Seabed classification based on sub-bottom profile data in modified geo-acoustic model
-
摘要:
浅地层剖面仪发射的声脉冲能够穿透海底面进入沉积层内部，其回波中携带了丰富的底质信息。地声模型是底质声学与物理性质关系的数学描述，广泛用于海底声学与地声反演研究。本文通过对浅地层剖面数据的处理、解译得到海底反射系数，与考虑底质松密影响的改进Biot-Stoll模型相结合，提出底质反演新方法并开展实例验证。研究结果表明：通过对浅地层剖面原始记录的读取、解译，提取反射波振幅，并结合设备声源级，可有效求取海底反射系数。通过引入相对密度改进孔隙度计算公式，进而在基于Biot-Stoll模型构建海底反射系数和底质平均粒径关系过程中进一步考虑了底质松密的影响。基于山东威海某海域及文献的算例均显示，本文提出的改进地声模型可缩小底质反演与实测结果之间的相对误差、提升基于浅地层剖面数据的海底底质地声反演精度。
-
关键词:
- 浅地层剖面 /
- 底质反演 /
- Biot-Stoll模型 /
- 海底反射系数 /
- 平均粒径
Abstract:The echoes signal of sub-bottom profilers (SBP) carry abundant information of sediment because the acoustic pulses emitted by SBP can penetrate the seafloor surface into the interior of sediment layers and get reflected from different impedance interface. A geoacoustic model describing the relationship between the acoustics and physical properties of sediments mathematically, is widely used in sediment classification and acoustics inversion. We applied the method to obtain the bottom reflection coefficients by decoding the SBP data, and then combined it with a modified Biot-Stoll model considering the influence of sediment’s degree of compaction, based on which a new method of sediment inversion was proposed to evaluate its capacity by examples. Results show that the bottom reflection coefficient of seafloor can be effectively obtained by decoding the original records of SBP, extracting the amplitude of the reflected waves, and combining with the sound source level of the equipment. To build the relationship between bottom reflective coefficient and mean grain size, the degree of sediment compaction was considered based on Biot-Stoll model and the parameter of relative density was introduced into the porosity calculation formula. Examples of both measured data of Weihai sea area and those obtained from available literatures indicate that the presented method could reduce the relative error between the inversion and the measured mean grain sizes, contributing to improve the accuracy of submarine sediment geoacoustic inversion based on SBP data.
-
按水合物的宏观产状，可将其划分为分散状、块状、脉状以及结核状，分散状水合物肉眼不可见，是孔隙充填作用的结果，块状、脉状以及结核状水合物肉眼可识别，是裂隙充填作用的结果[1-3]。一些学者从流体疏导方式提出了将水合物藏划分为扩散型和渗漏型两种水合物成藏模式[4-7]。地层深部高通量天然气沿断层、裂隙或孔缝等通道向海底渗漏，其中部分渗漏的天然气运移至稳定域内聚集成渗漏型水合物藏，部分渗漏的天然气通过微生物活动转化为二氧化碳，沉淀为自生冷泉碳酸盐岩，还有一部分天然气喷溢进入海水中[8]。浅层生物气、水合物稳定带之下的游离气或深部热解气以低通量扩散形式运移至稳定域内聚集成扩散型水合物藏，矿藏呈层状分布在稳定域底部。在地震剖面上，游离气带与水合物稳定带之间常常可见指示水合物底界的强反射-似海底反射（Bottom Simulating Reflector，简称BSR）[9-11]。渗漏成因水合物藏主要发育块状、脉状以及结核状的裂隙型水合物，而扩散成因水合物藏主要发育分散状的孔隙充填型水合物。南海北部琼东南盆地[12-14]、大西洋海域北美东南部的布莱克海台[15]、日本南海海槽[16]、韩国郁龙盆地[17-18]以及印度克里希纳-戈达瓦里盆地（Krishna-Godavari，简称K-G）[19-20]等地的水合物钻探中均钻获了渗漏型水合物，目前主要通过岩芯X射线扫描图像以及取芯来识别这种可视的裂隙充填型水合物[12-21]，通过测井识别此类渗漏型水合物的研究少有报道。本文利用地震、测井和岩芯资料，重点研究渗漏型水合物的测井识别方法，形成渗漏型水合物的综合识别方法。
南海北部琼东南盆地中央凹陷带松南低凸起之上的研究区已钻遇QDN-W07-2018、QDN-W08-2018、QDN-W09-2018等3个显著发育渗漏型水合物的站位[12-14,21-22]，前人根据水合物稳定条件（温度和压力）、气体来源、流体运移通道和沉积条件等的水合物成藏要素，提出了渗漏型水合物[12,14,23]以及砂质孔隙充填型[13]水合物聚集成藏模型。研究发现了水合物主要发育在流体渗漏通道内，而远离渗漏通道时水合物钻探显示差，渗漏通道是该区渗漏型水合物差异成藏的主控因素[12]。然而砂体发育与渗漏型水合物差异成藏是否存在联系？本文将在研究区内，利用地震和测井资料，划分和对比不同水合物矿体的渗漏型水合物和砂质扩散型水合物分布范围，综合分析渗漏型水合物差异成藏特征。
1. 区域背景
研究区水深约在1 600～1 830 m，位于中国南海北部陆缘西部的琼东南盆地中央凹陷带的松南低凸起之上（见图1），邻近区已探明了LS17-2、LS18-1、LS18-2和YL8-3等气田[24-25]，其天然气来源于渐新统崖城组煤系烃源岩[26-27]。研究区内水合物相关气体表现为以甲烷为主，同时检测到丙烷、异丁烷、丁烷和异戊烷等高分子量烃类气体组分，表明水合物气体是热成因气与生物成因气混合成因，其中的C2+以上气体组分主要来自深部热成因气源[28-29]。深部大断层以及广泛发育的泥底辟、气烟囱为碳氢化合物从深层迁移到浅层天然气水合物稳定区提供了有利的垂直通道[23, 30-31]。研究区内发现了与流体渗漏相关的麻坑、海底泥丘、冷泉生物群落、冷泉碳酸盐等海底地形地貌[12,22]。
![]()
图 1 研究区位置和地质构造位置Figure 1. Geographical location and geological background of the research area广州海洋地质调查局2018年GMGS5水合物钻探航次在研究区的QDN-W07-2018、QDN-W08-2018、QDN-W09-2018三个站位钻获渗漏型水合物，如图2和图3所示，保压岩芯X射线扫描图像以及非保压岩芯均见块状、脉状及结核状水合物发育。2019年GMGS6水合物钻探航次在已发现的QDN-W08-2018、QDN-W09-2018渗漏型水合物站位附近3 km范围内实施了随钻测井钻孔，发现远离渗漏通道，水合物钻探显示差[12]。2021年GMGS7水合物钻探航次以及2022—2023年GMGS8水合物钻探航次在QDN-W07-2018渗漏型水合物站位附近3 km范围内实施了随钻测井和取芯钻孔[13]，获取了低温显示的砂质型分散状水合物样品（图4）。
![]()
图 4 QDNB-W19-2021站位砂质型含水合物岩芯Figure 4. A sandy gas hydrate core in the QDNB-W19-2021 Site2. 数据与方法
研究区已完成了全覆盖的三维地震调查，地震资料采集主频40～50 Hz，分辨率约为10～12.5 m，采样间隔为1或2 ms，原始面元大小12.5 m×25 m。以12.5 m×6.25 m的处理面元，开展了噪声压制、多次波压制以及叠前深度偏移等地震数据处理。2018、2019、2021以及2022年广州海洋地质调查局的水合物钻探GMGS5-GMGS8航次先后在研究区钻获了随钻测井数据（包括了侧向电阻率、电阻率成像、井径、自然伽马、体积密度、补偿中子孔隙度、感应电阻率、纵波时差以及横波时差等）、原位温压测试数据、各类分析测试数据以及水合物样品。
2.1 水合物及其相关构造的地震反射特征识别
BSR是常规用于识别含天然气水合物层的地球物理标志，在地震剖面上表现为与海底近似平行。特别是当含水合物层作为盖层，下伏地层伴生游离气时，在含水合物层底部和含气层顶部会形成BSR。研究区内发育明显气烟囱，气烟囱是含气流体垂向运移在地震剖面上表现出的地震反射异常，即出现地震反射成像明显变差或空白反射条带，其形状可为柱状、锥状或椭圆状；气烟囱因内部含气导致速度降低，在地震剖面上易形成同相轴下拉现象[30-31]。当气烟囱之上的地震剖面出现明显的渗漏点强反射，地震反射同相轴出现上拉[12]，指示了含气流体渗漏通道。
2.2 地震属性识别水合物及游离气
含水合物地层与围岩、含气层都存在明显的波阻抗差，在地震剖面上表现为强振幅特征。振幅类属性能够很好地刻画水合物和游离气的分布特征，如均方根振幅、平均绝对振幅、最大峰值振幅、平均峰值振幅及属性聚类分析等[32-34]。含水合物沉积地层的地震波反射频率具有相对高频的特点，而含游离气地层高频强烈衰减。当BSR下部地层出现反射频率急剧下降的现象时，表明含有一定量的游离气。因此可以利用瞬时频率属性来刻画游离气的分布[35-36]。
2.3 含水合物测井识别
较高的电阻率和较小的纵波时差是识别天然气水合物储层最为直观的方法（表1）。结构I型天然气水合物的密度略小于水，中子含氢指数略大于水。沉积物孔隙中的流体种类和含量会影响其弹性参数；孔隙空间中发育水合物，沉积物的体积模量和剪切模量明显增大，沉积物的纵波和横波速度明显增大[37-38]，见公式（1）和公式（2）。
表 1 水合物、水及天然气的测井响应特征Table 1. The logging response characteristics of hydrate, water, and natural gas物质 电阻率
/(Ω·m)密度
/(g/cm3)中子(HI)
/(m3/m3)纵波时差
/(μs/ft)横波时差
/(μs/ft)水合物（结构I型） 高 0.92 1.06 小 小 水 低 1.00 1.00 200 0 天然气 高 低 低 大 0 $$ V_{\mathrm{p}}=\sqrt{\frac{k+\dfrac{4}{3}\mu}{\rho}} $$ (1) $$ V_{\mathrm{s}}=\sqrt{\frac{\mu}{\rho}} $$ (2) 式中，$ {V}_{\mathrm{p}} $、$ {V}_{\mathrm{s}} $为地层纵波速度和横波速度，单位为m/s；$ k $为地层体积模量，单位为Pa；$ \mu $为地层剪切模量，单位为Pa；$ \rho $为地层密度，单位为kg/m3。
2.4 渗漏型水合物测井识别
研究区内钻遇渗漏型水合物，为裂隙充填的结果，电阻率成像图像上可明显识别出块状、脉状以及结核状水合物，呈高亮显示。深部流体渗漏至地层浅部，甚至渗漏至海底，易形成高角度微裂缝，在地层倾角结果上可识别出高角度变形层理。感应电阻率测井为井内各部分介质（包括井眼、侵入带、原状地层和围岩）电阻并联的结果；相反，侧向电阻率测井为电阻串联的结果[39-40]。由于侧向电阻率测井的横向探测深度较浅，因而对近井筒内充满低电阻率泥浆滤液的垂直裂缝反应灵敏；而感应电阻率测井横向探测深度大，且基本不受垂直裂缝的影响。因此在渗漏型水合物地层中，侧向测井的电阻率比感应测井的电阻率低。
2.5 含气测井识别
电阻率变大、密度和中子含氢指数均减小是指示地层含天然气的显著特征。沉积物含气时声波幅度衰减变大，因此含气地层的纵波时差增大，疏松砂岩气层会出现周波跳跃现象。横波不能在流体中传播，沉积物中含气或含水均不改变岩石本身的剪切模量，但沉积物含气时其密度会降低[39-40]。因此沉积物在含气时的横波速度比含水时略高，但比含水合物时明显降低。
2.6 水合物与游离气共存层测井识别
水合物层作为盖层，其下伏地层中存在水合物与游离气共存的现象。神狐海域GMGS3/5-SH17站位含气层中的非保压取芯分析发现了氯离子浓度异常降低的现象[41-43]，这是水合物存在的标志；美国俄勒冈岸外水合物脊ODP204水合物钻探航次1249站位保压水合物岩芯释压过程中发现，在释气初期其温度不变，仍存在大量游离气释出[44]，这两种现象证实了水合物和游离气的共存。在前文叙述的含水合物和含气测井识别的基础上，研究得到了水合物与游离气共存层的测井识别方法：水合物层下伏含气地层仍具有较高的横波速度和剪切模量，指示了水合物和游离气共存[41-43]。
3. 渗漏型水合物综合识别
如图5a所示，研究区内水合物的发育受控于与气体运移有关的底辟型构造（也称为气烟囱）。自第四纪以来地层浅部发育了3套块体流沉积（Mass Transport Deposits，简称MTD），对流体起到了封堵作用。流体聚集区压力达到一定程度后，突破块体流（MTD）地层，形成管状渗漏通道，在稳定域内形成渗漏型水合物。如图5b所示，QDN-W08-2018及QDN-W09-2018站位气烟囱之上的地震剖面出现明显的渗漏点强反射现象，地震反射同相轴出现上拉现象，且两站位附近可见多处管状渗漏通道发育。
QDN-W09-2018井、QDN-W08-2018井以及QDN-W07-2018井浅部地层均表现为高电阻率（图6），且深探测电阻率与电磁波相位衰减电阻率存在分离现象，深探测电阻率值低。QDN-W08-2018井未获取到电阻率成像图像，QDN-W09-2018井和QDN-W07-2018井的电阻率成像图像上可见高亮、幅度中等的正弦或余弦曲线，指示变形层理。其中，QDN-W07-2018井变形层理倾向为NW和NE向，地层倾角集中分布于70～85°；QDN-W09-2018井中变形层理倾向主要为NW和NE向，少量SE向，地层倾角变化范围为10～78°。综上，根据高亮和高角度变形层理的电阻率成像特征，可识别出渗漏型水合物。
4. 渗漏型水合物储层差异成藏特征
4.1 渗漏型水合物储层差异分布
离8号矿体含渗漏型水合物层QDN-W08-2018井0.96 km的QDNE-W09-2019井中钻遇低饱和度含水合物层（深探测电阻率均值2.6 Ω·m）以及低饱和度含气层（深探测电阻率均值2 Ω·m，受含气影响，声波衰减变大，纵波信号变弱）（图7）。离9号矿体含渗漏型水合物层QDN-W09-2018井2.39 km的QDNE-W02-2019井中无明显水合物显示（图8）。由此观之，研究区渗漏型水合物储层横向展布不连续，非均质性强，远离渗漏通道，水合物钻探显示差。
![]()
图 7 8号矿体含水合物储层连井剖面Figure 7. The cross-well section of gas hydrate reservoir in No. 8 gas hydrate ore body![]()
图 8 9号矿体含水合物储层连井剖面Figure 8. The cross-well section of gas hydrate reservoir in No. 9 gas hydrate ore body4.2 水合物矿体分布
图5b中地震同相轴呈现出强反射、连续性较好、与海底近似平行以及与海底极性相反的特征，由此识别出BSR。BSR之下呈现同相轴下拉、强反射和频率衰减，解释为含气层。明显的空白反射带、同相轴下拉以及频率衰减指示了气烟囱。沿BSR界面上下各取30 ms范围的时窗，提取地震均方根振幅属性。如图9所示，红色和黄色区域为高均方根振幅属性异常区域，表明在BSR附近波阻抗变化差异明显，由水合物和游离气之间的速度差引起，由此圈定了3个水合物和伴生游离气富集区，分别是7号矿体、8号矿体和9号矿体。
![]()
图 9 研究区水合物矿体平面分布图Figure 9. Planar distribution of the gas hydrate ore bodies in the research area如图10所示，与上覆泥岩层相比，根据自然伽马降低、中子孔隙度减小和密度增大的测井响应特征，识别出研究区7号矿体的砂层。QDN-W07-2018井浅层钻遇渗漏型水合物（图6），深部井径曲线扩径严重，钻遇砂质含气层（图10）。QDNB-W02-2022井钻遇砂质含气层（自然伽马降低、电阻率增大、中子孔隙度减小、密度减小、剪切模量无明显变化），QDNB-W03-2022井钻遇砂质含水合物层（自然伽马降低、电阻率增大、中子孔隙度减小、密度增大、剪切模量增大）以及砂质水合物和游离气共存层（电阻率增大、中子孔隙度减小、密度减小、剪切模量增大），QDNB-W08-2021井钻遇砂质含水合物层。砂质含水合物层具有较高的电阻率，最高值超过100 Ω·m，指示了高水合物饱和度。
![]()
图 10 7号矿体含水合物储层连井剖面Figure 10. The cross-well section of gas hydrate reservoir in No. 7 gas hydrate ore body7号矿体发育“席状”砂体，为流体的横向运移提供了高渗通道。块体流（MTD）的发育阻碍了流体的垂向运移，进而促进了流体的横向运移。气烟囱内流体运移活跃，温度测量发现，气烟囱内地温梯度高，远离气烟囱则地温梯度低[13, 21]。前人对研究区砂质含水合物层的成藏机制取得了深入认识，在动力学和热力学机制的共同影响下[13]，研究区内天然气水合物和伴生气同层分布、横向过渡，形成了“中心游离气+水合物和游离气共存过渡+边缘水合物”的成藏模式。
4.3 砂体发育与渗漏通道的联系
如图11所示，通过2 400 ms方差地震属性异常，在研究区的7号矿体识别出1个渗漏通道，8号矿体识别出9个渗漏通道，9号矿体识别出7个渗漏通道。数量较多的气体渗漏通道以及7号矿体高饱和度砂质含水合物层的发现，指示了研究区具有充足的气源。7号矿体发育砂体，具有最少的气体渗漏通道，从而推测在气源充足的条件下，砂体是储能泄压载体。
![]()
图 11 研究区水合物矿体的渗漏通道发育图Figure 11. The distribution of the leakage channels in the gas hydrate ore bodies of the research area5. 水合物矿体刻画
研究区水合物矿体的刻画应分成两种情况：
（1）对于BSR上下范围内连续发育的含水合物储层及含游离气储层，可结合地震及测井资料，开展岩石物理建模和弹性敏感参数分析，在此基础上通过地震反演开展地震储层预测，分析含水合物层及含游离气层的储层厚度、孔隙度以及饱和度空间分布，实现储层精细刻画。
（2）渗漏型水合物储层主要发育在渗漏通道内，渗漏通道在地震上表现为垂直管状构造，直径几十到数百米，横向上不连续。因此应先完成管状渗漏通道的地震识别及空间展布刻画，在此基础上综合地震与测井资料，完成储层精细刻画。
6. 结论
（1）保压岩芯X射线扫描图像以及岩芯可直观识别出块状、脉状以及结核状的渗漏型水合物，同时可通过地震反射同相轴上拉、方差地震属性异常、侧向和感应电阻率曲线分离、电阻率成像图上表现出的高亮和高角度的变形层理等地球物理特征来综合识别渗漏型水合物。
（2）琼东南盆地研究区的泥质粉砂块体流沉积物（MTD）是良好的盖层，流体聚集压力达到一定程度后，突破盖层垂向运移，形成管状气体渗漏通道，在稳定域内形成渗漏型水合物。水合物横向展布非均质性强，远离渗漏通道，水合物发育差。渗漏通道是渗漏型水合物矿体差异成藏的主控因素。
（3）砂体即作为良好的储层，也是储能泄压载体。琼东南盆地研究区内砂体发育的水合物矿体中，流体渗漏强度明显减弱，砂体也是渗漏型水合物矿体差异成藏的主控因素。
-
![]()
图 2 基于浅地层剖面数据计算得到的某测线海底反射系数
Figure 2. Sea bottom reflection coefficients of a survey line calculated from SBP data
![]()
图 3 海底反射系数与平均粒径的关系
a: Biot-Stoll模型；b: 改进Biot-Stoll模型。
Figure 3. The relationship between reflection coefficient and mean grain size
a: Biot-Stoll model; b: Modified Biot-Stoll model.
![]()
图 4 研究区位置及浅地层剖面航迹线和底质取样站位
Figure 4. The study area and the deployment of the sub-bottom profiler track lines, and sediment sampling stations (red dots)
表 1 不同平均粒径条件下最大和最小孔隙度取值[34-37]
Table 1 Maximum and minimum porosity values of different mean grain-sizes
平均粒径/Ф 最大孔隙度nmax/% 最小孔隙度nmin/% 0～2 41 29 2～3 53 37 3～4 60 40 4～5 69 40 5～6 75 42 6～7 83 56 7～8 86 57 8～9 90 59 9～10 91 66 
下载: 导出CSV
表 2 状态可控试验实测数据[33]
Table 2 Measured physical parameters of state-controlled experiments
底质类别 密度ρ/(g·cm−3) 相对密度 孔隙度n /% 饱和度Sr 粉土 2.00 0.67 40.79 0.994 1.99 0.60 41.81 0.995 2.01 0.69 40.45 0.994 2.01 0.70 40.41 0.997 2.03 0.75 39.66 0.998 2.05 0.86 37.97 0.998 2.07 0.92 37.10 0.999 2.04 0.82 38.57 0.999 砂土 2.03 0.39 38.33 0.992 2.16 0.70 30.72 0.994 1.93 0.44 44.18 0.982 2.05 0.67 37.55 0.994 2.00 0.52 40.45 0.992 2.13 0.77 32.64 0.989 1.94 0.33 43.37 0.981 2.00 0.63 39.9 0.978 2.08 0.44 35.55 0.989 2.17 0.74 30.23 0.993 1.92 0.32 44.99 0.986 2.02 0.58 38.8 0.971
下载: 导出CSV
表 3 Biot-Stoll模型参数取值
Table 3 The input physical parameters of the Biot-Stoll model
物理参数 参数取值 颗粒密度ρs /kg·m−3 2690 颗粒体积模量Ks /Pa $ 3.2 \times {10^{10}} $ 流体密度ρf /kg·m−3 1023 流体体积模量Kf /Pa $ 2.395 \times {10^9} $ 黏滞系数η/kg·m−1·s−1 0.001 渗透率κ/m2 $ \kappa = \dfrac{{{d^2}{n^3}}}{{180{{\left( {1 - n} \right)}^2}}}\dfrac{1}{{\sqrt {10} }},\;d{\text{为粒径}}({\rm{mm}}) $ 弯曲度Γ $ \Gamma = \left\{ \begin{array}{*{20}{l}} {\text{1}}{\text{.35 }}&\varphi {\text{≤}} {\text{4}} \\ {{ - 0}}{\text{.3}} + {\text{0}}{\text{.4125}}\varphi &{\text{ 4}} {\text{＜}} \varphi {\text{＜}} 8 \\ {\text{3}}{\text{.0 }}&\varphi {\text{≥}}{\text{8}} \\ \end{array} \right. $ 孔隙半径r/m $ r = \dfrac{d}{3}\dfrac{n}{{\left( {1 - n} \right)}}\dfrac{1}{{1.8}} $ 骨架体积模量Kb /Pa $ {K_{\text{b}}} = \dfrac{{2\mu (1 + \sigma )}}{{3(1 - 2\sigma )}} $，σ为骨架泊松比，
$ \sigma = \left\{ \begin{array}{*{20}{l}} {\text{0}}{\text{.15 }}&\varphi {\text{≤}} {\text{4}} \\ {{ - 0}}{\text{.05}} + {\text{0}}{\text{.05}}\varphi &{\text{ 4}} {\text{＜}} \varphi {\text{＜}} 8 \\ {\text{0}}{\text{.35 }}&\varphi {\text{≥}} {\text{8}} \\ \end{array} \right. $骨架剪切模量μ/Pa $ 1.3 \times {10^7} $
下载: 导出CSV
表 4 地声反演与实测结果比较
Table 4 Comparison between inversion and measured mean grain-size
实测平均
粒径/ФBiot-Stoll模型反演结果 改进Biot-Stoll模型反演结果 反演值 相对误
差/%平均
值/%反演值 相对误
差/%平均
值/%5.28 5.89 11.70 6.51 5.79 8.87 5.06 5.04 5.50 9.11 5.41 6.34 5.08 5.23 3.02 5.14 0.41 5.12 5.54 8.20 5.44 5.46 5.24 5.29 0.95 5.19 1.61 5.24 5.56 6.06 5.46 3.37 5.20 5.60 7.67 5.50 4.94 5.17 5.51 6.48 5.41 3.79 5.50 5.59 1.63 5.49 0.94 5.56 5.26 5.31 5.17 7.71 1.96 2.06 5.01 2.02 2.20 5.11 4.45 12.93 4.37 15.13
下载: 导出CSV
表 5 地声反演与文献结果比较
Table 5 Comparison between inversion results and those from published sources
数据
来源实测平均
粒径/ФBiot-Stoll模型反演结果 改进Biot-Stoll模型反演结果 反演值 相对误
差/%平均
值/%反演值 相对误
差/%平均
值/%周庆杰[20] 5.50 7.31 32.85 29.69 7.12 29.46 27.22 6.20 8.14 31.24 7.93 27.89 8.30 9.87 18.86 9.61 15.81 8.40 10.27 22.22 10.00 19.08 8.70 10.77 23.74 10.49 20.55 黄必桂[40] 6.56 7.38 12.55 7.20 9.68 6.94 7.54 8.65 7.35 5.88 7.49 9.10 21.45 8.86 18.33 7.25 9.40 29.66 9.16 26.33 7.06 10.55 49.48 10.28 45.62 7.48 10.92 45.99 10.64 42.22 6.78 10.46 54.33 10.19 50.35 7.08 10.57 49.33 10.30 45.49 6.81 10.05 47.64 9.80 43.84 6.64 9.95 49.91 9.70 46.05 6.39 9.64 50.90 9.39 47.02 6.08 9.81 61.41 9.56 57.26 6.27 9.81 56.52 9.56 52.49 6.23 9.32 49.59 9.08 45.75 Zheng[19] 6.64 4.45 33.03 4.34 34.73 6.64 7.28 9.63 7.10 6.84
下载: 导出CSV
-
[1] 何起祥, 李绍全, 刘健. 海洋碎屑沉积物的分类[J]. 海洋地质与第四纪地质, 2002, 22(1):115-121 HE Qixiang, LI Shaoquan, LIU Jian. Classification of marine clastic sediments [J]. Marine Geology & Quaternary Geology, 2002, 22(1): 115-121.
[2] 赵玉新, 赵廷. 海底声呐图像智能底质分类技术研究综述[J]. 智能系统学报, 2020, 15(3):587-600 doi: 10.11992/tis.202004026 ZHAO Yuxin, ZHAO Ting. Survey of the intelligent seabed sediment classification technology based on sonar images [J]. CAAI Transactions on Intelligent Systems, 2020, 15(3): 587-600. doi: 10.11992/tis.202004026
[3] 徐超, 李海森, 王川, 等. 基于合成核SVM的多波束海底声图像底质分类研究[J]. 地球物理学进展, 2014, 29(5):2437-2442 doi: 10.6038/pg20140567 XU Chao, LI Haisen, WANG Chuan, et al. Seabed classification of multibeam seabed acoustic image based on composite kernel SVM [J]. Progress in Geophysics, 2014, 29(5): 2437-2442. doi: 10.6038/pg20140567
[4] 金绍华, 肖付民, 边刚, 等. 利用多波束反向散射强度角度响应曲线的底质特征参数提取算法[J]. 武汉大学学报:信息科学版, 2014, 39(12):1493-1498 JIN Shaohua, XIAO Fumin, BIAN Gang, et al. A method for extracting seabed feature parameters based on the angular response curve of multibeam backscatter strength [J]. Geomatics and Information Science of Wuhan University, 2014, 39(12): 1493-1498.
[5] 卜英勇, 周木荣. 基于连续小波变换和分形理论的水下回波特征提取[J]. 传感器与微系统, 2008, 27(11):44-46 doi: 10.3969/j.issn.1000-9787.2008.11.014 BU Yingyong, ZHOU Murong. Feature extraction of underwater echoes based on continuous wavelet transform and fractal theories [J]. Transducer and Microsystem Technologies, 2008, 27(11): 44-46. doi: 10.3969/j.issn.1000-9787.2008.11.014
[6] Hasan R C, Ierodiaconou D, Laurenson L. Combining angular response classification and backscatter imagery segmentation for benthic biological habitat mapping [J]. Estuarine, Coastal and Shelf Science, 2012, 97: 1-9. doi: 10.1016/j.ecss.2011.10.004
[7] Alevizos E, Snellen M, Simons D G, et al. Acoustic discrimination of relatively homogeneous fine sediments using Bayesian classification on MBES data [J]. Marine Geology, 2015, 370: 31-42. doi: 10.1016/j.margeo.2015.10.007
[8] Snellen M, Eleftherakis D, Amiri-Simkooei A, et al. An inter-comparison of sediment classification methods based on multi-beam echo-sounder backscatter and sediment natural radioactivity data [J]. The Journal of the Acoustical Society of America, 2013, 134(2): 959-970. doi: 10.1121/1.4812858
[9] 唐秋华, 纪雪, 丁继胜, 等. 多波束声学底质分类研究进展与展望[J]. 海洋科学进展, 2019, 37(1):1-10 doi: 10.3969/j.issn.1671-6647.2019.01.001 TANG Qiuhua, JI Xue, DING Jisheng, et al. Research progress and prospect of acoustic seabed classification using multibeam echo sounder [J]. Advances in Marine Science, 2019, 37(1): 1-10. doi: 10.3969/j.issn.1671-6647.2019.01.001
[10] 罗宇, 郑旭, 施剑, 等. 基于浅地层回波信号的底质分类技术研究[J]. 海洋技术学报, 2020, 39(6):42-47 LUO Yu, ZHENG Xu, SHI Jian, et al. Study on the seabed classification approach based on echo signal of sub-bottom profiler [J]. Journal of Ocean Technology, 2020, 39(6): 42-47.
[11] 张同伟, 秦升杰, 王向鑫, 等. 深海浅地层剖面探测系统现状及展望[J]. 工程地球物理学报, 2018, 15(5):547-554 ZHANG Tongwei, QIN Shengjie, WANG Xiangxin, et al. Technical status and development trend of deep sea sub-bottom profiler [J]. Chinese Journal of Engineering Geophysics, 2018, 15(5): 547-554.
[12] 李平, 杜军. 浅地层剖面探测综述[J]. 海洋通报, 2011, 30(3):344-350 doi: 10.3969/j.issn.1001-6392.2011.03.018 LI Ping, DU Jun. Review on the probing of sub-bottom profiler [J]. Marine Science Bulletin, 2011, 30(3): 344-350. doi: 10.3969/j.issn.1001-6392.2011.03.018
[13] Stevenson I R, McCann C, Runciman P B. An attenuation-based sediment classification technique using Chirp sub-bottom profiler data and laboratory acoustic analysis [J]. Marine Geophysical Researches, 2002, 23(4): 277-298. doi: 10.1023/A:1025708024518
[14] Theuillon G, Stephan Y, Pacault A. High-resolution geoacoustic characterization of the seafloor using a subbottom profiler in the gulf of lion [J]. IEEE Journal of Oceanic Engineering, 2009, 33(3): 240-254.
[15] 郑江龙, 童思友, 许江. 基于Chirp源浅地层剖面资料计算海底反射损失[J]. 地球物理学进展, 2019, 34(3):1256-1261 doi: 10.6038/pg2019DD0067 ZHENG Jianglong, TONG Siyou, XU Jiang. Estimating seabed reflection loss from Chirp sub-bottom profile [J]. Progress in Geophysics, 2019, 34(3): 1256-1261. doi: 10.6038/pg2019DD0067
[16] 刘玉萍, 丁龙翔, 杨志成, 等. 利用浅剖资料进行海底底质分析[J]. 物探与化探, 2016, 40(1):66-72 LIU Yuping, DING Longxiang, YANG Zhicheng, et al. Seabed sediment analysis using sub-bottom profile data [J]. Geophysical and Geochemical Exploration, 2016, 40(1): 66-72.
[17] Saleh M, Rabah M. Seabed sub-bottom sediment classification using parametric sub-bottom profiler [J]. NRIAG Journal of Astronomy and Geophysics, 2016, 5(1): 87-95. doi: 10.1016/j.nrjag.2016.01.004
[18] Schock S G. A method for estimating the physical and acoustic properties of the sea bed using chirp sonar data [J]. IEEE Journal of Oceanic Engineering, 2004, 29(4): 1200-1217. doi: 10.1109/JOE.2004.841421
[19] Zheng H B, Yan P, Chen J, et al. Seabed sediment classification in the northern South China Sea using inversion method [J]. Applied Ocean Research, 2013, 39: 131-136. doi: 10.1016/j.apor.2012.11.002
[20] 周庆杰, 李西双, 刘乐军, 等. 基于Chirp数据和Biot-Stoll模型反演南海北部陆坡海底表层沉积物物理性质[J]. 海洋学报, 2020, 42(3):72-82 ZHOU Qingjie, LI Xishuang, LIU Lejun, et al. Physical properties of the seabed inversed based on Chirp data and the Biot-Stoll model in the northern continental slope of the South China Sea [J]. Haiyang Xuebao, 2020, 42(3): 72-82.
[21] Biot M A. Mechanics of deformation and acoustic propagation in porous media [J]. Journal of Applied Physics, 1962, 33(4): 1482-1498. doi: 10.1063/1.1728759
[22] Stoll R D. Acoustic waves in ocean sediments [J]. Geophysics, 1977, 42(4): 715-725. doi: 10.1190/1.1440741
[23] 王景强, 郭常升, 刘保华, 等. 基于Buckingham模型和Biot-Stoll模型的南沙海域沉积物声速分布特征[J]. 地球学报, 2016, 37(3):359-367 doi: 10.3975/cagsb.2016.03.13 WANG Jingqiang, GUO Changsheng, LIU Baohua, et al. Sound speed distribution of seafloor sediments in Nansha Islands Sea based on Buckingham model and Biot-Stoll model [J]. Acta Geoscientica Sinica, 2016, 37(3): 359-367. doi: 10.3975/cagsb.2016.03.13
[24] 陈静, 吕修亚, 陈亮, 等. 基于Chirp数据反演琼州海峡海底沉积物物性[J]. 热带地理, 2017, 37(6):874-879 doi: 10.13284/j.cnki.rddl.002943 CHEN Jing, LYU Xiuya, CHEN Liang, et al. Physical properties of the seabed inversed by Chirp data in the Qiongzhou Strait [J]. Tropical Geography, 2017, 37(6): 874-879. doi: 10.13284/j.cnki.rddl.002943
[25] Kimura M. Study on the Biot-Stoll model for porous marine sediments [J]. Acoustical Science and Technology, 2007, 28(4): 230-243. doi: 10.1250/ast.28.230
[26] Kan G M, Meng X M, Wang J Q, et al. Shear wave speed dispersion characteristics of seafloor sediments in the northern south China sea [J]. Journal of Ocean University of China, 2022, 21(1): 91-100. doi: 10.1007/s11802-022-4774-z
[27] 孟祥梅, 刘保华, 阚光明, 等. 南黄海海底沉积物声学特性及其影响因素试验研究[J]. 海洋学报, 2012, 34(6):74-83 MENG Xiangmei, LIU Baohua, KAN Guangming, et al. An experimental study on acoustic properties and their influencing factors of marine sediment in the southern Huanghai Sea [J]. Acta Oceanologica Sinica, 2012, 34(6): 74-83.
[28] 郑红波, 阎贫, 王彦林, 等. 基于希尔伯特变换的Chirp信号浅地层剖面数据分析及转换[J]. 海洋技术, 2012, 31(1):91-95 ZHENG Hongbo, YAN Pin, WANG Yanlin, et al. Sub-bottom profile data analysis and transformation for the Chirp signal based on Hilbert transform [J]. Ocean Technology, 2012, 31(1): 91-95.
[29] Li C Z, Yang Y, Wang R, et al. Inversion of river-bottom sediment parameters using mechanically sampled specimens and subbottom profiling data [J]. Applied Geophysics, 2017, 14(2): 225-235. doi: 10.1007/s11770-017-0621-1
[30] 张志军, 周东红, 孙成禹, 等. 基于三维模型数据的地震振幅补偿处理技术的保幅性分析[J]. 物探与化探, 2015, 39(3):621-626 ZHANG Zhijun, ZHOU Donghong, SUN Chengyu, et al. An analysis of the amplitude preservation of seismic amplitude compensation processing technology based on 3D model data [J]. Geophysical and Geochemical Exploration, 2015, 39(3): 621-626.
[31] Hamilton E L. Reflection coefficients and bottom losses at normal incidence computed from Pacific sediment properties [J]. Geophysics, 1970, 35(6): 995-1004. doi: 10.1190/1.1440149
[32] 卢博, 刘强. 海底沉积物声学响应中的颗粒与孔隙因素[J]. 热带海洋学报, 2008, 27(3):23-29 doi: 10.3969/j.issn.1009-5470.2008.03.005 LU Bo, LIU Qiang. Grain and pore factors in acoustic response of seafloor sediments [J]. Journal of Tropical Oceanography, 2008, 27(3): 23-29. doi: 10.3969/j.issn.1009-5470.2008.03.005
[33] 吴涛. 无黏性海底沉积物声传播规律研究[D]. 天津大学硕士学位论文, 2021 WU Tao. Study on Sound Propagation law of cohesiveless seabed sediments[D]. Master Thesis of Tianjin University, 2021.
[34] Hamilton E L, Bachman R T. Sound velocity and related properties of marine sediments [J]. The Journal of the Acoustical Society of America, 1982, 72(6): 1891-1904. doi: 10.1121/1.388539
[35] 潘国富, 叶银灿, 来向华, 等. 海底沉积物实验室剪切波速度及其与沉积物的物理性质之间的关系[J]. 海洋学报, 2006, 28(5):64-68 PAN Guofu, YE Yincan, LAI Xianghua, et al. Shear wave velocity of seabed sediment from laboratory measurements and its relationship with physical properties of sediment [J]. Acta Oceanologica Sinica, 2006, 28(5): 64-68.
[36] Kirca V S O. Sinking of irregular shape blocks into marine seabed under wave-induced liquefaction [J]. Coastal Engineering, 2013, 75: 40-51. doi: 10.1016/j.coastaleng.2013.01.006
[37] 《工程地质手册》编委会. 工程地质手册[M]. 4版. 北京: 中国建筑工业出版社, 2007 Editorial Boards of Engineering Geological Manual. Engineering Geology Manual[M]. 4th ed. Beijing: China Building Industry Press, 2007.
[38] 陈静, 阎贫, 王彦林, 等. 基于Biot-Stoll模型声速反演中的参数选择: 以南海南部沉积物为例[J]. 热带海洋学报, 2012, 31(1):50-54 CHEN Jing, YAN Pin, WANG Yanlin, et al. Choice of parameters for Biot-Stoll model-based inversion of sound velocity of seafloor sediments in the southern South China Sea [J]. Journal of Tropical Oceanography, 2012, 31(1): 50-54.
[39] Rayleigh J W S. The Theory of Sound[M]. New York: Dover Publications, 1945.
[40] 黄必桂, 李家钢, 周庆杰, 等. 基于浅地层剖面的海底浅表层沉积物物理性质参数反演技术研究: 以渤海海底管线路由区为例[J]. 海洋学报, 2022, 44(9):156-164 HUANG Bigui, LI Jiagang, ZHOU Qingjie, et al. Research on inversion technology of physical properties parameters of seafloor sediments based on sub-bottom profile: Taking the Bohai Sea submarine pipeline route as an example [J]. Haiyang Xuebao, 2022, 44(9): 156-164.
计量
- 文章访问数: 0
- HTML全文浏览量: 0
- PDF下载量: 0
