基于無監督機器學習的地質斷層識別與深度估算
電子技術應用
劉順強
中化地質礦山總局湖北地質勘查院
摘要： 為解決Werner反卷積解在地質構造深度估計中結果不確定性的問題，采用無監督機器學習K-means聚類算法對Werner解進行優化分析。通過構建包含兩個巖墻體的合成磁場模型進行測試，并添加隨機噪聲增加復雜性。將合成數據和實際數據的Werner解分別輸入聚類算法進行分析，結果表明，該算法在合成模型中準確識別出兩個深度分別為5 m和8 m的地質體，在實際數據中識別出三個深度分別為536 m、635 m和530 m的地質體，與該區域前期勘探結果相符。研究證實，該算法不僅能有效確定地質體的數量，還能準確估算其深度位置，即使在存在噪聲的情況下依然表現穩定。
中圖分類號：P631.4 文獻標志碼：A DOI: 10.16157/j.issn.0258-7998.256258
中文引用格式： 劉順強. 基于無監督機器學習的地質斷層識別與深度估算[J]. 電子技術應用，2025，51(9)：44-49.
英文引用格式： Liu Shunqiang. Geological fault identification and depth estimation based on unsupervised machine learning[J]. Application of Electronic Technique，2025，51(9)：44-49.
中文引用格式： 劉順強. 基于無監督機器學習的地質斷層識別與深度估算[J]. 電子技術應用，2025，51(9)：44-49.
英文引用格式： Liu Shunqiang. Geological fault identification and depth estimation based on unsupervised machine learning[J]. Application of Electronic Technique，2025，51(9)：44-49.
Geological fault identification and depth estimation based on unsupervised machine learning
Liu Shunqiang
Hubei Geological Prospecting Institute of CCGMB
Abstract： To address the uncertainty of Werner deconvolution results in geological structure depth estimation, the K-means clustering algorithm in unsupervised machine learning was applied for optimized analysis of Werner solutions. A synthetic magnetic field model containing two dike-like bodies was constructed and tested, with random noise added to increase complexity. Werner solutions from both synthetic and actual data were analyzed using the clustering algorithm. The results showed that the algorithm accurately identified two geological bodies with depths of 5 m and 8 m in the synthetic model and three bodies with depths of 536 m, 635 m, and 530 m in actual data, consistent with previous exploration findings in the region. The study demonstrated that this algorithm effectively determined the number of geological bodies and accurately estimated their depths, maintaining stability even with noise.
Key words : Werner deconvolution；depth estimation；K-means clustering；geological structure；unsupervised learning
引言
隨著地球物理數據采集技術的進步，地磁勘探在地質深度估計和結構識別中發揮了重要作用[1-3]。近年來，人工智能和機器學習技術的快速發展，使得這些方法在地質數據解譯中應用日益廣泛[4-8]。例如，Sun等[9]提出的AI模型能有效處理大規模地質數據，提高地球系統科學的研究效率；Gobashy和Abdelazeem[10]基于元啟發式算法的研究表明，機器學習在地球物理數據的非線性問題處理中具有優勢；Reichstein等[11]通過結合深度學習與物理模型，實現了多維地質數據的高精度解譯；而Guo等[12]則利用深度學習方法反演三維地質結構，顯著提升了地磁數據的檢測精度。
然而，傳統的Werner反卷積方法在處理復雜地磁數據、尤其是含噪數據時，難以精確識別地質體的位置和數量。為此，本文提出一種改進方法，將K-means聚類技術應用于Werner反卷積生成的數據集，通過聚類分析更精確地識別地質體的深度和分布。這一方法不僅提高了解譯精度，也克服了傳統方法在復雜地質結構處理中的局限性。
本文詳細內容請下載：
http://m.jysgc.com/resource/share/2000006686
作者信息：
劉順強
（中化地質礦山總局湖北地質勘查院，湖北 武漢 430070）
此內容為AET網站原創，未經授權禁止轉載。