XiaoMi-AI文件搜索系统
World File Search SystemSeismic
向立法机构提交的燃料箱抗震稳定性计划报告
燃料箱抗震稳定性计划由俄勒冈州立法机构于 2022 年制定（参议院法案 1567），由 DEQ 的土地质量部门实施。该溢油预防计划旨在评估和提高大容量石油和燃料储存设施的抗震能力。法律要求对哥伦比亚、莱恩和穆尔特诺玛县存储容量超过 200 万加仑的燃料储存和配送设施进行地震脆弱性评估和风险最小化。该计划保护公众健康、生命安全和环境免受地震引起的燃料泄漏和火灾的影响。环境质量委员会于 2023 年 9 月 15 日通过了规则，并建立了设施制定和提交地震脆弱性评估和风险缓解实施计划的流程，包括提交截止日期、批准标准、费用、实施时间表和向 DEQ 报告的要求。俄勒冈州行政法规第 340 章第 300 部分是在与地质和矿产工业部和俄勒冈州能源部协商后通过的。
人工神经网络处理地震资料的新思路
* (betulagaoglu@hitit.edu.tr) 摘要 - 人工智能研究领域十分广泛，它研究的是机器学习的能力。人工智能研究最多的课题之一是人工神经网络。人工神经网络在解决复杂问题、计算和处理信息方面非常有效。地震方法是地球物理领域的基本应用之一，被广泛使用，尤其是利用地震波检测石油。通过文献综述，我们可以看到人工神经网络架构的类型。我们已经确定在处理地震数据时使用不同的方法。使用卷积神经网络 (CNN)（人工神经网络架构之一）的目的是成功利用地震波检测石油。关键词 - 人工智能、人工神经网络、CNN、地震数据、石油勘探。
风和地震影响 - NIST 技术系列出版物
画廊和教育中心 S. Dillion Rippley 中心执行。为了满足华盛顿特区美术委员会关于在此地点建造新博物馆的担忧，史密森学会提议并获得批准在地下建造非洲和亚洲艺术博物馆。只有 5% 的体积在地上。这种设计
风和地震效应 - NIST 技术系列出版物
地震后禁止车辆通行。正在更换其柱子；工作包括支撑上层甲板、在柱顶处切割柱子并安装新的钢筋混凝土柱结构。正在更换一些柱脚，其他柱脚正在用新柱脚加固。将使用桩来承受高拉伸载荷和压缩载荷，以应对未来类似的载荷
使用生成人工智能模拟地震波场
模拟现实的地震波场对于一系列地震任务至关重要，包括采集设计，成像和反转。传统的数值地震波模拟器对于大型3D模型在计算上昂贵，并且模拟和观察到的波形之间的差异来自波方程选择和输入物理参数，例如地下弹性模型和源参数。为了应对这些挑战，我们采用了数据驱动的人工智能方法，并提出了一个有条件的生成建模（CGM）框架，以进行地震波模拟。新颖的CGM框架工作从观察到的数据中学习复杂的3D波物理学和地下杂音，而无需依赖明确的物理约束。因此，经过训练的基于CGM的模型充当随机波传播操作员，该操作员用局部地下模型和由训练数据集定义的局部矩张量解决方案编码。给定这些模型，我们可以使用源和接收器的几何形状和源参数作为输入条件变量，以模拟观察区域内任意采集设置的多组件地震数据。在这项研究中，我们在CGM框架内开发了四个模型 - CGM-GM-1D/3D，CGM-WAVE和CGM-FAS，并使用两个地震数据集证明了它们的性能：从San Francisco湾区，具有高地震风险的高密度的高密度的高密度的自然地震波形的少量低密度数据集，并具有高密度的数据，并具有高密度的数据，这些密度是高密度的，这些密度是众所周知的，并构成了高密度的信息，这些密度是高密度的，这些密度是高密度的，这些密度是高密度的，这些杂志的范围是高密度的，并构成了良好的杂货。 场地。CGM框架重现了真实观测值的波形，光谱和运动学特征，证明了为任意源位置，接收器位置和源参数生成波形的能力。我们应对关键挑战，包括数据密度，采集几何形状，缩放和发电变异性，并概述了未来的方向，以促进地震应用及其他地区的CGM框架。
使用机器学习对结构进行数据驱动的地震分析
摘要：钢筋混凝土剪切壁是支撑侧载荷的最重要的建筑结构组件之一。尽管具有重要意义，但剪切壁的安全边缘不足，通过地球后侦察和当前的实验研究已经揭示了剪切壁的安全边缘。当前的剪力壁不能以基于力学和经验数据的模型而迅速确定其故障模式。为了确定剪切墙如何根据几何配置，材料质量和增强细节而失败，本研究使用机器学习（ML），该机器学习（ML）最近取得了一些进步。由395个实验带来了不同几何配置的剪切壁，构成了研究的详尽数据库。在这项研究中，最佳预测方法是通过评估八种机器学习方法来确定的，其中包括K最近的邻居（KNN），幼稚的贝叶斯，随机森林，XG增强，决策树，Ada Boost，Cat Boost和LightGBM。详尽的检查导致了这项研究中随机基于森林的ML方法的提议。在确定剪切壁如何破裂时，建议的方法准确87％。根据研究，纵横比，边界元素加固指数以及厚度厚度的壁比是剪切壁故障的关键因素。最后，这项研究提供了一种由数据驱动的分类方法，该方法是开源的，可以被全球设计公司使用。提供新见解的其他实验数据可能很容易包含在建议的方法中。
使用生成人工智能模拟地震波场
模拟现实的地震波场对于一系列地震任务至关重要，包括采集设计，成像和反转。传统的数值地震波模拟器对于大型3D模型在计算上昂贵，并且模拟和观察到的波形之间的差异来自波方程选择和输入物理参数，例如地下弹性模型和源参数。为了应对这些挑战，我们采用了数据驱动的人工智能方法，并提出了一个有条件的生成建模（CGM）框架，以进行地震波模拟。新颖的CGM框架工作从观察到的数据中学习复杂的3D波物理学和地下杂音，而无需依赖明确的物理约束。因此，经过训练的基于CGM的模型充当随机波传播操作员，该操作员用局部地下模型和由训练数据集定义的局部矩张量解决方案编码。给定这些模型，我们可以使用源和接收器的几何形状和源参数作为输入条件变量，以模拟观察区域内任意采集设置的多组件地震数据。在这项研究中，我们在CGM框架内开发了四个模型 - CGM-GM-1D/3D，CGM-WAVE和CGM-FAS，并使用两个地震数据集证明了它们的性能：从San Francisco湾区，具有高地震风险的高密度的高密度的高密度的自然地震波形的少量低密度数据集，并具有高密度的数据，并具有高密度的数据，这些密度是高密度的，这些密度是众所周知的，并构成了高密度的信息，这些密度是高密度的，这些密度是高密度的，这些密度是高密度的，这些杂志的范围是高密度的，并构成了良好的杂货。 场地。CGM框架重现了真实观测值的波形，光谱和运动学特征，证明了为任意源位置，接收器位置和源参数生成波形的能力。我们应对关键挑战，包括数据密度，采集几何形状，缩放和发电变异性，并概述了未来的方向，以促进地震应用及其他地区的CGM框架。
创建用于机器学习的地层一致的地震概况
图1：反射终止模式，来自Wiki.aapg.org，改编自Vail 1987，用于创建详细模型的原理遵循Plint和Nummedal（2000）中设置的过程，该过程使用了默认的基础级别曲线和每层或周期的固定沉积物。与Plint-nummedal模型不同，而不是仅超过21个周期），而是使用更高的层计数（> 500）来创建沉积概况。在模型中创建了，假设岩石圈倾斜与构造断层相结合，则创建了该模型。 eustenacy变化用于生成地层表面的序列。 每一层的平均厚度在1-2米之间，每个轮廓导致超过1000多个Isopach层。 为每个二阶要的循环创建至少200层，并具有嵌入式三阶和四阶周期。 第五阶拼印件是的一部分。，假设岩石圈倾斜与构造断层相结合，则创建了该模型。eustenacy变化用于生成地层表面的序列。每一层的平均厚度在1-2米之间，每个轮廓导致超过1000多个Isopach层。为每个二阶要的循环创建至少200层，并具有嵌入式三阶和四阶周期。第五阶拼印件是
AI-ML 技术有助于缩短地震解释周期
LTIMindtree 是一家全球技术咨询和数字解决方案公司，通过利用数字技术，帮助各行各业的企业重塑商业模式、加速创新并实现增长最大化。作为 700 多家客户的数字化转型合作伙伴，LTIMindtree 拥有广泛的领域和技术专业知识，可帮助在融合的世界中推动卓越的竞争差异化、客户体验和业务成果。LTIMindtree 是 Larsen & Toubro 集团旗下的子公司，由来自 30 多个国家的 84,000 多名才华横溢的创业型专业人士提供支持，结合了前 Larsen and Toubro Infotech 和 Mindtree 在解决最复杂的业务挑战和实现大规模转型方面业界公认的优势。欲了解更多信息，请访问 https://www.ltimindtree.com/