机器学习如何在大数据时代帮助海啸构造解释人员

点集。然后，将化学合成和测试的褶皱转换为菱形网格以得到内层三角形。然后将这些褶皱两方填充到带标识的褶皱立方锥体之前，并做为本地3D CNN之前的受训数据（所示1）。随后，我们在整个核查之前接入经过受训的网络。最后，我们通过在整个核查期间将细密的在结构上上特性集与石灰岩指示矢量特性所示为基础来测试数据比对的褶皱Mode（所示2和所示3）。

所示2：广泛应该用全两方核查的基于对象的结构上比对。（a）化学合成的褶皱点集（b）、（c）、（d）和（e）分别是褶皱趋向（以度为的单位）、倾角（以度为的单位）、三角形度（以度为的单位）和深度（以米为的单位）特性，映射到化学合成的褶皱点集上。举例：斯伦贝谢。

然后，我们的监督工作报表分解的失灵网络所示可以做为各种应该用程序的读取。其之前之一是古拉伸比对和现今拉伸比对，包括将褶皱网络比对与石灰岩层序边界比对为基础，从而能够根据褶皱的相比间隔时间对其顺利进行形态学（所示3）。后者透过了负荷状况随间隔时间演变的迹象。明白古拉伸状况和现今最大水平拉伸（SHmax）方向有助于比对特定SHmax下褶皱的潜在导电性，因为导电褶皱的趋向方位应该与SHmax方向一致。

所示3：褶皱所示和石灰岩指示矢量特性组合，可用褶皱关键作用的相比间隔时间比对（左侧）和圆筒形（右侧），其之前褶皱关键作用的相比间隔时间是基于其结构上父子关系（1-最古老、2和3-最年轻）和典型层位（BCU、top Heather和top Shetland）的适用确定的。举例：斯伦贝谢。

总之，ML、确定性分析方法和广泛应该用震后在结构上上阐释的信息技术知识的为基础，增加了从震后之前探测地貌健全的褶皱Mode的希望。通过选择重要的较小地带并理想地捉到主要地带褶皱Mode来对大型实地核查顺利进行结构上阐释，是尽可能3D CNN受训尽可能不具备代表性的恰当起点。我们通过比对自动化学合成的在结构上上特性（方位角、倾角、三角形度、深度）和选取的震后在结构上上—石灰岩特性，来测试探测到的褶皱Mode的相容性的分析方法是独特的，容许在极其大规模的核查之前应该用一种节省时间的适合借此的分析方法。（小晨编译）

更多精彩内容，敬请关切我们的微信公众号：智慧能源之窗

。

郑州看白癜风去哪里
孕妇能用乐敦眼药水吗
广东妇科检查多少钱
长沙看白癜风哪家专科医院好
湖北白癜风医院挂号咨询