CC BY
25
Существенное влияние на выходы метана оказывают сейсмотектонические процессы в земной коре. Так как о-в Сахалин относится к сейсмически опасным областям, то особого внимания заслуживает изучение режима поставки природных газов во время сейсмотектонических событий.
СПИСОК ЛИТЕРАТУРЫ
1. Астахов А.С., Сергеев К.Ф., Мельников О.А, Шакиров Р.Б. и др. Динамика процессов дефлюидизации Центрально-Сахалинского глубинного разлома при сейсмической активизации (по результатам мониторинга ЮСГВ в июле-августе 2001 г.) // ДАН. 2002. Т. 386, № 2. С. 223-228.
2. Геология СССР. Т. 33. Остров Сахалин. Геологическое описание / ред. В.Н. Верещагин. М.: Недра,1970. 432 с.
3. Гресов А.И., Обжиров А.И., Шакиров Р.Б. Метаноресурсная база угольных бассейнов Дальнего Востока России и перспективы ее промышленного освоения. Т. 1. Углеметановые бассейны Приморья, Сахалина и Хабаровского края. Владивосток: Дальнаука, 2009. 247 с.
4. Ершов В.В., Шакиров Р.Б., Мельников О.А., Копанина А.В. Вариации параметров грязевулканической деятельности и их связь с сейсмичностью юга острова Сахалин // Региональная геология и металлогения. 2010. № 42. С. 49-57.
5. Кудрявцева Е.И., Лобков В.А. Изотопный состав углерода метана как критерий прогнозирования дифференцированных залежей углеводородов // Тихоокеан. геология. 1984. № 3. С. 117-120.
6. Лаврушин В.Ю., Поляк Б.Г., Прасолов Э.М., Каменский И.Л. Источники вещества в продуктах грязевого вулканизма (по изотопным, гидрохимическим и геологическим данным) // Литология и полезные ископаемые. 1996. № 6. С. 625-647.
7. Харахинов В.В. Нефтегазовая геология Сахалинского региона. М.: Науч. мир, 2010. 276 с.
8. Baranov B.V., Werner R., Hoernle K.A., Tsoy I.B., Van den Bogaard P., Tararin I.A. Evidence for compresionally induced high subsidence rates in the Kurile Basin (Okhotsk Sea) // Tectonophysics. 2002. V. 350. P. 63-97.
X
УДК 553.3.078 + 551.243(571.6)
С.Л. Шевырев, В.Г. Хомич
ШЕВЫРЕВ Сергей Леонидович - кандидат геолого-минералогических наук, старший преподаватель кафедры геологии, геофизики и геоэкологии Инженерной школы (Дальневосточный федеральный университет, Владивосток). E-mail: shevirev@mail.ru, ХОМИЧ Вадим Георгиевич - доктор геолого-минералогических наук, профессор, заведующий лабораторией металлогении благородных металлов (Дальневосточный геологический институт ДВО РАН, Владивосток). © Шевырев С. Л., Хомич В.Г., 2012
О методике количественной оценки рудоносности слабо изученных участков дешифрированием полей их трещиновато сти по космическим снимкам
Количественные структурные характеристики продуктивной гидротермальной системы Дальнегорского рудного района установлены исследованием полей трещиноватости по космическим снимкам. На основании этого выявлена связь рудонасыщенности гидротермальной системы и ее структурных характеристик. Применение нейросетей позволяет производить классификацию площадей в отношении ее потенциальной прогнозной перспективности .
Ключевые слова: поля трещиноватости, гидротермальная система, прогноз рудоносности, дистанционные материалы, нейросети.
About the method of quantitative estimation of ore-bearing prospectivity by analysis of fracture fields with space images. Sergey L. Shevyrev - School of Engineering (Far Eastern Federal University, Vladivostok), Vadim G. Khomich (Far East Geological Institute, FEB RAS, Vladivostok).
By the analysis of fracture fields in the space images, quantitative structural characteristics are obtained for hydrothermal system of Dalnegorsk ore district. Relationships between hydrothermal system ore productivity and its structural characteristics are revealed. Forecast implementations of space images data analysis with neural networks are considered.
Key words: fracturing fields, hydrothermal system, ore forecast, space images, neural networks.
Об актуальности использования результатов дешифрирования дистанционных космических изображений поверхности Земли в течение десятилетий свидетельствует то, что сфера их применения постоянно расширяется. Совершенствуются и методики исследований. Во многом это относится к решению проблем практической геологии и металлогении. В основу предлагаемого сообщения положены представления о существовании продуктивной гидротермальной системы, обладающей такими свойствами трещинной пер-коляционной структуры, как проницаемость, которая позволяет рудоносным флюидам мигрировать, а при наличии других благоприятных условий - формировать промышленно значимые рудные скопления.
Гидротермальная флюидопроводящая система является диссипативной структурой, и, следовательно, обладает структурными параметрами организации, которые могут быть учтены количественно [2]. Напомним, что при подобных исследованиях имеют дело фактически с двумерным отражением структуры в рельефе в виде проекции на плоскость (дистанционно) изображения. Основными элементами трещинной сети, выделяемыми по космическим фотоснимкам (КФС), являются линеаменты первого и второго порядка. К первым относятся региональные разрывные нарушения, протяженностью от десятков до нескольких сотен километров, ко вторым - спрямленные участки элементов орогидрографии, тальвегов долин и гребней водоразделов.
Для количественного описания линеаментной сети используются структурные параметры (СП).
К СП линеаментной сети относятся: плотность (Pl), изотропность (Is), фрактальная размерность Мин-ковского (Dm), плотность точек взаимных пересечений линеаментов первого порядка (Int), плотность азимутальных выборок линеаментов (Pl ). Опыт применения некоторых из этих параметров описан нами ранее [4]. К буквенным обозначениям СП добавляются (1) или (2), если параметр рассчитан для линеаментов, соответственно, первого (1) или второго порядка (2).
Фактический материал исследования, массивы линейных объектов выявлялись ручным дешифрированием по синтезированным снимкам Landsat 7 ETM+ с пространственным разрешением до 15 м. Полученные схемы распределения СП сопоставлялись с известными рудными объектами на единой картографической основе. Классификацией площадей по абсолютным значениям отдельных СП, отличных от среднего на величину, кратную стандартному отклонению, удалось выявить лишь приуроченность большей части рудных объектов к повышенным значениям параметров Pl и Dm рисунка линеаментов, что давало возможности выполнить лишь качественное прогнозирование. Опыт наших исследований в пределах Дальнегорского и Кавалеровского рудных районов показывает, что для крупномасштабных прогнозов на уровне отдельных рудных районов и их групп этот подход малоэффективен.
Для эталонного объекта были построены карты полей значений относительной рудоносности (RO). Этот параметр отвечает распределению по площади оруденения, т.е. известных месторождений и рудопроявле-ний (выражен в относительных единицах измерения). Структурный паттерн, отвечающий рудоносности, таким образом, может быть выражен как некоторая функциональная зависимость:
RO = F(Xi,Хг, ... Xn),
где Xn - значимый структурный параметр.
В пределах эталонной площади Дальнегорского и Кавалеровского рудных районов, в структурно-тектоническом отношении соответствующих Таухинскому району и южной оконечности Кемского террейна [1], по дистанционным материалам были рассчитаны поля значений СП для покрытия окон осреднения. Всего было оценено 14 различных СП. Для выделения руководящих рудоконтролирующих СП использовался факторный анализ и строилась множественная регрессионная модель.
Число ведущих факторов (главных компонент) выбиралось в соответствии со стандартными процедурами оценки с помощью критериев Кайзера и «каменистой осыпи». Для всех СП учитывались факторные нагрузки как вклад в главные компоненты. Во множественной регрессионной модели обращалось внимание на ß-коэффициенты параметров, на этой основе выбирались значимые СП.
В качестве руководящих были отобраны параметры Dm(1), Dm(2), Int. Эти СП использованы для обучения нейросети на элементарных ячейках территории. В результате получен обученный персептрон, способный классифицировать структурные паттерны элементарных ячеек, присваивая им значения относительной рудоносности.
Персептрон имеет число входов по числу руководящих параметров Dm(1), Dm(2), Int и один скрытый промежуточный слой, имеющий два ассоциативных нейрона. Состояние выходного нейрона - аксона, отвечающего рудоносности, определяется посредством сигмоиды (крутизна 1; шаг спуска 0,5; шаг подъема 1,2). В качестве метода обучения был выбран метод RProp (Resilient propagation), подразумевающий «оффлайновое» обучение нейрона с коррекций весов после предъявления всех примеров [4].
По значениям относительной рудоносности ячейки были классифицированы следующим образом: 1-5 - бесперспективные, 6-9 - малоперспективные, 10-15 - среднеперспективные, 16-60 - высокоперспективные.
В рамках настоящей работы решались методические задачи обучения искусственной нейросети для решения основных научно-практических задач:
1 - выяснения достаточности структурной информации для идентификации рудоносных площадей;
2 - восстановления (получения) информации о продуктивной гидротермальной системе по неполным структурным данным (выраженным в % от общего числа исследованной территории);
3 - возможности экстраполяции (переноса) обученной нейросети на район со сходной структурно-тектонической обстановкой в целях прогноза.
Для восстановления продуктивной гидротермальной системы по неполным данным в пределах территории эталонного Дальнегорского рудного района выполнялось обучение персептрона по случайно выбранным смешанным («пустым» и «рудоносным» ячейкам) (см. рисунок), прогнозируемая рудоносность сопоставлялась с действительным положением рудных объектов (узлов, месторождений и рудопроявлений).
Результаты применения нейросети для восстановления трещинной рудоносной структуры по неполным данным. 1-2 -типизация площадей: 1 - с неясными перспективами, 2 - потенциально перспективные; 3 - рудные узлы (I - Октябрьский, II - Дальнинский, III - Краснореченский, IV - Дальнегорский, V - Хрустальненский, VI - Лиственный); 4 - рудные объекты по классификации ВСЕГЕИ [3]: а - месторождение среднее, б - месторождение малое, в - рудопроявление. Буквенными индексами А-Г обозначены рисунки с расчетами: А - по 25% элементарных ячеек, Б - по 35%, В - по 45%, Г - по 95%
Установлено, что результаты обучения по 45% от генеральной совокупности приближаются к контрольному прогнозу (обучение по 95% ячеек) при существенном совпадении с известными рудоносными структурами и значительной доле отбраковываемых безрудных площадей. Этот факт может являться подтверждением гипотезы достаточности изучения СП трещиноватости для восстановления гидротермальной структуры по неполным данным, а также классификации рудоносных площадей.
СПИСОК ЛИТЕРАТУРЫ
1. Голозубов В.В. Тектоника юрских и нижнемеловых комплексов северо-западного обрамления Тихого океана. Владивосток: Дальнаука, 2006. 239 с.
2. Горяинов П.М., Иванюк Г.Ю. Самоорганизация минеральных систем. Синергетические принципы геологических исследований. М.: Геокарт, 2001. 312 с.
3. Государственная геологическая карта. М 1:1000 000 (новая серия). Лист L-(53),(54) - Кавалерово. Объяснительная записка / ред. Т.В. Брежнева. СПб.: ВСЕГЕИ, 1994.
4. Шевырев С. Л., Савко А. Д. Полезные ископаемые зон тектонической активизации южной части Воронежской антеклизы // Тр. Науч.-исслед. ин-та геологии Воронеж. гос. ун-та. Вып. 62. Воронеж, 2011. 104 с.
5. Riedmiller M., Braun H. A direct adaptive method for faster back propagation learning: The RPROP algorithm // Proceedings of the IEEE Interna Confe on Neural Networks 1993. URL: http://paginas.fe.up.pt/~ee02162/dissertacao/RPR0P% 20paper.pdf (10.11.2011).
X
УДК 550.380
Н.Г. Шкабарня, Г.Н. Шкабарня, А.В. Яковлева
ШКАБАРНЯ Николай Григорьевич - доктор технических наук, профессор кафедры геологии, геофизики и геоэкологии Инженерной школы (Дальневосточный федеральный университет, Владивосток), ШКАБАРНЯ Григорий Николаевич - кандидат технических наук, старший научный сотрудник (Тихоокеанский океанологический институт им. В.И. Ильичева ДВО РАН), ЯКОВЛЕВА Анна Викторовна - магистрант кафедры геологии, геофизики и геоэкологии Инженерной школы (Дальневосточный федеральный университет, Владивосток). E-mail: shkabarnya@mail.ru © Шкабарня Н.Г., Шкабарня Г.Н., Яковлева А.В., 2012
Электрическая томография
при исследовании геологической среды
на участке нефтеперерабатывающего комплекса
Низкое качество инженерно-геологических изысканий на многих участках строительства крупных объектов в Приморье обусловлено несовершенством существующих методик. Проектирование с использованием дискретных данных о свойствах грунтов не может гарантировать безопасную и долговечную эксплуатацию различных сооружений. Авторы представляют опыт применения метода электрической томографии. Ключевые слова: геологическая среда, свойства грунтов, электрическая томография, модель разреза.
Electrical tomography study in geological environment on site oil complex. Nicholay G. Shkabarnya, Anna V. Yakovleva - School of Engineering (Far Eastern Federal University, Vladivostok), Gregory N. Shkabarnya, (V.I. Il'ichev Pacific Oceanological Institute, FEB RAS, Vladivostok).
Poor quality of engineering and geological surveys in many areas of major construction projects in the Maritime region is due to imperfection of the existing techniques. Designing with the use of discrete data on the properties of soils can not guarantee a safe and durable operation of different facilities. The authors present the experience of applying the method of electrical tomography.
Key words: geological environment, soil properties, electrical tomography, the model section.
