CN112213792A - 一种基于瞬变电磁法的含水地质体富水性预测方法 - Google Patents
一种基于瞬变电磁法的含水地质体富水性预测方法 Download PDFInfo
- Publication number
- CN112213792A CN112213792A CN202010926353.XA CN202010926353A CN112213792A CN 112213792 A CN112213792 A CN 112213792A CN 202010926353 A CN202010926353 A CN 202010926353A CN 112213792 A CN112213792 A CN 112213792A
- Authority
- CN
- China
- Prior art keywords
- water
- data
- geologic body
- rich
- transient electromagnetic
- 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
Images
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
- G01V3/18—Electric or magnetic prospecting or detecting; Measuring magnetic field characteristics of the earth, e.g. declination, deviation specially adapted for well-logging
- G01V3/26—Electric or magnetic prospecting or detecting; Measuring magnetic field characteristics of the earth, e.g. declination, deviation specially adapted for well-logging operating with magnetic or electric fields produced or modified either by the surrounding earth formation or by the detecting device
- G01V3/28—Electric or magnetic prospecting or detecting; Measuring magnetic field characteristics of the earth, e.g. declination, deviation specially adapted for well-logging operating with magnetic or electric fields produced or modified either by the surrounding earth formation or by the detecting device using induction coils
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/30—Assessment of water resources
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Remote Sensing (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Environmental & Geological Engineering (AREA)
- Geology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geophysics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Electromagnetism (AREA)
- Geophysics And Detection Of Objects (AREA)
- Pipeline Systems (AREA)
Abstract
本发明提供了一种基于瞬变电磁法的含水地质体富水性预测方法,涉及矿山安全防治技术领域。该一种基于瞬变电磁法的含水地质体富水性预测方法,包括如下步骤:步骤一、矿井瞬变电磁探测;步骤二、获取含水地质体双场信息数据和钻孔富水性信息数据;步骤三、含水地质体富水性智能判别模型构建;步骤四、含水地质体富水性预测。本发明应用于矿井瞬变电磁法的探测施工及数据处理解释,同时采用瞬变电磁扩散场及拟地震波动场“双场”信息进行富水性特征提取与样本集构建,克服瞬变电磁原始数据信息特征单一的缺点,采用深度神经网络算法对样本数据与含水地质体富水性信息的复杂非线性关系进行优化逼近,实现含水地质体富水性信息的深度发掘及分级预测。
Description
技术领域
本发明涉及矿山安全防治技术领域,具体地说是涉及一种基于瞬变电磁法的含水地质体富水性预测方法。
背景技术
瞬变电磁法是利用不接地回线或接地线源向地下发射一次脉冲磁场,在一次脉冲磁场间歇期间利用线圈或接地电极观测地下介质中引起的二次感应涡流场的一种方法。瞬变电磁法按照应用范围包含地面瞬变电磁法与矿井瞬变电磁法,其中,矿井瞬变电磁法收发装置布设于井下,广泛应用于煤矿井下掘进迎头超前、巷道与工作面顺层及顶底板水害探测领域。目前,现有矿井瞬变电磁法仅能定性判断含水地质体富水性相对强弱,无法实现含水地质体富水性的定量分级及预测。
发明内容
本发明的目的在于提供一种基于瞬变电磁法的含水地质体富水性预测方法,能够实现对含水地质体富水性的定量分级及预测。
为了达到上述目的,本发明所采用的技术解决方案如下:
一种基于瞬变电磁法的含水地质体富水性预测方法,采用矿井瞬变电磁探测系统,系统包括主机、发射源及接收点,所述主机连接发射源及接收点,包括如下步骤:
步骤一、矿井瞬变电磁探测
将发射源和接收点阵列呈直线布置,发射源布置于巷道,测点阵列布置于巷道或钻孔内;通过改变发射源、接收点阵列的相对位置建立不同的探测布置方式,根据探测任务选择不同的探测布置方式以布置发射源及接收点,由接收点按时间序列采集归一化感应电动势数据,将按时间序列采集的归一化感应电动势数据定义为原始数据,将原始数据存储至主机;
步骤二、获取含水地质体双场信息数据和钻孔富水性信息数据
对原始数据同时进行瞬变电磁扩散场数据处理和拟地震波动场数据处理,得到含水地质体双场信息数据;对巷道钻孔富水性数据提取含水饱和度及孔隙度数据作为钻孔富水性信息数据;
步骤三、含水地质体富水性智能判别模型构建
将含水地质体双场信息数据进行样本集建立,基于深度神经网络算法对样本集与钻孔富水性信息数据的复杂非线性关系进行优化逼近,得到训练后的模型;
步骤四、含水地质体富水性预测
由步骤一另外指定的接收点按时间序列采集一组归一化感应电动势数据,将按时间序列采集一组归一化感应电动势数据定义为指定原始数据,将指定原始数据按照步骤二径向瞬变电磁扩散场数据处理和拟地震波动场数据处理得到指定含水地质体双场信息数据,将指定含水地质体双场信息数据输入模型,模型输出含水饱和度及孔隙度;
由模型输出的含水饱和度及孔隙度对照如下Φ和S的判断标准得到含水地质体富水性等级,根据含水地质体富水性等级对指定的接收点位置的含水地质体富水性进行预测:
Φmin≤Φ<Φmin+(Φmax-Φmin)*0.25,Smin≤S<Smin+(Smax-Smin)*0.25,则含水地质体富水性等级为不含水;
Φmin+(Φmax-Φmin)*0.25≤Φ<Φmin+(Φmax-Φmin)*0.5,Smin+(Smax-Smin)*0.25≤S<Smin+(Smax-Smin)*0.5,则含水地质体富水性等级为较弱;
Φmin+(Φmax-Φmin)*0.5≤Φ<Φmin+(Φmax-Φmin)*0.75,Smin+(Smax-Smin)*0.5≤S<Smin+(Smax-Smin)*0.75,则含水地质体富水性等级为中等;
Φmin+(Φmax-Φmin)*0.75≤Φ<Φmax,Smin+(Smax-Smin)*0.75≤S<Smax,则含水地质体富水性等级为较强;
当由模型输出的含水饱和度及孔隙度对照如上Φ和S的判断标准得到含水地质体富水性等级不一致时,以由模型输出的孔隙度对照如上Φ的判断标准得到含水地质体富水性等级为准;
其中,
Φ为模型输出的孔隙度;
Φmin为最小孔隙度,Φmax为最大孔隙度,二者均由步骤二孔隙度数据提取;
S为模型输出的含水饱和度;
Smin为最小含水饱和度,Smax为最大含水饱和度,二者均由步骤二含水饱和度数据提取。
优选的,步骤一中,探测布置方式包括巷道掘进迎头超前探测、巷道-巷道探测及巷道-钻孔探测;
所述巷道掘进迎头超前探测,发射源及接收点均位于巷道迎头;
所述巷道-巷道探测,发射源位于巷道指定位置,接收点也位于巷道,接收点以设定间距沿巷道走向移动;
所述巷道-钻孔探测,发射源位于巷道,接收点位于钻孔中,接收点以设定间距沿钻孔轴向移动。
优选的,步骤二中,含水地质体双场信息数据包括含水地质体扩散场信息数据和水地质体波动场信息数据;
原始数据经瞬变电磁扩散场数据处理,提取感应电动势、核函数、时间、磁场、视电阻率及探测深度数据进行保存得到水地质体扩散场信息数据;
原始数据经拟地震波动场数据处理,提取虚拟波场场值、波场虚拟时间及探测深度数据进行保存得到水地质体波动场信息数据。
优选的,步骤二中,瞬变电磁扩散场数据处理步骤如下:
将原始数据导入WeTEM矿井瞬变电磁数据处理系统进行瞬变电磁扩散场数据处理,依次进行数据整理、数值滤波、视电阻率计算、反演、观测系统成图处理步骤得到深度域视电阻率数据,再从原始数据、深度域视电阻率数据及处理过程数据中提取扩散场感应电动势、核函数、时间、磁场、视电阻率及探测深度数据进行保存。
优选的,步骤二中,拟地震波动场数据处理步骤如下:
将原始数据导入MTEM波场变换数据处理系统进行拟地震波动场数据处理,采用奇异值分解算法计算波场变换反演初值,采用非线性阻尼最小二乘法进行反演迭代计算,采用共轭梯度法反演获取收敛解,随后依次进行响应校正、脉冲压缩、相关分析、多测道速度分析成像处理步骤得到深度域波场场值数据,再从深度域波场场值数据中提取虚拟波场场值、波场虚拟时间及探测深度数据进行保存。
本发明的有益技术效果是:
本发明的基于瞬变电磁法的含水地质体富水性预测方法,应用于矿井瞬变电磁法的探测施工及数据处理解释,同时采用瞬变电磁扩散场及拟地震波动场“双场”信息进行富水性特征提取与样本集构建,克服瞬变电磁原始数据信息特征单一的缺点,采用深度神经网络算法对样本数据与含水地质体富水性信息的复杂非线性关系进行优化逼近,实现含水地质体富水性信息的深度发掘及分级预测。
附图说明
图1为本发明实施例基于瞬变电磁法的含水地质体富水性预测方法的流程图;
图2为本发明实施例巷道掘进迎头超前探测布置示意图;
图3为本发明实施例巷道-巷道探测布置示意图;
图4为本发明实施例巷道-钻孔探测布置示意图;
图5为本发明实施例瞬变电磁扩散场数据处理和拟地震波动场数据处理流程图;
图6为本发明实施例含水地质体富水性智能判别模型建立与测试流程图。
具体实施方式
为使本发明的目的、技术方案和有益效果更加清楚明白,以下结合具体实施例,并参照附图,对本发明进一步详细说明。本发明某些实施例于后方将参照所附附图做更全面性地描述,其中一些但并非全部的实施例将被示出。实际上,本发明的各种实施例可以许多不同形式实现,而不应被解释为限于此数所阐述的实施例;相对地,提供这些实施例使得本发明满足适用的法律要求。
在本发明的描述中,需要说明的是,术语“内”、“外”、“上”、“下”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性。
本实施例的一种基于瞬变电磁法的含水地质体富水性预测方法,请参考图1至图6所示。
一种基于瞬变电磁法的含水地质体富水性预测方法,采用矿井瞬变电磁探测系统,系统包括主机、发射源及接收点,将主机连接发射源及接收点,方法包括如下步骤:
步骤一、矿井瞬变电磁探测
将发射源和接收点阵列呈直线布置,发射源布置于巷道,测点阵列布置于巷道或钻孔内。定义发射源的中心点作为三维坐标零点,发射源和接收点阵列所在直线为Z轴方向,Z轴的正向为发射源指向接收点的方向,X轴的正向为工作面倾向或钻孔轴向向右偏移90°方向,Y轴的正向为工作面顶板方向或钻孔轴向上偏移90°方向。通过改变发射源、接收点阵列的相对位置建立不同的探测布置方式,根据探测任务选择不同的探测布置方式以布置发射源及接收点。
探测布置方式包括巷道掘进迎头超前探测、巷道-巷道探测及巷道-钻孔探测。如图2所示,巷道掘进迎头超前探测,发射源及接收点(收发线圈)均位于巷道迎头。如图3所示,巷道-巷道探测,发射源位于巷道指定位置,接收点也位于巷道,接收点以设定间距沿巷道走向移动。如图4所示,所述巷道-钻孔探测,发射源(发射线圈)位于巷道,接收点位于钻孔中,接收点以设定间距沿钻孔轴向移动。
由接收点按时间序列采集归一化感应电动势数据,将按时间序列采集的归一化感应电动势数据定义为原始数据,将原始数据存储至主机。
步骤二、获取含水地质体双场信息数据和钻孔富水性信息数据
对原始数据同时进行瞬变电磁扩散场数据处理和拟地震波动场数据处理,得到含水地质体双场信息数据;对巷道钻孔富水性数据提取含水饱和度(巷道钻孔岩石含水饱和度)及孔隙度(巷道钻孔岩石孔隙度)数据作为钻孔富水性信息数据。
含水地质体双场信息数据包括含水地质体扩散场信息数据和水地质体波动场信息数据。将原始数据导入WeTEM矿井瞬变电磁数据处理系统进行瞬变电磁扩散场数据处理,依次进行数据整理、数值滤波、视电阻率计算、反演、观测系统成图处理步骤得到深度域视电阻率数据,再从原始数据、深度域视电阻率数据及处理过程数据中提取感应电动势、核函数、时间、磁场、视电阻率及探测深度数据进行保存得到水地质体扩散场信息数据。将原始数据导入MTEM波场变换数据处理系统进行拟地震波动场数据处理,采用奇异值分解算法计算波场变换反演初值,采用非线性阻尼最小二乘法进行反演迭代计算,采用共轭梯度法反演获取收敛解,随后依次进行响应校正、脉冲压缩、相关分析、多测道速度分析成像处理步骤得到深度域波场场值数据,再从深度域波场场值数据中提取虚拟波场场值、波场虚拟时间及探测深度数据进行保存得到水地质体波动场信息数据。如图5所示,通过以上数据处理流程,完成矿井瞬变电磁双场数据信息提取。
步骤三、含水地质体富水性智能判别模型构建
将含水地质体双场信息数据进行样本集建立,基于深度神经网络算法对样本集与钻孔富水性信息数据的复杂非线性关系进行优化逼近,得到训练后的含水地质体富水性智能判别模型。具体的,如图6所示,从水地质体扩散场信息数据中提取感应电动势、核函数、时间、磁场、视电阻率、探测深度参数,从水地质体波动场信息数据中提取虚拟波场场值、波场虚拟时间、探测深度参数,将上述参数构建为输入层参数,根据钻孔富水性信息数据提取含水饱和度、孔隙度参数,将其构建为输出层参数,形成样本数据,将输入层、输出层参数统一在深度域进行配准。基于深度神经网络算法开展网络模型设计、网络参数控制及模型训练与测试,优先增加隐含层节点神经元数,适度增加网络层数,开展深度学习模型试算,通过试算结果确定激活函数类型,取得更好的误差传递效果来防止梯度消失,采用逐层初始化的方法优化神经元连接权重,必要时进行节点丢弃,在损失函数中添加能够提供权重大小的正则项来防止过拟合。改变试算完成的学习模型参数,不断更新隐含层神经元数、初始权值、学习速率,试算优化模型训练效果。具体按照8:1:1的比例划分训练集、测试集、验证集,调整网络层数、隐含层节点神经元数、激活函数类型、学习率网络参数,设计深度神经网络模型开展训练,直至模型具备良好的性能和泛化能力为止。
步骤四、含水地质体富水性预测
由步骤一另外指定的接收点按时间序列采集一组归一化感应电动势数据,将按时间序列采集一组归一化感应电动势数据定义为指定原始数据,将指定原始数据按照步骤二径向瞬变电磁扩散场数据处理和拟地震波动场数据处理得到指定含水地质体双场信息数据,将指定含水地质体双场信息数据输入模型,模型输出含水饱和度及孔隙度;
由模型输出的含水饱和度及孔隙度对照如下Φ和S的判断标准得到含水地质体富水性等级,根据含水地质体富水性等级对指定的接收点位置的含水地质体富水性进行预测:
Φmin≤Φ<Φmin+(Φmax-Φmin)*0.25,Smin≤S<Smin+(Smax-Smin)*0.25,则含水地质体富水性等级为不含水;
Φmin+(Φmax-Φmin)*0.25≤Φ<Φmin+(Φmax-Φmin)*0.5,Smin+(Smax-Smin)*0.25≤S<Smin+(Smax-Smin)*0.5,则含水地质体富水性等级为较弱;
Φmin+(Φmax-Φmin)*0.5≤Φ<Φmin+(Φmax-Φmin)*0.75,Smin+(Smax-Smin)*0.5≤S<Smin+(Smax-Smin)*0.75,则含水地质体富水性等级为中等;
Φmin+(Φmax-Φmin)*0.75≤Φ<Φmax,Smin+(Smax-Smin)*0.75≤S<Smax,则含水地质体富水性等级为较强;
当由模型输出的含水饱和度及孔隙度对照如上Φ和S的判断标准得到含水地质体富水性等级不一致时,以由模型输出的孔隙度对照如上Φ的判断标准得到含水地质体富水性等级为准;
其中,
Φ为模型输出的孔隙度;
Φmin为最小孔隙度(巷道钻孔岩石最小孔隙度),Φmax为最大孔隙度(巷道钻孔岩石最大孔隙度),二者均由步骤二孔隙度数据提取;
S为模型输出的含水饱和度;
Smin为最小含水饱和度(巷道钻孔岩石最小含水饱和度),Smax为最大含水饱和度(巷道钻孔岩石最大含水饱和度),二者均由步骤二含水饱和度数据提取。
至此,已经结合附图对本实施例进行了详细描述。依据以上描述,本领域技术人员应当对本发明一种基于瞬变电磁法的含水地质体富水性预测方法有了清楚的认识。本发明应用于矿井瞬变电磁法的探测施工及数据处理解释,同时采用瞬变电磁扩散场及拟地震波动场“双场”信息进行富水性特征提取与样本集构建,克服瞬变电磁原始数据信息特征单一的缺点,采用深度神经网络算法对样本数据与含水地质体富水性信息的复杂非线性关系进行优化逼近,实现含水地质体富水性信息的深度发掘及分级预测。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于瞬变电磁法的含水地质体富水性预测方法,采用矿井瞬变电磁探测系统,系统包括主机、发射源及接收点,所述主机连接发射源及接收点,其特征在于,包括如下步骤:
步骤一、矿井瞬变电磁探测
将发射源和接收点阵列呈直线布置,发射源布置于巷道,测点阵列布置于巷道或钻孔内;通过改变发射源、接收点阵列的相对位置建立不同的探测布置方式,根据探测任务选择不同的探测布置方式以布置发射源及接收点,由接收点按时间序列采集归一化感应电动势数据,将按时间序列采集的归一化感应电动势数据定义为原始数据,将原始数据存储至主机;
步骤二、获取含水地质体双场信息数据和钻孔富水性信息数据
对原始数据同时进行瞬变电磁扩散场数据处理和拟地震波动场数据处理,得到含水地质体双场信息数据;对巷道钻孔富水性数据提取含水饱和度及孔隙度数据作为钻孔富水性信息数据;
步骤三、含水地质体富水性智能判别模型构建
将含水地质体双场信息数据进行样本集建立,基于深度神经网络算法对样本集与钻孔富水性信息数据的复杂非线性关系进行优化逼近,得到训练后的模型;
步骤四、含水地质体富水性预测
由步骤一另外指定的接收点按时间序列采集一组归一化感应电动势数据,将按时间序列采集一组归一化感应电动势数据定义为指定原始数据,将指定原始数据按照步骤二径向瞬变电磁扩散场数据处理和拟地震波动场数据处理得到指定含水地质体双场信息数据,将指定含水地质体双场信息数据输入模型,模型输出含水饱和度及孔隙度;
由模型输出的含水饱和度及孔隙度对照如下Φ和S的判断标准得到含水地质体富水性等级,根据含水地质体富水性等级对指定的接收点位置的含水地质体富水性进行预测:
Φmin≤Φ<Φmin+(Φmax-Φmin)*0.25,Smin≤S<Smin+(Smax-Smin)*0.25,则含水地质体富水性等级为不含水;
Φmin+(Φmax-Φmin)*0.25≤Φ<Φmin+(Φmax-Φmin)*0.5,Smin+(Smax-Smin)*0.25≤S<Smin+(Smax-Smin)*0.5,则含水地质体富水性等级为较弱;
Φmin+(Φmax-Φmin)*0.5≤Φ<Φmin+(Φmax-Φmin)*0.75,Smin+(Smax-Smin)*0.5≤S<Smin+(Smax-Smin)*0.75,则含水地质体富水性等级为中等;
Φmin+(Φmax-Φmin)*0.75≤Φ<Φmax,Smin+(Smax-Smin)*0.75≤S<Smax,则含水地质体富水性等级为较强;
当由模型输出的含水饱和度及孔隙度对照如上Φ和S的判断标准得到含水地质体富水性等级不一致时,以由模型输出的孔隙度对照如上Φ的判断标准得到含水地质体富水性等级为准;
其中,
Φ为模型输出的孔隙度;
Φmin为最小孔隙度,Φmax为最大孔隙度,二者均由步骤二孔隙度数据提取;
S为模型输出的含水饱和度;
Smin为最小含水饱和度,Smax为最大含水饱和度,二者均由步骤二含水饱和度数据提取。
2.根据权利要求1所述的一种基于瞬变电磁法的含水地质体富水性预测方法,其特征在于,步骤一中,探测布置方式包括巷道掘进迎头超前探测、巷道-巷道探测及巷道-钻孔探测;
所述巷道掘进迎头超前探测,发射源及接收点均位于巷道迎头;
所述巷道-巷道探测,发射源位于巷道指定位置,接收点也位于巷道,接收点以设定间距沿巷道走向移动;
所述巷道-钻孔探测,发射源位于巷道,接收点位于钻孔中,接收点以设定间距沿钻孔轴向移动。
3.根据权利要求1所述的一种基于瞬变电磁法的含水地质体富水性预测方法,其特征在于:步骤二中,含水地质体双场信息数据包括含水地质体扩散场信息数据和水地质体波动场信息数据;
原始数据经瞬变电磁扩散场数据处理,提取感应电动势、核函数、时间、磁场、视电阻率及探测深度数据进行保存得到水地质体扩散场信息数据;
原始数据经拟地震波动场数据处理,提取虚拟波场场值、波场虚拟时间及探测深度数据进行保存得到水地质体波动场信息数据。
4.根据权利要求3所述的一种基于瞬变电磁法的含水地质体富水性预测方法,其特征在于,步骤二中,瞬变电磁扩散场数据处理步骤如下:
将原始数据导入WeTEM矿井瞬变电磁数据处理系统进行瞬变电磁扩散场数据处理,依次进行数据整理、数值滤波、视电阻率计算、反演、观测系统成图处理步骤得到深度域视电阻率数据,再从原始数据、深度域视电阻率数据及处理过程数据中提取扩散场感应电动势、核函数、时间、磁场、视电阻率及探测深度数据进行保存。
5.根据权利要求3所述的一种基于瞬变电磁法的含水地质体富水性预测方法,其特征在于,步骤二中,拟地震波动场数据处理步骤如下:
将原始数据导入MTEM波场变换数据处理系统进行拟地震波动场数据处理,采用奇异值分解算法计算波场变换反演初值,采用非线性阻尼最小二乘法进行反演迭代计算,采用共轭梯度法反演获取收敛解,随后依次进行响应校正、脉冲压缩、相关分析、多测道速度分析成像处理步骤得到深度域波场场值数据,再从深度域波场场值数据中提取虚拟波场场值、波场虚拟时间及探测深度数据进行保存。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010926353.XA CN112213792B (zh) | 2020-09-07 | 2020-09-07 | 一种基于瞬变电磁法的含水地质体富水性预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010926353.XA CN112213792B (zh) | 2020-09-07 | 2020-09-07 | 一种基于瞬变电磁法的含水地质体富水性预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112213792A true CN112213792A (zh) | 2021-01-12 |
CN112213792B CN112213792B (zh) | 2023-05-16 |
Family
ID=74050232
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010926353.XA Active CN112213792B (zh) | 2020-09-07 | 2020-09-07 | 一种基于瞬变电磁法的含水地质体富水性预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112213792B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113568051A (zh) * | 2021-07-19 | 2021-10-29 | 中国煤炭地质总局物测队 | 一种基于数理统计的瞬变电磁辅助解释方法 |
CN113568056A (zh) * | 2021-07-16 | 2021-10-29 | 北京大学 | 一种基于卷积神经网络的航空瞬变电磁数据反演方法 |
CN113568055A (zh) * | 2021-07-16 | 2021-10-29 | 北京大学 | 一种基于lstm网络的航空瞬变电磁数据反演方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170235012A1 (en) * | 2016-02-17 | 2017-08-17 | Baker Hughes Incorporated | Method and apparatus for estimating formation properties using transient electromagnetic measurements while drilling |
CN109190292A (zh) * | 2018-09-26 | 2019-01-11 | 山东科技大学 | 基于测井资料的含水层富水性预测方法 |
US20190391293A1 (en) * | 2018-06-20 | 2019-12-26 | Institute of Geology and Geophysics, Chinese Acade my of Sciences | Correction method for transient electromagnetic method-based prediction of water-bearing structure ahead of tunnel wall |
CN110967773A (zh) * | 2019-12-23 | 2020-04-07 | 中国煤炭地质总局地球物理勘探研究院 | 煤层内部富水性计算方法、装置及电子设备 |
-
2020
- 2020-09-07 CN CN202010926353.XA patent/CN112213792B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170235012A1 (en) * | 2016-02-17 | 2017-08-17 | Baker Hughes Incorporated | Method and apparatus for estimating formation properties using transient electromagnetic measurements while drilling |
US20190391293A1 (en) * | 2018-06-20 | 2019-12-26 | Institute of Geology and Geophysics, Chinese Acade my of Sciences | Correction method for transient electromagnetic method-based prediction of water-bearing structure ahead of tunnel wall |
CN109190292A (zh) * | 2018-09-26 | 2019-01-11 | 山东科技大学 | 基于测井资料的含水层富水性预测方法 |
CN110967773A (zh) * | 2019-12-23 | 2020-04-07 | 中国煤炭地质总局地球物理勘探研究院 | 煤层内部富水性计算方法、装置及电子设备 |
Non-Patent Citations (2)
Title |
---|
刘百祥;鲜鹏辉;仇念广;: "瞬变电磁法在探查工作面上覆煤层采空区富水性中的应用", 煤矿安全 * |
邱浩: "煤层气富集矿井采空区瞬变电磁波场变换成像技术", 《重庆大学学报》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113568056A (zh) * | 2021-07-16 | 2021-10-29 | 北京大学 | 一种基于卷积神经网络的航空瞬变电磁数据反演方法 |
CN113568055A (zh) * | 2021-07-16 | 2021-10-29 | 北京大学 | 一种基于lstm网络的航空瞬变电磁数据反演方法 |
CN113568051A (zh) * | 2021-07-19 | 2021-10-29 | 中国煤炭地质总局物测队 | 一种基于数理统计的瞬变电磁辅助解释方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112213792B (zh) | 2023-05-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112213792A (zh) | 一种基于瞬变电磁法的含水地质体富水性预测方法 | |
US6541975B2 (en) | Integrated borehole system for reservoir detection and monitoring | |
US7366616B2 (en) | Computer-based method for while-drilling modeling and visualization of layered subterranean earth formations | |
US9081117B2 (en) | Method and apparatus for predicting petrophysical properties from NMR data in carbonate rocks | |
US7814036B2 (en) | Processing well logging data with neural network | |
EP2310880B1 (en) | Systems and methods employing cooperative optimization-based dimensionality reduction | |
CN106970424A (zh) | 一种煤矿井下孔巷瞬变电磁叠加超前探测装置及方法 | |
US20030223620A1 (en) | Methods of producing images of underground formations surrounding a borehole | |
CN100429529C (zh) | 利用全波列、偶极横波测井资料确定气层的方法 | |
CN103370638B (zh) | 地下和井筒位置数据的质量控制 | |
US20140019057A1 (en) | Microseismic Event Verification Using Sub-stacks | |
CA2719537A1 (en) | Lithofacies classification system and method | |
CN108875122A (zh) | 利用随钻测井数据计算地质参数的人工智能方法和系统 | |
Paasche et al. | Automated integration of partially colocated models: Subsurface zonation using a modified fuzzy c-means cluster analysis algorithm | |
CN107807410A (zh) | 储层地球物理敏感参数优选方法及系统 | |
CN103821495A (zh) | 测井方法 | |
CN110320576A (zh) | 超前地质预报方法、装置及存储介质 | |
CN113189672B (zh) | 一种基于多属性反演的隧道超前地质预报方法 | |
US11061159B2 (en) | Electromagnetic response data inversion using singular value decomposition | |
Sarkheil et al. | The fracture network modeling in naturally fractured reservoirs using artificial neural network based on image loges and core measurements | |
WO2020117202A1 (en) | Low frequency complex resistivity measurement in a formation | |
CN113514884A (zh) | 一种致密砂岩储层预测方法 | |
Billings et al. | Requirements for unexploded ordnance detection and discrimination in the marine environment using magnetic and electromagnetic sensors | |
CN112987091A (zh) | 储层检测方法、装置、电子设备和存储介质 | |
Plata et al. | The potential of the qualitative interpretation of MRS data: hydrogeophysical study of the Lagoons of Estaña (Spain) |
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 |