摘要
- 数字孪生是现实世界中 3D 物理实体的数字复制或虚拟表示。在实践中，由于场地特定测量不足和缺乏有效的 3D 空间预测工具，地下数字孪生中地下地层的 3D 建模具有挑战性。
- 在这项研究中，提出了一种称为 IC-XGBoost3D 的数据驱动和深度学习方法，用于从有限的特定地点钻孔和反映先验地质知识的 2D 训练图像构建 3D 地质模型。
- 各向异性从两个垂直的 2D 训练图像中学习地层关系，提取的地层统计数据用作预训练 2D 模拟切片的输入。然后，一系列 2D 模拟切片在特定地点钻孔的约束下进行模拟，随后重新组合成 3D 地质模型。
HighLights
- 提出了一种数据驱动的方法来开发 3D 地下地质模型。
- 先前的地质知识与有限的特定地点钻孔相结合。
- 该方法不仅可以推断 3D 模型，还可以量化预测不确定性。
- 预测的 3D 地质模型表示为数字孪生的点云。
研究目标
研究内容
- 三维（3D）“数字孪生”是现实世界中 3D 物理实体的虚拟表示（El Saddik，2018 年，Ruohomäki 等人，2018 年）。
- 在地球科学中，构造地质建模方法通常可以分为两大类，即数据驱动方法和地质模型驱动方法（Wellmann and Gaumon 2018 ）。前者主要利用测量和地球物理数据（如地震、重力和磁数据）进行地质界面的反演分析。后者主要利用地质观测和地质界面检测的考虑。
- ，周等人。(2019)采用循环神经网络(RNN) 从有限的钻孔中学习 3D 地层系列（例如，每层的地层类型和厚度）。
研究方法
结论
解决的问题
正文