《CUDA 加速下的九分量互相關(guān)算法在地震背景噪聲信號(hào)處理中應(yīng)用》論文提出的基于CUDA加速的九分量互相關(guān)算法，主要用于地震信號(hào)處理領(lǐng)域。然而，其高效的并行計(jì)算能力和對(duì)復(fù)雜數(shù)據(jù)的處理優(yōu)勢(shì)，使其在石油行業(yè)的地震勘探和儲(chǔ)層監(jiān)測(cè)中具有潛在的應(yīng)用價(jià)值。
1. 地震勘探數(shù)據(jù)處理：
石油勘探過(guò)程中，地震數(shù)據(jù)的處理和分析是關(guān)鍵環(huán)節(jié)。傳統(tǒng)的CPU計(jì)算方法在處理大規(guī)模地震數(shù)據(jù)時(shí)可能存在效率瓶頸。 采用CUDA加速的九分量互相關(guān)算法，可以通過(guò)GPU的并行計(jì)算能力，顯著提高地震數(shù)據(jù)處理的速度和效率。
2. 儲(chǔ)層監(jiān)測(cè)與成像：
高效的地震數(shù)據(jù)處理有助于更精確地提取地下結(jié)構(gòu)信息。通過(guò)加速的互相關(guān)算法，可以更清晰地識(shí)別地層特征，提升地震成像的分辨率和準(zhǔn)確性。 這對(duì)于石油勘探中的儲(chǔ)層識(shí)別和評(píng)估至關(guān)重要。
3. 計(jì)算成本與效率：
GPU的高性能計(jì)算能力使得在相同時(shí)間內(nèi)處理更多的數(shù)據(jù)成為可能。這不僅提高了工作效率，還可能降低計(jì)算資源的消耗和成本。 對(duì)于需要處理大量地震數(shù)據(jù)的石油公司而言，具有重要的經(jīng)濟(jì)意義。
4. 支持復(fù)雜的地震反演和建模：
石油勘探中，地震反演和建模是理解地下結(jié)構(gòu)的關(guān)鍵技術(shù)。加速的九分量互相關(guān)算法可以處理更復(fù)雜的地震數(shù)據(jù)，支持更精細(xì)的反演和建模工作。這有助于提高儲(chǔ)層描述的精度和可靠性。
5. 促進(jìn)技術(shù)創(chuàng)新和應(yīng)用：
將CUDA加速技術(shù)應(yīng)用于地震信號(hào)處理，展示了高性能計(jì)算在地球物理領(lǐng)域的潛力。 石油行業(yè)可以借鑒這一經(jīng)驗(yàn)，探索更多高性能計(jì)算技術(shù)在勘探和開發(fā)中的應(yīng)用，推動(dòng)技術(shù)創(chuàng)新。
綜上所述，《CUDA 加速下的九分量互相關(guān)算法在地震背景噪聲信號(hào)處理中應(yīng)用》論文為石油行業(yè)提供了在地震數(shù)據(jù)處理、成像、建模等方面的技術(shù)借鑒，有助于提升勘探效率和精度，降低成本，促進(jìn)技術(shù)進(jìn)步。
該研究通過(guò)并行計(jì)算，有效地縮短了處理時(shí)間，為地震學(xué)研究提供了新的技術(shù)路徑。其方法不僅具有較高的計(jì)算效率，還在實(shí)際應(yīng)用中取得了顯著成果。其高效的信號(hào)處理能力為潤(rùn)滑油行業(yè)的性能評(píng)估和質(zhì)量控制提供了潛在的技術(shù)參考。中國(guó)潤(rùn)滑油信息網(wǎng)轉(zhuǎn)載此文，旨在為潤(rùn)滑油行業(yè)的科研人員和工程師提供先進(jìn)的信號(hào)處理技術(shù)參考，促進(jìn)跨領(lǐng)域的技術(shù)交流與合作。
我們期待該研究成果的推廣能為潤(rùn)滑油行業(yè)的優(yōu)化性能測(cè)試、模擬工況分析、質(zhì)量檢測(cè)與監(jiān)控、設(shè)備故障診斷與預(yù)測(cè)、 產(chǎn)品研發(fā)與創(chuàng)新等方面提供新的思路和方法。
1 背景與動(dòng)機(jī)
大洋風(fēng)暴翻騰不息，掀起洶涌海浪。這些海浪產(chǎn)生的微弱信號(hào)，遠(yuǎn)在陸地的地震臺(tái)也能聽(tīng)到。從上世紀(jì)中葉起，科學(xué)家們便開始關(guān)注這些幾乎被湮沒(méi)在地震圖中的背景噪聲；新世紀(jì)以來(lái)，噪聲成像方法逐漸被廣泛應(yīng)用，乃至成為一種常規(guī)手段，為我們更加全面地探測(cè)地球內(nèi)部打開了新視角。
海浪激發(fā)地脈動(dòng)信號(hào)示意圖。風(fēng)暴激起的海浪將力作用于海底和海岸，通過(guò)固體地球?qū)⑿盘?hào)傳遞到遠(yuǎn)處陸地上的觀測(cè)臺(tái)陣 （Prieto, 2012）
與依賴天然地震或主動(dòng)震源的研究方法相比，噪聲地震學(xué)使用截然不同的信號(hào)源。地震背景噪聲(Ambient Noise) 幾乎在地球上無(wú)時(shí)無(wú)刻不在發(fā)生，它源自海浪、微震、各種環(huán)境振動(dòng)及人類活動(dòng)等。
通過(guò)對(duì)不同臺(tái)站的噪聲進(jìn)行互相關(guān)處理，我們能從嘈雜信號(hào)中提取出兩個(gè)臺(tái)站之間的經(jīng)驗(yàn)格林函數(shù)(Empirical Green’s function) ，對(duì)應(yīng)臺(tái)站之間地下介質(zhì)對(duì)脈沖信號(hào)的響應(yīng)。
這一技術(shù)不僅可應(yīng)用于地球內(nèi)部結(jié)構(gòu)的成像，還能用于監(jiān)測(cè)局部區(qū)域的速度變化、應(yīng)力場(chǎng)演化等，為我們揭示地球內(nèi)部的演化過(guò)程。
地震儀通常在三個(gè)方向上記錄地震動(dòng)信號(hào)，包括東西（E-W），南北（N-S）和垂直方向（U-D），當(dāng)我們對(duì)兩個(gè)臺(tái)站的三分量信號(hào)進(jìn)行互相關(guān)時(shí)，就會(huì)得到九分量互相關(guān)函數(shù)。不同分量的互相關(guān)函數(shù)里，蘊(yùn)含了不同類型變形信息：
Z-Z（垂直-垂直分量）常常含有豐富的瑞利波，用于分析地下SV波速度結(jié)構(gòu)和方位各向異性。
T-T分量（垂直于臺(tái)站連線的水平分量）則包含豐富的勒夫波，可用于反演SH波速度結(jié)構(gòu)。勒夫波和瑞利波的頻散曲線可聯(lián)合揭示地下介質(zhì)的徑向各向異性。
這些信息幫助我們認(rèn)識(shí)地下結(jié)構(gòu)的三維空間變化和介質(zhì)的變形特征，也為后續(xù)成像與監(jiān)測(cè)研究帶來(lái)更多可能。
然而，面對(duì)日益增多的臺(tái)站與不斷延長(zhǎng)的觀測(cè)時(shí)長(zhǎng)，如何快速高效地完成龐大的九分量互相關(guān)計(jì)算，成了一個(gè)亟待解決的關(guān)鍵問(wèn)題。
2 海量計(jì)算挑戰(zhàn)
海量計(jì)算規(guī)模是九分量互相關(guān)計(jì)算面臨的第一個(gè)挑戰(zhàn)，也是最基本的挑戰(zhàn)。
當(dāng)臺(tái)站數(shù)量為 N 時(shí)，每?jī)膳_(tái)站之間都要做互相關(guān)，參與計(jì)算的臺(tái)站對(duì)總數(shù)達(dá)到 N×(N?1)/2。而每對(duì)臺(tái)站的三分量又需與另一臺(tái)站的三分量逐一互相關(guān)，計(jì)算量隨之增加 9 倍。更何況，這些互相關(guān)往往要對(duì)連續(xù)波形記錄開展，動(dòng)輒幾個(gè)月甚至幾年的數(shù)據(jù)累積，體量之大令人咋舌。
在如此龐大的數(shù)據(jù)規(guī)模下，即使是CPU 多核并行計(jì)算方案 也往往需要漫長(zhǎng)的計(jì)算時(shí)間。有的團(tuán)隊(duì)會(huì)將數(shù)據(jù)打包上傳到云端或分布式集群，雖然能將運(yùn)算負(fù)載分擔(dān)到各個(gè)節(jié)點(diǎn)上，但昂貴的費(fèi)用和網(wǎng)絡(luò)傳輸瓶頸也隨之而來(lái)。
于是，更具靈活性的方案——CPU-GPU 異構(gòu)并行計(jì)算開始受到關(guān)注。通過(guò)CPU-GPU異構(gòu)計(jì)算，我們能在一臺(tái)裝載一張或多張GPU設(shè)備的工作站上，處理海量九分量互相關(guān)數(shù)據(jù)，顯著縮短計(jì)算周期。這為大規(guī)模背景噪聲研究掃清了關(guān)鍵障礙。
接下來(lái)，我們將具體探討GPU 加速在九分量互相關(guān)中的原理與實(shí)現(xiàn)。
3 CUDA計(jì)算技術(shù)
可以打一個(gè)簡(jiǎn)單的比方：
CPU 就像手藝高超但人數(shù)有限的專家團(tuán)隊(duì)，能獨(dú)立完成各種精巧操作，卻難以同時(shí)處理海量重復(fù)性工作。
GPU 則像由成百上千名普通工匠組成的大軍，雖然每位工匠只能干相對(duì)簡(jiǎn)單的活兒，卻能齊頭并進(jìn)、同時(shí)出力。
CPU：少量強(qiáng)大的核心，適合復(fù)雜、單線程任務(wù)，如邏輯計(jì)算、系統(tǒng)管理。GPU：海量小核心，適合并行計(jì)算、批量處理，如圖像渲染、深度學(xué)習(xí)。本圖由 GPT 使用DALL·E 自動(dòng)生成，直觀展示CPU 和GPU 的工作模式差異。
CUDA (Compute Unified Device Architecture)是NVIDIA 推出的開發(fā)環(huán)境，能夠讓研究者輕松指揮這支 GPU 大軍。
對(duì)于地震學(xué)從業(yè)者來(lái)說(shuō)，在CUDA的助力下，只要把適合并行的那部分算法（如 FFT、卷積或互相關(guān)）包裝好，調(diào)用合適的函數(shù)或庫(kù)，就能充分釋放 GPU 的算力。
為什么地震學(xué)格外適合 GPU 加速？
因?yàn)樵谠S多場(chǎng)景中（如互相關(guān)、卷積、數(shù)值積分、有限差分模擬），我們需要進(jìn)行成千上萬(wàn)次類似的運(yùn)算。這些操作都有一個(gè)共同點(diǎn)：可將大塊數(shù)據(jù)拆分成無(wú)數(shù)小任務(wù)，再并行派給 GPU 核心處理。如此一來(lái)，以往在 CPU 環(huán)境下可能需要數(shù)天甚至更久的計(jì)算，借助 GPU 通常能在數(shù)小時(shí)甚至更短時(shí)間內(nèi)完成，大大提升研究與應(yīng)用效率。
4 預(yù)處理和疊加：提升NCF信噪比的關(guān)鍵
要真正從背景噪聲中挖掘出有用信號(hào)，互相關(guān)之前，往往少不了預(yù)處理。
為什么要預(yù)處理？因?yàn)槲覀兪占降倪B續(xù)記錄里，既有微震、海潮、風(fēng)浪帶來(lái)的隨機(jī)振動(dòng)，也可能混進(jìn)高能強(qiáng)震或其他非背景事件（例如PL源，Persist and Localized Source, 固定位置持續(xù)發(fā)出固定頻率信號(hào)的噪聲源）。如果不及時(shí)抑制這些無(wú)關(guān)干擾，互相關(guān)結(jié)果中就可能出現(xiàn)顯著的無(wú)物理意義的信號(hào)。
常見(jiàn)的預(yù)處理方式包括時(shí)間域歸一化（如one-bit、滑動(dòng)窗平均歸一化）和頻域譜白化（frequency-domain whitening）。
它們的主要思路是在時(shí)間和頻率兩個(gè)維度上將噪聲均衡化，避免特定時(shí)段或頻帶能量過(guò)于集中，從而干擾后續(xù)互相關(guān)的結(jié)果。在我們的工作中，我們進(jìn)一步引入了分頻帶滑動(dòng)窗時(shí)間域歸一化（Multi-band running absolute time domain normalization）(Zhang et al., 2018)，進(jìn)一步提升了目標(biāo)信號(hào)的信噪比。
(a)使用不同預(yù)處理手段對(duì)噪聲信號(hào)進(jìn)行預(yù)處理后得到的互相關(guān)函數(shù)。 (b)使用分頻帶滑動(dòng)窗時(shí)間域歸一化+譜白化；(c)譜白化+不分頻帶的滑動(dòng)窗時(shí)間域歸一化
那么，獲得互相關(guān)函數(shù)之后，該怎么進(jìn)一步通過(guò)疊加提升互相關(guān)函數(shù)中主要信號(hào)的信噪比（SNR）呢？最簡(jiǎn)單的線性疊加并不能總是抑制噪聲。根據(jù)高斯噪聲的特性，信噪比與線性疊加數(shù)量的平方根成正比。
這時(shí)就需要效率更高的相位加權(quán)疊加（Phase-Weighted Stacking，PWS）和時(shí)頻相位加權(quán)疊加(tf-PWS) (Schimmel et al. 1997; Schimmel et al., 2011)出馬了：
·PWS 通過(guò)捕捉不同時(shí)段互相關(guān)結(jié)果在相位上的一致性來(lái)賦予權(quán)重，從而抑制相位紊亂的噪聲；
·tf-PWS 更進(jìn)一步，將相位加權(quán)操作延伸到時(shí)-頻域，不同頻率成分在不同時(shí)間段都能得到“個(gè)性化”加權(quán)，進(jìn)而讓信噪比獲得更全面的提升。
不同疊加方法的互相關(guān)函數(shù)結(jié)果，測(cè)試數(shù)據(jù)為日本Hi-net，(a)中黑色三角形為測(cè)試臺(tái)站。
值得一提的是，在我們的計(jì)算框架里，預(yù)處理和高級(jí)疊加算法也借由CUDA實(shí)現(xiàn)了并行加速。對(duì)高信噪比處理技術(shù)的高性能優(yōu)化，為我們帶來(lái)更加優(yōu)質(zhì)、高效、干凈和豐富的互相關(guān)結(jié)果。
5 我們的解決方案
在此前提及的預(yù)處理與疊加技術(shù)基礎(chǔ)上，我們搭建了一套 CPU+GPU 異構(gòu)計(jì)算框架，以兼顧靈活性與高效性。
通過(guò)這種CPU負(fù)責(zé)管理調(diào)度(以及不多的數(shù)據(jù)處理)、GPU 專注數(shù)值并行的模式，重復(fù)性最強(qiáng)、計(jì)算量最大的互相關(guān)和信號(hào)處理環(huán)節(jié)可以在 GPU 上獲得顯著加速，而CPU 則更好地承擔(dān)文件讀寫與流程管理任務(wù)，最大化整體效率。
速度對(duì)比：CPU并行 vs. CPU-GPU異構(gòu)
為驗(yàn)證加速效果，我們選取了305個(gè)三分量臺(tái)站連續(xù)92天的噪聲記錄作為測(cè)試數(shù)據(jù)，數(shù)據(jù)采樣率為10Hz，數(shù)據(jù)規(guī)模為243GB。
若僅用CPU并行方案（在我們的實(shí)驗(yàn)中使用了60個(gè)核心），一次完整的九分量互相關(guān)往往需要幾天甚至數(shù)周；而在 CPU-GPU 并行方案下，通過(guò)合理的顯存管理與算法設(shè)計(jì)，運(yùn)算時(shí)間可顯著縮短至不到一天，加速比達(dá)到176。
結(jié)果檢驗(yàn)
架構(gòu)設(shè)計(jì)為了讓研究者在實(shí)際操作中更加便捷高效，我們對(duì)CPU 端與GPU 端做了明確分工，并通過(guò)多任務(wù)隊(duì)列來(lái)調(diào)度多張顯卡：
CPU 端任務(wù)
SAC 文件匹配：借助正則表達(dá)式快速篩選所需地震記錄，極大地方便用戶導(dǎo)入數(shù)據(jù)。
濾波器設(shè)計(jì)：在此階段靈活定義濾波參數(shù)，為后續(xù) GPU 大規(guī)模并行處理做準(zhǔn)備。
多卡調(diào)度：使用 ThreadPoolExecutor(源自concurrent.futures)管理多任務(wù)隊(duì)列，將數(shù)據(jù)批次動(dòng)態(tài)分配給多張GPU，充分利用硬件資源。
GPU 端任務(wù)
并行濾波、譜白化與時(shí)間域歸一化：在 GPU 上完成大量重復(fù)性預(yù)處理操作，大幅降低傳統(tǒng) CPU 串行或小規(guī)模并行方式下的時(shí)間損耗。
自適應(yīng)批次（Adaptive Batch Size）互相關(guān)：根據(jù)數(shù)據(jù)規(guī)模自動(dòng)調(diào)整批次大小來(lái)做互相關(guān)，既充分利用顯存，又適應(yīng)小規(guī)模及超大規(guī)模數(shù)據(jù)的處理需求。
PWS/tf-PWS 疊加框架：在 GPU 上直接調(diào)用高階疊加算法（PWS、tf-PWS），讓原本耗時(shí)巨大的信號(hào)增強(qiáng)流程也能順暢融入常規(guī)化處理。
兩種對(duì)連續(xù)波形數(shù)據(jù)進(jìn)大規(guī)?；ハ嚓P(guān)分批處理的手段。(a) 優(yōu)先處理同一時(shí)段所有臺(tái)站對(duì)的數(shù)據(jù)，(b) 優(yōu)先處理單一臺(tái)站對(duì)所有時(shí)間段的數(shù)據(jù)。兩種方法都可以根據(jù)GPU內(nèi)存能力進(jìn)行自動(dòng)化分批處理。
在這樣一套架構(gòu)下，CPU主要負(fù)責(zé)數(shù)據(jù)組織與任務(wù)調(diào)度，GPU 則專攻計(jì)算密集型環(huán)節(jié)，從而達(dá)成最大化整體效率的目標(biāo)。對(duì)用戶而言，無(wú)需深度掌握 GPU 的底層指令或編程邏輯，只要準(zhǔn)備好 SAC 數(shù)據(jù)、指定必要參數(shù)，系統(tǒng)便可自動(dòng)完成從預(yù)處理到九分量互相關(guān)及后續(xù)疊加的一系列操作——既易用又高效。
此外，這種設(shè)計(jì)在動(dòng)輒數(shù)百GB乃至更大規(guī)模的背景噪聲數(shù)據(jù)處理中尤為實(shí)用。以往，單機(jī) CPU 可能算力吃緊，或者要耗費(fèi)大量時(shí)間排隊(duì)云端和超算資源?，F(xiàn)在，通過(guò)一臺(tái)帶顯卡的服務(wù)器，就能輕松完成海量九分量互相關(guān)與疊加處理，為后續(xù)的地震學(xué)成像和監(jiān)測(cè)研究提供強(qiáng)力支撐。
通過(guò)以上方法與成果，我們成功突破了九分量互相關(guān)在大規(guī)模數(shù)據(jù)下的運(yùn)算瓶頸，也讓高階疊加算法（PWS、tf-PWS）的計(jì)算效率大幅提升。
6 總結(jié)
在大數(shù)據(jù)時(shí)代，密集臺(tái)陣對(duì)與長(zhǎng)時(shí)間觀測(cè)的傳統(tǒng) CPU 難以招架背景噪聲互相關(guān)計(jì)算；而GPU 并行的出現(xiàn)，為我們提供了一個(gè)靈活、高效并且更具性價(jià)比的解決思路。
當(dāng)然，要想真正發(fā)揮GPU 并行的威力，還需要在程序設(shè)計(jì)和算法層面進(jìn)行不斷優(yōu)化。像減少 CPU 與GPU 之間的頻繁數(shù)據(jù)傳輸、合理安排數(shù)據(jù)塊大小和巧用 GPU 共享內(nèi)存等技巧，都能顯著提升最終的加速效果。
展望未來(lái)，這種GPU 并行 + 先進(jìn)算法 的思路并不限于九分量互相關(guān)。
任何具有大量可并行操作的數(shù)值流程都能從 GPU 算力中受益。在學(xué)術(shù)研究和生產(chǎn)實(shí)踐里，我們也能在更短時(shí)間內(nèi)完成更多迭代與更復(fù)雜的實(shí)驗(yàn)，獲取更細(xì)致的結(jié)果。
更為重要的是，相比堆疊更多 CPU 核心或依賴大規(guī)模集群，單臺(tái) GPU 工作站往往能在單位能耗下獲得更高的計(jì)算吞吐量，既節(jié)省成本（根據(jù)Google Cloud的報(bào)價(jià)推算，使用CPU-GPU異構(gòu)計(jì)算的成本是使用純粹CPU并行架構(gòu)的1/50），也更加綠色環(huán)保。
我們相信，在不遠(yuǎn)的將來(lái)，經(jīng)過(guò)CUDA加速并裝載了更高級(jí)疊加方法的九分量互相關(guān)計(jì)算程序，將會(huì)逐漸成為背景噪聲研究中的常規(guī)配置，幫助研究者高效處理海量數(shù)據(jù)、提煉更多細(xì)節(jié)，邁向更深更廣的未知領(lǐng)域。
聲明和致謝：
本程序最初由中國(guó)地震局地球物理研究所王偉濤老師委托中國(guó)科學(xué)技術(shù)大學(xué)網(wǎng)絡(luò)和信息中心的孫廣中、吳超老師團(tuán)隊(duì)開發(fā)完成。最初的單分量版本加速代碼的相關(guān)論文已發(fā)表在在DOI: 10.1109/paap56126.2022.10010612。
后續(xù)的改進(jìn)（包括預(yù)處理方法、批處理和多卡適配、高級(jí)疊加算法加速以及九分量擴(kuò)展等）由本文作者中國(guó)科學(xué)技術(shù)大學(xué)博士研究生王景熙完成，相關(guān)成果已發(fā)表在High-performance CPU-GPU Heterogeneous Computing Method for 9-Component Ambient Noise Cross-correlation, Earthquake Research Advances, https://doi.org/10.1016/j.eqrea.2024.100357，
閱讀原文：
本程序已在https://github.com/wangkingh/FastXC上開源。
本文的測(cè)試數(shù)據(jù)來(lái)自日本精度密集臺(tái)網(wǎng)Hi-net以及中國(guó)科學(xué)技術(shù)大學(xué)姚華建老師課題組。程序已通過(guò)多套數(shù)據(jù)集的校驗(yàn)測(cè)試，效果優(yōu)異，能夠完成不同尺度的數(shù)據(jù)規(guī)模的計(jì)算。相關(guān)程序，特別是經(jīng)過(guò)加速的高級(jí)疊加算法，已成功應(yīng)用于示范礦區(qū)成像、斷裂帶成像、區(qū)域結(jié)構(gòu)成像等實(shí)驗(yàn)。
歡迎大家使用我們的程序并引用我們的論文，也歡迎大家提出各種建議和意見(jiàn)！同時(shí)，再次感謝在程序測(cè)試過(guò)程中各單位伙伴們的信任與支持！
參考文獻(xiàn):
1. Wang, J., et al., High-performance CPU-GPU Heterogeneous Computing Method for 9-Component Ambient Noise Cross-correlation. Earthquake Research Advances, 2025: p. 100357.
2. Prieto, G.A., Imaging the Deep Earth. Science, 2012. 338(6110): p. 1037-1038.
3. Schimmel, M. and H. Paulssen, Noise reduction and detection of weak, coherent signals through phase-weighted stacks. Geophysical Journal International, 1997. 130(2): p. 497-505.
4. Schimmel, M., E. Stutzmann, and J. Gallart, Using instantaneous phase coherence for signal extraction from ambient noise data at a local to a global scale. Geophysical Journal International, 2011. 184(1): p. 494-506.
5. Wu, C., et al., An Efficient Ambient Noise Cross-Correlation Algorithm on Heterogeneous CPU-GPU Cluster. 2022 IEEE 13th International Symposium on Parallel Architectures, Algorithms and Programming (PAAP), 2022: p. 1-5.
6. Zhang, Y., et al., 3-D Crustal Shear-Wave Velocity Structure of the Taiwan Strait and Fujian, SE China, Revealed by Ambient Noise Tomography. Journal of Geophysical Research: Solid Earth, 2018. 123(9): p. 8016-8031.
文章來(lái)源：ERA期刊/地震學(xué)科普
友情提醒 |
本信息真實(shí)性未經(jīng)中國(guó)工程機(jī)械信息網(wǎng)證實(shí)，僅供您參考。未經(jīng)許可，請(qǐng)勿轉(zhuǎn)載。已經(jīng)本網(wǎng)授權(quán)使用的，應(yīng)在授權(quán)范圍內(nèi)使用，并注明“來(lái)源：中國(guó)工程機(jī)械信息網(wǎng)”。 |
特別注意 |
本網(wǎng)部分文章轉(zhuǎn)載自其它媒體，轉(zhuǎn)載目的在于傳遞更多行業(yè)信息，并不代表本網(wǎng)贊同其觀點(diǎn)和對(duì)其真實(shí)性負(fù)責(zé)。在本網(wǎng)論壇上發(fā)表言論者，文責(zé)自負(fù)，本網(wǎng)有權(quán)在網(wǎng)站內(nèi)轉(zhuǎn)載或引用，論壇的言論不代表本網(wǎng)觀點(diǎn)。本網(wǎng)所提供的信息，如需使用，請(qǐng)與原作者聯(lián)系，版權(quán)歸原作者所有。如果涉及版權(quán)需要同本網(wǎng)聯(lián)系的，請(qǐng)?jiān)?5日內(nèi)進(jìn)行。 |
更多>>最新資訊
bauma CHINA 2024上海寶馬工程..
2024北京國(guó)際風(fēng)能大會(huì)暨展覽會(huì)..更多>>數(shù)據(jù)統(tǒng)計(jì)
2025長(zhǎng)沙國(guó)際工程機(jī)械展：鐵建重工
2025長(zhǎng)沙國(guó)際工程機(jī)械展：中聯(lián)重科
2025長(zhǎng)沙國(guó)際工程機(jī)械展：濰柴動(dòng)力
2025長(zhǎng)沙國(guó)際工程機(jī)械展：三一