Журнал геологии и геофизики
Открытый доступ

Абстрактный

Рельеф фундамента осадочного бассейна с использованием данных гравитации, полученных с помощью метода глубокой нейронной сети

Чандра Пракаш Дубей*, Мадхусри Маджи, Лакшми Панди

Оседание земной коры позволило отложениям накапливаться на вершине фундамента изверженных и метаморфических пород в форме осадочного бассейна. Эти отложения и связанные с ними жидкости химически и механически трансформируются посредством нескольких физических событий, таких как уплотнение и нагревание с течением времени. Следовательно, они становятся резервуаром энергетических ресурсов нефти, природного газа, угля, геотермальной энергии и урана и т. д. Их образование, развитие и исчезновение напрямую связаны с тектоническими движениями плит и другими важными геологическими событиями для понимания истории эволюции. Поэтому очень важно оценить толщину осадков с точки зрения рельефа фундамента, чтобы выделить обстановки осадконакопления и факторы формирования бассейна. Здесь мы разработали подход на основе искусственной нейронной сети MATLAB для получения глубины осадочного бассейна с учетом изменения плотности с глубиной. В этой работе синтетическая модель изначально создается с использованием двумерной прямоугольной призмы, а затем модель возмущена 5% гауссовым белым шумом. Контролируемый процесс обучения используется для обучения нейронной сети, а обратное распространение с методом стохастического градиентного спуска используется для оптимизации выходных данных сети. Затем модель призмы используется для создания синтетического осадочного бассейна для определения профиля глубины с известным контрастом плотности с использованием вычисленных наборов данных гравитации. После проверки этой оптимизации для различных синтетических моделей метод используется на реальных данных, взятых из бассейна Саюла, Мексика, и результаты сравниваются с предыдущими глубинами фундамента для подтверждения его эффективности. Новизна предлагаемого подхода нейронной сети заключается в быстром и эффективном вычислении без каких-либо начальных предположений модели, которые могут очень эффективно отображать сложные отношения ввода-вывода, где другие процессы оптимизации отсутствуют в этом сегменте.