图说地理从这些魔性动图学习地质构造所有知识

网络配图网络配图网络配图网络配图网络配图网络配图网络配图网络配图网络配图网络配图网络配图网络配图网络配图网络配图网络配图网络配图网络配图网络配图网络配图网络配图网络配图网络配图网络配图网络配图网络配图网络配图网络配图网络配图网络配图网络配图网络配图网络配图网络配图网络配图网络配图网络配图网络配图网络配图网络配图网络配图网络配图网络配图网络配图网络配图网络配图网络配图网络配图网络配图网络配图网络配图网络配图网络配图网络配图网络配图网络配图网络配图网络配图网络配图网络配图网络配图网络配图网络配图网络配图网络配图网络配图网络配图网络配图网络配图网络配图网络配图网络配图网络配图网络配图网络配图网络配图网络配图网络配图网络配图网络配图网络

地层

地层概念

岩石

岩石是由一种或几种造岩矿物所组成具有一定结构构造的固体结合体。按其成因可分为沉积岩、岩浆岩和变质岩三大类。与油气田关系密切的岩石主要是沉积岩,而沉积岩中又以砂岩、石灰岩、泥岩为主。在特殊的条件下,岩浆岩(如花岗岩)和变质岩也可以形成油气的储集层。

构造基本类型

地质构造的规模,大的上千公里,需要通过地与地球物理资料的综合分析和遥感资料的解译才能识别,如岩石圈板块构造;小的以毫米甚至微米计,需要借助光学显微镜或电子显微镜才能观察到,如矿物晶粒的变形、晶格位错等。地质构造的基本类型有:水平构造、倾斜构造、褶皱构造和断裂构造等。

1、水平构造

原始岩层一般是水平的,它在地壳垂直运动影响下未经褶皱变动而仍保持水平或近似水平的产状者,称为水平构造。如第三系的红层中常见。在水平构造中,新岩层总是位于老岩层之上。

2、倾斜构造

倾斜构造是指岩层经构造运动后岩层层面与水平面间具有一定的夹角。倾斜岩层常是褶曲的一翼,断层的一盘,或者由不均匀的升降运动引起的。

3、褶皱构造

岩层在侧方压应力作用下发生的弯曲叫褶曲。褶曲仅指岩层的单个弯曲,而岩层的连续弯曲则称为褶皱。褶曲的基本类型有两种:背斜和向斜。背斜是核部的岩层相对较老,两翼的则较新的褶曲。向斜是核部的岩层相对较新,两翼的则较老的褶曲。

4、断裂构造

岩石受应力作用而发生变形,当应力超过一定强度时,岩石便发生破裂,甚至沿破裂面发生错动,使岩层的连续性完整性遭到破坏的现象,称为断裂构造。断裂构造包括两类:按断裂两侧的岩是否发生明显的滑动,可分为节理、断层。

节理是指岩石破裂后无显著位移的断裂构造;断层是指岩层或岩体沿断裂面发生较大位移的断裂构造。断层的要素有:断层面、断层线、断盘和断距等。按断层两盘相对移动的关系,断层类型可分为:正断层、逆断层、平推断层、枢纽断层等。

原生构造与次生构造

原生构造:

在成岩过程中形成的构造。火成岩的原生构造主要是受岩浆流动与冷凝收缩的力的作用产生的,火成岩的原生构造主要是受岩浆流动与冷凝收缩的力的作用产生的。分为原生流动构造与原生破裂构造两种。原生流动构造是固态物体在液态岩浆流动中形成的定向构造,如由岩浆早期晶出的片状、板状矿物与扁平状析离体、捕虏体的定向排列形成的流面,由岩浆早期晶出的柱状、针状矿物的定向排列形成的流线;原生破裂构造有柱状节理以及根据节理与流面或流线的产状关系分出的纵节理、横节理、斜节理与层节理。

沉积岩的原生构造主要是受地表营力的作用产生的。包括层理、层面构造、层内构造与穿层构造。

①层理构造指沉积岩中的成层构造,其成层性是通过沉积物的成分、粒度、色调的变化而显现的。构造层理是研究次生构造的基本参考面,是一种重要的原生构造。

②层面构造主要指波痕、泥裂、雨痕、印模、虫迹等,这类构造发育于沉积岩层的顶面或底面,在野外可用来鉴别地层的顶、底面,以判断地层层序的正常与倒转。

③层内构造主要指限于某一岩层中的原生构造,如粒序层、交错层、层内褶皱与层内断层等,其中除层内断层外,也均可根据它们的内部结构特点来鉴别地层的顶面或底面。

④穿层构造主要指发育于多层岩层中的背斜或断层,称为同沉积背斜或同沉积断层。同沉积背斜是在区域性地壳拗陷并不断接受沉积的盆地中的局部上隆部位上逐渐发育的背斜,因此具有原始的上拱弯曲状态,其轴部地层厚度小于翼部,轴部碎屑沉积物的粒度则大于翼部同一层沉积物的粒度。

同沉积断层又称生长断层是指与沉积作用同时活动的断层,一般发育于沉积盆地的边缘,具有正断层性质。盆地所在为断层的下降盘,其地层厚度明显大于断层的上升盘,且断距随深度而增大,即地层时代愈老,断距愈大。另外,韵律层也是一种原生的穿层构造,是由多个粒序层依序叠置而组成的。

次生构造:

岩石形成以后受构造运动的作用产生的构造变形,是构造地质学的主要研究对象。次生构造包括褶皱、节理、断层、劈理、线理等。

按照变形性质可分为:

①连续变形构造。岩层连续性未受到破坏的构造,变形性质属塑性变形,如褶皱等。

②非连续变形构造。岩层被切割失去原有连续性的构造,属破裂变形的,如节理、断层。

按照几何要素可分为:

①面状构造。以几何意义的面所表征的构造,如褶皱轴面、节理面、断层面、劈理面等。通常将具有系统性的面状构造称为面理。

②线状构造。以几何意义的线所表征的构造,如褶皱枢纽、断层擦痕、非等轴矿物的定向排列、两个构造面的交线等。各面状、线状构造还可区分为抽象性的(如褶皱轴面、枢纽、二构造面的交线)与分划性的两种。前者只具几何意义而非具体存在,后者则是具体存在的面、线构造。

根据面状、线状构造在地质体中的分布特点可分为:

①透入性构造,指在地质体内在一定尺度上均匀、连续且按一定格式排布的面状构造和线状构造,如劈理、片麻理、片理以及各种小型线理;

②非透入性构造,指非均匀、不连续且以分隔性方式产出于地质体中的面状构造和线状构造,如节理面、断层面以及大型的杆状构造、窗棂构造等。地质构造的透入性和非透入性是相对于观察构造的某种尺度而言的,较大范围的尺度上的透入性构造在较小尺度上也可成为非透入性构造;通常透入性构造是针对小型构造和显微构造两种尺度而言的。谭老师地理工作室综合整理

构造运动

由地球内动力引起岩石圈地质体变形、变位的机械运动。构造运动是由地球内力引起地壳乃至岩石圈的变位、变形以及洋底的增生、消亡的机械作用和相伴随的地震活动,岩浆活动和变质作用。构造运动产生褶皱、断裂等各种地质构造,引起海、陆轮廓的变化,地壳的隆起和拗陷以及山脉、海沟的形成等。构造运动在造成地壳演变的过程中起着重大作用。

构造运动主要表现为地壳的机械运动,但不仅仅局限于地壳的运动,通常还涉及岩石圈。一般情况下,构造运动缓慢不易被人察觉。特殊情况下,构造运动剧烈而迅速,表现为地震,由此还可能引起山崩、海啸等等,在这些情况下,人们可以察觉到构造运动。

按照地壳运动方向划分的类型可分为垂直运动(“升降运动”、“造陆运动”—沿地球半径方向)、水平运动(“造山运动”—沿地球切线方向)

1.水平运动:指地壳在水平方向起主要作用的力,即与地面成切线方向的力(包括地壳的压缩和拉张)作用下,地壳岩层所发生的运动,这种运动使相邻块体受到挤压、或者被分离拉开,或者剪切错动,甚至旋转。水平运动主要使地壳的岩层弯曲和断裂,形成巨大的褶皱山脉和断裂构造。因此,水平运动又称为造山运动。

2.垂直运动:地壳的垂直运动是指地壳块体沿着地球半径方向发生的上升或下降的运动。垂直运动常常表现为规模很大的隆起或拗陷,从而造成海陆变迁和地势高低起伏。由于地壳上升使海水退却,一部分海底称为陆地;地壳下降,海水侵入,原来的陆地变为海洋。因此,垂直运动又称为造陆运动。

小结

水平运动和垂直运动使分析地形的形成的基础,但是应该指出的是,这两种运动常常相伴而生,运动的结果都不能任意地加以分隔和区分,实际上两者是相互联系、相互影响的。

魔性动图

盘古大陆分裂和大陆漂移

大陆-海洋俯冲带

印度-亚洲大陆碰撞

南太平洋的形成

海底扩张和海洋磁异常

加拿大冰盖和海岸线移动

沿海侵蚀与海洋梯田的形成

通过海底扩张形成的南太平洋

北太平洋板块构造史

南太平洋板块构造史

1.7亿年至今,非洲板块和北美洲板块间的大洋中脊的生长过程

石油沿断裂和多孔介质向上运移的过程

圣芭芭拉海峡挤压缩短过程中,油气向上运移和在背斜转折端富集的过程

THE END
1.图神经网络与图表示学习:从基础概念到前沿技术随着复杂网络数据的快速增长,图数据的处理和分析成为机器学习领域的一个重要方向。图神经网络(Graph Neural Networks, GNNs)和图表示学习技术逐渐崭露头角,成为处理图数据的有效工具。本文将深入探讨图的形式化定义、图表示学习的基本概念以及一系列先进的图神经网络模型。 https://blog.csdn.net/cooldream2009/article/details/136084701
2.图神经网络:图表示学习图神经网络(Graph Neural Network, GNN)是一种专门用于图数据上的机器学习模型。与传统的神经网络模型侧重于处理向量和矩阵数据不同,图神经网络专注于处理图数据,能够有效地捕捉图结构的特征和关系。 图神经网络的起源 图神经网络最早可以追溯到20世纪80年代,但直到近年来才逐渐受到广泛关注。随着社交网络、生物网络、https://www.jianshu.com/p/30b99498d43e
3.网络学习素材网络学习图片网络学习素材图片下载第3页觅知网为您找到1066个原创网络学习素材图片,包括网络学习图片,网络学习素材,网络学习海报,网络学习背景,网络学习模板源文件下载服务,包含PSD、PNG、JPG、AI、CDR等格式素材,更多关于网络学习素材、图片、海报、背景、插画、配图、矢量、UI、PS、免抠,模板、艺术字、https://www.51miz.com/so-sucai/157549/p_3/
4.深度学习时代的图模型,清华发文综述图网络机器之心深度学习在多个领域中实现成功,如声学、图像和自然语言处理。但是,将深度学习应用于普遍存在的图数据仍然存在问题,这是由于图数据的独特特性。近期,该领域出现大量研究,极大地提升了图分析技术。清华大学朱文武等人综述了应用于图的不同深度学习方法。 他们将现有方法分为三个大类:半监督方法,包括图神经网络和图卷积网https://www.jiqizhixin.com/articles/122304
5.深度学习图像分割:网络结构设计一览GANs网络结构示意受到GANs启发,Luc等人训练了一个语义分割网络(G)以及一个对抗网络(D),对抗网络区分来自ground truth或语义分割网络(G)的分割图。G和D不断地博弈学习, 它们的损失函数定义为 : GANs loss function 回顾一下原始的GAN损失函数:GANs的损失函数体现的是一种零和博弈的思想,原始的GANs的损失函数如下:https://www.51cto.com/article/711681.html
6.干货图神经网络的十大学习资源分享雷峰网字幕组双语原文:【干货】图神经网络的十大学习资源分享 英语原文:Top 10 Learning Resources for Graph Neural Networks 翻译:雷锋字幕组(听风1996) 图神经网络(GNNs)是深度学习的一个相对较新的领域,从最近开始越来越流行。Twitter、Google或Facebook等大公司都会开始对于GNN投入研究,事实证明了GNN优于其他使用图数据https://www.leiphone.com/news/202010/7Xuv0ipza1lmd125.html
7.高清图解:神经网络机器学习数据科学一网打尽附PDF这份备忘单涵盖了上述领域几乎全部的知识点,并使用信息图、脑图等多种可视化方式呈现,设计精美,实用性强。 今天,新智元要为大家推荐一个超实用、颜值超高的神经网络+机器学习+数据科学和Python的完全图解,文末附有高清PDF版链接,支持下载、打印,推荐大家可以做成鼠标垫、桌布,或者印成手册等随手携带,随时翻看。https://news.hexun.com/2019-05-14/197181509.html
8.终于有人总结了图神经网络!一、为什么需要图神经网络? 随着机器学习、深度学习的发展,语音、图像、自然语言处理逐渐取得了很大的突破,然而语音、图像、文本都是很简单的序列或者网格数据,是很结构化的数据,深度学习很善于处理该种类型的数据(图1)。 图1 然而现实世界中并不是所有的事物都可以表示成一个序列或者一个网格,例如社交网络、知识图https://www.scholat.com/teamwork/showPostMessage.html?id=10103
9.NeurIPS这篇论文提出了一种基于官能团生成的图网络自监督预训练方法MGSSL。大量实验表明MGSSL可以使得预训练图网络学习到官能团结构和语义信息,提升下游分子属性预测的表现。未来的研究工作包括:(1)设计更多基于官能团的图网络自监督学习任务 (2)探索基于官能团的自监督学习在其他领域的应用。 https://cloud.tencent.com/developer/article/1915923
10.上海交通大学王宇光:几何深度学习和图神经网络的研究进展和趋势3月 23 日,在机器之心 AI 科技年会上,上海交通大学自然科学研究院和数学科学学院副教授、上海人工智能实验室成员王宇光老师发表了主题演讲《几何深度学习和图神经网络的研究进展和趋势》。 演讲视频地址(点击「阅读原文」也可观看):https://www.bilibili.com/video/BV1Yr4y1q7c1?spm_id_from=333.999.0.0 https://www.thepaper.cn/newsDetail_forward_17536620
11.勇立潮头向“网”图强:网络人士学习贯彻党的二十大精神!近年来,互联网行业发展日新月异,广大网络人士勇立潮头、逐梦时代、向“网”图强,以信息化数字化优势创造了一个又一个中国互联网“奇迹”,不断赢得未来发展和竞争的主动权、主导权。为进一步贯彻党的二十大精神,团结凝聚广大网络人士,构建网上网下同心圆,中央统战部第5期网络人士理论研讨班近日在中央社会主义学院举https://www.zysy.org.cn/article/4Ccia12MDAT
12.MindSpore官网框架中已经自带实现十三种图网络学习模型,涵盖同构图、异构图、 随机游走等类型的应用网络。 详情请参考这里https://gitee.com/mindspore/graphlearning/tree/research/model_zoo 4 高性能可扩展的强化学习计算框架:昇思MindSpore Reinforcement 强化学习(RL)是近年来AI领域的研究热点之一,伴随昇思MindSpore全场景AI框架 https://www.mindspore.cn/news/newschildren?id=967
13.科学网—python图神经网络,注意力机制Transformer模型目标4. 图卷积网络(GCN)的工作原理。 5. 图神经网络的变种和扩展:图注意力网络(GAT)、图同构网络(GIN)、图自编码器、图生成网络。 6、案例演示7、实操练习 强化学习详解 1、强化学习的基本概念和背景(什么是强化学习?强化学习与其他机器学习方法的区别?强化学习的应用领域有哪些? https://blog.sciencenet.cn/blog-3559456-1409752.html