排序方式: 共有27条查询结果,搜索用时 0 毫秒
2.
3.
4.
采用机器学习方法进行自动岩性识别是当下的研究热点,神经网络作为具有代表性的机器学习方法,具有非线性建模能力强、结构灵活以及泛化性强等优点,目前已初步应用于岩性识别问题中。当下神经网络方法在测井岩性解释上的限制因素主要在于数据类别不均衡问题难以解决以及现有模型的可解释性较差。文章讨论了深度神经网络模型在纳岭沟地区铀矿测井解释的岩性分类问题上的应用,通过采用不同结构的模型缓解了类别不均衡对分类结果的影响,并着重分析了模型的层次结构和训练过程,更全面地解释了模型的内在机制和决策逻辑。结果显示,长短时记忆网络能在保持较高训练效率的同时获得高于80%的识别精度,8层全连接网络能达到90%以上的精度,但是需要的计算资源较大,训练时间较久。以上模型可应用于不同环境和需求。文章为深度学习方法在岩性识别问题上的应用提供了有益的见解和经验,具有一定参考价值。 相似文献
5.
全国火山岩型铀矿资源潜力评价 总被引:7,自引:0,他引:7
火山岩型铀矿床均产于古陆壳之上的酸性(或偏碱性)陆相火山岩系中,文章根据中国陆相火山岩系的产出环境,结合铀矿床、矿点及矿化点的分布,划分出6条火山岩型铀矿成矿带和8条火山岩型铀矿远景带(预测工作区),对铀矿化集中区进一步划分出21个预测区。根据含矿主岩及控矿构造特征,将火山岩型铀矿床分为5个亚类、16个矿床式(29个典型矿床),建立了成矿模式,并在此基础上划分出4个预测类型,总结了火山岩型铀矿的成矿要素、预测要素及成矿规律。对14个预测工作区和21个预测区编制了系列图件,圈出了预测工作区靶区近200个,并分别采用数量化理论Ⅰ、品位吨位法、体积法及德尔菲法对各预测工作区和预测区500m以浅及1 000m以浅的铀矿资源量进行了估算。编制了火山岩型铀矿勘查工作部署图,对今后铀矿地质工作及铀矿大基地建设提出建议。 相似文献
6.
7.
8.
磁化方向的确定对磁异常处理、反演及解释方面有着重要的参考价值.然而,目前常用的磁化方向估计方法易受计算窗口尺度、化极或叠加异常等影响.为此,本文从重磁泊松定理出发,推导出了磁化强度、磁异常一阶导数及重力位三阶导数的关系式,并在此基础上构建出了可反演磁化强度三分量的线性方程组,进而获得了场源的磁化倾角与偏角.模型试验表明,本文方法能够在多场源的叠加重、磁异常上,有效地反演出各场源的磁化方向,但噪声会在一定程度上降低反演精度,尤其对小规模场源的磁化方向影响较明显.将本方法应用于江西相山铀矿田重磁资料之中,获得了10个测算点的磁化方向,推断了这些测算点位置上重磁同源体的岩石类型,结果表明了研究区内碎斑熔岩具有强剩磁特征,而流纹英安岩则为顺磁性物质,且认为碎斑熔岩之下广泛分布着流纹英安岩,这对该地区组间界面部位铀矿找矿具有重要的指导意义. 相似文献
9.
10.