CN115859137B - 基于无监督机器学习的磁异常矢量聚类反演方法 - Google Patents
基于无监督机器学习的磁异常矢量聚类反演方法 Download PDFInfo
- Publication number
- CN115859137B CN115859137B CN202310132396.4A CN202310132396A CN115859137B CN 115859137 B CN115859137 B CN 115859137B CN 202310132396 A CN202310132396 A CN 202310132396A CN 115859137 B CN115859137 B CN 115859137B
- Authority
- CN
- China
- Prior art keywords
- inversion
- magnetization
- formula
- ocean
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 88
- 239000013598 vector Substances 0.000 title claims abstract description 63
- 238000010801 machine learning Methods 0.000 title claims abstract description 20
- 230000005415 magnetization Effects 0.000 claims abstract description 105
- 230000006870 function Effects 0.000 claims abstract description 33
- 238000011160 research Methods 0.000 claims description 19
- 230000002159 abnormal effect Effects 0.000 claims description 14
- 238000012360 testing method Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 239000011435 rock Substances 0.000 claims description 9
- 230000007704 transition Effects 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 3
- 230000006698 induction Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 230000035945 sensitivity Effects 0.000 claims description 3
- 238000007621 cluster analysis Methods 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 12
- 230000000694 effects Effects 0.000 description 7
- 230000015572 biosynthetic process Effects 0.000 description 3
- 238000011835 investigation Methods 0.000 description 3
- 230000005389 magnetism Effects 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000000638 solvent extraction Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000010485 coping Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000005358 geomagnetic field Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000002547 anomalous effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Images
Classifications
-
- 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
- Geophysics And Detection Of Objects (AREA)
Abstract
Description
技术领域
本申请涉及地球物理勘测技术领域,尤其涉及一种基于无监督机器学习的磁异常矢量聚类反演方法。
背景技术
磁法勘探是地球物理勘探的重要方法之一,利用磁异常反演可以构建地下三维空间的磁性结构,据此可以研究地下深部结构、地质构造以及矿产能源的分布情况。目前常用的磁异常物性反演方法在反演地下磁性分布时,通常假设反演目标体的磁化方向与地磁场方向一致,即认为剩磁可忽略。但当剩磁影响大或地下介质磁化方向多变时,该假设条件不成立,盲目假设为地磁场方向的反演结果往往偏离实际地质情况,误导地质解释。在一些地区受剩磁影响严重,洋壳的磁化方向多变,具有复杂的地壳结构,洋壳、陆壳及洋陆过渡壳共存,地质构造类型多样,致使地壳磁性结构差异大,采用传统磁异常反演方法无法取得比较好的反演结果。
发明内容
为了解决上述技术问题,本申请实施例提供了一种基于无监督机器学习的磁异常矢量聚类反演方法,所述方法包括:
在地下反演空间建立网格剖分模型,设置地下存在预设数量的磁化方向,在反演中设置与所述预设数量相同的聚类数目;
将一组磁异常数据表示为公式1,将磁化强度矢量反演表示为公式2;
公式1:;公式2:;
其中, d表示磁异常数据,表示各磁化方向的磁异常数据,m为反演模型的磁化强度,为地下模型磁化强度在x、y、z三个方向分量的灵敏度矩阵;
若所述地下反演空间有M个反演模型,各模型单元的磁化强度J为感应磁化强度和剩余磁化强度之和,将反演模型的磁化强度m与M个反演模型在笛卡尔坐标系中沿x、y、z轴的三个分量之间的关系表示为公式3,将M个反演模型在笛卡尔坐标系中沿x、y、z轴的三个分量表示为公式4;
公式3:;公式4:;
其中,、及表示M个反演模型在笛卡尔坐标系中沿x、y、z轴的三个分量;
将第j个反演模型的磁化方向单位矢量表示为公式5:
公式5:,1≤j≤M;
基于Tikhonov正则化反演公式,通过求解目标函数极小,获得反演解,所述目标函数表示为公式6;
公式6:;
其中,为数据拟合项的权重系数,为模型项的权重系数,Gm为反演数据,为观测数据,β为正则化参数;
将模糊C均值聚类分析的目标函数表示为公式7:
公式7:;
其中,表示第j个数据对第k个聚类中心的隶属度大小,q决定隶属度取值的模糊性,代表第k个聚类中心;
将已知的先验信息用于聚类约束,形成引导式糊C均值聚类目标函数,所述引导式糊C均值聚类目标函数表示为公式8;
公式8:;
其中,表示第j个数据对第k个聚类中心的隶属度大小,m决定隶属度取值的模糊性,代表已知的聚类中心,η为权重系数;
根据公式8及公式6得到磁异常矢量聚类反演的总目标函数,总目标函数表示公式9;
公式9:;
其中,γ表示聚类算法在反演中的权重系数。
在一实施方式中,所述方法还包括:
根据公式9获得地下池化强度矢量及地质识别结果。
在一实施方式中,所述方法还包括:
在对公式7进行极小化的过程中,更新聚类中心和隶属度。
在一实施方式中,所述方法还包括:
模拟预设海洋陆缘多种地壳共存的结构特征,建立洋壳组合模型;
基于所述洋壳组合模型进行反演与地质识别应用试验。
在一实施方式中,所述模拟预设海洋陆缘多种地壳共存的结构特征,建立洋壳组合模型,包括:
采用规格不同、磁化强度不同的多种长方体组合得到所述洋壳组合模型。
在一实施方式中,所述方法还包括:
模拟具有磁异常条带特征的洋盆结构,建立正反向磁化洋壳模型;
基于所述正反向磁化洋壳模型进行磁条带异常的矢量反演试验。
在一实施方式中,所述模拟具有磁异常条带特征的洋盆结构,建立正反向磁化洋壳模型,包括:
模拟洋盆正反向磁化的洋壳岩石相间分布特征,将正向磁化模型和反向磁化模型相间布置,得到所述正反向磁化洋壳模型。
在一实施方式中,所述方法还包括:
选取以预设海盆为核心的研究区域,所述研究区域的地壳结构包括陆壳、洋壳和洋陆过渡壳;
对所述研究区域进行磁异常聚类反演,得到反演结果。
在一实施方式中,所述反演结果包括磁化强度和磁化方向聚类结果。
在一实施方式中,所述方法还包括:
根据所述反演结果追踪洋盆内磁条带异常所对应的岩石磁性结构。
上述本申请提供的基于无监督机器学习的磁异常矢量聚类反演方法,对传统磁异常矢量反演技术的改进,是模糊聚类技术与磁化强度矢量反演技术的结合,实现自动聚类的三维磁化强度矢量反演。该方法以地质识别为目标导向,利用聚类目标函数对磁异常矢量反演施加约束,优化了传统磁异常矢量反演的目标函数,使其磁化强度反演聚焦于地质属性差异与分类,在反演地下三维磁性结构的同时,提供了用于地质属性划分与识别的聚类信息,从而将定量反演与地质解释合二为一,解决复杂情形下的磁异常反演与地质识别目标,通过理论模型试验与特定海域实测数据反演,表明该方法具有良好的应用效果。
附图说明
为了更清楚地说明本申请的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对本申请保护范围的限定。在各个附图中,类似的构成部分采用类似的编号。
图1示出了本申请实施例提供的磁异常矢量聚类反演方法的流程示意图之一;
图2示出了本申请实施例提供的洋陆壳组合模型的结构示意图之一;
图3示出了本申请实施例提供的正反向磁化洋壳模型的结构示意图之一;
图4示出了本申请实施例提供的研究区域磁异常图的示意图之一;
图5示出了本申请实施例提供的三维反演结果的示意图之一;
图6示出了本申请实施例提供的磁化方向聚类结果的示意图之一;
图7示出了本申请实施例提供的研究区域异常聚类分区结果的示意图域;
图8示出了本申请实施例提供的海盆中部的条带磁异常的示意图域;
图9示出了本申请实施例提供的磁化方向聚类结果的示意图之二;
图10示出了本申请实施例提供的研究区域异常聚类分区结果的示意图之二。
具体实施方式
下面将结合本申请实施例中附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。
通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
在下文中,可在本申请的各种实施例中使用的术语“包括”、“具有”及其同源词仅意在表示特定特征、数字、步骤、操作、元件、组件或前述项的组合,并且不应被理解为首先排除一个或更多个其它特征、数字、步骤、操作、元件、组件或前述项的组合的存在或增加一个或更多个特征、数字、步骤、操作、元件、组件或前述项的组合的可能性。
此外,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
除非另有限定,否则在这里使用的所有术语(包括技术术语和科学术语)具有与本申请的各种实施例所属领域普通技术人员通常理解的含义相同的含义。所述术语(诸如在一般使用的词典中限定的术语)将被解释为具有与在相关技术领域中的语境含义相同的含义并且将不被解释为具有理想化的含义或过于正式的含义,除非在本申请的各种实施例中被清楚地限定。
目前,应对剩磁影响的磁异常反演有三种解决方案:第一种是对简单孤立的磁异常反演,可通过磁矩法或互相关法先行估计总磁化方向,用此方向进行传统磁异常反演。第二种是将磁异常数据转化为对磁化方向不敏感的磁异常模量,利用磁异常模量反演实现地下等效磁化率的反演。第三种方法是直接反演地下的三维磁化强度矢量分布,该方法往往需要借助先验信息约束来降低反演的多解性。
随着机器学习与大数据技术的迅速发展,数据挖掘技术应运而生,从而为高效处理数量庞大且复杂的数据并从中挖掘潜在信息成为可能。近年来,模糊聚类技术被引入到地球物理勘探领域,面对复杂的地质情况与地质识别需求,模糊聚类技术与地球物理反演技术相结合的研究成为国内外的研究热点。
对于一些特定海域来说,发育有洋壳的边缘海,地处欧亚板块、印澳板块和太平洋板块的交汇处,是经历大陆张裂与海底扩张演化的海盆。利用磁异常反演地下三维磁性结构,可以揭示特定海域的深部结构、地质构造、岩性分布等特征,其中,特定海域可以为我国南海海域。然而,一些特定海域磁异常反演面临巨大的困难和挑战,一是该地区受剩磁影响严重,洋壳的磁化方向多变;二是该地区具有复杂的地壳结构,洋壳、陆壳及洋陆过渡壳共存,地质构造类型多样(海山、海槽、磁条带等),致使地壳磁性结构差异大。在如此复杂的情况下,传统磁异常反演方法因不具备应用前提受到限制,即使应用也无法取得好的反演结果。为应对特定地区剩磁影响大、磁化方向多变、构造复杂的磁异常反演挑战与地质识别需求,亟需提供一种基于无监督机器学习的磁异常矢量聚类反演方法,应用于特定海域的磁性结构反演与地质识别,为特定海域地下复杂的磁性结构刻画与地质识别提供技术探索和应用试验。
实施例1
本申请实施例提供了一种基于无监督机器学习的磁异常矢量聚类反演方法,以应对剩磁影响严重、构造复杂导致的磁化方向多变的复杂情况,用于复杂构造地区的磁性结构反演与地质识别。该基于无监督机器学习的磁异常矢量聚类反演方法,将基于无监督机器学习的模糊聚类技术与磁化强度矢量反演技术相结合,在定量反演中以地质目标的聚类特征为导向,引导反演结果向地质目标聚焦,通过反演获得地下三维磁性(磁化强度矢量)结构,同时还可得到反映具有明显磁性差异的多个地质构造单元或地质体的三维聚类信息,使定量反演与地质解释合二为一,有效提升反演解释效率与地质识别效果,拓展磁异常反演方法的适用条件和应对复杂问题的能力。此外,还将该基于无监督机器学习的磁异常矢量聚类反演方法应用于特定海域磁性结构反演与地质识别,通过理论模型试验与实测数据处理,验证了该技术的应用效果,特定海域可以为我国南海海域,也可以为其他复杂结构海域,在此不做限制。
本实施例中,为了使反演结果更聚焦于地质识别目标,在磁异常矢量反演中,引入聚类分析算法,将模糊C均值(FCM)聚类算法与磁异常矢量反演算法结合形成新的矢量聚类反演方案。
参见图1,基于无监督机器学习的磁异常矢量聚类反演方法包括步骤S101至步骤S108,下面对各步骤进行介绍。
步骤S101,在地下反演空间建立网格剖分模型,设置地下存在预设数量的磁化方向,在反演中设置与所述预设数量相同的聚类数目。
在本实施例中,为反演地下介质的三维磁性结构,需要在地下反演空间建立网格剖分模型,假设每一个模型单元都有恒定的磁化方向,同一类地质单元(体)的磁化方向相似或相同。假设地下存在多个磁化方向,反演中便设置相应的聚类数目。
步骤S102,将一组磁异常数据表示为公式1,将磁化强度矢量反演表示为公式2。
公式1:;公式2:;
其中, d表示磁异常数据,表示各磁化方向的磁异常数据,m为反演模型的磁化强度,为地下模型磁化强度在x、y、z三个方向分量的灵敏度矩阵;
步骤S103,若所述地下反演空间有M个反演模型,各模型单元的磁化强度J为感应磁化强度和剩余磁化强度之和,将反演模型的磁化强度m与M个反演模型在笛卡尔坐标系中沿x、y、z轴的三个分量之间的关系表示为公式3,将M个反演模型在笛卡尔坐标系中沿x、y、z轴的三个分量表示为公式4;
公式3:;公式4:;
其中,、及表示M个反演模型在笛卡尔坐标系中沿x、y、z轴的三个分量;
步骤S104,第j个反演模型的磁化方向单位矢量为公式5:
公式5:,1≤j≤M;
步骤S105,基于Tikhonov正则化反演公式,通过求解目标函数极小,获得反演解,所述目标函数表示为公式6;
公式6:;
其中,为数据拟合项的权重系数,为模型项的权重系数,Gm为反演数据,为观测数据,为反演数据和观测数据的差值,m为反演模型的磁化强度,β为正则化参数。
步骤S106,模糊C均值聚类分析的目标函数为公式7:
公式7:;
其中,表示第j个数据对第k个聚类中心的隶属度大小,q决定隶属度取值的模糊性,代表第j个数据的磁化强度矢量,代表第k个聚类中心,在对模糊C均值聚类分析的目标函数极小化的过程中更新聚类中心和隶属度。
在本实施例中,所述方法还包括:
在对公式7进行极小化的过程中,更新聚类中心和隶属度。
这样,可以快速在反演过程汇总,同步获取聚类中心和隶属度。
步骤S107,将已知的先验信息用于聚类约束,形成引导式糊C均值聚类目标函数,所述引导式糊C均值聚类目标函数表示为公式8;
公式8:;
其中,表示第j个数据对第k个聚类中心的隶属度大小,m决定隶属度取值的模糊性,代表已知的聚类中心,η为权重系数。
在本实施例中,如果有已知的先验信息用于聚类约束,形成引导式FCM聚类目标函数。
步骤S108,根据公式8及公式6得到磁异常矢量聚类反演的总目标函数,总目标函数表示公式9;
公式9:;
其中,γ表示聚类算法在反演中的权重系数。
本实施例中,磁异常矢量聚类反演,需要将FCM聚类算法与磁异常矢量反演算法相结合,可以将式(8)加入到(6)式得到磁异常矢量聚类反演的总目标函数,即得到公式9。其中,正则化参数β的设置可用L-Curve曲线法来确定。
在本实施例中,所述方法还包括:
根据公式9获得地下池化强度矢量及地质识别结果。
需要说明的是,磁异常矢量聚类反演实质是在磁化强度矢量反演中引入了磁化方向的聚类算法,引导磁化强度反演与已知的先验地质信息相匹配。引导式糊C均值聚类目标函数优化了传统磁异常矢量反演的目标函数,使其磁化强度反演聚焦于地质属性差异与分类,在获得地下磁化强度矢量的同时,额外得到了反演模型的隶属类别信息,有利于地质解释与地质识别的目标达成。
本实施例中,可以建立地质模型,对本实施提供的基于无监督机器学习的磁异常矢量聚类反演方法开展试验,并分析应用效果,为实测数据的应用奠定基础。
在本实施例中,基于无监督机器学习的磁异常矢量聚类反演方法还包括:
模拟预设海洋陆缘多种地壳共存的结构特征,建立洋壳组合模型;
基于所述洋壳组合模型进行反演与地质识别应用试验。
在本实施例中,所述模拟预设海洋陆缘多种地壳共存的结构特征,建立洋壳组合模型,包括:
采用规格不同、磁化强度不同的多种长方体组合得到所述洋壳组合模型。
参见图2,图2模拟多种地壳(洋壳、陆壳)共存的结构特征,建立洋陆壳组合模型,开展复杂地壳结构的反演与地质识别应用试验。图2的洋陆壳组合模型包括三种规格不同、磁化强度不同的第一长方体A1、第二长方体A2、及第三长方体A3,各长方体的参数设置见表1,第一长方体A1代表陆壳,第二长方体A2代表洋陆壳过渡带,第三长方体A3代表洋壳。
表1、洋陆壳组合模型参数表
可以对图2所示的洋陆壳组合模型开展试验,计算反演数据,并分析应用效果。
在本实施例中,基于无监督机器学习的磁异常矢量聚类反演方法还包括:
模拟具有磁异常条带特征的洋盆结构,建立正反向磁化洋壳模型;
基于所述正反向磁化洋壳模型进行磁条带异常的矢量反演试验。
所述模拟具有磁异常条带特征的洋盆结构,建立正反向磁化洋壳模型,包括:
模拟洋盆正反向磁化的洋壳岩石相间分布特征,将正向磁化模型和反向磁化模型相间布置,得到所述正反向磁化洋壳模型。
请参见图3,图3模拟具有磁异常条带特征的洋盆结构,建立正反向磁化的洋壳模型,开展磁条带异常的矢量反演试验。模拟洋盆正反向磁化的洋壳岩石相间分布特征,正反向磁化的洋壳模型设置了三组11个正反向磁化的长方体组合模型,如图3所示。图中第四长方体B1为正向磁化模型,第五长方体B2为反向磁化模型,两类正向磁化模型、反向磁化模型的参数设置见表2。
表2、正反向磁化的洋壳模型参数表
可以对图3所示的正反向磁化的洋壳模型开展试验,计算反演数据,并分析应用效果。
此外,还可以采用对实际海域进行三维磁性结构反演与地质识别,例如,实际海域可以为我国南海海域,也可以为其他海域,在此不做限制。
本实施例中,基于无监督机器学习的磁异常矢量聚类反演方法还包括:
选取以预设海盆为核心的研究区域,所述研究区域的地壳结构包括陆壳、洋壳和洋陆过渡壳;
对所述研究区域进行磁异常聚类反演,得到反演结果,其中,所述反演结果包括磁化强度和磁化方向聚类结果。
需要说明的是,以预设海盆为核心的研究区域可以为选取以西北次海盆为核心的研究区域,该区域靠近我国南海北部陆缘,该区域地壳结构具有陆壳、洋壳和洋陆过渡壳共存的特点,也可以选取其他区域作为研究区域,在此不做限制。
本实施例中,基于无监督机器学习的磁异常矢量聚类反演方法还包括:
根据所述反演结果追踪洋盆内磁条带异常所对应的岩石磁性结构。
需要说明的是,岩石磁性结构包括磁化强度大小和方向。
示范性的,可以先从实际海域选取研究区域开展磁性结构反演,该研究区域地壳结构具有陆壳、洋壳和洋陆过渡壳共存的特点。
参见图4,图4所示为研究区域磁异常图,图4中,曲线S为海盆边界。采用本实施例提供的磁异常矢量聚类反演方法进行反演。
参见图5及图6,图5为大于0.4SI等效磁化率三维反演结果,图6为磁化方向聚类结果。图5为聚类数目为3时,反演计算得到的磁化强度的示意图,图6为聚类数目为3时,反演计算得到的磁化方向聚类结果,图6显示了聚类数目为3的分区特征,三个聚类C1、C2、C3对应不同磁化方向。图7显示该研究区域磁异常聚类分区结果。
利用上述定量反演获得的地下三维磁化强度矢量分布特征和聚类结果,可以圈划出陆壳、洋壳和洋陆过渡壳的分布范围,识别出海山、海槽、海岭、残余扩张脊等主要地质构造类型。
对剩磁为主、磁条带异常遍布的洋盆区,利用反演结果可以追踪洋盆内磁条带异常所对应的岩石磁性结构(磁化强度大小和方向),揭示海洋磁条带是海底扩张过程中,因磁极倒转产生的正方向磁化的形成机制,为海盆扩张中洋壳的磁性特征与演化机制研究提供依据。
参见图8,图8所示为海盆中部的条带磁异常,可以利用该条带磁异常进行聚类反演,得到图9所示的三维反演结果及图10所示的磁化方向聚类结果的示意图。图9为大于0.1SI等效磁化率三维反演结果,图10为磁化方向聚类结果。
图9及图10的反演结果显示海盆存在两种磁化方向,磁化方向近似相反,可以推测海盆在形成过程中经历了多次地磁极倒转的情况,从而为海洋磁条带是海底扩张过程中因磁极倒转产生的正方向磁化的形成机制提供了定量反演信息。
本实施例提供中,基于特定区域受强剩磁影响、磁化方向多变、构造复杂等复杂情形下的磁异常反演需求,提出了基于无监督机器学习的磁异常矢量聚类反演方法。该方法是对传统磁异常矢量反演技术的改进,是模糊聚类技术与磁化强度矢量反演技术的结合,实现自动聚类的三维磁化强度矢量反演。该方法以地质识别为目标导向,利用聚类目标函数对磁异常矢量反演施加约束,优化了传统磁异常矢量反演的目标函数,使其磁化强度反演聚焦于地质属性差异与分类,在反演地下三维磁性结构的同时,提供了用于地质属性划分与识别的聚类信息,从而将定量反演与地质解释合二为一,解决复杂情形下的磁异常反演与地质识别目标,通过理论模型试验与特定海域(例如,我国南海海域)实测数据反演,表明该方法具有良好的应用效果。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者终端不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者终端所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者终端中还存在另外的相同要素。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本申请各个实施例所述的方法。
上面结合附图对本申请的实施例进行了描述,但是本申请并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本申请的启示下,在不脱离本申请宗旨和权利要求所保护的范围情况下,还可做出很多形式,均属于本申请的保护之内。
Claims (10)
1.一种基于无监督机器学习的磁异常矢量聚类反演方法,其特征在于,所述方法包括:
在地下反演空间建立网格剖分模型,设置地下存在预设数量的磁化方向,在反演中设置与所述预设数量相同的聚类数目;
一组磁异常数据为公式1,磁化强度矢量反演为公式2;
公式1:;公式2:;
其中, d为磁异常数据,为各磁化方向的磁异常数据,m为反演模型的磁化强度,为地下模型磁化强度在x、y、z三个方向分量的灵敏度矩阵;
若所述地下反演空间有M个反演模型,各模型单元的磁化强度J为感应磁化强度和剩余磁化强度之和,反演模型的磁化强度m与M个反演模型在笛卡尔坐标系中沿x、y、z轴的三个分量之间的关系为公式3,M个反演模型在笛卡尔坐标系中沿x、y、z轴的三个分量为公式4;
公式3:;公式4:;
其中,、及表示M个反演模型在笛卡尔坐标系中沿x、y、z轴的三个分量;
第j个反演模型的磁化方向单位矢量为公式5:
公式5:,1≤j≤M;
基于Tikhonov正则化反演公式,通过求解目标函数极小,获得反演解,所述目标函数表示为公式6;
公式6:;
其中,为数据拟合项的权重系数,为模型项的权重系数,Gm为反演数据,为观测数据,β为正则化参数;
模糊C均值聚类分析的目标函数为公式7:
公式7:;
其中,表示第j个数据对第k个聚类中心的隶属度大小,q决定隶属度取值的模糊性,代表第k个聚类中心;
将已知的先验信息用于聚类约束,形成引导式糊C均值聚类目标函数,所述引导式糊C均值聚类目标函数为公式8;
公式8:;
其中,表示第j个数据对第k个聚类中心的隶属度大小,m决定隶属度取值的模糊性,代表已知的聚类中心,η为权重系数;
根据公式8及公式6得到磁异常矢量聚类反演的总目标函数,所述总目标函数表示为公式9;
公式9:;
其中,γ表示聚类算法在反演中的权重系数。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
根据公式9获得地下池化强度矢量及地质识别结果。
3.根据权利要求1所述的方法,其特征在于,所述方法还包括:
在对公式7进行极小化的过程中,更新聚类中心和隶属度。
4.根据权利要求1所述的方法,其特征在于,所述方法还包括:
模拟预设海洋陆缘多种地壳共存的结构特征,建立洋壳组合模型;
基于所述洋壳组合模型进行反演与地质识别应用试验。
5.根据权利要求4所述的方法,其特征在于,所述模拟预设海洋陆缘多种地壳共存的结构特征,建立洋壳组合模型,包括:
采用规格不同、磁化强度不同的多种长方体组合得到所述洋壳组合模型。
6.根据权利要求1所述的方法,其特征在于,所述方法还包括:
模拟具有磁异常条带特征的洋盆结构,建立正反向磁化洋壳模型;
基于所述正反向磁化洋壳模型进行磁条带异常的矢量反演试验。
7.根据权利要求6所述的方法,其特征在于,所述模拟具有磁异常条带特征的洋盆结构,建立正反向磁化洋壳模型,包括:
模拟洋盆正反向磁化的洋壳岩石相间分布特征,将正向磁化模型和反向磁化模型相间布置,得到所述正反向磁化洋壳模型。
8.根据权利要求1所述的方法,其特征在于,所述方法还包括:
选取以预设海盆为核心的研究区域,所述研究区域的地壳结构包括陆壳、洋壳和洋陆过渡壳;
对所述研究区域进行磁异常聚类反演,得到反演结果。
9.根据权利要求8所述的方法,其特征在于,所述反演结果包括磁化强度和磁化方向聚类结果。
10.根据权利要求8所述的方法,其特征在于,所述方法还包括:
根据所述反演结果追踪洋盆内磁条带异常所对应的岩石磁性结构。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310132396.4A CN115859137B (zh) | 2023-02-20 | 2023-02-20 | 基于无监督机器学习的磁异常矢量聚类反演方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310132396.4A CN115859137B (zh) | 2023-02-20 | 2023-02-20 | 基于无监督机器学习的磁异常矢量聚类反演方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115859137A CN115859137A (zh) | 2023-03-28 |
CN115859137B true CN115859137B (zh) | 2023-04-28 |
Family
ID=85658371
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310132396.4A Active CN115859137B (zh) | 2023-02-20 | 2023-02-20 | 基于无监督机器学习的磁异常矢量聚类反演方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115859137B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108710153A (zh) * | 2017-07-31 | 2018-10-26 | 中国地质大学(北京) | 一种磁全张量梯度反演地下三维磁性分布的波数域方法 |
CN113917560A (zh) * | 2021-09-16 | 2022-01-11 | 成都理工大学 | 一种三维重磁电震多参数协同反演方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8498845B2 (en) * | 2010-04-21 | 2013-07-30 | Exxonmobil Upstream Research Company | Method for geophysical imaging |
CA2846500C (en) * | 2011-09-01 | 2019-03-12 | Geosoft Inc. | Methods and systems for the inversion of magnetic data from remanant and induced sources in geophysical exploration |
-
2023
- 2023-02-20 CN CN202310132396.4A patent/CN115859137B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108710153A (zh) * | 2017-07-31 | 2018-10-26 | 中国地质大学(北京) | 一种磁全张量梯度反演地下三维磁性分布的波数域方法 |
CN113917560A (zh) * | 2021-09-16 | 2022-01-11 | 成都理工大学 | 一种三维重磁电震多参数协同反演方法 |
Non-Patent Citations (1)
Title |
---|
杨力 ; 周可法 ; 王金林 ; 安少乐 ; .磁化强度矢量反演新方法及其在卡拉塔格铜多金属矿床找矿中的应用.地球物理学进展.(第01期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN115859137A (zh) | 2023-03-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Abedi et al. | Fuzzy outranking approach: a knowledge-driven method for mineral prospectivity mapping | |
CN102918423B (zh) | 用于地震烃体系分析的方法 | |
Xu et al. | Mineral prospectivity mapping by deep learning method in Yawan-Daqiao area, Gansu | |
CN106094029A (zh) | 利用偏移距矢量片地震数据预测储层裂缝的方法 | |
Pradhan et al. | Use of different bivariate statistical landslide susceptibility methods: A case study of Kulekhani watershed, Nepal | |
CN109738947A (zh) | 一种圈定砂岩型铀矿找矿远景区的物化探组合方法 | |
Ugalde et al. | Cluster analysis of Euler deconvolution solutions: New filtering techniques and geologic strike determination | |
Liu et al. | A seismic facies classification method based on the convolutional neural network and the probabilistic framework for seismic attributes and spatial classification | |
CN110097069A (zh) | 一种基于深度多核学习的支持向量机岩相识别方法及装置 | |
CN106777585A (zh) | 一种区域浅表滑坡时空分异规律的esda分析法 | |
CN106056577B (zh) | 基于mds-srm混合级联的sar图像变化检测方法 | |
Chen et al. | Automatic detection of burial mounds (kurgans) in the Altai Mountains | |
Yu-Feng et al. | Three-dimensional gravity inversion based on 3D U-Net++ | |
Ismail et al. | Unsupervised machine learning and multi-seismic attributes for fault and fracture network interpretation in the Kerry Field, Taranaki Basin, New Zealand | |
US9563602B2 (en) | Method of analyzing 3D geological structure using structure index | |
CN115859137B (zh) | 基于无监督机器学习的磁异常矢量聚类反演方法 | |
Tobely et al. | Position detection of unexploded ordnance from airborne magnetic anomaly data using 3-D self organized feature map | |
Pregesbauer et al. | An object oriented approach to automatic classification of archaeological features in magnetic prospection data | |
Kvamme | Integrating multiple geophysical datasets | |
Cortés et al. | The role of tectonic inheritance in the development of recent fracture systems, Duero Basin, Spain | |
Tang et al. | Using seabed acoustic imagery to characterize and classify seabed sediment types in the pockmark area of the North Yellow Sea, China | |
Daneshfar et al. | Mineral-potential mapping for MVT deposits with limited data sets using Landsat data and geological evidence in the Borden Basin, Northern Baffin Island, Nunavut, Canada | |
Wadsworth | Above, beneath, and within: Collaborative and community-driven archaeological remote sensing research in Canada | |
Ihsan et al. | The comparison of spatial models in Peak Ground Acceleration (PGA) study | |
Cheng et al. | Multiscale fracture prediction technique via deep learning, seismic gradient disorder, and aberrance: Applied to tight sandstone reservoirs in the Hutubi block, southern Junggar Basin |
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 |