人工智能在拾取地震P波初至中的应用 ——以汶川地震余震序列为例

为了准确而迅速地拾取大量地震事件的P波初至, 将深度学习方法引入微地震P波初至到时拾取研究中, 对卷积神经网络的结构进行改造, 以便适应地震波形数据的特点 P波初至拾取的要求。该算法只需要输入10 s窗口的三分量地震波形数据, 就可以自动地判定P波初至时刻, 无需扫描连续波形, 运算时间远远小于长短窗、模板匹配等传统方法。使用该算法训练汶川地震主震后2008年7—8月7467条人工拾取的余震P波初至到时, 将得到的模型对测试集中 1867条数据的计算结果与人工拾取结果对比, 误差小于0.5 s者占比达到98.9%。在低信噪比条件下, 该方法仍能保持较好的拾取能力。     

基于深度学习的井间地震CT初至自动拾取方法

井间地震CT方法能够有效探测岩溶等不良地质,而拾取地震波的初至对其反演结果至关重要.以往井间地震CT初至拾取通过手动标定,效率低,无法满足模型训练要求.本文基于人工源地震初至的时距特征,提出了一种基于深度学习的地震初至训练样本库快速标定方法.利用人工合成数据训练初始网络模型,采用少量人工标定实测数据进一步训练,基于该网络模型对未标定的井间地震实测数据剖面进行初至拾取,采用长短时窗比法修正曲线拟合结果,对仍不理想的拾取结果进行人工判别和改正,并将准确标定数据加入训练集,形成新的网络模型;通过迭代实现数据集再生成并获得后续阶段的网络模型.基于上述方法完成了80 000道数据的初至拾取,在充分训练后神经网络具备较高的拾取精度,采用3840组数据对该模型进行测试,发现预测结果与人工拾取结果对比的绝对误差值小于0.2ms的数据占91.8%,说明该方法是一种切实有效且高效的井间地震CT初至拾取方法.     

基于U-Net的矿山微震初至拾取研究

初至到时拾取是微震数据处理中基础而又重要的环节,关系到整个微震监测系统的精度与可靠性。因此,为了解决传统初至拾取方法存在拾取效率低和拾取精度差的问题,引入深度学习方法,构建U型神经网络(U-Net)来预测三分量矿山微震数据P波、S波和噪声的概率分布,并根据概率峰值提取其初至到达时间。实验结果表明：本文算法的拾取结果准确度高且误差范围较小,与AR pick (auto regression pick)算法相比,其拾取结果具有明显的优越性。所构建的初至拾取模型可用于矿山动力灾害微震监测,解决微震监测的瓶颈问题,为矿山安全生产风险智能监测预警提供强力技术支撑。     

改进双向LSTM的地震震相拾取算法

为了更好地提升识别精度和算法的适应性,针对传统波形检测算法存在依赖人工设定阈值以及震相拾取的精度偏低等问题,提出了一种基于改进双向LSTM的震相拾取算法。该方法利用滤波、归一化、加噪等方式对原始波形数据进行预处理,通过双向LSTM模型对地震信号数据进行自适应深层特征提取;同时为解决双向LSTM模型存在的过拟合问题,引入Spatial-Dropout机制在随机区域对双向LSTM模型进行稀疏性约束;最后引入Time-Distributed机制从时域维度针对事件-噪声的二分类问题自动判定P波到时,并在相关地震数据集上进行对比实验。结果表明:模型对P波拾取的准确率达90%,P波拾取的精确度达80%,与LSTM和GRU等传统RNN网络模型相比,精确度分别提高了6%和5%.同时,该模型不需要人工设定阈值,并且对复杂波形数据的P波拾取问题具有较强的鲁棒性。     

基于改进的STA/LTA方法的微地震P波自动拾取技术

基于STA/LTA方法,提出了一种改进的自动拾取P波到时算法.引入权重因子K,构建了一种新的特征函数,提出寻找STA/LTA曲线上的最大值对应时刻为P波到时的方法,并运用Matlab对冬瓜山铜矿微震事件进行初至拾取分析.结果表明:该方法能够准确地拾取微地震P波初至,减少了传统的STA/LTA算法需要调整触发阈值(Thr)的过程,克服了固定阈值不能适应复杂多变信号到时拾取的缺点,具有抗噪性强、稳定性强、拾取精确度高等优势.     

基于 Shearlet-AIC 算法的微地震初至拾取

初至拾取是微地震数据处理的基本步骤及重要环节,在低信噪比情况下,传统的初至拾取方法性能不佳,无法满足实际需求。为此,提出一种新算法,该算法将时域 微 地 震 数 据 映 射 到 Shearlet 域,利 用 AIC(Akaike Information Criterion) 模型对 Shearlet 域各尺度层的数据实现初步识别,最小 AIC 值作为初至时刻。通过 大量实验验证 Shearlet-AIC 算法在低至 － 13 dB 信噪比下自动拾取的准确性,证实该算法优于传统初至拾取算法,解决了传统初至拾取算法在低信噪比时难以有效拾取微地震初至的难题。     

冲击实验中复杂流场的准静止区检测

颗粒流场特征检测通常采用粒子图像测速（PIV）技术测得速度场,再对多帧连续图像进行人工识别,检测结果存在一定的主观误差。因此,提出了一种在单帧流场图像中识别准静止区的DC-UNet++网络。首先,通过电荷耦合器件（CCD）采集小球冲击颗粒床形成的流场图像,再用PIV技术分析并制作数据集。然后,在多组数据集上训练CNN模型、UNet++模型和提出的DC-UNet++模型,验证分析其在单帧图像上检测准静止区的可行性与准确性。最后,讨论了该模型在非透明和透明两类颗粒材料中的低速冲击流场上的泛化能力。实验结果表明：DC-UNet++网络在非透明和透明颗粒材料上的准确率分别达到87.76%和72.91%。DC-UNet++网络实现了在单帧图像上检测目标特征的任务,且对透明颗粒材料复杂流场下的特征仍具有较为准确的检测结果。     

小波分析与振幅比法联合拾取P波初至时间

振幅比法是一种准确有效的初至拾取方法,但是振幅比法在信噪比偏低时会产生误判现象。针对这种情况,提出了小波分析与振幅比法联合拾取P波初至时间的方法。小波-振幅比法是将小波分析与振幅比法结合起来,首先对爆破信号进行小波去噪,基于小波分析的滤噪理论包括信号分解、各分解层次硬阈值去噪与信号重构三个步骤,提高了爆破信号的信噪比,最后使用振幅比法拾取P波初至时间。以2014年7月28日11时监测到的一个矿震事件为例,用小波-振幅比联合方法准确拾取爆破信号P波初至时间,计算得出x、y、z三个方向的定位误差小于42米,符合空间位置定位（x,y,z误差小于50米）的要求;说明了通过小波滤噪方法可以有效提高爆破信号信噪比并且提高了P波到时拾取的准确度,提高了定位精度,具有较好的应用前景。     

基于深度学习的景观植物颜色特征提取方法

景观植物的颜色特征及其变化规律可以为植物景观季相分析和设计提供科学依据,但传统的色彩量化分析工作量大且获得的色彩特征准确度低,分析结果易受主观因素影响。针对以上问题,基于UNet++深度学习网络框架,提出一种改进的图像分割模型：在UNet++网络中添加了嵌有注意力机制模块和空洞卷积的全新编码器以增强对植株细节信息的捕捉。提取分割后植株图像在各颜色空间的色彩特征分量,利用Relief算法对12种颜色特征进行筛选。在建立的景观植株数据集上验证改进模型的有效性,实验结果表明：改进模型分割结果的准确率为97.8%,经过筛选分析得到Lab颜色空间内的a通道特征可以作为衡量景观植株随季节变化最有区分度的颜色指标。改进后的模型和特征筛选方法可以为景观植株的季相变化研究和农业作物的特征获取提供技术支撑。     

微震信号初至拾取的AIC算法及其分析

为了提高微震信号P波初至到时的拾取精度,对微震信号初至拾取的赤池信息量准则(AIC)算法包括AR-AIC算法、VAR-AIC算法进行分析和对比,给出AR模型阶数M、特征函数、时窗长度对拾取结果影响及其选取规律。结果表明:AR模型阶数M对AR-AIC算法的计算精度和计算速度有较大影响,AR模型阶数M越大,算法计算速度越慢,AR模型阶数M应选择AIC(M)最小值时的阶数M或者选择AIC(M)最小值稍前的阶数M;特征函数、时窗长度对VAR-AIC算法的计算精度有影响,特征函数建议选择CF₄,时窗长度建议选择600～1 000个采样点,时窗结束时刻为信号最大振幅值时刻,开始时刻为信号最大振幅时刻向前移动600～1 000个采样点。     

基于UNet++卷积神经网络的断层识别

针对传统相干体属性和机器学习在复杂断裂识别能力差的问题,提出一种基于UNet++卷积神经网络的断层识别方法。该方法采用加权交叉熵损失函数做目标函数,使网络模型训练过程中避免了数据样本不平衡的问题,引入注意力机制和密集卷积块,以及更多的跳跃连接,更好地实现深层次断层语义信息和浅层次断层空间信息之间的特征融合,进而可以使UNet++网络模型更好地实现断层识别。实验结果表明,该网络模型将F₁值提高到了92.38%, loss降低到0.012 0,可以更好地学习断层特征信息。将该模型应用于西南庄断层的识别中,结果表明,该方法可以更准确预测断层位置,在识别连续断层的准确率上有所提高,有效防止了地下噪音对于断层识别的不利影响,从而验证了UNet++网络模型在断层识别上具有一定的研究价值。     

基于支持向量机的车辆换道决策模型研究

车辆换道行为是微观交通流中的典型驾驶行为之一。研究车辆换道决策模型,可以帮助无人驾驶车辆正确进行换道决策。以NGSIM数据集为依据,采用SG滤波器对NGSIM数据集进行平滑处理,筛选平滑处理后的数据得到训练集和测试集;选择影响车辆换道决策的7个因素作为模型输入,建立基于粒子群优化算法的支持向量机(PSO-SVM)车辆换道决策模型和标准支持向量机(标准SVM)车辆换道决策模型;对训练集和测试集进行归一化处理,利用归一化处理的数据进行模型的训练和测试。测试集数据分类验证结果表明,建立的PSO-SVM车辆换道决策模型的决策准确率为94.67%,相比于标准SVM车辆换道决策模型提高6%,能有效实现无人驾驶车辆的换道决策。     

苏里格地区转换波初至识别方法研究

P-SV转换波静校正是转换波处理中的一个难题,常规的纵波静校正方法不能用于转换波处理。利用初至波进行纵波静校正取得了很好的效果,但是由于转换波初至识别和拾取困难,针对转换波的折射静校正方法一直没有得到较好的应用。对转换波初至的组成和特点进行了讨论,通过推导共检波点道集中初至的时距曲线得到了共检波点道集中P-P-P波初至和P-P-SV波初至在一定偏移据范围内平行的结论。根据这一结论,提出了共检波点域初至波叠加法确定转换波初至的算法,并对苏里格地区的转换波资料进行了转换波初至识别,取得了满意的效果。     

一种针对气枪记录的三阶段初至震相拾取方案

针对气枪震源数据信噪比较低和自动拾取初至效果较差的问题, 通过引入地震勘探方法来进行初至震相拾取。首先压制噪声; 然后利用传统的勘探方法, 进行特征曲线计算; 最后结合保边平滑方法, 确定初至时间的三阶段方案, 降低自动拾取方法对数据信噪比要求。在此基础上, 根据实际数据特点, 设计自动拾取流程, 并用此流程对长江安徽段的主动源数据进行自动拾取。与传统方法相比, 所提方法对数据信噪比要求更低, 可为后续处理提供更多可用资料。     

虚拟装配环境中基于对象的三维物体拾取方法

基于对象模型提出了虚拟装配环境中三维物体快速拾取算法、实现方法和步骤，该算法不依赖于OpenGL或Direct3D环境，也不需要将所有模型数据转换到同一模型空间，而是根据虚拟环境中使用的矩阵对投影射线作反变换，通过射线与模型相交测试来拾取物体，其优点是节省大量的计算时间和存取空间．在虚拟装配系统中，对随意放置的模型进行了测试和验证，结果表明所提出的快速拾取算法、方法和步骤是有效的，为装配环境中进行物体移动、旋转，动态装配，信息查询等操作奠定了基础．     

基于波形互相关的微地震事件自动识别及初至拾取

根据具有相似震源位置及破裂机理的微地震事件通常在地震记录上表现出相似波形特征的原理, 提出一种基于波形互相关的微地震事件自动识别及初至拾取方法。首先, 通过计算道间互相关函数, 对微地震记录进行时差校正; 然后, 通过计算道间相似系数的方法识别连续地震记录中的微地震事件。在完成事件识别的同时, 对时差校正后的多道记录进行叠加, 并采用STA/LTA方法对叠加道进行初至拾取, 结合各道间的时差信息即可获得各道微地震事件的初至到时。为了检验所提方法的可行性和有效性, 分别对模型数据和实际资料进行处理,结果表明利用所提方法可以在有效地识别微地震事件的同时, 得到较为准确的初至拾取结果。     

一种微震震相到时自动拾取方法

震相初至到时的自动拾取是微震监测中一个关键问题,是实现震源定位及震源机制解释的前提和基础。针对微震信号固有的低信噪比、非线性、非平稳等特征,提出了一种震相初至自动拾取方法。首先,应用小波阈值降噪法对采集到的含噪微震信号进行降噪处理,降低人工采集时机械类振动噪声对微震震相初至拾取的干扰;然后使用STA/LTA对降噪后的微震信号进行预拾取,获得震相初至的大致时刻;以该时刻为基准,分别向前向后各截取500个采样点构成一个时间窗口,在该时间窗口内应用AIC准则法精确求取震相初至。为验证本文方法的有效性,以人工拾取的到时为基准,误差在±10ms之内视为准确拾取。实验结果显示,本文方法对低信噪比微震信号拾取的准确率为95.79%,较单纯使用STA/LTA及AIC方法准确率分别提高了9.78%及10.08%。     

利用小波变换提高地震波初至拾取的精确度

众所周知,折射静校正是中国西北地区地震资料处理中十分重要的环节,而准确地拾取初至又是折射静校正的基础.然而,这些地区的地震记录中,初至波却常常受到各种干扰的影响,使得其波形发生畸变,从而导致初至拾取不准确.文章首先分析了最常见的引起初至波难以准确拾取的情况,并提出了初至拾取预处理的方法.具体采用小波阈值去噪并结合连续小波变换的方法,恢复初至波的最大振幅波形,并突出初至波的起跳时刻,从而提高初至拾取的准确度.通过理论模型研究和实际资料试算表明,该方法具有很好的应用前景,它对于目前常用的拾取初至起跳时刻和拾取初至波最大峰值时刻的两类拾取方法,都具有非常重要的意义.     

利用偏振约束对AIC方法自动拾取微震初至的改进

初至拾取是影响微震事件分析精度的重要因素之一。本文结合微震事件偏振特性和AIC（Akaike Information Criterion, 最小信息准则）函数特性,提出了一种利用偏振约束实现AIC初至拾取的改进方法：可以将偏振分析拾取微震初至的应用扩展至单分量的微震数据,该方法将单分量微震数据视为三分量微震数据的一种特殊形式,利用三分量微震数据协方差矩阵的最大值序列对AIC方法进行约束,从而快速准确的拾取到微震数据的初至。文中应用该方法对不同信噪比的合成数据和实测数据进行了验证,同时与STA/LTA（Short Time Average/ Long Time Average,长短时平均）、Maeda-AIC和偏振分析方法进行了对比,结果显示该算法速度略低于上述三种方法,但精度和可靠性优于其他三种方法,同时与其他改进算法对比,不用设置阈值,并且选取时窗的长短对拾取结果几乎没有影响,可极大的提高算法的自动化程度。     

利用偏振约束对最小信息准则方法自动拾取微震初至的改进

初至拾取是影响微震事件分析精度的重要因素之一。本文结合微震事件偏振特性和最小信息准则(akaike information criterion,AIC)函数特性,提出了一种利用偏振约束实现AIC初至拾取的改进方法:可以将偏振特征值拾取微震初至的应用扩展至单分量的微震数据,该方法将单分量微震数据视为三分量微震数据的一种特殊形式,利用三分量微震数据协方差矩阵的最大值序列对AIC方法进行约束,从而快速准确的拾取到微震数据的初至。文中应用该方法对不同信噪比的合成数据和实测数据进行了验证,同时与长短时平均(short time average/long time average,STA/LTA)、Maeda-AIC和偏振特征值方法进行了对比,结果显示该算法速度略低于上述3种方法,但精度和可靠性优于其他三种方法,同时与其他改进算法对比,不用设置阈值,并且选取时窗的长短对拾取结果几乎没有影响,可极大地提高算法的自动化程度。