重力梯度数据协克里金三维反演确定岩脉倾向

采用协克里金法处理重力或重力梯度数据反演地下3D密度时,岩脉倾角的先验信息是否合理决定了反演结果的好坏。为了使协克里金法在先验信息不充足时也能得到理想的反演效果,我们提出角度扫描的方法来获取岩脉倾角信息:在保持其他反演参数不变的前提下,假设模型的倾斜角度未知,每次引入不同角度进行协克里金反演,再根据先验信息剔除不合理密度值,得到密度分布;统计预测数据与测量数据拟合残差的标准差,根据极小值对应的角度估计岩脉的倾角。本文基于4种不同倾斜角度(0°,45°,90°,135°)岩脉模型的重力梯度垂直分量Tzz验证方法有效性,都能够准确地估计出岩脉倾斜角度。这使得协克里金法在岩脉倾角未知的情况下,也能得到较好的反演结果。     

基于共轭梯度算法的重力梯度数据三维聚焦反演研究

重力梯度数据相对于传统重力数据,能够更细致、准确地描述地球浅部构造和研究矿产资源分布等信息.本文采用共轭梯度算法,在加权密度域求解重力梯度数据三维聚焦反演最优化问题,以恢复地下三维密度分布,目标函数包括数据不拟合函数和最小支撑稳定函数.首先,在推导目标函数对加权密度的一阶导数时,为了得到更合理的计算公式,我们考虑变加权函数中含有密度变量;此外,本文通过密度上下限约束,改善了传统聚焦反演中聚焦因子选取困难的问题.新算法获得的反演结果,对聚焦因子的选择约束较少,相比传统聚焦算法,能够更容易的获得理想结果.将方法应用于理论模型验证其有效性和正确性,并应用本文方法处理文顿盐丘地区的航空全张量重力梯度数据,得到了与已知地质信息匹配的密度分布,表明本文方法具有处理实际数据的能力.     

全张量重力梯度数据垂直分量噪声滤除方法研究

全张量重力梯度数据中含有高频成分,为了在去除高频噪声的同时,保留浅部小异常体信息,本文利用最小二乘原理,求解重力梯度垂直分量与重力数据联合约束下的超定方程组。结果表明,随着计算窗口的增大,去噪效果越来越好,对于本文所设计的模型,当计算窗口增大到32×32时,重力数据中99%以上的噪声被去除,张量数据Vxz、Vyz中,分别有大约40%、50%的噪声被去除;同时,浅部小异常体信息几乎全部保存。     

基于小波变换的重力压缩正演和多尺度反演研究

解决多解性和计算效率等问题是重力反演中的主要难点。针对计算效率问题,本文基于小波压缩理论,提出一种改进的重力矩阵压缩正演方法。该方法通过引入一种新的灵敏度矩阵排序规则,降低灵敏度峰值和波动、减少高频信息,在保证精度的同时改善小波变换后灵敏度矩阵的稀疏性、提高压缩比,从而降低内存需求,提高正演速度。正演模拟分析结果表明,本文提出的正演矩阵压缩方法在保证正演精度的前提下压缩比可达300以上。其次,本文将基于小波变换的多尺度反演应用到三维重力反演中,通过将重力反演问题分解成不同尺度的子问题,充分利用不同尺度的数据信息来改善重力反演的多解性和稳定性问题。最后,我们分别对理论数据和实测数据进行常规聚焦反演和多尺度反演以证明多尺度反演在重力反演中的有效性。     

基于局部相关性约束的三维大地电磁数据和重力数据的联合反演

为解决地球物理反演中多解性的问题,综合多种地球物理信息的联合反演受到了广泛的关注.本文依据不同地球物理响应可能由相同异常体引起,而不同地球物理分布参数之间存在相关性等特点,提出了一种基于局部Pearson相关系数约束的联合反演方法.该方法假设每个局部区域模型参数的分布具有线性相关特性,在拟合不同类型观测数据时,对局部模型参数施加相关性约束,进行联合反演以减少多解性.本文采用交替迭代联合反演流程,改善了同一目标函数下联合反演收敛性和速度问题.基于新的联合反演方法和流程,我们测试了三维大地电磁和重力仿真数据的联合反演.结果表明,本文提出的基于局部相关性约束的联合反演方法,能充分利用大地电磁和重力观测数据信息,有效改善单一地球物理反演收敛性和多解性的问题,反演效果得到明显提升.     

基于阈值约束的协克里金法联合反演重力与重力梯度数据

常规协克里金方法反演重力或重力梯度数据具有抗噪性好、加入先验信息容易等优点,其反演的地下密度分布能够识别异常体中心位置,还原异常体基本形态,但反演图像光滑,分辨率低,这是由于常规方法估计的密度协方差矩阵全局发散、平稳.为了通过协克里金方法获得聚焦的密度分布需要改善密度协方差矩阵的性质.首先,本文推导了理论密度协方差公式,其性质表明,当理论模型聚焦分布时,其密度协方差矩阵是非平稳且聚焦分布的.为了打破常规协方差矩阵全局平稳、发散的特征,本文设置密度阈值处理协方差矩阵,通过不断更新协方差矩阵来迭代实现协克里金反演,最终得到相对聚焦的反演结果.用本文方法处理重力与重力梯度数据恢复两种密度模型,均得到了与正演模型匹配的反演结果;再将方法运用于文顿盐丘的实际测量重力与重力梯度数据,反演结果与已知的地质情况匹配较好.