CN114386464A - 一种瞬变电磁激电信息的深度学习提取方法 - Google Patents

一种瞬变电磁激电信息的深度学习提取方法 Download PDF

Info

Publication number
CN114386464A
CN114386464A CN202210032176.XA CN202210032176A CN114386464A CN 114386464 A CN114386464 A CN 114386464A CN 202210032176 A CN202210032176 A CN 202210032176A CN 114386464 A CN114386464 A CN 114386464A
Authority
CN
China
Prior art keywords
training
polarizability
neural network
layer
model
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
Application number
CN202210032176.XA
Other languages
English (en)
Other versions
CN114386464B (zh
Inventor
张顺
周楠楠
薛国强
魏新昊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Institute of Geology and Geophysics of CAS
Original Assignee
Institute of Geology and Geophysics of CAS
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Institute of Geology and Geophysics of CAS filed Critical Institute of Geology and Geophysics of CAS
Priority to CN202210032176.XA priority Critical patent/CN114386464B/zh
Publication of CN114386464A publication Critical patent/CN114386464A/zh
Application granted granted Critical
Publication of CN114386464B publication Critical patent/CN114386464B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Geophysics And Detection Of Objects (AREA)

Abstract

本发明公开一种瞬变电磁激电信息的深度学习提取方法，包括步骤一、建立地电模型，步骤二、计算一维电磁‑激电综合响应，利用响应和对应的电模型的参数共同构成数据集，并对数据集进行分割，步骤三、建立LSTM神经网络模型并进行训练，步骤四、对训练后的神经网络进行测试，步骤五、训练后的LSTM神经网络模型的应用；本发明建立了LSTM深度神经网络模型并结合瞬变电磁一维正演程序获得了电磁‑激电综合响应到地层极化率之间的映射，实现“端到端”地获取地层极化率信息，收敛速度快、效果好，同时建立的模型一经训练完成，便可直接用于野外数据的处理中，节省了计算成本，快捷、准确的提取出地层的极化率信息。

Description

一种瞬变电磁激电信息的深度学习提取方法
技术领域
本发明涉及资源能源人工源电磁勘探技术领域，尤其涉及一种瞬变电磁激电信息的深度学习提取方法。
背景技术
电磁勘探技术是探测隐伏矿床越来越重要的手段，为了实现深部矿产资源的精确探测，需要精细化电磁勘探技术的理论、方法、技术与应用，作为一种高效率、高效益及高分辨率的电磁方法，瞬变电磁法依据矿体与围岩的电阻率差异在岩浆硫化物矿床、火山成因块状硫化物矿床等矿产资源深部勘探中发挥了重要作用；
但是硫化物矿体通常表现出较高的极化率，容易引起瞬变电磁实测数据的改变，甚至会出现畸变及符号反转等现象，实测的瞬变电磁响应往往也包含激电响应，这增加了反演的多解性，如何准确地从综合响应中提取出电阻率、极化率等信息变成了尤为重要的一步；
目前通常先利用早期数据反演获得电阻率，然后利用反演得到的电阻率信息正演得到电磁响应，从观测的数据中减去电磁响应得到激电响应，进一步对激电响应反演获得极化率等信息，然而，野外实测的早期数据也包含激电响应，传统反演方法存在步骤复杂、计算量大及严重依赖解释人员经验的问题，因此，本发明提出一种瞬变电磁激电信息的深度学习提取方法以解决现有技术中存在的问题。
发明内容
针对上述问题，本发明的目的在于提出一种瞬变电磁激电信息的深度学习提取方法，该瞬变电磁激电信息的深度学习提取方法实现“端到端”地获取地层极化率信息，收敛速度快、效果好，同时建立的模型训练完成后可直接用于野外数据的处理中，节省了计算成本，快捷、准确的提取出地层的极化率信息。
为实现本发明的目的，本发明通过以下技术方案实现：一种瞬变电磁激电信息的深度学习提取方法，包括以下步骤：
步骤一、根据地质信息构建三层构造的简化地电模型，并在地电模型中加入地层厚度、电阻率和地层的极化率信息；
步骤二、根据瞬变电磁一维正演程序，计算地电模型的一维电磁-激电综合响应，得到综合响应数据集并进行分割得到训练集和测试集；
步骤三、构建LSTM神经网络模型，并以综合响应数据集分割的训练集作为输入，以地层的极化率作为标签输出对LSTM神经网络模型进行训练，得到训练好的LSTM神经网络模型；
步骤四、使用综合响应数据集分割得到的测试集作为输入，以地层的极化率作为标签输出对训练好的LSTM神经网络模型进行测试，获得最终的神经网络模型；
步骤五、将采集的瞬变电磁数据导入至最终的神经网络模型中，获得预测的地层极化率信息输出，完成电磁-激电综合响应中的极化率信息提取。
进一步改进在于：所述步骤一中采用python中的随机函数生成地电模型中每层极化率，第一层和第三层的极化率m1和m3取值在[0-0.1]之间，第二层的极化率m2取值在[0.10-0.98]之间。
进一步改进在于：所述步骤二中计算地电模型的一维电磁-激电综合响应前，先根据Cole-Cole模型正演理论，设置发射源为1500米，偏移距为1000米，采集时间点数为20；训练集和测试集的分割比为4:1。
进一步改进在于：所述步骤三中LSTM神经网络模型包含输入层、第一隐含层、第二隐含层和输出层。
进一步改进在于：所述第一隐含层和第二隐含层包含多组LSTM神经元，所述第二隐含层与输出层之间通过全连接层连接。
进一步改进在于：所述步骤三在训练过程中，批大小为64，训练轮数为20，训练时根据MSE计算损失函数，损失函数采用均方根误差，优化器为Adam，训练学习率为0.001，训练时根据反向误差传播原理调整权重矩阵，直至完成训练。
进一步改进在于：所述完成训练的判断标准为损失函数的值满足小于设定阈值和达到训练次数其中的一种即视为完成训练。
进一步改进在于：所述步骤四中利用测试集对训练好的LSTM神经网络模型的泛化能力和预测效果进行测试。
本发明的有益效果为：本发明建立了LSTM深度神经网络模型并结合瞬变电磁一维正演程序获得了电磁-激电综合响应到地层极化率之间的映射，实现“端到端”地获取地层极化率信息，收敛速度快、效果好，同时建立的模型一经训练完成，便可直接用于野外数据的处理中，节省了计算成本，快捷、准确的提取出地层的极化率信息。
附图说明
图1为本发明实施例一技术路线示意图。
图2为本发明实施例一地电模型示意图。
图3为本发明实施例二应用流程图。
图4为本发明实施例二训练误差曲线图。
图5为本发明实施例二实际极化率与预测极化率对比图。
图6为本发明实施例二L103-176测点衰减曲线图。
图7为本发明实施例二L103-176测点预测极化率信息图。
图8为本发明实施例二矿集区钻孔地层信息图。
具体实施方式
为了加深对本发明的理解，下面将结合实施例对本发明做进一步详述，本实施例仅用于解释本发明，并不构成对本发明保护范围的限定。
根据图1和图2所示，本实施例提供了一种瞬变电磁激电信息的深度学习提取方法，包括以下步骤：
步骤一、根据地质信息构建1200个三层构造的简化地电模型，并在地电模型中加入地层厚度(h1，h2，h3)、电阻率和地层的极化率信息(m1，m2，m3)；
其中采用python中的随机函数生成地电模型中每层极化率，第一层和第三层的极化率m1和m3取值在[0-0.1]之间，第二层的极化率m2取值在[0.10-0.98]之间；
步骤二、先根据Cole-Cole模型正演理论，设置发射源为1500米，偏移距为1000米，采集时间点数为20，再根据瞬变电磁一维正演程序，计算地电模型的一维电磁-激电综合响应，得到综合响应数据集并进行分割得到训练集和测试集，训练集和测试集的分割比为4:1；
步骤三、构建包含输入层、第一隐含层、第二隐含层和输出层的LSTM神经网络模型，并以综合响应数据集分割的训练集作为输入，以地层的极化率作为标签输出对LSTM神经网络模型进行训练，得到训练好的LSTM神经网络模型；
其中第一隐含层和第二隐含层包含多组LSTM神经元，第二隐含层与输出层之间通过全连接层连接；
在训练过程中，批大小为64，训练轮数为20，训练时根据MSE计算损失函数，损失函数采用均方根误差，优化器为Adam，训练学习率为0.001，训练时根据反向误差传播原理调整权重矩阵，当损失函数的值满足小于设定阈值和达到训练次数其中的一种，即为完成训练；
步骤四、使用综合响应数据集分割得到的测试集作为输入，以地层的极化率作为标签输出对训练好的LSTM神经网络模型的泛化能力和预测效果进行测试，获得最终的神经网络模型；
步骤五、将采集的瞬变电磁数据导入至最终的神经网络模型中，获得预测的地层极化率信息输出，完成电磁-激电综合响应中的极化率信息提取。
实施例二
根据图1-图8所示，本实施例提供了一种瞬变电磁激电信息的深度学习提取方法，提取新疆喀拉通克铜镍矿集区地层的极化率信息，构建LSTM神经元的结构如说明书附图1所示，Ex-T1是在T1时刻观测到的电磁-激电综合响应的电场分量，其余输入同理，经过LSTM神经元的处理，其输出不仅和该时刻的响应有关，还和上一时刻的响应有关。
该矿区内出露地层主要为下石炭统南明水组(C1n)。南明水组上段是区内主要含矿岩体的围岩。块状铜镍矿石和第三系的电阻率(ms)都较低。表层第四系的ms一般比较高。矿体、矿化岩体、炭质围岩的极化率都较高，其中块状富矿体及富含石墨和黄铁矿的围岩的极化率最高。近地表的地层、不含炭和黄铁矿的围岩及岩体的极化率都很低。矿区铜镍矿体具有强磁性、高密度、高极化率、低电阻率的特征，为激电信息的深度学习提取提提供了有力条件。
如说明书附图3所示为实例应用的流程图，根据新疆的地质信息构建先验地质模型，在先验模型中加入地层厚度、电阻率及极化率等信息，使得训练得到LSTM深度神经网络能更好的解决实际的地质问题。将新疆地下结构按照极化率简化为三层模型。构建模型的数量为1200，各层的参数如下表1所示，其中各层的极化率为对应范围内的取值。
表1模型参数列表
Figure BDA0003466949050000031
Figure BDA0003466949050000041
通过一维正演，得到模型的电磁-激电综合响应。每个模型的响应为长度为20的一维时间序列数据。训练神经网络时，以综合响应为输入，以地层的极化率为输出。
构建LSTM神经网络如说明书附图1所示，含有两个隐含层。训练前，将数据集划分为训练集和测试集。训练集和测试集的分割比为4:1。训练过程中，批大小设置为64，训练轮数为20。损失函数采用均方根误差，优化器选择Adam，学习率设置为0.001。MSE随训练轮数的增加的衰减情况如说明书附图4所示，可见该模型的收敛速度较快，收敛效果较好。
模型训练完成后，应用测试集对模型的泛化能力和预测效果进行测试，部分模型的预测效果如说明书附图5所示。从图中可以看出，预测的极化率信息能很好的和实际极化率信息吻合。
模型训练完成后，利用实测数据对神经网络进行初步应用。新疆喀拉通克铜镍矿集区测区的数据采集工作采用电性源瞬变电磁法。测线L103位于测区的东南部，走向垂直于矿脉的延伸方向。测线L103的收发距为1000米，电场观测的基频为1Hz。发射线长度为1.5Km，发射电流为10A，接收电极距40m。
选取176号测点的实测电磁-激电响应数据进行地下极化率信息的预测。该测点的综合响应衰减曲线如说明书附图6所示，由于地下存在高极化率铜镍矿体，衰减曲线出现了明显的符号反转现象。
将该测点的响应作为输入，通过神经网络的处理，得出预测的地下极化率信息，如说明书附图7所示。
将预测极化率信息和说明书附图8所示的钻井地层信息对比，可以看出深度学习能准确的预测出高极化率的矿体的存在，而且预测出上下围岩的极化率几乎为零。预测出的地下结构为低极化率围岩夹高极化率薄层，与已知钻孔地质信息基本吻合。
以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (8)

1.一种瞬变电磁激电信息的深度学习提取方法，其特征在于，包括以下步骤：
步骤一、根据地质信息构建三层构造的简化地电模型，并在地电模型中加入地层厚度、电阻率和地层的极化率信息；
步骤二、根据瞬变电磁一维正演程序，计算地电模型的一维电磁-激电综合响应，利用响应和对应的电模型的参数共同构成数据集，并进行分割得到训练集和测试集；
步骤三、构建LSTM神经网络模型，并以综合响应数据集分割的训练集作为输入，以地层的极化率作为标签输出对LSTM神经网络模型进行训练，得到训练好的LSTM神经网络模型；
步骤四、使用综合响应数据集分割得到的测试集作为输入，以地层的极化率作为标签输出对训练好的LSTM神经网络模型进行测试，获得最终的神经网络模型；
步骤五、将在野外测区采集的瞬变电磁数据导入至最终的神经网络模型中，获得预测的地层极化率信息输出，完成电磁-激电综合响应中的极化率信息提取。
2.根据权利要求1所述的一种瞬变电磁激电信息的深度学习提取方法，其特征在于：所述步骤一中采用python中的随机函数生成地电模型中每层极化率，第一层和第三层的极化率m1和m3取值在[0-0.1]之间，第二层的极化率m2取值在[0.10-0.98]之间。
3.根据权利要求1所述的一种瞬变电磁激电信息的深度学习提取方法，其特征在于：所述步骤二中计算地电模型的一维电磁-激电综合响应前，先根据Cole-Cole模型正演理论，设置发射源为1500米，偏移距为1000米，采集时间点数为20；训练集和测试集的分割比为4:1。
4.根据权利要求1所述的一种瞬变电磁激电信息的深度学习提取方法，其特征在于：所述步骤三中LSTM神经网络模型包含输入层、第一隐含层、第二隐含层和输出层。
5.根据权利要求4所述的一种瞬变电磁激电信息的深度学习提取方法，其特征在于：所述第一隐含层和第二隐含层包含多组LSTM神经元，所述第二隐含层与输出层之间通过全连接层连接。
6.根据权利要求1所述的一种瞬变电磁激电信息的深度学习提取方法，其特征在于：所述步骤三在训练过程中，批大小为64，训练轮数为20，训练时根据MSE计算损失函数，损失函数采用均方根误差，优化器为Adam，训练学习率为0.001，训练时根据反向误差传播原理调整权重矩阵，直至完成训练。
7.根据权利要求1所述的一种瞬变电磁激电信息的深度学习提取方法，其特征在于：所述完成训练的判断标准为损失函数的值满足小于设定阈值和达到训练次数其中的一种即视为完成训练。
8.根据权利要求1所述的一种瞬变电磁激电信息的深度学习提取方法，其特征在于：所述步骤四中利用测试集对训练好的LSTM神经网络模型的泛化能力和预测效果进行测试。
CN202210032176.XA 2022-01-12 2022-01-12 一种瞬变电磁激电信息的深度学习提取方法 Active CN114386464B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210032176.XA CN114386464B (zh) 2022-01-12 2022-01-12 一种瞬变电磁激电信息的深度学习提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210032176.XA CN114386464B (zh) 2022-01-12 2022-01-12 一种瞬变电磁激电信息的深度学习提取方法

Publications (2)

Publication Number Publication Date
CN114386464A true CN114386464A (zh) 2022-04-22
CN114386464B CN114386464B (zh) 2023-04-18

Family

ID=81201506

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210032176.XA Active CN114386464B (zh) 2022-01-12 2022-01-12 一种瞬变电磁激电信息的深度学习提取方法

Country Status (1)

Country Link
CN (1) CN114386464B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115829001A (zh) * 2022-11-08 2023-03-21 中国科学院地质与地球物理研究所 一种瞬变电磁-激电场分离及多参数信息提取方法和系统
CN116859478A (zh) * 2023-09-05 2023-10-10 中国地质大学（武汉） 一种基于瞬变电磁法成像的地下水模拟方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105116452A (zh) * 2015-08-24 2015-12-02 中国石油天然气集团公司 一种确定地质异常体电阻率和极化率的方法和装置
CN110673218A (zh) * 2019-09-05 2020-01-10 中国科学院地质与地球物理研究所 一种接地导线源瞬变电磁响应中ip信息的提取方法
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
CN113807020A (zh) * 2021-09-28 2021-12-17 成都理工大学 基于深度学习约束的大地电磁反演方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105116452A (zh) * 2015-08-24 2015-12-02 中国石油天然气集团公司 一种确定地质异常体电阻率和极化率的方法和装置
CN110673218A (zh) * 2019-09-05 2020-01-10 中国科学院地质与地球物理研究所 一种接地导线源瞬变电磁响应中ip信息的提取方法
US20210341638A1 (en) * 2019-09-05 2021-11-04 Institute Of Geology And Geophysics Chinese Academy Of Sciences (Iggcas) Method for Extracting IP Information from Grounded-wire Transient Electromagnetic Response
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
CN113807020A (zh) * 2021-09-28 2021-12-17 成都理工大学 基于深度学习约束的大地电磁反演方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115829001A (zh) * 2022-11-08 2023-03-21 中国科学院地质与地球物理研究所 一种瞬变电磁-激电场分离及多参数信息提取方法和系统
US11892588B1 (en) 2022-11-08 2024-02-06 Institute Of Geology And Geophysics, Chinese Academy Of Sciences Method and system for transient electromagnetic-induced polarization field separation and multi-parameter information extraction
CN116859478A (zh) * 2023-09-05 2023-10-10 中国地质大学（武汉） 一种基于瞬变电磁法成像的地下水模拟方法及系统
CN116859478B (zh) * 2023-09-05 2023-11-28 中国地质大学（武汉） 一种基于瞬变电磁法成像的地下水模拟方法及系统

Also Published As

Publication number Publication date
CN114386464B (zh) 2023-04-18

Similar Documents

Publication Publication Date Title
He et al. Transition probability‐based stochastic geological modeling using airborne geophysical data and borehole data
CN114386464B (zh) 一种瞬变电磁激电信息的深度学习提取方法
CN110133737B (zh) 一种隐伏矿的电磁学预测方法
CN105607146B (zh) 一种曲流河砂体规模的定量表征方法
CN104656157B (zh) 一种识别页岩气甜点区的方法及装置
CN107748399B (zh) 利用重力界面反演识别山前带深部构造层方法
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
CN108005646B (zh) 基于随钻电磁波测井资料的地层各向异性电阻率提取方法
CN108804728B (zh) 水平井地层储层分级分析方法及计算机可读存储介质
CN103345001A (zh) 一种测定古湖泊水深的方法
CN109143399B (zh) 一种识别碳酸盐岩层序界面的方法
Marker et al. Performance evaluation of groundwater model hydrostratigraphy from airborne electromagnetic data and lithological borehole logs
CN108345719A (zh) 一种大斜度井/水平井随钻电磁波测井资料钻后反演方法
CN113970796B (zh) 精确恢复沉积盆地古水深的方法
Ogbamikhumi et al. Velocity modelling and depth conversion uncertainty analysis of onshore reservoirs in the Niger Delta basin
CN110532507B (zh) 一种提高水平井致密油储层钻遇率的方法
CN105467461B (zh) 一种利用二维视电阻率数据识别地质异常体的方法
Venkateswara Rao et al. Hydrogeophysical investigations in a typical Khondalitic terrain to delineate the kaolinised layer using resistivity imaging
Riley et al. Passive seismic HVSR surveying for groundwater exploration at the Chilalo Graphite Project, Tanzania
CN105044782A (zh) 一种海洋地下介质总有机碳含量的获取方法
CN115857047A (zh) 一种地震储层综合预测方法
CN114580765A (zh) 基于多模型区回归算法的区域矿产资源量估算方法和系统
Høyer et al. Challenges in geophysical mapping of glaciotectonic structures
CN109598049B (zh) 钻孔岩石裂隙发育程度及区域岩石裂隙发育规律的方法
CN112906242B (zh) 一种基于朴素贝叶斯法与邻近分类法相结合的地球物理建模方法

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