XiaoMi-AI文件搜索系统
World File Search Systemseismic
对瑞典南部哥特兰的反思地震调查
图3。（a）3D采集的来源和接收器位置，分别用黄色和白色圈子注释。2D采集的源和接收器位置用蓝色圆圈注释。红色矩形概述了3D区域。红色星星标志着Nore-1和Nore-2钻孔。（b）3D区域的细节，带有嵌入式和横线以及折叠的CDP箱尺寸为5 m，在线方向为5 m，在跨线方向上有15 m。蓝色和红色圆圈分别显示接收器和源点的位置。（a）中的航拍照片来自瑞典土地调查（Lantmateriet.se）。坐标在Sweref99 TM系统中。
欧洲地震参考站的数据驱动和机器学习识别
sumary日益增长的地震网络和越来越多的永久性地震站可以帮助改善地震危害评估的物理基础。为此，参考站点条件的定义非常重要。如果已知参考地面运动的可靠估计，则可以根据该参考位点对任何给定位点进行修改。由于选择良好的参考位点的选择并不简单，这主要是由于浅层层的较高可变性，因此这种选择被证明会受到大型不确定性的影响。虽然最上层30 m（v s 30）的平均s波速度之类的代理参数可能有助于表征参考站点条件，但此类参数既不可用，也不允许结论一下该站点不受放大和减弱效应的影响。在这项研究中，我们以统一和完全数据驱动的方式确定欧洲的前瞻性参考地点。所有分析均基于免费可用的地质和地球物理数据，不需要现场测量或特定地点代理。研究既说明了扩增的影响，又是较大频率范围内的衰减。为了解决关键概念问题，我们基于机器学习技术验证了我们的分类，其中研究了单个站点表征参数的影响。我们的研究表明，在2000多个研究中，欧洲大约250个地点不受当地现场效应的影响，并且可以根据所应用的标准将事实视为参考地点。
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。
城市至海大桥——高水平地震风险和缓解措施审查
迄今为止，所有评估都采用了这一假设，包括在 %NBS 报告中。需要明确的是，根据评估指南，这种报告方法是正确的，但是，如果“建筑物”被指定为 IL3，则对于不了解地震评估过程的外部方来说，这有可能给人留下建筑物周围绝对风险的错误印象。具有与桥梁相同的 %NBS 但重要性级别不同的其他建筑物或结构不会代表相同级别的绝对风险。在试图评估与短期内继续占用有关的生命安全危害时，这可能会增加决策的复杂性。这就是为什么 MBIE 建筑物地震风险指南建议在以下决策中使用 IL2 级别的原因：
g e o p h ys i c s火山弧形刚度变化通过2011年tohoku-oki M9
岩石强度长期以来一直与岩石圈变形和地震性联系在一起。然而，缺少对相关弹性异质性的独立约束，但可以为固体地球动力学提供关键信息。使用Coseismic全球导航卫星系统（GNSS）数据，用于日本的2011 M9 Tohoku-Oki地震，我们应用一种反向方法来同时推断弹性结构和断层滑移。我们在火山弧下方和壁式楔形区域的部分熔体生成区域内发现，被推断为位于〜100 km的平板深度。我们还确定了更接近较接近的抗震动性地震性模式的低含量材料，这可能与增生性楔形结构相关。以及传统的地震和电磁方法，我们的方法开辟了多物理倒置的途径。那些可能会推动地震和火山的潜力，尤其是一旦扩展到INSAR类型的约束，可能会导致对跨尺度的短暂岩石圈变形的更好理解。
使用量子计算从叠后地震数据中估计地震阻抗 Divakar Vashisth* 和 Rodney Lessard，SLB 软件技术创新中心
使用量子计算从叠后地震数据估计地震阻抗 Divakar Vashisth* 和 Rodney Lessard，SLB 软件技术创新中心 摘要 量子计算越来越被认为是地球物理学的一项变革性技术，它有可能显著提高计算能力和效率。这一进步有望以前所未有的速度模拟和处理复杂的地质数据。最近的研究已经开始探索将量子计算方法应用于简化版本的地震反演问题，强调该技术解决现实世界逆问题的能力。本研究的主要目的是通过使用量子计算机从地震轨迹数据估计声阻抗来解决一个现实、可扩展且与业务相关的问题。据我们所知，这是第一次通过量子计算从地震数据预测地震阻抗，并讨论了在量子处理单元 (QPU) 上解决逆问题的优势。在本文中，我们利用 D-Wave 量子退火器来解决叠后地震反演问题，采用了一种新颖的两步工作流程。在第一步中，我们利用量子退火器从地震数据中估计反射率。随后，这些估计的法向入射反射率作为使用相同量子技术预测声阻抗的基础。为了验证我们方法的有效性，我们提供了五个示例，将 D-Wave 量子退火器的阻抗预测与通过模拟退火（传统上用于地震反演的随机全局优化器）获得的阻抗预测并列。值得注意的是，从量子退火器得出的阻抗仅在一个时期内就与真实值紧密匹配，而模拟退火需要 10 个时期才能达到类似的精度。此外，我们的混合求解器中的 QPU 仅花费约 0.08 秒即可估计这些地震阻抗。与混合求解器的经典组件和模拟退火所需的时间相比，这非常高效，后两者均需要超过 10 秒。这凸显了 QPU 可以在不到一秒的时间内完全解决地震逆问题，凸显了量子计算对地球物理学领域的变革性影响。 引言 量子计算是一个新兴领域，它利用量子力学原理来处理信息，为传统计算带来了范式转变。与以比特为信息基本单位的传统计算机相比，量子计算机
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