公共文化服务平台

搜索到525篇“ 构造环境判别“的相关文章

基于集成量子神经网络的大地构造环境判别与分析: 2024年; 量子地球科学是一门崭新的跨学科前缘专业,量子计算和量子机器学习算法为地学大数据的深度挖掘与分析带来了新的契机。其中,量子神经网络是目前最具代表性的研究方向之一,在复杂多源数据处理方面的效率与准确率尤为突出。本文以大地构造环境判别这一关键问题为切入点,利用堆叠集成算法对量子神经网络(Stacking Quantum Neural Network,S-QNN)进行了改进,并分别实现了玄武岩、辉长岩和尖晶石的构造环境智能判别;同时与四种传统算法(SVM、RF、KNN和NB)、经典神经网络(ANN)和传统量子神经网络(QNN)进行对比。结果表明,集成后的S-QNN模型在3类情况下的准确率较最优的传统算法分别提升5.67%、6.19%和13.34%,较普通的QNN模型提升3.11%、4.99%和3.84%,且更具鲁棒性和通用性。该研究反映了所提出的S-QNN在数据处理中的优势,更证实了量子机器学习算法在地球科学研究中的适用性与潜力,为量子科学与地球科学的交叉融合提供了新思路。; 张佳文李明超韩帅张敬宜; 关键词：构造环境判别岩石矿物地球化学量子神经网络

基于机器学习的花岗岩构造环境判别方法: 本发明属于地学大数据技术领域，提出一种基于机器学习的花岗岩构造环境判别方法，包括如下步骤：S1、对花岗岩中的样本数据进行预处理，并将处理好的数据划分为训练数据集和测试数据集；S2、对上述数据集进行特征分析；S3、构建半监...; 孟元库李佳龙

基于机器学习的花岗岩构造环境判别方法: 本发明属于地学大数据技术领域，提出一种基于机器学习的花岗岩构造环境判别方法，包括如下步骤：S1、对花岗岩中的样本数据进行预处理，并将处理好的数据划分为训练数据集和测试数据集；S2、对上述数据集进行特征分析；S3、构建半监...; 孟元库李佳龙

青海沱沱河地区夏里组砂岩形成时代及物源区构造环境判别: 2024年; 青海沱沱河地区位于青藏高原北部的北羌塘盆地内,该地区中-晚侏罗世地层发育广泛,但相关物源和构造背景的研究相对薄弱,这在一定程度上制约研究区铀矿找矿的深入。通过LA-ICP-MS对夏里组碎屑锆石进行U-Pb定年,从而限定夏里组细粒长石石英砂岩的形成时代,并结合长石石英砂岩主量-微量分析结果来探讨其沉积物的来源和物源区构造背景。夏里组砂岩碎屑锆石年代学研究表明,层段内砂岩主要有3个年龄区间:1805~1760 Ma、454~418 Ma和191~173 Ma,即夏里组砂岩沉积年龄下限为173 Ma。物源区判别图解显示夏里组沉积物主要来源于长英质沉积岩物源区,夏里组物源区构造背景以大陆岛弧为主,同时存在少量活动大陆边缘的源区。综合前人研究成果,认为北羌塘盆地夏里组具有良好的砂岩型铀矿找矿潜力。; 李焕纪孙永刚郑近龙董峻麟张徐平; 关键词：碎屑锆石 U-PB定年物源分析砂岩型铀矿

基于机器学习的大洋玄武岩构造环境判别研究被引量：1: 2024年; 玄武岩的地球化学成分与其产出构造环境密切相关,是研究地球深部物质组成与动力学过程的重要岩石。为了判别玄武岩形成的构造环境,前人根据玄武岩的地球化学特征建立了一系列构造判别图,然而这些判别图仅限于二维或三维判别。随着全球玄武岩样品地球化学数据的爆发性增长,这些构造判别图逐渐暴露出其局限性强、准确率较低的缺点。在地学与大数据结合发展的背景下,利用机器学习方法有利于更全面和深入分析数据,建立高准确率和高效率的构造环境判别模型。因此,本文利用GEOROC和PetDB数据库,经过一系列数据下载、处理等步骤,建立了全球现代大洋玄武岩数据集。通过支持向量机(SVM)和随机森林(RF)机器学习算法,训练出高准确率的高维判别模型。本文分析了不同机器学习算法和不同地球化学成分数据集对现代大洋玄武岩构造环境判别的影响,并将各个判别模型应用于蛇绿岩数据当中,探讨机器学习模型在判别古老大洋岩石圈(蛇绿岩)形成构造环境下的应用前景。这项工作为大洋玄武岩形成的构造环境判别提供了更高维度的判别手段,是大数据时代下机器学习如何在地球科学领域应用的一次有益尝试。; 徐堃关馨儿吕豪哲赵霄热则耶·如孜陈艳虹; 关键词：地球化学构造环境大洋玄武岩

西天山伊犁山间坳陷二叠系乌郎组玄武岩地球化学特征及构造环境判别: 2023年; 西天山二叠纪构造演化对哈萨克斯坦-准噶尔板块与塔里木-华北板块重建具重要意义,目前对该时期西天山构造环境认识存在争议。通过对新源县山口水电站东剖面乌郎组开展实测剖面研究发现,剖面包含玄武岩-凝灰岩-砂岩等,表现出溢流相-喷发相-沉积相组合,具5个火山喷发韵律等,表明该地区乌郎组形成于陆缘环境。通过对乌郎组玄武岩主量、微量、稀土元素进行分析发现,样品里特曼指数(σ)为1.6~6.71,AR为1.28~1.97,为钙碱-碱性准铝质玄武岩;ΣREE为-88.21×10^(-6)~285.73×10^(-6),LR/HR为3.31~6.49,属轻稀土富集型玄武岩。(Rb/Yb)_(N)为3.04~4.61,Nb/Ta为20.70~40.83,Zr/Hf为16.09~64.58,为受陆壳、火山弧影响交代地幔源残余玄武岩。通过Sm/Yb-Sm图解分析发现,火山岩浆对应俯冲深度可能起源于上地幔120~150km。据玄武岩源区特征判别岩浆物源为石榴石二辉橄榄岩带,深度熔融。结合区域以往研究和Hf/3-Th-Ta图解认为,该地区乌郎组形成于陆缘岛弧环境。; 杨德敏刘陈明王明杜勇马伟唐娇刘德利; 关键词：玄武岩地球化学构造环境

相山铀矿田基底变质岩原岩恢复及构造环境判别: 2022年; 文章通过对相山铀矿田深部变质岩开展岩石学、矿物学及地球化学等方面的研究,以探讨相山基底变质岩原岩的属性和形成环境等特征。根据铀矿科学钻孔岩心样品地球化学分析显示,基底变质岩成熟度较高,显示高镁铁、富硅、富铝,低钠钾的特征,原岩总体呈中酸性。变质岩整体表现出相对富集Ba、U、Rb、K、Th等元素,亏损Nb、Sr、P、Ti等元素;轻、重稀土元素分馏较为明显,且轻稀土相对富集、重稀土相对亏损;δEu为0.6~1.1,平均为0.7,小于1,表现为负异常;δCe为2.9~3.9,平均为3.4,表现为正异常。根据变质岩稀土元素北美页岩标准化(NASC)蛛网图显示,样品稀土元素含量与北美页岩(NASC)含量相近,推测原岩具有沉积岩的特征。主量元素分布特征表明相山铀矿田基底变质岩原岩成分复杂,推测其原岩主要为一套陆源海相沉积泥质岩、砂岩及粉砂岩系列的浅变质作用类型的陆源碎屑岩,主要有岩屑砂岩、富镁沉积岩、泥质碳质硅质岩,可能有部分火山凝灰岩。根据主微量构造判别图,推测相山基底变质岩其原岩为大陆岛弧构造环境下形成的沉积碎屑岩。; 马永胜聂江涛郭建司志发刘军港; 关键词：变质岩原岩恢复构造环境相山铀矿田

漠河盆地西缘漠河组形成时代及物源区构造环境判别被引量：10: 2021年; 大兴安岭北部漠河盆地广泛发育漠河组,其形成时代、物源区特征及大地构造背景等对研究盆地的形成与演化具有重要意义。本文在漠河盆地西缘恩和哈达地区漠河组内发现了2层凝灰岩夹层。采用LA-ICP-MS U-Pb测年方法进行了锆石U-Pb年代学研究,分别获得(158±1)Ma、(157±2)Ma的年龄,表明漠河组形成于晚侏罗世早期。砂岩岩石地球化学分析结果显示,漠河组砂岩SiO_(2)含量高(70.20%~76.13%),SiO_(2)/Al_(2)O_(3)值为4.99~5.87,K_(2)O/Na_(2)O值为0.59~1.62;在稀土元素球粒陨石标准化图解上,曲线与活动大陆边缘的稀土元素曲线吻合较好;样品富集高场强元素(Th、Hf)和大离子亲石元素(Rb、K),亏损高场强元素(Nb、Ta、Ti、P)和大离子亲石元素(Ba、Sr),微量元素蛛网图曲线与活动大陆边缘相似。地球化学物源分析图解和大地构造背景判别表明:漠河组砂岩的母岩主要来源于石英质沉积岩和酸性火山岩的混合区。砂岩碎屑锆石LA-ICP-MS U-Pb测年结果显示,碎屑锆石年龄与盆地南缘前寒武系基底和各期花岗岩类岩石的时代一致。综合研究认为,漠河组沉积物主要来自盆地南缘额尔古纳、兴安等地块,物源区既有古老陆壳物质,也有年轻的火成岩,大地构造背景以活动大陆边缘为主。; 周传芳杨华本蔡艳龙张元厚姜丽莉魏小勇段明新冯嘉王博超赵喜东; 关键词：构造环境判别漠河盆地

藏南柯月玄武岩地球化学特征及构造环境判别被引量：2: 2020年; 柯月玄武岩顺层产于日当组地层中。玄武岩SiO2含量变化范围在44.51%~51.81%之间,以较富TiO2(0.91%~2.57%,平均1.74%)、MgO(1.59%~6.76%,平均4.47%),FeO>Fe2O3(除样品KYZK4404-56之外)为特征。在Zr/TiO2-Nb/Y图中可以看出,本区7个玄武岩样品的投影点大部分位于碱性玄武岩内。玄武岩的稀土元素含量高(122.66×10-6~220.08×10-6),无明显Eu、Ce异常,(La/Yb)N比值为5.66~9.87,配分模式为右倾型。大离子亲石元素(LILE)中Rb、Ba、K、Sr的含量变化较大,没有明显的Nb、Ta异常。玄武岩的地球化学特征显示柯月玄武岩具有与洋岛玄武岩(OIB)相似的特征,未受地壳物质的混染,岩浆来自具有OIB特征的地幔源区,其形成构造环境为板内拉张环境。; 杜晓飞程文斌李葆华李关清; 关键词：洋岛玄武岩地球化学构造环境

基于大数据方法建立大洋安山岩构造环境判别图被引量：9: 2019年; 岩浆岩的地球化学元素往往对其构造环境具有一定的指示作用,前人使用构造环境判别图描述二者之间的关联关系。然而,安山岩因其岩石成因的复杂性和构造环境的"单调性",在判别图研究领域并未受到重视。收集了GEOROC和PetDB两个数据库中的全球新生代洋中脊安山岩(MORA)、洋岛安山岩(OIA)和岛弧安山岩(IAA)。使用43个元素组成的924个比值建立超过42万个直角坐标系,将三类安山岩数据投入坐标系中,并通过MATLAB计算三者之间的交叠率筛选出4个最佳判别图:lg(Ga/Cs)-lg(Ba/Nb)、lg(TFeO/Ga)-lg(Eu/Pb)、lg(K2O/Nb)-lg(Ga/Cs)和lg(MnO/Pb)-lg(Cs/Nb)。利用核密度曲线对比图分析判别图中的元素及元素比值,结果表明:①LILE(大离子亲石元素)与HFSE(高场强元素)的比值关系能有效区分MORA和IAA;②LILE与其他元素的比值关系则更有利于从三者中识别出OIA;③LILE在一定程度上比HFSE更易于判别大洋安山岩的构造环境。研究表明,安山岩可以成为一种使用范围更广泛的构造环境指示剂,其判别效果甚至优于玄武岩判别图。这也进一步说明,安山岩的成因虽然比玄武岩复杂,但是大数据方法是提取出具有构造环境指示意义的相关关系的有效途径。; 刘欣雨张旗张成立; 关键词：安山岩构造环境大数据地球化学

加载更多 ∨

相关作者

用户反馈

相关作者

用户登录

用户反馈