[口头报告]基于深度学习融合多源数据的裂隙网络识别研究

基于深度学习融合多源数据的裂隙网络识别研究
编号：2715 稿件编号：2763 访问权限：仅限参会人 更新：2024-04-12 15:59:53 浏览：44次 口头报告

报告开始：2024年05月18日 14:00 （Asia/Shanghai）

报告时间：8min

所在会议：[S14] 主题14、水文地球科学 » [S14-1] 主题14、水文地球科学 专题14.1、专题14.2、专题14.3（18日下午，B2鹭江厅VIP3）

暂无文件

摘要
裂隙网络的识别对于了解地下水流动和溶质运移以及核废弃物储存是至关重要的。基于深度学习的集成平滑方法在多孔介质的水力参数估计中已经取得诸多成功经验。与多孔介质相比，裂隙场具有高度的非均质性和典型的非高斯分布特征，因此，仅依靠稀疏的钻孔数据估计裂隙场变得非常困难。本文针对裂隙网络的识别，提出了一个联合水文地球物理反演框架，以改进裂隙网络的表征。我们首先训练卷积变分自动编码器(CVAE)网络来对裂隙场进行参数化，然后利用ESMDA方法融合多个数据集来推断裂隙分布。考虑了两个不同复杂度的数值算例，评估了所提出的联合反演框架的识别能力。结果表明，所提出的水文地球物理反演框架能较好地反映裂隙场的主要特征。通过综合压力和SP数据，可以有效提高裂隙网络的识别精度。
关键字
裂隙网络,深度学习,裂隙识别
报告人
邓亚平
讲师 合肥工业大学

稿件作者
邓亚平 合肥工业大学
发表评论
验证码 看不清楚，更换一张
全部评论
● 会务总协调  

● 学术安排

  

辜克兢

13950003604

gukejing@xmu.edu.cn

辜克兢

 13950003604

gukejing@xmu.edu.cn

柳    欣

13806024185

liuxin1983@xmu.edu.cn

窦    恒

 18627754021

douheng@chytey.com

孙佳妮

15201086188

scarlett@chytey.com

刘    琳

 13313708075

lliu@iue.ac.cn

 

● 会场技术服务

  

李    虎

柳    欣

18965842343

13806024185

hli@iue.ac.cn

liuxin1983@xmu.edu.cn
李招英

13860473552

lizhaoying@xmu.edu.cn

      
           
● 会场安排   ● 会议注册  

辜克兢

13950003604

gukejing@xmu.edu.cn

 胡勤梅 13554192326

mary@chytey.com

窦    恒

18627754021

douheng@chytey.com

 孙晓笛 18813296455 xiaodi.sun@xmu.edu.cn
           
● 商业赞助   ● 会议财务  
朱    佳 13950159036

zhujia@xmu.edu.cn

 许心雅 18005960255 xuxinya@xmu.edu.cn
           

● 海报张贴

  

● 酒店预定及咨询

  
张    君 13860426122 junzhang@xmu.edu.cn

李    璟

18627754146

lijing@chytey.com
卢    巍 18971567453 luwei@chytey.com      

 

登录 注册缴费 酒店预订