2. 国家海洋局海底科学重点实验室, 杭州 310012;
3. 浙江大学地球科学系, 杭州 310012
2. Key Laboratory of Submarine Geosciences, State Oceanic Administration, Hangzhou 310012, China;
3. Earth Science Department, Zhejiang University, Hangzhou 310012, China
大洋钻探计划(ODP)在我国南海仅有184一个航次,6个站位,即1143、1144、1145、1146、1147和1148站位.其中1148站位(SCS-5C)位于我国南海下陆坡陆壳与洋壳转换带,北纬18°50.169′,东经116°33.939′,水深约3294m(Wang et al., 2000).已有的研究成果,如南海北部陆坡的构造演化、古生物、成岩环境、古地理、沉积特征和古气候等,部分是利用该航次所取岩心进行古生物和地球化学的研究,如邵磊等利用沉积物元素地球化学分析方法对ODP1148站以及珠江口盆地PY33-1-1井进行对比,用来研究南海北部渐新世末的构造事件和沉积演化(邵磊, 2004, 2009);李杰等通过ODP1148站位沉积物中的沟鞭藻化石来研究南海渐新世的生物地层(李杰等, 2005);刘宝林等通过对ODP1146站位沉积物中的稀土元素含量来研究南海北部陆坡沉积物的物源及成岩环境(刘宝林等, 2004);黄维等对南海张裂以来从渐新世到现代的沉积量进行统计,进而探讨南海沉积物分布宏观格局上的特色及其演变过程(黄维等, 2006);唐松通过对ODP1148站深海沉积物中粘土矿物的分析,研究南海的扩张历史和气候变化(唐松等, 2004);杨丽红等利用南海ODP1143站位岩芯中的放射虫化石研究南海南部的古生态环境(杨丽红等, 2002);李安春等通过对南海北部陆坡下部ODP1148站位沉积物中陆源矿物组分的含量、堆积速率、粒度、石英氧同位素及石英扫描电镜的分析,探讨南海沉积演化及其构造响应(李安春等, 2011).
另外一部分研究则是利用地球物理数据,而在地球物理资料的利用率方面,地震、重磁等数据利用较多,如李家彪等根据高分辨率重、磁测网数据的分析,结合多波束海底地貌的构造解释,研究了南海海盆的海底扩张(李家彪等,2011);吴时国等根据新获得的海底地形地貌资料和地震资料,研究了南海块体搬运沉积体系,明确了其分布范围(吴时国等, 2011);丁巍伟等通过两条973多道地震测线分析了南海南部陆缘构造变形特征及伸展作用(丁巍伟等, 2011);吴招才等利用船载磁力测量数据,研究了南海北部磁异常特征及对前新生代构造的指示(吴招才等, 2011);李守军等通过南海北部陆坡神狐海域浅地层、单道地震剖面联合解释,研究了南海北部的天然气水合物资源(李守军等, 2010).然而,地球物理资料中测井数据利用则较少,而且多是直接基于其测井原始数据或稍作标准化处理和常规处理后,对地震剖面进行垂向约束、标定或反演,如钟广法等利用测井数据进行的该井矿物成分的反演(钟广法等, 2006);黎明碧等通过测井垂向约束地震分层,进行了南海中北部陆坡层序地层与海底扇的研究(黎明碧, 2005).
另一方面,南海的很多问题还未解决或需要更深入的研究,如海平面变化、古沉积环境和南海海盆的扩张方式及扩张时期等都还存在一定的争议(黎明碧等, 2005; 刘光鼎,2011; 李家彪等, 2011),所有这些问题的解决都必须依赖于更先进的调查设备和调查技术,更多的物探资料和数据,而在短期内又没有类似ODP这样的大规模钻探计划,所以对已有的数据,如ODP184航次的测井数据,进行更深入的处理和分析研究是最廉价的投入,却可以挖掘出更丰富有效的地质信息,取得一定的实际价值,因此,还有待于进一步从这些测井数据中挖掘更丰富、更准确的地质信息.本文借助于人工神经网络,深入挖掘该井测井资料中所蕴含的地层岩性信息,对该井的岩性进行预测.
将人工神经网络应用于测井资料的岩性预测研究已有不少人进行过探讨,但多集中于BP神经网络,且相对成熟.然而,BP神经网络具有其固有的缺陷:收敛速度缓慢;容易陷入局部极小值;难以确定隐层数和隐层节点个数;在实际应用中,标准BP算法很难胜任(Satish et al.,2006).本研究将小波神经网络引入到测井岩性预测中,取得了一定的实际效果,具有较好的应用价值.
ODP1148A井是ODP184航次南海所钻探的几口井中 最深的一口井,所取的岩心也最长最完整,尽管如此,由于取芯仪器和操作等原因,以及部分层位泥质含量较高而导致沉积物变形和坍塌,致使部分层段的取芯收获率未达100%,也就是有部分岩心缺失(图 1).特别是在海底以下约460 m处,钻遇到了一个从泥质白垩到未固结黏土层的突变带,因而岩心收获率急剧下降.从460 m到600 m,平均岩心收获率只有47%,而在500 m上下的取芯收获率几乎为零(图 1),整个1148A井的岩心平均收获率为89.8%,有10.2%的岩心段为空白,这就意味着有大约70 m无任何岩性信息,必然会对整口井段的综合研究造成一定的困扰,影响了岩性研究的完整性和精度.这就产生了一个问题,在岩心收获率低的层位,如460 m到600 m之间,岩心取芯为空白,如何了解该处的岩性就成为一个亟待解决的问题.
涂片分析是研究岩性的一个有效方法,然而它却是一件耗时费力的工作,据ODP184的航次报告,ODP1148A井在整口井约700 m中对岩性的涂片分析仅有127个,这127个涂片分析内容包括结构、矿物和生物化石,其中的“结构”,其实更接近于岩性,因为其分析结果为砂质、粉砂质和泥质含量各自所占的百分比(图 2),但这些仅仅是借助于这三种岩性的颗粒大小而命名,其中有可能是微化石或碳酸盐岩,只是他们的颗粒大小符合砂质、粉砂质和泥质的粒度界定标准,而并非真正意义上的岩性.
图 2为ODP1148A井涂片分析的岩性值,小圆圈为样品涂片分析实测数据,可见整口井的涂片分析数据十分稀疏.而且深度分布不均,有些层段两个涂片深度点距离达十几m,平均间隔为5.5 m,很显然这样稀疏的岩心涂片分析太粗略,不利于岩性的研究,而如果仅仅将相邻的数据点进行直接的连线或是简单的插值处理来估计两个实测点之间的岩性,则误差太大.另一种提高岩性研究的精度的方法就是提高岩心涂片的数量,加密涂片测试的密度,而显然该方法不可行,因为图片需要对岩心柱进行加工处理制成薄片,这样必然影响岩心柱的完整性,而且也破坏了岩心柱原有的层理构造,且不可能对每一个深度点都进行这样的详细的涂片分析,这样的工作量将不可估计.这便引出了另一个问题,在涂片分析数量有限的情况下,如何知道涂片之间的详细岩性.
综上所述,ODP1148A井岩性的研究存在两个问题:其一,在岩心收获率低的层段,如何能确定该层位的岩性;其二,在涂片分析数量有限的情况下,如何更精细的研究涂片分析之外的详细岩性信息.
以上对岩性的研究都是直接通过岩心柱进行的,在岩心柱研究岩性不可行时,由于测井数据是岩性物性的直接反映,不同的岩性在各种测井结果中有不同的响应,所以本文将试图借助于测井资料的高分辨率、高连续性优点,进行岩性的间接研究.ODP1148A井测井数据的采样间隔为0.1524 m,远高于岩心涂片分析的间隔(平均为5.5 m),且在整口井均十分连续,这样就可以弥补在460 m至600 m之间岩心收获率极低的空白段的岩性信息.ODP1148A井测井资料较丰富,包括孔隙度测井、电阻率测井、密度测井等,不同的测井方法测的是岩石不同的物理性质,各测井方法都与岩性有直接或间接的响应关系.ODP1148A井自然伽马测井数据采样点起始深度与其他几种测井数据不同,而造成每一个采样点都不能重合,所以尽管其与粘土含量关系最为密切,但要与其它测井数据进行综合研究时,采样点深度不能进行很好的对应,故将其遗弃,在此选取了采样点深度完全一致的5种测井曲线对ODP1148A井岩性进行综合研究,即孔隙度测井、中子寿命测井、球形聚焦测井、密度测井和岩性密度测井.
然而,这种映射关系是极其复杂的,往往并不是简单的一一对应关系,而是非线性的,且不管是何种测井方法,都侧重于岩性物性的某一种参数,各有各的优点与缺点,而不可能客观的反映岩性的真实的全面的信息.将ODP1148A井五种测井方法所测得的测井曲线与涂片分析已测得的岩性数据进行对比、分析和研究,发现单独的任何一种测井数据都不能与岩性形成某种简单的线形映射关系,无法用单独的某种测井数据对岩性进行合理的解释.由此引出第三个问题,如何充分利用这5种测井资料,利用各自的优点,将其有机结合起来,对ODP1148A井进行岩性的精细解释和预测.
第三个问题可以概括为:以上五种测井数据均是岩石岩性物性的反映,已知这些测井数据与岩性之间有某种对应关系,但这种对应关系又不明确,在无法得到清晰的解析式的情况下,如何利用它们之间的这种模糊对应关系求解岩性.
为解决以上问题,本文将借助于时频分析中的小波分析的高分辨率特性和人工神经网络优秀的非线性运算特点,将二者结合,形成小波神经网络,小波神经网络兼容了小波与神经网络的优越性,一方面,充分利用小波变换的时—频局部化特性;另一方面,发挥神经网络的自学习功能,从而具有较强的逼近与容错能力.充分发挥小波和神经网络各自的优点,对ODP1148A井进行岩性的精细研究,试图解决上面的三个问题.通过对测井数据和实际样品涂片分析得到的岩性数据进行学习,找出5种测井曲线与岩性的内在对应关系,对其进行不同的加权和求和等处理,以及一些其它的非线性运算.
小波神经网络相比于其他前向的神经网络,有明显的优点;首先,小波神经网络的基元和整个结构是依据小波分析理论确定的,可以避免BP神经网络等结构设计上的盲目性;其次,小波神经网络有更强的学习能力,精度更高;再次,对同样的学习任务,小波神经网络结构更简单,收敛速度更快.
利用小波神经网络预测ODP1148A井岩性的技术路线及流程如图 3所示.将ODP1148A井的六种测井数据和涂片分析的岩性数据相对应,组合成总的样本.将总样本中的一部分作为学习样本,用于小波神经网络的训练,另一部分作为测试样本,用于检验小波神经网络预测岩性正确与否以及预测结果的误差评价.用测试样本对经学习样本训练后的小波神经网络进行测试,评价误差是否符合要求,测试结果是否满意.如果测试结果不满意,则调整学习样本和测试样本,并调整小波神经网络的各项参数,如节点数、最大训练次数和训练方法等,用调整后的学习样本对改进后的小波神经网络重新训练,并且重新用测试样本对其进行评价,直到测试的结果符合要求.用最终训练好的小波神经网络应用于未取芯段或涂片分析之外的层位的岩性预测.整个过程均是基于MATLAB 7.10.0(R2010a)软件平台,通过编写相关的程序进行实现.
(1)小波神经网络结构设计
前人对BP神经网络的研究较多(Pan et al., 2005),总结出了一些BP网络网络结构层数设计的经验,如有研究指出(刘争平等, 1995),在每层神经元数量足够的情况下,具有三层结构的前向型神经网络可以充分解决大多数的问题.也有人通过研究BP神经网络指出,对于岩性识别问题,含一隐层的3层网络即可.然而对于小波神经网络却未见到有这方面的研究.本研究尝试性的分别进行了含两个隐含层和一个隐含层的网络结构,分别进行训练和测试,发现两个隐含层不但对没有降低误差,反而增加了网络训练的时间.故最终确定了含一个隐含层、一个输入层和一个输出层的三层小波神经网络结构.
(2)小波神经网络节点的设置
有研究指出(张治国, 2006),设计网络节点时,应考虑尽可能地减少网络的规模,以减少网络的训练时间.输入层节点与输入网络的数据维数相同,即5采用5个神经元作为输入层.输出层的节点也保持与要预测的岩性数据维数一致,而岩性的表示形式为砂质、粉砂和泥质三种含量,故采用3个神经元作为输出层节点.
网络的隐含层节点数的选取没有一个完整而系统的理论指导,需根据所要解决的实际问题不断试验而确定.本论文中采用尝试性的不断增长和调整网络隐含层节点的方法,先设置较少的节点数,用学习样本对网络进行训练,并测试学习误差,然后逐渐增加节点数,重新对网络进行训练和测试,直到测试误差不再有明显减少为止.
(3)传递函数的选择
考虑到要预测的岩性值主要以砂质、粉砂和泥质各自的含量形式表示,其均为小数,且在[0,1]内,所以将输出层的传递函数设为Log-sigmoid型激活函数,这样就可以将输出值限定在[0,1]内,直接用来表示砂质、粉砂和泥质各自的含量.由于小波函数具有很好的时频局部化特性,故输入层和隐含层均采用小波函数作为激发函数.本次研究采用与测井信号十分相似的,它在时域和频域内同时具有较好的分辨率,是信号处理中最常用,也是最成熟的Morlet小波函数作为输入层和隐含层的传递函数.
(4)学习规则
本研究采用自适应梯度下降并附加动量因子的反向传播算法训练网络(traingdx——自适应调整学习速率并附加动量因子的梯度下降反向传播算法训练函数).对于模式识别问题,这种训练函数不易陷入局部极小值,也不容易因为梯度的变化引起振荡而不收敛的现象,而加入动量项不仅可以微调权重的修正量,也可以使学习避免陷入局部极小值而无法达到系统最小值(傅荟旋等, 2010).
(5)程序设计
在确定好以上小波神经网络结构和训练方法后,在MATLAB中编写程序.其中主要几个需要设置的参数有最大学习次数(net.trainParam.epochs)、目标误差(net.trainParam.goal)和动量因子(net.trainParam.mc)等.这些参数根据小波神经网络训练和测试的结果不断调整和改进,以便最终达到令人满意的效果.
通过不断调整隐含层节点数、最大学习次数和动量因子等,最终在隐含层节点数为11、最大学习次数为1000和动量因子为0.9时,测试误差和训练时间达到了最优化.经学习训练和测试后,反复调整的最终小波神经网络对35个岩性测试样本的预测结果如图 4所示.图 4中红色小圆圈为岩心涂片分析的实测值,蓝色星号为小波神经网络的预测值,总含量为1,将各种成分的含量均以小数的形式表示,在[0,1]之间.由图可见,35个测试样本中,除过序列点26处的砂纸和泥质含量的实测值与预测值相差较大外,其他的样本预测值基本能粗略地反映实测值的总体趋势.而序列点26处的砂质和泥质实测值出现偏离其它样本点很大的异常,可能为涂片分析有误.
岩性预测的35个测试样本通过小波神经网络测试得出的砂质、粉砂质和泥质三种含量预测值与实测值以及其符合率(预测值/实测值,或实测值/预测值).其中的第26点是上面推测的可能由于涂片分析失误造成的异常数据,将其剔除后,统计各种含量预测值与实测值的符合率分布,并做出预测符合率分布直方图(图 5).由图可见,符合率集中分布在90%、80%和100%之间,这三者占50%左右,而符合率60%以上的约占总体的60%.注意到符合率为0的样本所占比例较大,占近14%的比重,这是由于岩心涂片分析的砂质含量为0的样本较多,而对这种含量为0的样本进行预测,结果只有两种可能,即实测值为0,预测值也为0(符合率100%),或者实测值为0,预测值非0(符合率0%).只要预测值与实测值不符(即使预测值很小很小),其计算出的符合率也是0%,不存在90%、80%等中间过渡情况,因此影响了整体预测的符合率.
由该预测结果的分析和评价,可见该小波神经网络对砂质、粉砂质和泥质含量的预测基本能反映测试样本的岩性情况,在没有岩心资料的取芯收获率低的层段和涂片分析稀少的情况下,可以将其用于粗略的岩性参考,为层序地层和基准面分析提供一定的参考.
将以上经过测试和检验后的小波神经网络应用于实际的ODP1148A井岩性预测,解决了前面所提出的三个问题,即取芯收获率低的层位的岩性识别问题和涂片分析稀少情况下涂片分析之间深度点的岩性详细信息,分别如图 6和图 7所示.
图 6左侧第一个小图为ODP1148A井岩心收获率,其中从460 m到600 m,平均岩心收获率只有47%,而在500 m上下的取芯收获率几乎为零,而利用分辨率和连续性都很高的测井数据经过小波神经网络学习、训练和测试后对该取芯收获率低的层位进行了岩性预测,弥补了该空白层段的岩性信息,如图 6右侧三个小图所示.
图 7左侧第一个小图为ODP1148A井岩心涂片分析数据,由图可见,整口井的涂片分析数据十分稀疏,从100 m到700 m之间总共只有约105个涂片分析,而且深度分布不均,有些层段两个涂片深度点距离达十几m,平均间隔为5.5 m,很显然这样稀疏的岩心涂片分析太粗略,不利于岩性的研究.而利用连续性极高的测井数据经过小波神经网络训练和测试后对ODP1148A井进行的岩性预测,每隔0.1524 m就有一个预测值,很显然这样的连续性远高于涂片分析,对涂片分析是一个很好的加密和补充,如图 7右图所示.
经过小波神经网络对高连续性和高分辨率的测井数据与岩性之间建立某种非线性映射关系后,对整口ODP1148A井都可进行任意深度点的岩性预测.可将小波神经网络预测的岩性信息列一表格,当需要知道某一深度点的岩性信息时,只需输入该深度点的测井数据或者直接查表即可求得.该方法也可推广到其他ODP184航次进行过测井和涂片分析的井进行岩性预测,只需调整学习样本和测试样本,以及小波神经网络的某些参数,对新样本进行学习和测试后即可.
在方法上,设计出了一个以morlet小波为隐含层传递函数的三层小波神经网络,采用自适应梯度下降并附加动量因子的反向传播算法训练网络,并编写了相应的程序在MATLAB中进行实现.该小波神经网络经训练后,测试其岩性预测的符合率在60%以上的约占总体的60%,基本能反映测试样本的岩性情况,在没有岩心资料的取芯收获率低的层段和涂片分析稀少的情况下,可以将其用于粗略的岩性参考.该小波神经网络预测岩性的方法可以为类似的工作提供借鉴.
在岩性预测结果上,将经测试后较满意的小波神经网络应用于ODP1148A井的岩性预测,得到了整口井的岩性,包括各井段的砂质含量、粉砂含量和泥质含量,从而无需对每个深度点都进行耗时耗力的岩心涂片分析工作,而且也弥补了ODP1148A井岩心收获率低的层位的岩性空白,可为基于岩性的后续地层研究工作提供基础,具有一定的应用价值.
致 谢 本文在完成过程中得到了国家海洋局第二海洋研究所黎明碧、方银霞、唐勇、丁巍伟等研究员的指导,以及付洁、王聪、邱文弦博士的大力支持与帮助.软件编程得到了周志远、董崇志博士的鼎力相助.同时,所需数据均为ODP官网无偿下载, 谨致谢忱.
[1] | Ding W W, Li J B. 2011. Seismic stratigraphy, tectonic structure and extension factors across the southern margin of the South China Sea: evidence from two regional multi-channel seismic profiles[J]. Chinese J. Geophys. (in Chinese), 54(12): 3038-3056. |
[2] | Fu H X, Zhao H. 2010. MATLAB Neural Network Application Design [M] (in Chinese). Beijing: China Machine Press. |
[3] | Huang W, Wang P X. 2006. The deposit quantity and its distribution of the South China Sea since Oligocene. Science in China ser[J]. Science in China (Series D) (in Chinese), 36(9): 822-829. |
[4] | Li A C, Huang J, Jiang H Y, et al. 2011. Sedimentary evolution in the northern slope of South China Sea since Oligocene and its responses to tectonics[J]. Chinese J. Geophys.(in Chinese), 54(12): 3233-3245. |
[5] | Li J, Mao S Z, Wu G X, et al. 2005. Oligocene dinoflagellate biostratigraphy in northern South China Sea, site 1148 of ODP leg 184[J]. Journal of Stratigraphy (in Chinese), 29(4): 333-341, 347. |
[6] | Li J B, Ding W W, Gao J Y, et al. 2011. Cenozoic evolution model of the sea-floor spreading in South China Sea: new constraints from high resolution geophysical data[J]. Chinese J. Geophys. (in Chinese), 54(12): 3004-3015. |
[7] | Li J B. 2011. Dynamics of the continental margins of South China Sea: scientific experiments and research progresses[J]. Chinese J. Geophys.(in Chinese), 54(12): 2993-3003. |
[8] | Li M B. 2005.The Sedimentary Characteristics and Submarine Fan Forming Condition in the Continental Slope Basin in Middle-northern Part of South China Sea[D]. (in Chinese).Hangzhou: Zhejiang University, 1-119. |
[9] | Li S J, Chu F Y, Fang Y X, et al. 2010. Associated interpretation of sub-bottom and single-channel seismic profiles from slope of Shenhu Area in the northern South China Sea-characteristics of gas hydrate sediment [J]. Journal of Tropical Oceanography (in Chinese), 29(4): 56-62. |
[10] | Liu B L, Wang Y P, Wang J Z, et al. 2004. Geochemical characters of ree in the seafloor sediment in northern continental slope of the South China Sea and analysis of source of material and diagenesis environment [J]. Marine Geology & Quaternary Geology (in Chinese), 24(4): 17-23. |
[11] | Liu G D. 2011. Intensify the research on continental margin of South China Sea [J]. Chinese J. Geophys.(in Chinese), 54(12): 2991-2992. |
[12] | Liu Z P, He Y F. 1995. Application of artificial neural networks in log analysis[J]. Chinese J. Geophys.(in Chinese), 38(S1): 323-330. |
[13] | Pan H, Wang X Y, Chen Q, et al. 2005. Application of BP neural network based on genetic algorithm[J]. Computer Application, 25(12): 2777-2779. |
[14] | Satish K. 2006. Neuralnetworks[M](in Chinese). Beijing: Tsinghua University Press, 69-22. |
[15] | Shao L, Li X H, Wang P X, et al. 2004. Sedimentary record of the tectonic evolution of the South China Sea since the oligocene--evidence from deep sea sediments of odp site 1148[J]. Advance in Earth Sciences (in Chinese), 19(4): 539-544. |
[16] | Shao L, Pang X, Zhang G C, et al. 2009. Late Oligocene tectonic event in the northern South China Sea and its implications[J]. Earth Science--Journal of China University of Geosciences (in Chinese), 34(5): 717-724. |
[17] | Tang S, Shao L, Zhao Q H. 2004. Characteristics of clay mineral in South China Sea since Oligocene and its Significance[J]. Acta Sedimentologica Sinica (in Chinese), 22(2): 337-342. |
[18] | Wang P, Prell W L, Blum P, et al. 2000. Proceedings of the Ocean Drilling Program, Initial Reports[R]. Volume 84: 1-77. |
[19] | Wu S G, Qin Z L, Wang D W, et al. 2011. Seismic characteristics and triggering mechanism analysis of mass transport deposits in the northern continental slope of the South China Sea[J]. Chinese J. Geophys. (in Chinese), 54(12): 3184-3195. |
[20] | Wu Z C, Gao J Y, Li J B, et al. 2011. The characteristics of magnetic anomalies: Implications for Pre-Cenozoic tectonics of the northern South China Sea [J]. Chinese J. Geophys. (in Chinese), 54(12): 3292-3302. |
[21] | Yang L H, Cheng M H, Wang R J, et al. 2002. Radiolarian record to paleoecological environment change events over the past 1. 2MaBP in the southern South China Sea[J]. Chinese Science Bulletin, 47(17): 1478-1483. |
[22] | Zhang Z G. 2006. Artificial neural network and its application in geosciences [Ph. D. thesis]. (in Chinese). Changchun: Jilin University, 36-37. |
[23] | Zhong G F, Li Q Y, Chen Q, et al. 2006. Oligocene mineral component inversion based on geophysical well logs from ODP Hole 1148A, South China Sea [J]. Journal of Tongji University (Natural Science) (in Chinese), 34(10): 1403-1407. |
[24] | 丁巍伟, 李家彪. 2011. 南海南部陆缘构造变形特征及伸展作用: 来自两条973多道地震测线的证据[J]. 地球物理学报, 54(12): 3038-3056. |
[25] | 傅荟旋, 赵红. 2010. MATLAB神经网络应用设计[M]. 北京: 机械工业出版社. |
[26] | 黄维, 汪品先. 2006. 渐新世以来的南海沉积量及其分布[J]. 中国科学D辑, 36(9): 822-829. |
[27] | 李安春, 黄杰, 蒋恒毅,等. 2011. 渐新世以来南海北部陆坡区沉积演化及其对构造的响应[J]. 地球物理学报, 54(12): 3233-3245. |
[28] | 李杰, 茅绍智, 吴国瑄,等. 2005. 南海ODP184航次1148站位渐新世沟鞭藻生物地层[J]. 地层学杂志, 29(4): 333-341, 347. |
[29] | 李家彪, 丁巍伟, 高金耀,等. 2011. 南海新生代海底扩张的构造演化模式: 来自高分辨率地球物理数据的新认识[J]. 地球物理学报, 54(12): 3004-3015. |
[30] | 李家彪. 2011. 南海大陆边缘动力学: 科学实验与研究进展[J]. 地球物理学报, 54(12): 2993-3003. |
[31] | 黎明碧. 2005. 南海中北部陆坡盆地沉积特征及海底扇形成条件分析[D]. 杭州: 浙江大学博士学位论文, 1-119. |
[32] | 李守军, 初凤友, 方银霞,等. 2010. 南海北部陆坡神狐海域浅地层与单道地震剖面联合解释--水合物区沉积地层特征[J]. 热带海洋学报, 29(4): 56-62. |
[33] | 刘宝林, 王亚平, 王吉中,等. 2004. 南海北部陆坡海洋沉积物稀土元素及物源和成岩环境[J]. 海洋地质与第四纪地质, 24(4): 17-23. |
[34] | 刘光鼎. 2011. 深化南海大陆边缘研究[J]. 地球物理学报, 54(12): 2991-2992. |
[35] | 刘争平, 何永富. 1995. 人工神经网络在测井解释中的应用[J]. 地球物理学报, 38(S1): 323-330. |
[36] | Satish K. 2006. 神经网络[M]. 北京: 清华大学出版社, 69-22. |
[37] | 邵磊, 李献华, 汪品先,等. 2004. 南海渐新世以来构造演化的沉积记录--ODP 1148站深海沉积物中的证据[J]. 地球科学进展, 19(4): 539-544. |
[38] | 邵磊, 庞雄, 张功成,等. 2009. 南海北部渐新世末的构造事件[J]. 地球科学-中国地质大学学报, 34(5): 717-724. |
[39] | 唐松, 邵磊, 赵泉鸿. 2004. 南海渐新世以来粘土矿物的演变特征及意义[J]. 沉积学报, 22(2): 337-342. |
[40] | 吴时国, 秦志亮, 王大伟,等. 2011. 南海北部陆坡块体搬运沉积体系的地震响应与成因机制[J]. 地球物理学报, 54(12): 3184-3195. |
[41] | 吴招才, 高金耀, 李家彪,等. 2011. 南海北部磁异常特征及对前新生代构造的指示[J]. 地球物理学报, 54(12): 3292-3302. |
[42] | 杨丽红, 陈木宏, 王汝建,等. 2002. 南海南部1.2MaBP以来古生态环境变化事件的放射虫记录[J]. 科学通报, 47(14): 1098-1102. |
[43] | 张治国. 2006. 人工神经网络及其在地学中的应用研究[D]. 长春: 吉林大学, 36-37. |
[44] | 钟广法, 李前裕, 陈强,等. 2006. 测井资料反演南海北部陆坡渐新统的矿物组分[J]. 同济大学学报(自然科学版), 34(10): 1403-1407. |