Модель годографа электромагнитных волн, дифрагированных на локальном объекте при георадиолокационном изучении слоев горных пород криолитозоны
Автор: Соколов К.О.
Журнал: Горные науки и технологии @gornye-nauki-tekhnologii
Рубрика: Свойства горных пород. Геомеханика и геофизика
Статья в выпуске: 3 т.9, 2024 года.
Бесплатный доступ
В георадиолокации одной из наиболее популярных процедур определения скорости распространения электромагнитных волн в массиве горных пород является подбор теоретических гиперболических годографов с последующим сравнением с годографом, полученным при георадиолокационном измерении. Эта процедура основана на модели однородной среды, но в настоящее время объектом изучения георадиолокации часто становятся неоднородные среды, такие как горизонтально-слоистые среды, характерные для рыхлых отложений криолитозоны. В статье представлены результаты исследования формирования гиперболических годографов георадиолокационных сигналов в горизонтально-слоистой среде без учета дисперсии и поглощения электромагнитных волн. На основе законов геометрической оптики выведены формулы, позволяющие рассчитать форму гиперболической оси синфазности георадиолокационных сигналов, отраженных от локального объекта в многослойном массиве мерзлых горных пород. На примере массива горных пород криолитозоны, содержащего слой незамерзших горных пород, показано влияние мощностей слоев горных пород и их относительной диэлектрической проницаемости на кажущуюся диэлектрическую проницаемость, получаемую в результате расчета теоретического гиперболического годографа. Также представлены условия, при которых невозможно определить наличие слоя незамерзших горных пород по гиперболическому годографу. Установленные закономерности апробированы на синтетических георадиолокационных радарограммах, рассчитанных в программе gprMax. Результаты теоретических исследований подтверждены сравнением с результатами анализа данных компьютерного моделирования георадиолокационных измерений в системе gprMax (относительная погрешность составила менее 0,5 %).
Модель, массив, горные породы, диэлектрическая проницаемость, скорость, гипербола, слой, георадиолокация, криолитозона, gprmax
Короткий адрес: https://sciup.org/140307796
IDR: 140307796 | DOI: 10.17073/2500-0632-2023-05-118
Список литературы Модель годографа электромагнитных волн, дифрагированных на локальном объекте при георадиолокационном изучении слоев горных пород криолитозоны
- Старовойтов А. В. Интерпретация георадиолокационных данных. М.: Изд-во МГУ; 2008. 192 с. Starovoitov A. V. Interpretation of georadar data. Мoscow: MSU Publ. House; 2008. 192 p. (In Russ.)
- Владов М. Л., Судакова М. С. Георадиолокация. От физических основ до перспективных направлений. М.: Изд-во ГЕОС; 2017. 240 с. Vladov M. L., Sudakova M. S. Georadar. From physical fundamentals to upcoming trends. Мoscow: GEOS Publ. House; 2017. 240 p. (In Russ.)
- Lombardi F., Podd F., Solla M. From its core to the niche: insights from GPR applications. Remote Sens. 2022;14(13):3033. https://doi.org/10.3390/rs14133033
- Фролов А. Д. Электрические и упругие свойства мерзлых пород и льдов. Пущино: ОНТИ ПНЦ РАН; 1998. 515 с. Frolov A. D. Electrical and elastic properties of frozen rocks and ice. Pushchino: ONTI PNTs RAS Publ.; 1998. 515 p. (In Russ.)
- Persico R. Introduction to ground penetrating radar: inverse scattering and data processing. New Jersey: Wiley-IEEE Press; 2014. 392 с. https://doi.org/10.1002/9781118835647.ch2
- Jol H. M. Ground penetrating radar: theory and application. Elsevier; 2008. 544 p. https://doi.org/10.1016/B978-0-444-53348-7.X0001-4
- Дьяков А. Ю., Калашник А. И. Методические основы георадарных исследований горнотехнических объектов. Апатиты: Изд-во ФИЦ КНЦ РАН; 2021. 110 с. https://doi.org/10.37614/978.5.91137.443.3 Dyakov A. Yu., Kalashnik A. I. Methodological fundamentals of GPR studies of mining features. Apatity: FITs KSC RAS Publ.; 2021. 110 p. (In Russ.) https://doi.org/10.37614/978.5.91137.443.3
- Solla M., Perez-Gracia V., Fontul S. A review of GPR application on transport infrastructures: troubleshooting and best practices. Remote Sens. 2021;13(4):672. https://doi.org/10.3390/rs13040672
- Wunderlich T., Wilken D., Majchczack B. S. et al. Hyperbola detection with retinanet and comparison of hyperbola fitting methods in GPR data from an archaeological site. Remote Sensing. 2022;14:3665. https://doi.org/10.3390/rs14153665
- Mertens L., Persico R., Matera L., Lambot S. Automated detection of reflection hyperbolas in complex gpr images with no a priori knowledge on the medium. In: IEEE Transactions on Geoscience and Remote Sensing. 2016;1:580–596. https://doi.org/10.1109/TGRS.2015.2462727
- Lei W., Hou F., Xi J. et al. Automatic hyperbola detection and fitting in GPR B-scan image. Automation in Construction. 2019;106:102839. https://doi.org/10.1016/j.autcon.2019.102839
- Dou Q., Wei L., Magee R., Cohn A. G. Real-time hyperbola recognition and fitting in GPR data. In: IEEE Transactions on Geoscience and Remote Sensing. 2017;55(1):51–62. https://doi.org/10.1109/TGRS.2016.2592679
- Daniels J. J. Fundamentals of ground penetrating radar. In: Symposium on the Application of Geophysics to Engineering and Environmental Problems. 1989;1:62–142. https://doi.org/10.4133/1.2921864
- Омельяненко А. В., Федорова Л. Л. Георадиолокационные исследования многолетнемерзлых пород. Якутск: Изд-во ЯНЦ СО РАН; 2006. 136 с. Omelyanenko A. V., Fedorova L. L. Georadar studies of permafrost. Yakutsk: YaSC SB RAS Publ.; 2006. 136 p. (In Russ.)
- Якупов В. С. Геофизика криолитозоны. Якутск: Изд-во Якутского госуниверситета; 2008. 342 с. Yakupov V. S. Geophysics of permafrost zone. Yakutsk: Yakutsk State University Publ.; 2008. 342 p. (In Russ.)
- Warren C., Giannopoulos A., Giannakis I. gprMax: Open source software to simulate electromagnetic wave propagation for Ground Penetrating Radar. Computer Physics Communications. 2016;209:163–170. https://doi.org/10.1016/j.cpc.2016.08.020
- Wunderlich T., Wilken D., Majchczack B. S., et al. Hyperbola detection with RetinaNet and comparison of hyperbola fitting methods in GPR data from an archaeological site. Remote Sensing. 2022;14:3665. https://doi.org/10.3390/rs14153665
- Dewantara D., Parnadi W. W. Automatic hyperbola detection and apex extraction using convolutional neural network on GPR data. Journal of Physics: Conference Series. 2022;1:012027. https://doi.org/10.1088/1742-6596/2243/1/012027
- Wang H., Ouyang S., Liao K.-F., Jin L.-N. GPR B-SCAN image hyperbola detection method based on deep learning. Acta Electronica Sinica. 2021;49(5):953-963. https://doi.org/10.12263/DZXB.20200635