CN110348568A - 一种适用于强电磁干扰地区的深部采空区探测方法 - Google Patents
一种适用于强电磁干扰地区的深部采空区探测方法 Download PDFInfo
- Publication number
- CN110348568A CN110348568A CN201910642578.XA CN201910642578A CN110348568A CN 110348568 A CN110348568 A CN 110348568A CN 201910642578 A CN201910642578 A CN 201910642578A CN 110348568 A CN110348568 A CN 110348568A
- Authority
- CN
- China
- Prior art keywords
- value
- neural network
- resistivity
- deep neural
- deep
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V3/00—Electric or magnetic prospecting or detecting; Measuring magnetic field characteristics of the earth, e.g. declination, deviation
- G01V3/38—Processing data, e.g. for analysis, for interpretation, for correction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Geology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geophysics (AREA)
- Remote Sensing (AREA)
- Environmental & Geological Engineering (AREA)
- Image Processing (AREA)
- Measurement Of Resistance Or Impedance (AREA)
Abstract
本发明公开了一种适用于强电磁干扰地区的深部采空区探测方法，该方法针对强干扰背景下不同电性异常特点，分步实施不同的处理策略，即首先针对在强干扰背景下获得的原始CSAMT数据采用深度神经网络学习与预测方法进行异常值剔除；然后在静态校正过程中采用多方向时变二维中值空间滤波法以消除静态效应；随后采用均值阈值分割算法对反演后的视电阻率进行处理以去除浅部异常信息；最后对反演获得的电阻率进行基于幂函数的加权滤波处理以增强深部采空区电性特征。经过本发明处理后，CSAMT深部采空区有效电性特征得到了明显增强，所刻画的采空区边界更加清晰，测区深部采空区的探测精度明显提高。
Description
技术领域
本发明涉及一种适用于强电磁干扰地区的深部采空区探测方法。
背景技术
近年来，由于不明采空区所引起的塌陷、突水、有毒气体泄漏等事故频发，已经严重影响到城市建设、资源开发和环境保护等领域，甚至还威胁到人员和财产安全，带来了巨大的损失。因此，如何能够准确探测煤层采空区的分布范围，具有重要的现实意义。
对此国内外学者将物探方法应用于采空区预测，目前常用的有浅层高分辨地震勘探、高密度电法勘探、探地雷达精细探测、瞬变电磁和EH4等方法，均已取得良好的预测结果。
可控源音频大地电磁发(Controlled-Source Audiomagnetotellurics，简称CSAMT)具有勘探深度范围大、抗干扰能力强、高阻屏蔽作用小、分辨率高、工作效率高等优点，被广泛应用于地热资源探测、桥梁隧道工程、古墓探测、煤矿采空区预测、水文地质、溶洞预测、有色金属矿床、石油勘探开发等领域。近年来，CSAMT逐渐被应用于采空区探测，并且在采空区探测时也取得了良好的效果，因此，CSAMT为采空区的预测提供了新的方法。
然而，大部分采空区位于煤矿以及村庄等附近，采空区分布的地方往往有较多的动力电线和高压线，因此电磁干扰异常强烈、各类随机噪声干扰，从而导致有效信号被隐藏。综上，如何确保在强电磁干扰地区能够获得高精度的CSAMT数据，去除浅部异常信息，同时增强深部采空区的电性特征，以便能够实现采空区的准确预测，具有重要的现实意义。
发明内容
本发明的目的在于提出一种适用于强电磁干扰地区的深部采空区探测方法，以便对强电磁干扰地区因多干扰因素影响产生的电性异常进行滤除，从而提高测区采空区探测精度。
本发明为了实现上述目的，采用如下技术方案：
一种适用于强电磁干扰地区的深部采空区探测方法，包括如下步骤：
I.基于深度神经网络学习与预测方法对原始采集的CSAMT数据进行异常值剔除；
具体过程如下：
I.1.设计深度神经网络结构
设计两个输入层，输入参数分别为频率、电阻率；设计两个输出层，输出为0或者1，若输出为0，则代表为异常值，进行剔除；若输出为1，代表正常值，进行保留；
深度神经网络的隐藏层数设为K层，每个隐藏层的神经元的数量由公式(1)得到：
l＝2+α1 (1)
式中，α1为正整数，且α1的取值范围为[1,10]，K的取值范围是[5,10]；
其中，深度神经网络的激励函数采用Relu函数，深度神经网络优化算法采用Adagrad算法，深度神经网络采用Dropout正则化方法以防止过拟合现象；
I.2.基于样本数据曲线拟合进行标签制作，具体过程如下：
从原始采集的CSAMT数据中随机选取几组点号的数据作为样本数据；
已知某一点号获得的一系列CSAMT数据为首先将电阻率转换为对数值，则：
其中，i1代表某一点号的第i1个数据点；
代表某一点号的第i1个卡尼亚电阻率，表示第i1个卡尼亚电阻率对应的频率；
随后，对数据点通过最小二乘法进行曲线拟合，获得函数解析式为：
最后，依据曲线拟合结果进行标签制作，则标签函数：
式中，ε为误差；若输出F＝0，则第i1个卡尼亚电阻率对应的点代表为异常值，进行剔除，若输出F＝1，则第i1个卡尼亚电阻率对应的点代表正常值，进行保留；
I.3.将步骤I.2中的样本数据进行划分，80％的作为学习样本，20％的作为验证样本；
首先将学习样本输入步骤I.1设计的深度神经网络结构中，进行深度神经网络模型训练；
假设深度神经网络某一神经元的输出为：
式中，j为大于0的整数；
为深度神经网络中第k个隐藏层的第j个神经元的输出，k∈K；
为深度神经网络中第k个隐藏层的第j个神经元的输入；
f为深度神经网络的激活函数；
为第k-1层的第i个神经元到第k层的第j个神经元的连接权重；
为深度神经网络第k层第j个神经元的偏置项；
在误差反向传播中，需要对深度神经网络的预测输出和期望输出进行计算，得到深度神经网络的预测输出和期望输出之间的误差，误差计算公式为：
式中，dic为期望输出，yic为深度神经网络的预测输出，q为训练样本数目；
由公式(5)和(6)可知，误差函数ek是由各个神经元决定的；不断对深度神经网络的连接权重和偏置项进行修改，使深度神经网络的误差函数ek满足设定的误差函数阈值；
连接权重和偏置的更新过程如下：
bj k(h+1)＝bj k-1(h)+ηδi (8)
式中，h表示第h个训练步数，h为大于0的整数；
为第h个训练步数得到的权系数；η为学习率，η的取值范围为(0,0.05]；δi＝(di-yi)y′i，其中，y′i为yi的导数；bj k(h)为第h个训练步数得到的偏置；
通过上述步骤，完成深度神经网络模型的训练；
随后，用检验样本对深度神经网络模型的异常值剔除效果以及稳定性进行测试，若测试结果的准确率达到精度要求，则完成模型的训练与测试；
若不能达到精度要求，重复上述训练过程，直至深度神经网络模型达到精度要求为止；
I.4.对野外的不同剖面不同点号处的数据输入训练好的模型，自动进行异常点的剔除；
II.基于多方向时变二维中值空间滤波法对异常值剔除后的CSAMT数据进行静态校正；
具体过程如下：
II.1.确定滤波窗口
选取C作为中值滤波的基准窗口，对异常值剔除后的CSAMT数据进行中值滤波；
位置(m,n)处的中值输出表示为：
其中，表示以C作为基准窗口(m,n)位置处的中值；
ia＝m-(C-1)/2,…,m+(C-1)/2；ja＝n-(C-1)/2,…,n+(C-1)/2；
随后引入下式，计算阈值T：
ρix,iy表示原始电阻率值，ix＝1,…,Nx，iy＝1,…,Ny，Nx为电阻率剖面横向的点数，Ny为电阻率剖面纵向的点数；再根据阈值T，分别设定时变窗口的大小：
式中，Cia,ja为滤波时的应用窗口大小，α,β,γ,δ分别表示常数，且α＞β,δ＞γ；
II.2.确定滤波方向
对于Cia,ja＝2N+1为滤波窗口，当中心点位于(m,n)时，滤波函数被定义为：
其中，N为大于0的常数，W1[m,n]、W2[m,n]、W3[m,n]、W4[m,n]分别表示经过中心点(m,n)的四个不同方向上的各个电阻率值；
ρ(m+ka,n)为点(m+ka,n)处的电阻率值；
ρ(m,n+ka)为点(m,n+ka)处的电阻率值；
ρ(m+ka,n+ka)为点(m+ka,n+ka)处的电阻率值；
ρ(m+ka,n-ka)为点(m+ka,n-ka)处的电阻率值；
中值滤波的输出中值ρMLM(m,n)被定义为：
ρMLM(m,n)＝median[Ymax(m,n),Ymin(m,n),ρ(m,n)] (13)
其中：
Ymax(m,n)＝max1≤ib≤4[Zib(m,n)] (14)
Ymin＝min1≤ib≤4[Zib(m,n)] (15)
Zib(m,n)＝median[Wib[(m,n)]],ib＝1,2,3,4 (16)
随后计算Cia,ja＝2N+1滤波窗口内的平均值ρAVE(m,n)，则：
然后将中心点(m,n)处的平均值ρAVE(m,n)和中心点(m,n)处的中值ρMLM(m,n)进行比值，即得到静态校正系数K(m,n)，K(m,n)数学表达式如下：
最后，将公式(18)所得到的静态校正系数K(m,n)与实际电阻率值ρ(m,n)相乘，即可得到校正后的视电阻率值ρ′(m,n)，数学表达式如下：
ρ′(m,n)＝K(m,n)×ρ(m,n) (19)
至此，完成基于多方向时变二维中值空间滤波法对CSAMT数据的静态校正；
III.经过上述步骤II得到静态校正后的CSAMT数据，首先对该静态校正后的CSAMT数据进行一维反演，然后进行二维反演以获得卡尼亚电阻率反演断面图；
进一步对反演后的卡尼亚电阻率反演结果进行阈值分割处理，去除浅部异常信息；
具体过程如下：
将电阻率剖面自上而下划分为G层，计算每层电阻的平均值
按照公式(20)计算均值阈值T1，即：
其中，G为电阻率剖面所划分的层数，为第G层电阻的平均值，g的取值为[1,G]；
设定ρ(x,y)为静态校正后的电阻率值，假设阈值分割后的电阻率值用表示，将高于阈值T1的电阻率值保持不变，其它电阻率用常数S表示；
则阈值分割公式如下式(21)所示：
利用公式(21)对反演后的卡尼亚电阻率反演结果进行阈值分割，去除浅部异常信息；
IV.对经过步骤III阈值分割后获得的卡尼亚电阻率反演断面图，进行基于幂函数的加权滤波处理，增强深部采空区电性特征，从而刻画出清晰的深部采空区边界；
具体过程如下：
设定阈值为T2，T2为大于0的常数，将阈值分割后的CSAMT数据中，低于阈值T2的数值全部变为原数值的a次方，大于T2的数值保持不变，如公式(22)所示：
其中，a表示大于1的常数；利用公式(22)对阈值分割处理后的CSAMT数据进行处理，增强深部采空区电性特征，从而刻画出清晰的深部采空区边界。
本发明具有如下优点：
如上所述，本发明提供了一种适用于强电磁干扰地区的深部采空区探测方法，该方法通过依次对原始获得的CSAMT数据进行异常点的剔除、静态效应的消除、近地表低阻异常的去除、深部不合理低阻异常的压制等四个层级的处理后，使得测区深部采空区有效电性特征得到了明显增强，所刻画的采空区边界更加清晰，从而提高测区采空区的探测精度。
附图说明
图1为本发明实施例中适用于强电磁干扰地区的深部采空区探测方法的流程图。
图2为本发明实施例中CSAMT数据异常点剔除深度神经网络结构示意图。
图3为本发明实施例中多方向滤波窗口示意图。
图4为本发明实施例中电阻率剖面层数划分示意图。
图5为本发明实施例中卡尼亚电阻率曲线异常数据点分布图。
图6为本发明实施例中实测数据静态校正示意图。
图7为本发明实施例中某一测线静态校正前后对比示意图。
图8为本发明实施例中均值阈值分割前后对比示意图。
图9为本发明实施例中幂函数法处理后的电阻率断面图。
具体实施方式
下面结合附图以及具体实施方式对本发明作进一步详细说明：
结合图1所示，一种适用于强电磁干扰地区的深部采空区探测方法，包括如下步骤：
I.基于深度神经网络学习与预测方法对原始采集的CSAMT数据进行异常值剔除。
CSAMT在野外数据采集工作过程中，由于受到各种电磁干扰，采集到的数据存在噪音，导致个别数据出现“飞点”现象，因此必须对这些异常点进行编辑或去噪。
然而，传统的手工剔除方法具有效率低、精度低等缺点，面对海量的CSAMT数据，本发明实施例采用深度神经网络进行异常值剔除，以提高异常值剔除精度与效率。
深度神经网络(Deep Neural Networks,简称DNN)与传统的浅层神经网络(BP神经网络)相比具有更多的隐藏层，因此DNN网络具有强适应性、强泛化能力，具有更强大的表征能力。深度神经网络具有多种多样的网络结构，但没有统一的网络架构，经典的深度神经网络一般是由一个输入层、多个隐藏层、输出层组成，每层都包括多个神经元。因此，本发明针对CSAMT数据分布以及异常点特征，设计一套适用于剔除CSAMT异常数据点的深度神经网络网络结构，以实现异常数据点的智能剔除，提高生产效率，降低勘探成本。
具体过程如下：
I.1.设计深度神经网络结构
本发明针对CSAMT数据异常特征设计了如图2所示的深度神经网络结构。
其中，设计两个输入层，输入参数分别为频率、电阻率；设计两个输出层，输出为0或者1，若输出为0，则代表为异常值，进行剔除；若输出为1，代表正常值，进行保留。
深度神经网络的隐藏层数设为K层，其中，K为大于0的正整数。
由于深度神经网络的隐藏层数K一般大于5层，因此本发明将隐藏层数K设为5-10层。
隐藏层节点数的确定是一个相对复杂的过程，如果隐藏层的节点数过多会使深度网络进入漫长的学习过程，耗费大量的时间，从而导致模型的泛学习能力下降；
如果隐藏层的节点数过少会使神经网络的学习时间过短，导致模型的容错能力降低，两者均会使神经网络的预测结果不准确。
为了确定最佳的隐藏层节点数，需要对同一数据集设置不同数目的节点进行神经网络的训练，从而找到能够使神经网络的误差降到最低的隐藏层节点数目。
本发明实施例给出了每个隐藏层神经元的数量的计算公式，如公式(1)所示：
l＝2+α1 (1)
式中，α1为正整数，取值范围为[1,10]，α1的值由深度神经网络的具体训练情况来设定。
其中，深度神经网络的激励函数采用Relu函数，深度神经网络优化算法采用Adagrad算法，深度神经网络采用Dropout正则化方法以防止过拟合现象。
I.2.基于样本数据曲线拟合进行标签制作，具体过程如下：
从原始采集的CSAMT数据中随机选取几组点号的数据作为样本数据。
已知某一点号获得的一系列CSAMT数据为首先将电阻率转换为对数值，则：
其中，i1代表某一点号的第i1个数据点。
代表某一点号的第i1个卡尼亚电阻率，表示第i1个卡尼亚电阻率对应的频率。
随后，对数据点通过最小二乘法进行曲线拟合，获得函数解析式为：
最后，依据曲线拟合结果进行标签制作，则标签函数：
式中，ε为误差；若输出F＝0，则第i1个卡尼亚电阻率对应的点代表为异常值，进行剔除，若输出F＝1，则第i1个卡尼亚电阻率对应的点代表正常值，进行保留。
该步骤I.2是基于深度神经网络进行异常值剔除的关键一步，也是制作CSAMT数据样本集的重要环节，所制作样本的有效性，直接影响到异常值剔除的效果。
I.3.将步骤I.2中的样本数据进行划分，80％的作为学习样本，20％的作为验证样本。
首先将学习样本输入步骤I.1设计的深度神经网络结构中，进行深度神经网络模型训练。
假设深度神经网络某一神经元的输出为：
式中，j为大于0的整数；
为深度神经网络中第k个隐藏层的第j个神经元的输出，k∈K；
为深度神经网络中第k个隐藏层的第j个神经元的输入；
f为深度神经网络的激活函数；
为第k-1层的第i个神经元到第k层的第j个神经元的连接权重；
为深度神经网络第k层第j个神经元的偏置项。
在误差反向传播中，需要对深度神经网络的预测输出和期望输出进行计算，得到深度神经网络的预测输出和期望输出之间的误差，误差计算公式为：
式中，dic为期望输出，yic为深度神经网络的预测输出，q为训练样本数目。
由公式(5)和(6)可知，误差函数ek是由各个神经元决定的；不断对深度神经网络的连接权重和偏置项进行修改，使深度神经网络的误差函数ek满足设定的误差函数阈值。
连接权重和偏置的更新过程如下：
bj k(h+1)＝bj k-1(h)+ηδi(8)
式中，h表示第h个训练步数，h为大于0的整数；
为第h个训练步数得到的权系数；η为学习率，η的取值范围为(0,0.05]；δi＝(di-yi)y′i，其中，y′i为yi的导数；bj k(h)为第h个训练步数得到的偏置。
通过上述步骤，完成深度神经网络模型的训练。
随后，用检验样本对深度神经网络模型的异常值剔除效果以及稳定性进行测试，若测试结果的准确率达到精度要求，则完成模型的训练与测试。
若不能达到精度要求，即测试结果的准确率达不到精度要求，则重复上述模型训练过程，直至深度神经网络模型达到精度要求为止。
I.4.对野外的不同剖面不同点号处的数据输入训练好的模型，自动进行异常点的剔除。
II.基于多方向时变二维中值空间滤波法对异常值剔除后的CSAMT数据进行静态校正。
中值滤波作为一项成熟的信号处理技术，在各个领域具有广泛的应用。但传统的一维中值滤波存在滤波方向、滤波窗口大小单一等局限性，滤波方向以及滤波窗口的选择不当，既影响随机噪声较强位置处对噪声的削弱，又损伤有效信号较强位置处的有效信号。
基于以上原因，本发明提出了一种多方向自适应时变二维中值空间滤波法。首先根据CSAMT数据分布特征计算自适应时变滤波窗口，最大限度地保护有效信号，使噪音衰减能力与保护有效信号细节能力进一步加强；随后进行多方向滤波改善对滤波噪音的压制效果。
利用多方向时变二维中值空间滤波法进行静态校正。具体过程如下：
II.1.确定滤波窗口
选取C作为中值滤波的基准窗口，对异常值剔除后的CSAMT数据进行中值滤波。
位置(m,n)处的中值输出表示为：
其中，表示以C作为基准窗口(m,n)位置处的中值。
ia＝m-(C-1)/2,…,m+(C-1)/2；ja＝n-(C-1)/2,…,n+(C-1)/2。
随后引入下式，计算阈值T：
ρix,iy表示原始电阻率值，ix＝1,…,Nx，iy＝1,…,Ny。Nx为电阻率剖面横向的点数，Ny为电阻率剖面纵向的点数。再根据阈值T，分别设定时变窗口的大小：
式中，Cia,ja为滤波时的应用窗口大小，α,β,γ,δ分别表示常数，且α＞β,δ＞γ。
II.2.确定滤波方向
对于Cia,ja＝2N+1为滤波窗口，当中心点位于(m,n)时，滤波函数被定义为：
其中，N为大于0的常数，W1[m,n]、W2[m,n]、W3[m,n]、W4[m,n]分别表示经过中心点(m,n)的四个不同方向的各个电阻率值，如图3所示。其中：
W1[m,n]例如可以表示经过中心点(m,n)的90度方向上的各个电阻率值。
W2[m,n]例如可以表示经过中心点(m,n)的0度方向上的各个电阻率值。
W3[m,n]例如可以表示经过中心点(m,n)的135度方向上的各个电阻率值。
W4[m,n]例如可以表示经过中心点(m,n)的45度方向上的各个电阻率值。
ρ(m+ka,n)为点(m+ka,n)处的电阻率值。
ρ(m,n+ka)为点(m,n+ka)处的电阻率值。
ρ(m+ka,n+ka)为点(m+ka,n+ka)处的电阻率值。
ρ(m+ka,n-ka)为点(m+ka,n-ka)处的电阻率值。
中值滤波的输出中值ρMLM(m,n)被定义为：
ρMLM(m,n)＝median[Ymax(m,n),Ymin(m,n),ρ(m,n)] (13)
其中：
Ymax(m,n)＝max1≤ib≤4[Zib(m,n)] (14)
Ymin＝min1≤ib≤4[Zib(m,n)] (15)
Zib(m,n)＝median[Wib[(m,n)]],ib＝1,2,3,4 (16)
随后计算Cia,ja＝2N+1滤波窗口内的平均值ρAVE(m,n)，则：
然后将中心点(m,n)处的平均值ρAVE(m,n)和中心点(m,n)处的中值ρMLM(m,n)进行比值，即得到静态校正系数K(m,n)，K(m,n)数学表达式如下：
最后，将公式(18)所得到的静态校正系数K(m,n)与实际电阻率值ρ(m,n)相乘，即可得到校正后的视电阻率值ρ′(m,n)，数学表达式如下：
ρ′(m,n)＝K(m,n)×ρ(m,n) (19)
至此，完成基于多方向时变二维中值空间滤波法对CSAMT数据的静态校正。
III.经过上述步骤II得到静态校正后的CSAMT数据，首先对该静态校正后的CSAMT数据进行一维反演，然后进行二维反演以获得卡尼亚电阻率反演断面图。
为压制浅部低阻异常干扰，突出深部采空区电性特征，需要进一步对反演后的卡尼亚电阻率反演结果进行阈值分割处理，以去除浅部异常信息。
具体过程如下：
如图4所示，将电阻率剖面自上而下划分为G层，计算每层电阻的平均值
按照公式(20)计算均值阈值T1，即：
其中，G为电阻率剖面所划分的层数，为第G层电阻的平均值，g的取值为[1,G]。
设定ρ(x,y)为静态校正后的电阻率值，假设阈值分割后的电阻率值用表示，将高于阈值T1的电阻率值保持不变，其它电阻率用常数S表示。
则阈值分割公式如下式(21)所示：
首先根据电阻率反演结果和近地表低阻体分布状况大致估算出浅部异常区的深度范围。然后利用公式(21)对浅部异常区深度范围内的卡尼亚电阻率反演结果进行阈值分割：
若电阻率值大于T1，则电阻率保持不变；若电阻率值小于T1，则低于T1的电阻率值全部变为某一常数S，可以有效压制低阻异常，去除浅部异常信息。
IV.对经过步骤III阈值分割后获得的卡尼亚电阻率反演断面图，进行基于幂函数的加权滤波处理，增强深部采空区电性特征，从而刻画出清晰的深部采空区边界。
具体过程如下：
设定阈值为T2，T2为大于0的常数，将阈值分割后的CSAMT数据中，低于阈值T2的数值全部变为原数值的a次方，大于T2的数值保持不变，如公式(22)所示：
其中，a表示大于1的常数；利用公式(22)对阈值分割处理后的CSAMT数据进行处理，一般来说，采空区的电性异常相对比于巷道等非采空区域而言一般为低值，若a取大于1的常数，经过a次方处理后，采空区的电性异常值相对比于非采空区区域将会明显降低，因此可以有效增强深部采空区电性特征，刻画出清晰的深部采空区边界。
相比于原始电性特征图，经过本发明方法处理后，CSAMT深部采空区有效电性特征得到了明显增强，所刻画的采空区边界更加清晰，从而提高了测区深部采空区的探测精度。
本发明方法中各个步骤的组合以及他们之间的特定的组合顺序共同构成了本发明对现有技术做出贡献的技术特征，缺一不可，具体分析如下：
步骤I首先利用深度神经网络进行异常点剔除，保证CSAMT数据的稳定性及反演效果，有助于反演过程的收敛，为下文中值空间滤波法进行静态校正等提供高信噪比数据，提高地质解释的准确性；步骤II在经过基于多方向时变二维中值空间滤波法的静态校正后，基本消除垂向条带状虚假异常，电阻率更加接近真实电性特征，为一维及二维高精度反演提供保证。步骤III在经过静态校正后，为了降低浅层低阻异常(如由地表河流、池塘、近地表地下水汇集区域等引起的可能强低阻异常)对反演精度的影响，采用阈值分割方法以去除浅部异常信息，经过均值阈值处理后的反演断面图，浅部区域低阻异常消失，即浅部异常低阻信息得到压制，深部信息得到增强。由于深部采空区的电阻率值较小，可能会产生采空区分布范围扩散现象，步骤IV对获得的电阻率反演断面图进行基于幂函数的加权滤波处理，经过幂函数法处理后的断面图可以更清晰刻画采空区范围展布，同时深部采空区电性异常得到增强。
下面给出具体的实例，以验证本发明提出的深部采空区探测方法的有效性。
1.剔除原始数据异常点
取原始的CSAMT数据中的某一侧线，其卡尼亚电阻率随频率变化曲线分布如图5所示，采用深度神经网络对异常值进行剔除，如图5中的离散点为异常值。
由图5可以看出，当频率f＝4000Hz时，该频点出现较明显异常数据点(“跳点”)，卡尼亚电阻率明显低于其同一频率的其他数据。
因此，通过剔除图5中突出“跳点”降低随机干扰引起的误差，以保证反演效果。
此即完成了第一级的异常点处理。
2.消除静态效应
由于地表或近地表存在电性不均匀差异或者存在高低起伏的地形，并且当不均匀的地质体相对于电磁波波长小很多时，会造成不均匀体表面电荷积聚，进而导致电场畸变，畸变后的数值主要表现在视电阻率曲线在视电阻率轴发生向上或向下平行移动，即为静态效应。
图6为本发明实施例中实测数据静态校正示意图。
其中，图6(a)、图6(b)分别为对上述测线中1345点和2120点的高阻、低阻异常进行空间滤波进行静态校正后视电阻率-频率结果示意图。
由上述结果表明静态校正后的卡尼亚电阻率曲线更符合实际情况，消除了虚假异常。
图7为某一测线静态校正前后对比图。
从图7(a)中可以看出，在静态校正前，局部“挂面条”现象严重，且浅部有杂乱圈闭异常，电阻率值跳跃较大，部分电阻率值发生畸变。如图7(a)圆圈内所示，出现陡立的等值线，呈现虚假的低阻异常，掩盖实际的地质情况。如图7(b)所示，在经过静态校正后“挂面条”现象减轻，基本消除了垂向条带状虚假异常，电阻率更加接近真实电性特征。
3.去除浅部低阻异常
在经过静态校正后，本发明采用阈值分割方法以去除浅部异常信息。
图8(a)是均值阈值分割处理前的反演断面图，可以看出椭圆区域存在多个低阻异常区域，图8(b)则是经过均值阈值处理后的反演断面图，可以看出浅部椭圆区域低阻异常消失，即浅部异常低阻信息(椭圆)得到压制，深部信息(方形区域)得到增强。
4.增强深部采空区电性特征
图9为经过幂函数法处理后的断面图，图8(b)为未经过幂函数法处理的电阻率断面图。
由图9和图8(b)对比不难看出，经过幂函数法处理后的断面图可以更清晰刻画采空区范围的边界，同时深部采空区电性异常得到增强。
本发明通过对由CSAMT方法在潍日高速公路测区(下伏存在隐伏煤矿采空区)所采集数据进行处理的应用，得出如下认识：
(1)本发明方法通过对原始CSAMT数据进行异常点的剔除、静态效应的消除、近地表低阻异常的去除、深部采空区电性特征增强等四个层级的处理后，测区深部采空区有效电性特征得到了明显增强，所刻画的采空区边界更加清晰。
以上说明本发明方法具有压制浅部异常干扰，突出深部采空区电性特征的作用。
(2)利用处理后的反演断面图，结合测区地质资料，布设钻孔并实施钻探进行验证，结果表明，实际采空区的埋深与物探异常具有很高的吻合度。
依此，进一步查明测区采空区的位置、分布范围，实现测区采空区更高精度的探测。
当然，以上说明仅仅为本发明的较佳实施例，本发明并不限于列举上述实施例，应当说明的是，任何熟悉本领域的技术人员在本说明书的教导下，所做出的所有等同替代、明显变形形式，均落在本说明书的实质范围之内，理应受到本发明的保护。
Claims (1)
1.一种适用于强电磁干扰地区的深部采空区探测方法，其特征在于，包括如下步骤：
I.基于深度神经网络学习与预测方法对原始采集的CSAMT数据进行异常值剔除；
具体过程如下：
I.1.设计深度神经网络结构
设计两个输入层，输入参数分别为频率、电阻率；设计两个输出层，输出为0或者1，若输出为0，则代表为异常值，进行剔除；若输出为1，代表正常值，进行保留；
深度神经网络的隐藏层数设为K层，每个隐藏层的神经元的数量由公式(1)得到：
l＝2+α1 (1)
式中，α1为正整数，且α1的取值范围为[1,10]，K的取值范围是[5,10]；
其中，深度神经网络的激励函数采用Relu函数，深度神经网络优化算法采用Adagrad算法，深度神经网络采用Dropout正则化方法以防止过拟合现象；
I.2.基于样本数据曲线拟合进行标签制作，具体过程如下：
从原始采集的CSAMT数据中随机选取几组点号的数据作为样本数据；
已知某一点号获得的一系列CSAMT数据为首先将电阻率转换为对数值，则：
其中，i1代表某一点号的第i1个数据点；
代表某一点号的第i1个卡尼亚电阻率，表示第i1个卡尼亚电阻率对应的频率；
随后，对数据点通过最小二乘法进行曲线拟合，获得函数解析式为：
最后，依据曲线拟合结果进行标签制作，则标签函数：
式中，ε为误差；若输出F＝0，则第i1个卡尼亚电阻率对应的点代表为异常值，进行剔除，若输出F＝1，则第i1个卡尼亚电阻率对应的点代表正常值，进行保留；
I.3.将步骤I.2中的样本数据进行划分，80％的作为学习样本，20％的作为验证样本；
首先将学习样本输入步骤I.1设计的深度神经网络结构中，进行深度神经网络模型训练；
假设深度神经网络某一神经元的输出为：
式中，j为大于0的整数；
为深度神经网络中第k个隐藏层的第j个神经元的输出，k∈K；
为深度神经网络中第k个隐藏层的第j个神经元的输入；
f为深度神经网络的激活函数；
为第k-1层的第i个神经元到第k层的第j个神经元的连接权重；
为深度神经网络第k层第j个神经元的偏置项；
在误差反向传播中，需要对深度神经网络的预测输出和期望输出进行计算，得到深度神经网络的预测输出和期望输出之间的误差，误差计算公式为：
式中，dic为期望输出，yic为深度神经网络的预测输出，q为训练样本数目；
由公式(5)和(6)可知，误差函数ek是由各个神经元决定的；不断对深度神经网络的连接权重和偏置项进行修改，使深度神经网络的误差函数ek满足设定的误差函数阈值；
连接权重和偏置的更新过程如下：
bj k(h+1)＝bj k-1(h)+ηδi (8)
式中，h表示第h个训练步数，h为大于0的整数；
为第h个训练步数得到的权系数；η为学习率，η的取值范围为(0,0.05]；δi＝(di-yi)y′i，其中，y′i为yi的导数；bj k(h)为第h个训练步数得到的偏置；
通过上述步骤，完成深度神经网络模型的训练；
随后，用检验样本对深度神经网络模型的异常值剔除效果以及稳定性进行测试，若测试结果的准确率达到精度要求，则完成模型的训练与测试；
若不能达到精度要求，重复上述训练过程，直至深度神经网络模型达到精度要求为止；
I.4.对野外的不同剖面不同点号处的数据输入训练好的模型，自动进行异常点的剔除；
II.基于多方向时变二维中值空间滤波法对异常值剔除后的CSAMT数据进行静态校正；
具体过程如下：
II.1.确定滤波窗口
选取C作为中值滤波的基准窗口，对异常值剔除后的CSAMT数据进行中值滤波；
位置(m,n)处的中值输出表示为：
其中，表示以C作为基准窗口(m,n)位置处的中值；
ia＝m-(C-1)/2,…,m+(C-1)/2；ja＝n-(C-1)/2,…,n+(C-1)/2；
随后引入下式，计算阈值T：
ρix,iy表示原始电阻率值，ix＝1,…,Nx，iy＝1,…,Ny，Nx为电阻率剖面横向的点数，Ny为电阻率剖面纵向的点数；再根据阈值T，分别设定时变窗口的大小：
式中，Cia,ja为滤波时的应用窗口大小，α,β,γ,δ分别表示常数，且α＞β,δ＞γ；
II.2.确定滤波方向
对于Cia,ja＝2N+1为滤波窗口，当中心点位于(m,n)时，滤波函数被定义为：
其中，N为大于0的常数，W1[m,n]、W2[m,n]、W3[m,n]、W4[m,n]分别表示经过中心点(m,n)的四个不同方向上的各个电阻率值；
ρ(m+ka,n)为点(m+ka,n)处的电阻率值；
ρ(m,n+ka)为点(m,n+ka)处的电阻率值；
ρ(m+ka,n+ka)为点(m+ka,n+ka)处的电阻率值；
ρ(m+ka,n-ka)为点(m+ka,n-ka)处的电阻率值；
中值滤波的输出中值ρMLM(m,n)被定义为：
ρMLM(m,n)＝median[Ymax(m,n),Ymin(m,n),ρ(m,n)] (13)
其中：
Ymax(m,n)＝max1≤ib≤4[Zib(m,n)] (14)
Ymin＝min1≤ib≤4[Zib(m,n)] (15)
Zib(m,n)＝median[Wib[(m,n)]],ib＝1,2,3,4 (16)
随后计算Cia,ja＝2N+1滤波窗口内的平均值ρAVE(m,n)，则：
然后将中心点(m,n)处的平均值ρAVE(m,n)和中心点(m,n)处的中值ρMLM(m,n)进行比值，即得到静态校正系数K(m,n)，K(m,n)数学表达式如下：
最后，将公式(18)所得到的静态校正系数K(m,n)与实际电阻率值ρ(m,n)相乘，即可得到校正后的视电阻率值ρ′(m,n)，数学表达式如下：
ρ′(m,n)＝K(m,n)×ρ(m,n) (19)
至此，完成基于多方向时变二维中值空间滤波法对CSAMT数据的静态校正；
III.经过上述步骤II得到静态校正后的CSAMT数据，首先对该静态校正后的CSAMT数据进行一维反演，然后进行二维反演以获得卡尼亚电阻率反演断面图；
进一步对反演后的卡尼亚电阻率反演结果进行阈值分割处理，去除浅部异常信息；
具体过程如下：
将电阻率剖面自上而下划分为G层，计算每层电阻的平均值
按照公式(20)计算均值阈值T1，即：
其中，G为电阻率剖面所划分的层数，为第G层电阻的平均值，g的取值为[1,G]；
设定ρ(x,y)为静态校正后的电阻率值，假设阈值分割后的电阻率值用ρT1(x,y)表示，将高于阈值T1的电阻率值保持不变，其它电阻率用常数S表示；
则阈值分割公式如下式(21)所示：
利用公式(21)对反演后的卡尼亚电阻率反演结果进行阈值分割，去除浅部异常信息；
IV.对经过步骤III阈值分割后获得的卡尼亚电阻率反演断面图，进行基于幂函数的加权滤波处理，增强深部采空区电性特征，从而刻画出清晰的深部采空区边界；
具体过程如下：
设定阈值为T2，T2为大于0的常数，将阈值分割后的CSAMT数据中，低于阈值T2的数值全部变为原数值的a次方，大于T2的数值保持不变，如公式(22)所示：
其中，a表示大于1的常数；利用公式(22)对阈值分割处理后的CSAMT数据进行处理，增强深部采空区电性特征，从而刻画出清晰的深部采空区边界。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910642578.XA CN110348568B (zh) | 2019-07-16 | 2019-07-16 | 一种适用于强电磁干扰地区的深部采空区探测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910642578.XA CN110348568B (zh) | 2019-07-16 | 2019-07-16 | 一种适用于强电磁干扰地区的深部采空区探测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110348568A true CN110348568A (zh) | 2019-10-18 |
| CN110348568B CN110348568B (zh) | 2021-02-23 |
Family
ID=68174871
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910642578.XA Active CN110348568B (zh) | 2019-07-16 | 2019-07-16 | 一种适用于强电磁干扰地区的深部采空区探测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110348568B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110989002A (zh) * | 2019-11-07 | 2020-04-10 | 吉林大学 | 地空时域电磁系统浅部低阻异常体高精度数据解释方法 |
| CN111352163A (zh) * | 2020-03-03 | 2020-06-30 | 吉林大学 | 一种基于大地电磁测深的静态效应校正方法及系统 |
| CN113484920A (zh) * | 2021-08-17 | 2021-10-08 | 成都理工大学 | 一种频域电磁测深资料二维结构化反演方法 |
| CN113807006A (zh) * | 2021-08-13 | 2021-12-17 | 清华大学 | 基于深度学习的大地电磁数据静位移校正方法及装置 |
| CN113807006B (zh) * | 2021-08-13 | 2024-06-07 | 清华大学 | 基于深度学习的大地电磁数据静位移校正方法及装置 |
Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4392109A (en) * | 1980-11-14 | 1983-07-05 | Mobil Oil Corporation | Static correction for magnetotelluric data |
| CN103196424A (zh) * | 2013-04-25 | 2013-07-10 | 东北石油大学 | 油气采空区沉降预警方法 |
| CN104597511A (zh) * | 2014-12-29 | 2015-05-06 | 中国矿业大学 | 一种多层采空区地面-巷道瞬变电磁探测方法 |
| CN104614770A (zh) * | 2015-01-26 | 2015-05-13 | 北京市市政工程研究院 | 一种资源采空区的探查装置及方法 |
| CN104656156A (zh) * | 2013-11-22 | 2015-05-27 | 中国石油天然气集团公司 | 音频大地电磁测深三维采集资料的磁参考处理方法 |
| CN104714254A (zh) * | 2015-02-02 | 2015-06-17 | 中国科学院地质与地球物理研究所 | 一种基于瞬变电磁法探测煤矿积水采空区的方法和装置 |
| CN104749643A (zh) * | 2015-04-09 | 2015-07-01 | 中国科学院地质与地球物理研究所 | 一种用于电磁干扰地区的csamt测量方法和装置 |
| CN105510981A (zh) * | 2015-12-04 | 2016-04-20 | 中国科学院地质与地球物理研究所 | 一种磁铁矿采空区地球物理判定方法和装置 |
| CN105808818A (zh) * | 2016-01-28 | 2016-07-27 | 中煤科工集团唐山研究院有限公司 | 一种采煤塌陷区地基稳定性的评价方法 |
| CN105911595A (zh) * | 2016-02-02 | 2016-08-31 | 中国科学院地质与地球物理研究所 | 可控源音频大地电磁法视相位信息的获取方法与装置 |
| CN106021859A (zh) * | 2016-05-09 | 2016-10-12 | 吉林大学 | 改进遗传算法的可控源音频大地电磁法一维反演方法 |
| CN106646666A (zh) * | 2017-01-16 | 2017-05-10 | 中南大学 | 基于平面波电磁测深的静态效应校正方法 |
| CN108169800A (zh) * | 2017-12-27 | 2018-06-15 | 江苏省有色金属华东地质勘查局地球化学勘查与海洋地质调查研究院 | 可控源音频大地电磁法视电阻率近场校正方法 |
| CN108897050A (zh) * | 2018-02-28 | 2018-11-27 | 长江大学 | 一种可控源音频大地电磁测深法最佳收发距确定方法及系统 |
| CN109471179A (zh) * | 2018-11-07 | 2019-03-15 | 鲁杏 | 一种新的处理csamt资料的方法 |
| CN109470135A (zh) * | 2018-11-12 | 2019-03-15 | 吉林大学 | Csamt数据静态校正方法 |
-
2019
- 2019-07-16 CN CN201910642578.XA patent/CN110348568B/zh active Active
Patent Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4392109A (en) * | 1980-11-14 | 1983-07-05 | Mobil Oil Corporation | Static correction for magnetotelluric data |
| CN103196424A (zh) * | 2013-04-25 | 2013-07-10 | 东北石油大学 | 油气采空区沉降预警方法 |
| CN104656156A (zh) * | 2013-11-22 | 2015-05-27 | 中国石油天然气集团公司 | 音频大地电磁测深三维采集资料的磁参考处理方法 |
| CN104597511A (zh) * | 2014-12-29 | 2015-05-06 | 中国矿业大学 | 一种多层采空区地面-巷道瞬变电磁探测方法 |
| CN104614770A (zh) * | 2015-01-26 | 2015-05-13 | 北京市市政工程研究院 | 一种资源采空区的探查装置及方法 |
| CN104714254A (zh) * | 2015-02-02 | 2015-06-17 | 中国科学院地质与地球物理研究所 | 一种基于瞬变电磁法探测煤矿积水采空区的方法和装置 |
| CN104749643A (zh) * | 2015-04-09 | 2015-07-01 | 中国科学院地质与地球物理研究所 | 一种用于电磁干扰地区的csamt测量方法和装置 |
| CN105510981A (zh) * | 2015-12-04 | 2016-04-20 | 中国科学院地质与地球物理研究所 | 一种磁铁矿采空区地球物理判定方法和装置 |
| CN105808818A (zh) * | 2016-01-28 | 2016-07-27 | 中煤科工集团唐山研究院有限公司 | 一种采煤塌陷区地基稳定性的评价方法 |
| CN105911595A (zh) * | 2016-02-02 | 2016-08-31 | 中国科学院地质与地球物理研究所 | 可控源音频大地电磁法视相位信息的获取方法与装置 |
| CN106021859A (zh) * | 2016-05-09 | 2016-10-12 | 吉林大学 | 改进遗传算法的可控源音频大地电磁法一维反演方法 |
| CN106646666A (zh) * | 2017-01-16 | 2017-05-10 | 中南大学 | 基于平面波电磁测深的静态效应校正方法 |
| CN108169800A (zh) * | 2017-12-27 | 2018-06-15 | 江苏省有色金属华东地质勘查局地球化学勘查与海洋地质调查研究院 | 可控源音频大地电磁法视电阻率近场校正方法 |
| CN108897050A (zh) * | 2018-02-28 | 2018-11-27 | 长江大学 | 一种可控源音频大地电磁测深法最佳收发距确定方法及系统 |
| CN109471179A (zh) * | 2018-11-07 | 2019-03-15 | 鲁杏 | 一种新的处理csamt资料的方法 |
| CN109470135A (zh) * | 2018-11-12 | 2019-03-15 | 吉林大学 | Csamt数据静态校正方法 |
Non-Patent Citations (5)
| Title |
|---|
| CHANGMIN FU 等: "Application of the CSAMT method to groundwater exploration in a metropolitan environment", 《GEOPHYSICS》 * |
| IMRAN HILMAN MOHAMMAD 等: "Interpretation of 1D Vector Controlled-Source Audio-Magnetotelluric (CSAMT) Data Using Full Solution Modeling", 《JOURNAL OF MATHEMATICAL AND FUNDAMENTAL SCIENCES》 * |
| 刘洋 等: "时变中值滤波技术在地震随机噪声衰减中的应用", 《石油地球物理勘探》 * |
| 张永超 等: "CSAMT 探测大采深急倾斜煤层采空区研究", 《地球物理学进展》 * |
| 苏超 等: "CSAMT 静态校正及其在煤矿采空区探测的应用", 《煤田地质与勘探》 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110989002A (zh) * | 2019-11-07 | 2020-04-10 | 吉林大学 | 地空时域电磁系统浅部低阻异常体高精度数据解释方法 |
| CN110989002B (zh) * | 2019-11-07 | 2021-01-05 | 吉林大学 | 地空时域电磁系统浅部低阻异常体数据解释方法 |
| CN111352163A (zh) * | 2020-03-03 | 2020-06-30 | 吉林大学 | 一种基于大地电磁测深的静态效应校正方法及系统 |
| CN111352163B (zh) * | 2020-03-03 | 2021-04-02 | 吉林大学 | 一种基于大地电磁测深的静态效应校正方法及系统 |
| CN113807006A (zh) * | 2021-08-13 | 2021-12-17 | 清华大学 | 基于深度学习的大地电磁数据静位移校正方法及装置 |
| CN113807006B (zh) * | 2021-08-13 | 2024-06-07 | 清华大学 | 基于深度学习的大地电磁数据静位移校正方法及装置 |
| CN113484920A (zh) * | 2021-08-17 | 2021-10-08 | 成都理工大学 | 一种频域电磁测深资料二维结构化反演方法 |
| CN113484920B (zh) * | 2021-08-17 | 2023-05-19 | 成都理工大学 | 一种频域电磁测深资料二维结构化反演方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110348568B (zh) | 2021-02-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106526693B (zh) | 裂缝识别方法和装置 | |
| CN110348568A (zh) | 一种适用于强电磁干扰地区的深部采空区探测方法 | |
| CN105259572B (zh) | 基于地震多属性参数非线性自动分类的地震相计算方法 | |
| Hsieh et al. | Lithology identification of aquifers from geophysical well logs and fuzzy logic analysis: Shui-Lin Area, Taiwan | |
| CN110133737B (zh) | 一种隐伏矿的电磁学预测方法 | |
| CN109738947A (zh) | 一种圈定砂岩型铀矿找矿远景区的物化探组合方法 | |
| CN105510993A (zh) | 前陆盆地深埋挤压型复杂膏盐岩层识别和分布预测方法 | |
| Huggenberger et al. | A sedimentological model to characterize braided river deposits for hydrogeological applications | |
| CN107356965B (zh) | 基于加权叠加噪音压制策略的反射系数反演储层预测方法 | |
| CN105005080A (zh) | 一种利用振幅比率属性识别地层圈闭尖灭线的方法 | |
| CN106154327A (zh) | 一种提高隐蔽断层识别精度的方法 | |
| Chudinova et al. | The neural network for grouping wells of different facies zones of productive layer | |
| CN107884831B (zh) | 一种基于近似支持向量机的avo类型判别方法 | |
| CN107218033A (zh) | 一种识别地层产状的方法和地层参数的反演方法 | |
| CN110412662A (zh) | 基于地震多属性深度学习的薄互层储层预测方法 | |
| CN107605471A (zh) | 一种湖相碳酸盐岩岩性测井定量识别方法 | |
| Ferhat et al. | A geoelectric approach for karst groundwater analysis | |
| CN104866664B (zh) | 一种防渗止水帷幕体施工难度预测方法 | |
| CN104122590B (zh) | 一种基于电磁勘探的油气检测方法及系统 | |
| Singh et al. | Inversion of 2-D DC resistivity data using rapid optimization and minimal complexity neural network | |
| Rahimi et al. | New approach in application of the AHP–fuzzy TOPSIS method in mineral potential mapping of the natural bitumen (Gilsonite): a case study from the Gilan-e-Gharb block, the Kermanshah, west of Iran | |
| Pabakhsh et al. | Prediction of PEF and LITH logs using MRGC approach | |
| Zhang et al. | Application of controlled-source audio-frequency magnetotellurics (CSAMT) for goaf detection: a case study in the Fangzi coal mine China | |
| Gorbunov et al. | Objective classification of high‐resolution geophysical data: Empowering the next generation of mineral exploration in Sierra Leone | |
| Kumar et al. | Enhancing subsurface contamination assessment via ensemble prediction of ground electrical property: A Colorado AMD-impacted wetland case study |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |