科學(xué)家們正努力地對不斷增長的地震數(shù)據(jù)進(jìn)行人工解釋,以探索地震的原因,特別是在該地區(qū)地質(zhì)條件復(fù)雜的情況下,他們現(xiàn)在正在使用基于機(jī)器學(xué)習(xí)的解決方案來幫助自動解釋這些數(shù)據(jù)。
從地表地震數(shù)據(jù)中有效地探測地下地質(zhì)特征對于理解大地構(gòu)造、盆地演化、資源勘探以及引起區(qū)域地震(地震發(fā)生)的過程非常重要。為此,地震數(shù)據(jù)的獲取不斷增長,使得處理過程在計算上很費力并且解釋繁瑣。得益于高性能的計算系統(tǒng),該系統(tǒng)可以在收到口譯員的指導(dǎo)和輸入后的合理時間內(nèi)對此類海量數(shù)據(jù)進(jìn)行分析。然而,人類分析人員很難進(jìn)行人工解釋,特別是在該地區(qū)地質(zhì)復(fù)雜、數(shù)據(jù)豐富的情況下。
為了使這一過程自動化并加快解釋速度,印度政府科學(xué)技術(shù)部下設(shè)的自治研究所——喜馬拉雅地質(zhì)研究所(WIHG)的科學(xué)家開發(fā)了一種基于神經(jīng)(機(jī)器學(xué)習(xí))的實用方法,用于自動解釋3D地震數(shù)據(jù)。這種第一種方法通過計算一種稱為元屬性的新屬性而開發(fā)。
較老的沉積巖層或火山熔巖層(基巖復(fù)合體)之間的板狀片狀侵入顯著促進(jìn)了熱巖漿的運輸和儲存,并導(dǎo)致覆蓋層。這可以作為沉積盆地中油氣聚集的合理構(gòu)造圈閉。新西蘭近??蔡夭缀蜌馀璧鼐褪且粋€典型的例子,在那里,白堊紀(jì)至始新世(約1.45億至3390萬年前的地質(zhì)時期)序列中嵌入了碟形巖漿巖床,導(dǎo)致在巖床末端上方形成了強(qiáng)制褶皺和熱液噴口。
WIHG的科學(xué)家通過設(shè)計工作流程并計算SillCube(SC)和FluidCube(FC)元屬性來捕獲這種情況。這些是混合屬性,是通過使用基于神經(jīng)的方法將許多地震屬性(與地質(zhì)目標(biāo)關(guān)聯(lián))合并而生成的。這項研究發(fā)表在研究期刊“構(gòu)造物理學(xué)”上。WIHG團(tuán)隊在監(jiān)督的神經(jīng)學(xué)習(xí)(機(jī)器學(xué)習(xí))之后準(zhǔn)備了元屬性,其中在人類分析師的指導(dǎo)下訓(xùn)練計算系統(tǒng)。
根據(jù)這項研究的結(jié)果,單個巖床的面積分別為1.5平方公里到17平方公里。此外,熔解的巖漿流體通過熱液噴口垂直上升至800m左右的高度,并抬升覆蓋層。這種解釋方法是自動化的,可以有效地從三維地震數(shù)據(jù)中描述地下巖漿活動。
這項工作是朝著應(yīng)用機(jī)器學(xué)習(xí)解決地質(zhì)問題邁出的重要一步,并且在理解喜馬拉雅山等活躍山區(qū)的復(fù)雜地質(zhì)過程中很有希望。 (編譯/Cassie) By PIB Delhi
轉(zhuǎn)載:千家網(wǎng)
原文標(biāo)題:機(jī)器學(xué)習(xí)解決方案使地理資源的探索更簡單
文章出處:【微信公眾號:物聯(lián)網(wǎng)技術(shù)】歡迎添加關(guān)注!文章轉(zhuǎn)載請注明出處。
聲明:本文內(nèi)容及配圖由入駐作者撰寫或者入駐合作網(wǎng)站授權(quán)轉(zhuǎn)載。文章觀點僅代表作者本人,不代表電子發(fā)燒友網(wǎng)立場。文章及其配圖僅供工程師學(xué)習(xí)之用,如有內(nèi)容侵權(quán)或者其他違規(guī)問題,請聯(lián)系本站處理。
舉報投訴
原文標(biāo)題:機(jī)器學(xué)習(xí)解決方案使地理資源的探索更簡單
文章出處:【微信號:iotmag,微信公眾號:iotmag】歡迎添加關(guān)注!文章轉(zhuǎn)載請注明出處。
相關(guān)推薦
隨著人工智能技術(shù)的飛速發(fā)展,機(jī)器學(xué)習(xí)算法在各個領(lǐng)域中扮演著越來越重要的角色。長短期記憶網(wǎng)絡(luò)(LSTM)作為一種特殊的循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN),因其在處理序列數(shù)據(jù)方面的優(yōu)勢而受到廣泛關(guān)注。
發(fā)表于 11-13 10:17
?134次閱讀
能力而受到廣泛關(guān)注。 1. 引言 情感分析在商業(yè)智能、客戶服務(wù)、社交媒體監(jiān)控等領(lǐng)域具有廣泛的應(yīng)用。傳統(tǒng)的情感分析方法依賴于手工特征提取和機(jī)器學(xué)習(xí)算法,但這些方法往往難以處理文本中的長距
發(fā)表于 11-13 10:15
?165次閱讀
BitEnergy AI公司,一家專注于人工智能(AI)推理技術(shù)的企業(yè),其工程師團(tuán)隊創(chuàng)新性地開發(fā)了一種名為線性復(fù)雜度乘法(L-Mul)的AI處理方法。該
發(fā)表于 10-22 15:15
?311次閱讀
BP神經(jīng)網(wǎng)絡(luò)(Backpropagation Neural Network),即反向傳播神經(jīng)網(wǎng)絡(luò),是一種基于梯度下降算法的多層前饋神經(jīng)網(wǎng)絡(luò),其學(xué)習(xí)
發(fā)表于 07-10 15:49
?403次閱讀
RUP(Rational Unified Process,統(tǒng)一建模語言)是一種軟件開發(fā)過程模型,它是一種迭代和增量的軟件開發(fā)
發(fā)表于 07-09 10:13
?1125次閱讀
人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Networks,簡稱ANNs)是一種受生物神經(jīng)網(wǎng)絡(luò)啟發(fā)而產(chǎn)生的數(shù)學(xué)模型,用于模擬人腦處理信息的方式。它由大量的節(jié)點(或稱為神經(jīng)元)相
發(fā)表于 07-04 16:57
?705次閱讀
人工神經(jīng)網(wǎng)絡(luò)(ANN)與傳統(tǒng)機(jī)器學(xué)習(xí)模型之間的不同,包括其原理、數(shù)據(jù)處理能力、學(xué)習(xí)方法、適用場景及未來發(fā)展趨勢等方面,以期為讀者提供一個全面
發(fā)表于 07-04 14:08
?945次閱讀
卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks,CNN)是一種深度學(xué)習(xí)模型,廣泛應(yīng)用于圖像分類、目標(biāo)檢測、語義分割等計算機(jī)視覺任務(wù)。本文將詳細(xì)介紹卷積神經(jīng)網(wǎng)絡(luò)
發(fā)表于 07-03 09:40
?378次閱讀
和工作原理。 1. 引言 在深度學(xué)習(xí)領(lǐng)域,卷積神經(jīng)網(wǎng)絡(luò)是一種非常重要的模型。它通過模擬人類視覺系統(tǒng),能夠自動學(xué)習(xí)圖像中的特征,從而實現(xiàn)對圖像的識別和分類。與傳統(tǒng)的
發(fā)表于 07-03 09:38
?389次閱讀
神經(jīng)網(wǎng)絡(luò)是一種強(qiáng)大的機(jī)器學(xué)習(xí)算法,廣泛應(yīng)用于各種領(lǐng)域,如圖像識別、自然語言處理、語音識別等。本文詳細(xì)介紹了基于神經(jīng)網(wǎng)絡(luò)算法的模型構(gòu)建
發(fā)表于 07-02 11:21
?413次閱讀
受限的微控制器單元(microcontroller units,MCU)上,內(nèi)存和計算能力有限。在這項工作中,我們使用模型壓縮技術(shù)來彌補(bǔ)這一差距。我們在HW上對RNN施加約束,并描述了一種方法來滿足它們
發(fā)表于 06-07 11:29
[22]。就像平均池化一樣,最大池化是另一種用于減小特征圖大小的常用方法。它通過僅取每個區(qū)域的最大值來獲得最重要的特征。在機(jī)器學(xué)習(xí)中,池化
發(fā)表于 05-11 20:01
,也正積極的為其開發(fā)專用的 AI 硬件,用于自己的云產(chǎn)品和邊緣計算產(chǎn)品環(huán)境中。
神經(jīng)形態(tài)芯片 方面也有著一些發(fā)展,這是一種專門為神經(jīng)網(wǎng)絡(luò)設(shè)計
發(fā)表于 03-21 15:19
外媒消息,韓國首爾國立大學(xué)與成均館大學(xué)的研究團(tuán)隊聯(lián)合開發(fā)了一種在石墨烯層上生長柔性GaN LED陣列的方法,通過該技術(shù)研究團(tuán)隊生長出了LED微型陣列,并稱作微盤陣列(Microdisks arrays)。
發(fā)表于 12-18 10:07
?873次閱讀
12月11日,外媒消息,韓國首爾國立大學(xué)與成均館大學(xué)的研究團(tuán)隊聯(lián)合開發(fā)了一種在石墨烯層上生長柔性GaN LED陣列的方法,通過該技術(shù)研究團(tuán)隊生長出了LED微型陣列
發(fā)表于 12-13 16:06
?722次閱讀
評論