CN115220119B - 一种适用于大规模数据的重力反演方法 - Google Patents
一种适用于大规模数据的重力反演方法 Download PDFInfo
- Publication number
- CN115220119B CN115220119B CN202210708493.9A CN202210708493A CN115220119B CN 115220119 B CN115220119 B CN 115220119B CN 202210708493 A CN202210708493 A CN 202210708493A CN 115220119 B CN115220119 B CN 115220119B
- Authority
- CN
- China
- Prior art keywords
- value
- sensitivity matrix
- calculation
- gravity
- vector
- 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.)
- Active
Links
- 230000005484 gravity Effects 0.000 title claims abstract description 48
- 238000000034 method Methods 0.000 title claims abstract description 46
- 239000011159 matrix material Substances 0.000 claims abstract description 59
- 230000035945 sensitivity Effects 0.000 claims abstract description 45
- 238000004364 calculation method Methods 0.000 claims abstract description 43
- 239000013598 vector Substances 0.000 claims abstract description 36
- 230000006870 function Effects 0.000 claims abstract description 30
- 238000012545 processing Methods 0.000 claims abstract description 6
- 230000006641 stabilisation Effects 0.000 claims description 5
- 238000011105 stabilization Methods 0.000 claims description 5
- 238000005259 measurement Methods 0.000 claims description 4
- 230000003247 decreasing effect Effects 0.000 claims description 3
- 238000000638 solvent extraction Methods 0.000 claims description 2
- 230000017105 transposition Effects 0.000 claims description 2
- IXEVGHXRXDBAOB-BREBYQMCSA-N [(1r,3r,4r)-4,7,7-trimethyl-3-bicyclo[2.2.1]heptanyl] 2-thiocyanatoacetate Chemical compound C1C[C@@]2(C)[C@H](OC(=O)CSC#N)C[C@@H]1C2(C)C IXEVGHXRXDBAOB-BREBYQMCSA-N 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002500 effect on skin Effects 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V7/00—Measuring gravitational fields or waves; Gravimetric prospecting or detecting
Landscapes
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Geophysics (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开一种可适用于大规模数据的重力反演方法及处理终端,所述方法包括:步骤1:引入深度加权矩阵构建重力反演的目标函数;步骤2:采用共轭梯度算法求解目标函数的梯度,并且在求解过程中,引入惩罚函数且按相应规则,在迭代过程中求解正则化参数;步骤3:采用快速法计算出的灵敏度矩阵来替代前述步骤中的灵敏度矩阵,以降低对内存的要求,在灵敏度矩阵与其他向量相乘过程中,采用灵敏度矩阵的每一行与向量来相乘。本发明降低了重力反演对内存资源的要求,提高了计算效率,能够很好地适应于大规模数据的重力反演中。
Description
技术领域
本发明涉及重力反演技术领域,具体是一种适用于大规模数据的重力反演方法。
背景技术
重力反演构建三维地质模型,是地质工作者了解地球深部构造、认知地下结构的重要手段。尤其是,面向调查研究程度低地区,比如深海远洋等,采用移动平台重力测量快速获取数据,随后对获取的数据进行处理和解释,能够进一步判明地下地质结构、识别深部构造特征、寻找隐伏矿床等,提高对该地区深部结构的认识,为地质调查工作的深入开展提供服务。同时,随着地质调查研究工作的深入,对三维密度模型精细化程度提出了更高的要求,也就要求更大比例尺的观测数据和更加精细的关于重力密度分布的地下网格模型,基于重力数据构建大范围、高分辨率三维密度模型,涉及的数据量大、计算量大,对计算机内存要求高。在现有的重力反演方法中,往往因计算机硬件资源(例如内存容量)受限制,导致对大规模数据的重力反演无法进行,并且即使可以进行也因数据量庞大而导致反演速率慢。
发明内容
针对现有技术的不足,本发明的目的之一是提供一种可适用于大规模数据的重力反演方法,其能够适用于大规模数据的重力反演的问题;
本发明的目的之二是提供一种处理终端,其能够适用于大规模数据的重力反演的问题。
实现本发明的目的之一的技术方案为:一种可适用于大规模数据的重力反演方法,包括如下步骤:
步骤1:按公式①建立重力反演的目标函数φw:
式中,W表示深度加权矩阵,φd(m)表示关于m的拟合函数,φs(m) 表示关于m的稳定函数,m表示地下密度分布,m={mi},l<mi<u,mi表示m中的第i个元素,l和u表示m的取值范围,d表示观测数据,α表示正则化参数,表示二范数的平方,
对加权矩阵W中第j个元素wj的表达式如下:
Aij表示灵敏度矩阵A中的元素,i表示观测点的编号,j表示地下网格的编号,β表示常数;
进一步地,β=2。
进一步地,共轭梯度算法的具体包括如下步骤:
(2)第一次迭代设置搜索方向为L0=-I0;
(5)若r小于预设的阈值或者当j>i te_num,则停止计算,否则,设置j=j+1并继续执行步骤(6);
进一步地,采用惩罚函数来对每次迭代得到的模型参数m进行约束,惩罚函数采用如下表达式:
进一步地,若初始模型为0,则设置α0=0,否则,按下式计算:
在随后的迭代中,α的取值逐渐减小,其表达式如下:
αk=αk-1*q,0<q<1 。
进一步地,执行完步骤2之后,还包括,
步骤3:采用快速法计算出的灵敏度矩阵Va,并用Va替代上述灵敏度矩阵A,
快速法计算出的灵敏度矩阵Va的具体步骤包括:
对于重力数据,引入一个三元组(an bn cn),n=1,2,其表达式为
其中,(x,y,z)表示观测点的坐标,[x1,x2]、[y1,y2]、[z1,z2]表示地下网格取值范围,地下网格在观测点引起的重力异常的表达式为
gz=f(an,bn,cn),n=1,2
将地下规则划分为大小为dx×dy×dz的长方体,则有
由此,gz是包含三个变量的函数式,其表达式为
gz=f(a1,b1,c1)
在空间坐标系下,竖直向下为正,将地下划分为nx×ny×nz个小长方体,测区的取值范围为[xmin,xmin+nxdx],[ymin,ymin+nydy],[0,nzdz],观测点规则分布于同一高度平面z=zl,其在地面投影位于每个网格的中心,观测点在X方向坐标取值为观测点在Y方向坐标取值为观测点在Z方向坐标取值为
①统计a1,b1,c1的值,令a1=(x-ξ1),b1=(y-η1),c1=(z-ζ1),ξ1、η1、ζ1分别表示任一小长方体在X,Y,Z三方向取值的下限,则
由观测点坐标取值和上式,可得到a1,b1,c1的值,用向量A1、B1、 C1表示,将其中的数值从小到大排列,可得
C1=(z-(nz-1)dz,...,z-dz,z)T
②依据向量A1、B1、C1的值的个数确定Va矩阵的大小,A1中包含2nx-1个值,B1中包含2ny-1个值,C1中包含nz个值,则Va大小为 Nk×1,且
Nk=(2nx-1)×(2ny-1)×nz
③将A1、B1、C1中的值依次取出,计算获得Va,Va中包含所有构成灵敏度矩阵A的值,
用Va替代上述灵敏度矩阵A的具体实现过程包括:
建立灵敏度矩阵A中元素和Va的关系,对A1中数值进行编号,记为ix=1,…,2nx-1,对B1中数值进行编号有iy=1,…,2ny-1,对C1中数值进行编号有iz=1,…,nz,对Va中数值进行编号有 ik=1,…,(2nx-1)×(2ny-1)×nz,灵敏度矩阵A中的元素为其中iobs表示测点编号,jg表示网格编号,对应的观测点坐标为对应的小长方体的在三方向取值下限为由此,计算得到其对应的变量在A1、B1、C1中的位置,进而所得结果在Va中的位置和的值,
ik=(ix-1)×(2ny-1)×nz+(iy-1)×nz+iz
利用Va,对反演过程中涉及灵敏度矩阵A的计算进行优化,反演计算中涉及灵敏度矩阵A的计算包括两类:一是A与向量相乘,记为 AV,V表示反演计算中与A相乘的向量,二是A的转置乘A乘向量,记为ATAV,
对于第一种计算,读取Va,利用Va与A中元素的关系,实时从Va中提取元素构建A中的行向量,与向量V相乘,逐一获得结果向量中的元素,从而避免直接读取和操作A,
对于第二种计算,利用AV计算结果,采用上述相同操作计算 ATM。
实现本发明的目的之二的技术方案为:一种处理终端,其包括:
存储器,用于存储程序指令;
处理器,用于运行所述程序指令,以执行所述的可适用于大规模数据的重力反演方法的步骤。
本发明的有益效果为:本发明通过将快速计算灵敏度矩阵的方法引入到重力反演中,降低了重力反演对内存资源的要求,且将并行计算方式引入到灵敏度矩阵与向量相乘的计算中,提高了计算效率,能够很好地适应于大规模数据的重力反演中。
附图说明
图1为本发明的流程示意图;
图2为处理终端的结构示意图。
具体实施方案
下面,结合附图以及具体实施方案,对本发明做进一步描述:
如图1所示,一种可适用于大规模数据的重力反演方法,包括如下步骤:
步骤1:按公式①建立重力反演的目标函数φw:
式中,W表示深度加权矩阵,φd(m)表示关于m的拟合函数,φs(m) 表示关于m的稳定函数,m表示地下密度分布,m={mi},l<mi<u,mi表示m中的第i个元素,l和u表示m的取值范围,d表示观测数据,α表示正则化参数,表示二范数的平方。
在本步骤中,通过调整α的值来平衡拟合函数和稳定函数对目标函数φw的影响,若α较大,则稳定函数对目标函数φw的影响较大,若α较小,则拟合函数对目标函数φw的影响较大。
之所以引入深度加权矩阵,原因在于重力异常随着距离的增加衰减,重力反演的结构存在“趋肤效应”,通过引入深度加权矩阵可很好地克服这一影响。
对加权矩阵W中第j个元素wj的表达式如下:
Aij表示灵敏度矩阵A中的元素,i表示观测点的编号,j表示地下网格的编号,β表示常数,本实施例中取值为β=2。
共轭梯度算法的具体包括如下步骤:
(2)第一次迭代设置搜索方向为L0=-I0;
(5)若r足够小(例如小于预设的阈值)或者当j>i te_num,则停止计算,否则,设置j=j+1并继续执行步骤(6);
在上述共轭梯度算法求解的迭代过程中,为了防止模型参数的值超出范围,采用惩罚函数来对每次迭代得到的模型参数m进行约束,惩罚函数采用如下表达式:
正则化参数α是重力反演计算中的关键参数,若初始模型为0,则设置α0=0,否则,按下式计算:
在随后的迭代中,α的取值逐渐减小,其表达式如下:
αk=αk-1*q,0<q<1
步骤3:采用快速法计算灵敏度矩阵Va,采用Va替代上述灵敏度矩阵A,从而在实际计算过程中,只需要存储和读取Va,避免直接读取灵敏度矩阵A,从而达到降低了对内存的要求。
同时,对于灵敏度矩阵A与其他向量相乘,实时构建灵敏度矩阵A的每一行,用灵敏度矩阵A的每一行与向量相乘,从而进一步降低对内存的要求,通过引入并行来计算灵敏度矩阵A与其他向量相乘,提高了计算效率。
采用快速法计算灵敏度矩阵Va的具体步骤如下:
(1)快速计算Va
对于重力数据,引入一个三元组(an bn cn),n=1,2表达式为
其中,(x,y,z)表示观测点的坐标,[x1,x2]、[y1,y2]、[z1,z2]表示地下网格取值范围,地下网格在观测点引起的重力异常的表达式为
gz=f(an,bn,cn),n=1,2
一般将地下规则划分为大小为dx×dy×dz的长方体,则有
由此,gz是包含三个变量的函数式,其表达式为
gz=f(a1,b1,c1)
在空间坐标系下,竖直向下为正,将地下划分为nx×ny×nz个小长方体,测区的取值范围为[xmin,xmin+nxdx],[ymin,ymin+nydy],[0,nzdz],观测点规则分布于同一高度平面z=zl,其在地面投影位于每个网格的中心,观测点在X方向坐标取值为观测点在Y方向坐标取值为观测点在Z方向坐标取值为
①统计a1,b1,c1的值。令a1=(x-ξ1),b1=(y-η1),c1=(z-ζ1),ξ1、η1、ζ1分别表示任一小长方体在X,Y,Z三方向取值的下限,则
由观测点坐标取值和上式,可得到a1,b1,c1的值,用向量A1、B1、 C1表示,将其中的数值从小到大排列,可得
C1=(z-(nz-1)dz,...,z-dz,z)T
②依据向量A1、B1、C1的值的个数确定Va矩阵的大小。A1中包含2nx-1个值,B1中包含2ny-1个值,C1中包含nz个值,则Va大小为 Nk×1,且
Nk=(2nx-1)×(2ny-1)×nz
③将A1、B1、C1中的值依次取出,计算获得Va。Va中包含所有构成灵敏度矩阵A的值,同时,其对内存要求远远低于容纳灵敏度矩阵A的要求,比如,存储大小为10000*100000的灵敏度矩阵A,存储需要约5.36GB空间,而存储组成该矩阵的值的Va,所需要的空间仅为1.6MB。
(2)将Va代入到反演计算
①建立灵敏度矩阵A中元素和Va的关系。对A1中数值进行编号,记为ix=1,…,2nx-1,对B1中数值进行编号有iy=1,…,2ny-1,对C1中数值进行编号有iz=1,…,nz,对Va中数值进行编号有 ik=1,…,(2nx-1)×(2ny-1)×nz。灵敏度矩阵A中的元素为其中iobs表示测点编号,jg表示网格编号,对应的观测点坐标为对应的小长方体的在三方向取值下限为由此,计算得到其对应的变量在A1、B1、C1中的位置,进而所得结果在Va中的位置和的值。
ik=(ix-1)×(2ny-1)×nz+(iy-1)×nz+iz
②利用Va,对反演过程中涉及灵敏度矩阵A的计算进行优化。反演计算中涉及灵敏度矩阵A的计算包括两类:一是A与向量相乘,记为AV,V表示反演计算中与A相乘的向量,二是A的转置乘A乘向量,记为ATAV。
对于第一种计算,一般是直接进行矩阵计算,但是针对大数据情况下,很容易出现内存不足,无法计算的情况。为了克服这一情况,直接读取Va,利用Va与A中元素的关系,实时从Va中提取元素构建A 中的行向量,与向量V相乘,逐一获得结果向量中的元素。从而能够避免直接读取和操作A,降低了对内存的要求。同时,采用这种算法,会降低运算效率,增加运算时间,由于每一行向量与列向量相乘是相互独立的,所以采用并行计算实现这一过程,从而提高了计算效率。
对于第二种计算,利用AV计算结果,采用上述同样的思路计算 ATM。
本发明通过将快速计算灵敏度矩阵的方法引入到重力反演中,降低了重力反演对内存资源的要求,且将并行计算方式引入到灵敏度矩阵与向量相乘的计算中,提高了计算效率,能够很好地适应于大规模数据的重力反演中。
本发明可很好地集成在海洋环境监测和探测设备上,实现对海洋区域的重力密度数据分别的探测,为后续判明地下地质结构、识别深部构造特征、寻找隐伏矿床等提供数据基础。
如图2所示,本发明还提供一种处理终端100,其包括:
存储器101,用于存储程序指令;
处理器102,用于运行所述程序指令,以执行所述可适用于大规模数据的重力反演方法的步骤。
本说明书所公开的实施例只是对本发明单方面特征的一个例证,本发明的保护范围不限于此实施例,其他任何功能等效的实施例均落入本发明的保护范围内。对于本领域的技术人员来说,可根据以上描述的技术方案以及构思,做出其它各种相应的改变以及变形,而所有的这些改变以及变形都应该属于本发明权利要求的保护范围之内。
Claims (7)
2.根据权利要求1所述的可适用于大规模数据的重力反演方法,其特征在于,β=2。
6.根据权利要求1所述的可适用于大规模数据的重力反演方法,其特征在于,执行完步骤2之后,还包括,
步骤3:采用快速法计算出的灵敏度矩阵Va,并用Va替代上述灵敏度矩阵A,
快速法计算出的灵敏度矩阵Va的具体步骤包括:
对于重力数据,引入一个三元组(an bn cn),n=1,2,其表达式为
其中,(x,y,z)表示观测点的坐标,[x1,x2]、[y1,y2]、[z1,z2]表示地下网格取值范围,地下网格在观测点引起的重力异常的表达式为
gz=f(an,bn,cn),n=1,2
将地下规则划分为大小为dx×dy×dz的长方体,则有
由此,gz是包含三个变量的函数式,其表达式为
gz=f(a1,b1,c1)
在空间坐标系下,竖直向下为正,将地下划分为nx×ny×nz个小长方体,测区的取值范围为[xmin,xmin+nxdx],[ymin,ymin+nydy],[0,nzdz],观测点规则分布于同一高度平面z=zl,其在地面投影位于每个网格的中心,观测点在X方向坐标取值为i=1,…,nx,观测点在Y方向坐标取值为j=1,…,ny,观测点在Z方向坐标取值为k=1,…,nz,
①统计a1,b1,c1的值,令a1=(x-ξ1),b1=(y-η1),c1=(z-ζ1),ξ1、η1、ζ1分别表示任一小长方体在X,Y,Z三方向取值的下限,则
由观测点坐标取值和上式,可得到a1,b1,c1的值,用向量A1、B1、C1表示,将其中的数值从小到大排列,可得
C1=(z-(nz-1)dz,...,z-dz,z)T
②依据向量A1、B1、C1的值的个数确定Va矩阵的大小,A1中包含2nx-1个值,B1中包含2ny-1个值,C1中包含nz个值,则Va大小为Nk×1,且
Nk=(2nx-1)×(2ny-1)×nz
③将A1、B1、C1中的值依次取出,计算获得Va,Va中包含所有构成灵敏度矩阵A的值,
用Va替代上述灵敏度矩阵A的具体实现过程包括:
建立灵敏度矩阵A中元素和Va的关系,对A1中数值进行编号,记为ix=1,…,2nx-1,对B1中数值进行编号有iy=1,…,2ny-1,对C1中数值进行编号有iz=1,…,nz,对Va中数值进行编号有ik=1,…,(2nx-1)×(2ny-1)×nz,灵敏度矩阵A中的元素为其中iobs表示测点编号,jg表示网格编号,对应的观测点坐标为对应的小长方体的在三方向取值下限为由此,计算得到其对应的变量在A1、B1、C1中的位置,进而所得结果在Va中的位置和的值,
ik=(ix-1)×(2ny-1)×nz+(iy-1)×nz+iz
②利用Va,对反演过程中涉及灵敏度矩阵A的计算进行优化,反演计算中涉及灵敏度矩阵A的计算包括两类:一是A与向量相乘,记为AV,V表示反演计算中与A相乘的向量,二是A的转置乘A乘向量,记为ATAV,
对于第一种计算,读取Va,利用Va与A中元素的关系,实时从Va中提取元素构建A中的行向量,与向量V相乘,逐一获得结果向量中的元素,从而避免直接读取和操作A,
对于第二种计算,利用AV计算结果,采用上述相同操作计算ATM。
7.一种处理终端,其特征在于,其包括:
存储器,用于存储程序指令;
处理器,用于运行所述程序指令,以执行如权利要求1-6任一项所述的可适用于大规模数据的重力反演方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210708493.9A CN115220119B (zh) | 2022-06-21 | 2022-06-21 | 一种适用于大规模数据的重力反演方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210708493.9A CN115220119B (zh) | 2022-06-21 | 2022-06-21 | 一种适用于大规模数据的重力反演方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115220119A CN115220119A (zh) | 2022-10-21 |
CN115220119B true CN115220119B (zh) | 2023-02-24 |
Family
ID=83607463
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210708493.9A Active CN115220119B (zh) | 2022-06-21 | 2022-06-21 | 一种适用于大规模数据的重力反演方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115220119B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110398782A (zh) * | 2019-07-17 | 2019-11-01 | 广州海洋地质调查局 | 一种重力数据和重力梯度数据联合正则化反演方法 |
CN112147709A (zh) * | 2020-08-03 | 2020-12-29 | 中国海洋石油集团有限公司 | 一种基于部分光滑约束的重力梯度数据三维反演方法 |
CN113221393A (zh) * | 2021-01-29 | 2021-08-06 | 吉林大学 | 一种基于非结构有限元法的三维大地电磁各向异性反演方法 |
CN113311494A (zh) * | 2021-05-26 | 2021-08-27 | 中南大学 | 一种卫星重力场反演方法 |
CN113504575A (zh) * | 2021-07-09 | 2021-10-15 | 吉林大学 | 基于权相交及多次交叉梯度约束的联合反演方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10242126B2 (en) * | 2012-01-06 | 2019-03-26 | Technoimaging, Llc | Method of simultaneous imaging of different physical properties using joint inversion of multiple datasets |
-
2022
- 2022-06-21 CN CN202210708493.9A patent/CN115220119B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110398782A (zh) * | 2019-07-17 | 2019-11-01 | 广州海洋地质调查局 | 一种重力数据和重力梯度数据联合正则化反演方法 |
CN112147709A (zh) * | 2020-08-03 | 2020-12-29 | 中国海洋石油集团有限公司 | 一种基于部分光滑约束的重力梯度数据三维反演方法 |
CN113221393A (zh) * | 2021-01-29 | 2021-08-06 | 吉林大学 | 一种基于非结构有限元法的三维大地电磁各向异性反演方法 |
CN113311494A (zh) * | 2021-05-26 | 2021-08-27 | 中南大学 | 一种卫星重力场反演方法 |
CN113504575A (zh) * | 2021-07-09 | 2021-10-15 | 吉林大学 | 基于权相交及多次交叉梯度约束的联合反演方法 |
Non-Patent Citations (3)
Title |
---|
基于重加权反演评价重力梯度异常各分量(英文);曹聚亮 等;《Applied Geophysics》;第16卷(第04期);494-506 * |
重力和重力梯度数据联合聚焦反演方法;秦朋波 等;《地球物理学报》;第59卷(第06期);2203-2224 * |
重力数据三维共轭梯度聚焦反演及应用;刘希康 等;《地震》;第37卷(第01期);10-19 * |
Also Published As
Publication number | Publication date |
---|---|
CN115220119A (zh) | 2022-10-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10439594B2 (en) | Actually-measured marine environment data assimilation method based on sequence recursive filtering three-dimensional variation | |
CN109902329B (zh) | 一种油藏模拟辅助历史拟合方法、系统、存储介质及设备 | |
Ekinci et al. | Parameter estimations from gravity and magnetic anomalies due to deep-seated faults: differential evolution versus particle swarm optimization | |
Magnussen et al. | Estimating sample size for inference about the Shannon-Weaver and the Simpson indices of species diversity | |
CN110346834B (zh) | 三维频率域可控源电磁的正演方法、系统 | |
CN113255230B (zh) | 基于mq径向基函数的重力模型正演方法及系统 | |
CN113420487B (zh) | 一种三维重力梯度张量数值模拟方法、装置、设备和介质 | |
CN113962077B (zh) | 三维各向异性强磁场数值模拟方法、装置、设备及介质 | |
CN115238550A (zh) | 自适应非结构网格的滑坡降雨的地电场数值模拟计算方法 | |
CN115220119B (zh) | 一种适用于大规模数据的重力反演方法 | |
Jiang et al. | Ocean observation data prediction for Argo data quality control using deep bidirectional LSTM network | |
Kovitz et al. | Spatial statistics of clustered data | |
CN112379413A (zh) | 基于能量谱等效的非规则震源表征方法和装置 | |
Gao et al. | Terrain matching localization for underwater vehicle based on gradient fitting | |
CN114970289B (zh) | 三维大地电磁各向异性正演数值模拟方法、设备及介质 | |
CN113673163B (zh) | 一种三维磁异常数快速正演方法、装置和计算机设备 | |
CN113204905B (zh) | 一种接触式激发极化法有限单元数值模拟方法 | |
CN115407423B (zh) | 重、磁测数据三维反演方法及装置 | |
CN111597752B (zh) | 平衡孔间敏感性的跨孔电阻率ct深度学习反演方法及系统 | |
CN108228931A (zh) | 风力发电机样机用地形的评估方法和装置 | |
CN114114438A (zh) | 一种回线源地空瞬变电磁数据的拟三维反演方法 | |
CN110794469B (zh) | 基于最小地质特征单元约束的重力反演方法 | |
CN112946760A (zh) | 基于正则化方法的未爆弹三维立体成像方法、装置及系统 | |
CN113780741A (zh) | 一种基于斜坡特征的滑坡风险评价方法、系统和存储介质 | |
Godinez et al. | Observation targeting with a second-order adjoint method for increased predictability |
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 |