查看更多>>摘要:场源边界识别是位场数据解释必不可少的任务,早先人们使用数据的分布特征来获取场源的边界信息,难以在较强的背景异常条件下识别弱异常,为此使用基于一定窗口尺寸的自动控制滤波器来识别场源的分布,然而这种方法的结果对于窗口尺寸有较大的依赖,且对于复杂异常难以良好应用.近几年,人们主要采用位场数据导数的特征点反映场源边界信息的特征,然后利用成像结果与边界的对应关系来识别场源体的水平边界.其中,磁异常水平导数的极值、垂直导数的零值与地质体边界相对应,现有边界识别方法主要采用一阶水平和垂直导数的比值所组成的均衡边界识别滤波器来完成地质体位置的圈定,但方法分辨率和泛用性较低.基于此,提出将基于不同阶导数比值的边界检测滤波器与多尺度无监督深度学习相结合,利用不同阶导数比值来获得更高分辨率的边缘成像结果,同时建立Deep Image Prior(DIP)与Generative Adversarial Network-None Local(GAN-NL)网络相结合的多尺度无监督深度学习,根据边缘成像结果的极值来获取源水平位置.利用多尺度DIP网络来识别源位置,在DIP网络中加入自注意机制神经网络增强其学习能力,可以在不需要大量数据标签的情况下去除噪声,利用GAN-NL网络对极值点进行分类,给出极值点的位置信息.与其他边缘检测滤波器比较的结果表明:所开发的边界识别方法具有更高的分辨能力,其能够更精确、更清晰地显示场源的边缘,相对常规方法精度提升 15%左右.多尺度无监督深度学习可以根据边缘成像结果自动给出源边缘,且结果与真实边缘一致,具有良好的泛用性.通常情况下,煤层与围岩之间不存在明显的磁性差异.而煤层自燃时,高温使煤层顶板地层中的黄铁矿、菱铁矿等结核体受热变质,形成含铁磁性矿物的烧成岩.温度降低后,保留了强烈的热剩余物,磁化强度比燃烧前高几十倍,因此煤矿燃烧区存在明显的磁异常.这一特性为利用磁测法圈定燃烧区域边界提供了物理前提.针对山东某矿煤田燃烧区开展磁法勘探来查明其分布,将所开发的边界识别方法用于获取火烧区的分布范围,后期打钻验证结果准确率85%.