Multiple-Point Fault Observation Association Using Random Forest from Representative Numerical Models

Amandine Fratani

doi:10.1007/s11004-026-10327-4

2026-08-10

PRE

DOI：10.1007/s11004-026-10327-4

原文链接

原文求助

摘要

En 中文

不完整断层观测数据的关联是一项复杂任务，目前已有多种解决方案。该问题已通过概率方法解决，其中考虑了成对专家规则。一种考虑多点相互作用的方法能更好地表示地质知识，但基于专家知识定义此类规则具有挑战性。为解决此局限性，本研究利用随机森林从代表性三维模型中估计稀疏观测数据的三元组或成对数据属于同一断层的可能性。此外，提出了一种新的解析模型，用于表达结合前述三元组和成对势能的图上的概率密度函数。训练了两个随机森林学习器，一个基于断层特征的成对数据，另一个基于断层特征的三元组数据。这些特征从已知三维地质模型中提取的断层棒计算得出（例如断层棒的长度、位移值等）。学习器在从同一模型的连续区域提取的断层棒上进行测试。结果显示，三点势能与成对势能的组合不同，且结合三元组和成对势能的组合优于仅考虑成对势能的结果。

Keyword:

Structural interpretation

Fault network

Machine learning

Graph reconstruction

Inference