动地球科学研究发生了变革。作为地球科学的重要分支,现代矿床学经历了百余年的发展,已经积累了海量的数据资料,这些数据的流通和共享是发挥其资源价值的关键。文章介绍了中国“地质云”与全球矿产资源储量动态评估数据库、澳大利亚深部地球探测计划AuScope、美国矿产资源在线空间数据库、国际经济地质学家学会(SEG)Geofacets数据库、美国标准普尔公司SNL Metals&Mining数据库等国际主要矿床数据库的情况;同时,列举了应用大数据思维和人工智能方法在区域成矿规律、矿床成因机制、矿床类型判别、资源潜力评价、战略咨询等方面取得的若干重要进展。文章提出,未来在深时数字地球国际大科学计划的平台下,整合全球海量矿床数据,建设开放、共享、统一的矿床大数据平台势在必行。

基于多序列隐关系的时序事件预测

时序事件预测是指基于历史事件预测下一个事件,事件包括时间和类型两个属性。当前主要工作集中在单方面(事件时间或事件类型)的预测,但这无法回答“何时发生何事”这类更精细的问题。此类问题的挑战主要是事件类型非常多样,而行为往往高度稀疏,给预测带来极大困难;需要预测的事件时间和事件类型分属两个域,如何把这两个域的信息加以融合并形成互补也是一个挑战。针对上述挑战,从融合多序列隐信息的角度探索了一种解决方法。基于某些事件序列之间具有模式相似性这一观察,提出建模事件序列的隐关系图,利用邻居序列的信息解决行为稀疏性的问题;通过合理设计神经网络模块,将事件的时间域和类型域的信息映射到共同的抽象空间,解决事件时间和事件类型信息的融合建模问题。通过在多个真实数据集上进行了大量实验,实验结果印证了多序列深度时序模型优于现有的一系列基准模型。

深部直墙半圆拱巷道围岩时效损伤劣化特征与动态补强技术

随着煤矿开采向深部逐渐延伸,巷道的大变形和长时间持续流变特性已成为支护中极具挑战的课题之一。为了探究深部巷道围岩损伤劣化的时效特征及动态补强技术,基于实验室试验,并结合理论分析、数值模拟及现场工业试验进行了研究。研究结果表明:(1)基于Laplace逆变换推导出圆形轴对称巷道的变形规律解析解,结合理论分析、非圆形巷道等效变换和现场试验确定塑性区半径为1.5~2.1m,进一步得到直墙半圆拱巷道时效变形解析解;(2)基于弹性与弹塑性巷道模型,采用能量耗散表征了围岩损伤劣化的时效特征与塑性区演化趋势,并提出了一次支护的时机;(3)阐明了围岩在一次支护后的时效性损伤劣化的演化趋势,基于垂直应力峰值比率,提出了二次支护方案与时机,进一步分析围岩剪应力与垂直应力,确定了二次支护锚杆的长度为3.0 m,支护时机为40~70 d。研究结果可为深部煤矿巷道的设计与维护提供理论依据和实践指导。

基于LSTM与Transformer的地面沉降智能预测方法研究——以上海市为例

受地面沉降严重威胁到生命财产安全的人口已达19%,开展地面沉降模拟预测对防灾减灾具有非常重要的现实意义。针对现有地面沉降预测在模型参数难以获取、单一深度学习方法在预测精度低等方面的局限性,本文提出了集成大模型核心技术的地面沉降预测方法。首先,从地面沉降模拟预测的顶层设计,提出了基于深度学习的地面沉降预测包括算力层、数据层、模型层、评估层与应用层的总体架构;其次,基于LSTM与Transformer提出了地面沉降预测的实用方法;最后,利用上海的地面沉降数据进行了实验研究。结果表明:深度学习技术可以在地面沉降模拟预测中取得较好的结果,多模型法对地面沉降变化不大、回弹、变化较大均可进行预测,iTransformer模型对地面沉降变化较小的情况预测效果较好;在微量地面沉降时代,利用大模型的核心技术Transformer可以取得较高的精度。

基于多尺度卷积注意力机制的输电线路防振锤缺陷检测

作为输电线路中的重要金具部件,防振锤的缺陷将对输电线路构成严重威胁。针对由于防振锤缺陷样本数量稀少、背景复杂、区域形状尺寸不一造成的防振锤缺陷识别能力不足的问题,提出一种基于多尺度卷积注意力机制的防振锤缺陷检测方法。首先,通过统计不同缺陷的防振锤尺寸,设计适应不同类别的多尺度卷积注意力机制,使网络重点关注图像中的防振锤区域;其次,引入结构重参数化方法,以将网络中的多分支结构无损失地转换为单分支结构,在提高网络检测性能的同时维持检测速度在较高水平;最后,以渐进式特征金字塔网络结构(AFPN)为基础,融合更多的浅层网络,提高了网络检测防振锤小目标的能力。实际收集的防振锤缺陷数据集实验结果表明,设计的检测方法可显著提升防振锤缺陷检测的性能,检测精度mAP0.5达到了91.9%,在TITAN XP平台下检测速度达60.88帧/s,可为输电线路防振锤智能化巡检提供参考。

基于改进深度Q网络的虚拟电厂实时优化调度

深度强化学习算法以数据为驱动,且不依赖具体模型,能有效应对虚拟电厂运营中的复杂性问题。然而,现有算法难以严格执行操作约束,在实际系统中的应用受到限制。为了克服这一问题,提出了一种基于深度强化学习的改进深度Q网络(improved deep Q-network,MDQN)算法。该算法将深度神经网络表达为混合整数规划公式,以确保在动作空间内严格执行所有操作约束,从而保证了所制定的调度在实际运行中的可行性。此外,还进行了敏感性分析,以灵活地调整超参数,为算法的优化提供了更大的灵活性。最后,通过对比实验验证了MDQN算法的优越性能。该算法为应对虚拟电厂运营中的复杂性问题提供了一种有效的解决方案。

基于流量感知的无线接入网智能切片资源分配方法研究

为保障业务服务等级协议(Service Level Agreements, SLA)需求,使不同应用间差异化的服务质量需求同时得到良好满足,无线接入网(Radio Access Network, RAN)的动态网络资源配置十分关键。本文针对网络流量波动、网络状态快速变化的场景,提出一种结合时间序列预测和深度强化学习的智能化带宽分配策略,通过合理利用长短期记忆(Long Short-Term Memory, LSTM)网络和Dueling深度Q网络(Dueling Deep Q Network, Dueling DQN)以最大限度提高无线接入网切片的频谱效率和SLA满意度。通过使用LSTM网络对切片中数据流量进行预测,可以将深度强化学习算法的计算周期与实际切片配置周期有效解耦。同时为了在保障LSTM性能的同时降低其计算复杂度,以适应RAN中有限的计算资源,本文采用控制神经元连接比例的随机连接长短期记忆(Randomly Connected LSTM, RCLSTM)网络。此外,Dueling DQN与传统DQN相比,能够提高切片策略学习过程的Q值估计精度,以提升收敛速度。仿真结果表明:与原始DQN、优势Actor-Critic(Advantage Actor Critic, A2C)和硬切片方法相比,所提RCLSTM-Dueling DQN方案可以通过提前感知网络性能变化,有效降低网络环境波动对密集流量场景下无线切片资源管理的影响,在具有三种不同流量波动模式及服务质量需求的RAN切片场景中,可以获得收敛速度、频谱效率和切片SLA满意率的明显提升。同时,10%连接比例的RCLSTM网络能在保持极低性能损失的前提下,将原始LSTM的计算时间降低约11%。

融合多特征神经网络的城市道路交通速度预测

针对城市道路交通速度特性分析不全面的问题,本研究考虑到气象因素和空气污染因素对交通速度的影响提出了一种多源特征融合结合Informer模型的道路交通速度预测模型(MFInformer,Multi Feature Informer)。采用成都市浮动车数据及气象数据、空气污染数据,通过提取数据集的交通流特征,天气特征以及空气污染特征对道路交通速度进行预测。研究表明:在以10分钟为间隔的预测中,基于浮动车数据结合外源因素的多特征数据的Informer模型相较于仅使用浮动车数据的Informer模型以及常用的时间序列预测模型循环神经网络和长短期记忆网络来说预测的准确度有着显著的改善,结合多源特征的Informer模型预测交通速度平均绝对误差,均方误差和平均绝对百分比误差分别为1.38、5.32%、1.74,均优于其它模型。

表面肌电与三轴信息融合的运动判断实验

为了提高基于表面肌电与三轴加速度信号的运动识别准确率,提出了一套多源信息融合处理的实验流程与方法。该方法利用5层离散小波变换对表面肌电信号进行分解,充分提取不同运动产生的肌电信号中各频域的特征信息;再将分解后的表面肌电信号与三轴加速度信号通过滑动窗口的方法进行特征融合,构造融合肌电与空间运动特征的特征图;最后用融合特征图对深度学习模型进行训练,并结合自动状态机进行最终运动状态的识别。实验结果表明,多源信息融合处理方法可以提高运动识别的准确性,总体识别精度分别达到了95.4%和89.2%。该方法在实时性与准确性上均有良好表现。

深地工程多维信息感知与智能建造的发展与展望

随着大数据、云计算、人工智能等数字技术的加速演进,各领域智能化、信息化、数字化已成为未来的大势所趋。深地工程作为国家重大战略科技问题,必然面临智能化升级。然而,深部岩体“三高一扰动”的复杂特征给深地工程智能化转型带来严峻的挑战。为实现深地工程与数字技术的高效融合,研究基于“感知-传送-解译-分析-决策”的智能化实践路径,系统回顾了地下工程中智能感知、实时传输、信息解译、数据分析、智能决策等领域的代表性研究进展,并针对性提出了“多感知、快响应、大数据、优方法、精模型、强平台、易推广”的深地工程智能建造发展方向。研究表明:①前沿的深地工程感知技术包括:光纤传感器、MEMS传感器、计算机视觉、自动化机器人等,待数据采集完毕后,通过兼具配置简单、容错能力强、可移动性好等优点的无线通信协议完成数据的实时响应,以实现深地工程监测数据的精准感知与实时传输;②深地工程原位监测技术获取的数据类型主要包括图像、波、点云等,对原始数据解译及分析的模型众多,采用新一代的人工智能技术,如:人工神经网络和深度学习技术,可显著提高解译与分析的效率;③智能决策系统具备高效的学习能力,能够适应复杂环境下的不确定性,通过循环自主学习,以进行决策问题的智能解答。当前,我国深地工程智能建造的政策与产业体系已基本建立,大量智能建造系统已应用于实践。基于此,从智能感知与信息解译、围岩评价及安全评估、围岩控制与动态修复、平台开发及应用推广等4个方面展望了数智化深地工程的发展方向,进而构建了基于多源信息的深地工程围岩稳定性综合评价与分析系统构想。

基于声发射信号时频图深度学习的桥梁钢桁架焊接节点损伤程度识别

针对桥梁钢桁架疲劳损伤识别难度大、精度低的现状,提出基于声发射信号时频分析与深度学习的钢桁架焊接节点损伤程度识别方法。对桁架节点在桥梁运营状态下产生的声发射信号进行小波变换,表征不同损伤程度信号的时频能量分布模式,然后建立卷积神经网络(convolutional neural network,CNN)模型对时频图进行损伤特征提取,并通过迁移学习思想提升模型的训练效率和学习能力,从而实现桁架焊接节点严重损伤、轻微损伤和噪声工况的准确识别。进一步对模型各卷积层激活区域进行可视化分析,解剖模型的损伤特征学习过程及分类逻辑。某悬索桥中央纵向腹板钢桁架焊接节点现场试验结果表明:相较于利用时域波形进行特征学习的一维卷积神经网络模型,时频图包含了更丰富的损伤信息,所建立的二维卷积神经网络模型对钢桁架焊接节点三种损伤程度的识别准确率超过94%,具有更强鲁棒性和实际应用价值。

深时源-汇系统要素的常用定量分析方法

源-汇系统研究是构造地质学、沉积学和层序地层学的综合,因其整体性、动态化和半定量-定量的特点受到了广泛关注。首先阐述了目前深时(前第四纪)源-汇系统的关键问题是物质平衡的定量表征及搬运过程对沉积物的控制,由于地层记录缺失和参数获取困难等原因,研究仍极具挑战。随后综述了深时源-汇系统定量分析方法,可分为地质年代学法、将今论古法和沉积学法。各方法通过获取地貌要素、水力学参数、侵蚀速率、沉积通量等信息,建立“源”“汇”之间的定量关系,进而重建盆地沉积充填演化史。通过系统介绍不同方法的基本原理、相关参数,对比其优越性及局限性,认为地质年代学法应用较广,核心在于物源示踪;将今论古法关键是地质背景的类比及地质参数的选择;沉积学法受多变量控制,需兼顾构造-气候背景及研究尺度。最后对深时源-汇系统定量分析的发展进行了展望,在“将今论古”这一重要思想指导下,需着眼于物源体系、沉积物搬运路径、沉积物分配关系、系统内的各要素及其耦合作用,需注重多时间尺度的定量表征、多学科交叉的动态研究。而相较于大陆边缘源-汇系统,陆相湖盆源-汇系统模式与预测模型有待进一步完善。

基于混合分解多尺度时频图和Res-GRU-AT的电能质量复合扰动识别

能源互联网背景下的电能质量问题越来越凸显,针对传统电能质量扰动(power quality disturbances,PQDs)识别过程中存在的信号特征提取复杂、算法识别能力不足和复合扰动区分困难等问题,提出了一种混合分量多尺度时频图和残差神经网络(residual neural network,ResNet)、门控循环单元(gated recurrent units,GRU)网络与注意力机制(attention,AT)组合的电能质量复合扰动识别新方法—Res-GRU-AT。首先利用奇异谱分解(singular spectrum decomposition,SSD)和逐次变分模态分解(successive variational mode decomposition,SVMD)对PQDs信号分别进行多尺度分解得到混合分量,再对混合分量进行希尔伯特黄变换(Hilbert-Huang transform,HHT),分析得到多尺度时频图。其次,利用Res-GRU-AT模型对多尺度时频图进行深层次特征提取、强化和识别。Res-GRU-AT模型能够利用ResNet的二维图像空间特征提取能力和GRU的时序特征提取能力进行特征融合,再通过AT进行特征加权强化,提高了PQDs的识别能力。不同方案的仿真结果表明,所提方法特征提取能力强且抗噪性能好,对复合扰动识别率高。

基于Transformer和GAN的多元时间序列异常检测方法

在时序数据分析中,异常检测是最为成熟的应用之一。它在量化交易、网络安全检测、自动驾驶和大型工业设备日常维护等现实领域广泛应用。随着业务组合的复杂性和时序数据量的增加,传统的人工和简单算法方法很难判断异常点。针对上述问题,对现有的检测方法进行了改进,提出了一种基于Transformer和生成式对抗网络(Generative Adversarial Networks,GAN)的时间序列异常检测模型,利用改进后的Transformer对时间序列的空间特征进行提取,并使用基于异常分数的异常检测算法和对抗训练以获得稳定性和准确性。模型采用自监督训练的方式,避免了需要手动标注异常数据的麻烦,同时减少了数据集对于监督模型训练的依赖。通过实验验证,本文提出的基于Transformer的时间序列异常检测模型在准确率上与先进的基于Transformer的模型相当,并且表现优于多元时间序列的大型数据集上的监督训练和传统异常检测方法。因此,该模型在实际应用中具有较好的潜力。