地震与爆破的小波包识别判据研究

利用sym5小波包基函数对小震级天然地震和人工爆破波形进行4层小波包分解并绘制了时频谱图.通过时频谱图可直观得出, 爆破频率成分简单, 时频谱聚集性较好. 为寻求定量的识别指标, 综合P波和S波小波包变换结果, 提出并定义了P/S能量比. 分析识别效果较好的 P/S能量比判据得出爆破的P波主频集中在频段3.125—9.375 Hz处, 地震频率成分较复杂, S波在高频12.5—23.4375 Hz处也较发育, 在这些频段上, 爆破的P波与S波差异要大于地震的P波与S波差异. 作为小波包判据研究的补充, 文中也提取分析了P波的能量比与S波的能量比. 能量比判据识别结果表明, 人工爆破与天然地震的频率成分存在差异, 通过小波包变换能够提取有效的识别判据.      

安徽及周边地区小爆破的识别与判据研究

根据安徽测震台网记录的爆破与地震的数字资料,采用波谱分析方法,对该区域记录的小爆破与小震级地震事件计算纵横波拐角频率和卓越周期,试图获得爆破和地震识别的定量指标。对比研究波谱特征,发现爆破与地震的纵横波拐角频率和卓越周期等存在明显差异,为该地区小爆破的识别,提供了新的判据。最后,对爆破与地震其他方面的判据特征进行了总结。     

广东地区地震与爆破事件识别方法研究

基于广东省数字遥测地震台网的天然地震动记录与人工爆破记录资料,采用直观快速识别的时域多指标对比分析方法,选取事件发震时间、波形震相特征、P波初动方向、P波和S波振幅比等多个时域判据,对广东省的天然地震和人工爆破事件进行识别和对比分析。结果表明,P波最大振幅与S波最大振幅的比值是识别天然地震和人工爆破较为有效的特征参数,P波初动方向可作为辅助识别依据。研究结果可为省地震台网天然地震和人工爆破事件的识别工作提供参考依据。     

爆破、塌陷识别研究进展综述

简要介绍当前国内外关于天然地震与爆破、塌陷等非天然地震特征研究及事件类型识别的进展。对各类事件的定义及主要波形特征进行简要综述,重点介绍了事件类型判定的各类识别方法。与自然界天然地震不同,非天然地震由人工干预或人类活动间接引发。爆破是炸药在爆炸瞬间能量迅速释放,部分能量以地震波形式向外传播,引起地表振动而产生破坏效应的一种地震;塌陷是由于岩层崩塌陷落而形成的地震。虽然在地震台网记录到的天然地震与爆破、塌陷的波形存在一定的共性特征,但由于震源类型、波的传播路径、震源深度等不同,各类事件的波形记录在P波初动、P波与S波最大振幅比、持续时间、震相、短周期面波发育情况、发震时刻、空间位置分布以及频谱特征等方面差异明显。目前主要有两类方法来识别地震与爆破、塌陷等非天然事件。一类为直接基于波形在信号、数据方面的特征,通过定性分析来进行事件类型判定,如波形时频分析对比法、小波变换、相关系数等;另一类为统计学领域诸如模式识别等算法,利用统计算法综合考虑多个事件特征判据的定量判定阀值来实现地震与爆破、塌陷事件类型的识别,如最小距离法、改进的连续亨明方法、Fisher方法、逐步代价最小决策法、支持向量机、前馈神经网络等。两类方法本质上均为提取有效特征判据,即对数据进行降维使用,未将事件记录的全部信息用于事件判定。因此,有必要使用一种可从全部事件记录中自动提取各类信息并可组合底层特征的算法来对各类事件进行判断识别。     

昭通巡龙强夯土非天然地震记录特征及识别研究

通过分析昭通巡龙2022年11月—2023年5月多次重型地面平整机施工和小震级天然地震事件的记录特征及差异后认为：昭通巡龙强夯土事件的P波初动向下、持续时间短、衰减快、P波与S波最大振幅小于天然地震,强夯土事件波形记录的频谱特征与天然地震差异较大,天然地震P波与S波震相明显,强夯土事件震相不明显。可以利用Pg/Sg谱比、交叉Pg/Sg谱比实现强夯土非天然地震和天然地震事件的分类识别。分类结果表明：当频率大于5 Hz时,Pg/Sg谱比判据基本实现天然地震和强夯土事件分类;交叉Pg/Sg谱比判据对应的分类识别正确率为天然地震事件91.3%,强夯土事件90.7%。交叉Pg/Sg谱比判据比单一频带谱比判据能更好地反映天然地震和强夯土事件的特征差异。     

爆破与地震的拐角频率比较

应用辽宁地震台网记录的爆破与地震数字资料,采用小波计算方法,对该区域记录的爆破与地震计算S波拐角频率,将计算结果与前期采用PITSA软件得到的结果进行比较,试图获得爆破与地震识别的定量指标。     

基于S变换的山西地区不同地震事件频谱特征分析

应用S变换和广义S变换获得山西地区地震、爆破、塌陷的时频特征,结果表明,S变换可显示不同地震事件较完整的时频分布信息,广义S变换对事件在具体频率的分辨率上有明显的提高,结合两种方法可得到对应事件较完整的时频特征。综合分析认为,地震的震源机制较复杂,高频能量丰富,地震频谱频带范围较宽,一般在0～20 Hz左右,高频成分较多,峰值多在10 Hz;爆破的震源简单,一般主要产生在P波群,爆破的频带较窄,一般在0～10 Hz,频率偏低,一般在3～4 Hz左右;塌陷属于瞬时压缩源,能量释放时间短,波的传播路径简单,频带窄,集中于0～10 Hz,主频率集中在0～3 Hz。     

地震与核爆识别的小波包分量比方法

频谱分析法在核爆与地震识别中具有广泛的应用．但是频谱分析方法是稳态方法,即使采用Gabor变换,也因时-频窗口形状不变而分辨串较低．为提高时-频分辨率,本文将小波变换理论用于乌鲁木齐台记录的地震与核爆事件的分析,并提出了识别核爆和天然地震的小波包分量比判据．通过对加拿大黄刀地震台记录的印度地下核爆的分析,进一步验证了小波包分量比判据对核爆和地震的识别具有较高的识别效率．结果表明：对于地震信号,其小波包分量比U03/U1一般都大于1.0,而对于核爆信号,比值U03／U13一般都小于1.0.     

识别天然地震和人工爆破的判据选择

从快速识别事件性质的要求出发,分析了天然地震和人工爆破的发震时间,P波初动方向,P波、S波振幅比值,P波、S波最大振幅与尾波持续时间比值等判据,得到P波初动方向和P最大振幅与S最大振幅比值是识别爆破和地震的两个有效判据,为研制“识别天然地震和人工爆破的分类决策支持系统”提供了应用依据.     

琼北确定性人工爆破与天然地震识别判据

对琼北地区确定性井下人工爆破和天然地震事件波形特征进行梳理,分析人工爆破与天然地震波不同判据特征。结果表明:P波初动方向、振幅比是识别人工爆破和天然地震的2个主要判据;尾波持续时间、S波最大振幅与持续时间比可作为识别人工爆破和天然地震的一般判据;发震时间可根据事件的强度、规律性,并结合其他判据,仅作为识别过程中的参考因素。     

小地震与人工爆破记录的时频分析

基于Matlab软件,编制了对近震记录进行时-频分析试验研究的程序,搜集2006—2008年间首都圈地区震级介于ML2.4~2.7的5次天然地震和5次人工爆破的27个台站的宽频带记录,根据震中距离的相似性挑选5组天然地震和人工爆破地震,分析其时频特征。对于所有的数据都给出其三分向的时频图、原始波形图和频谱图,以及水平向和三分向的叠加图。分析结果表明,天然地震和人工爆破的记录具有明显不同的时频特征,天然地震的时频呈现出"多峰"特征,而人工爆破的时频分布则相对"少峰";天然地震的时频峰值分布在较宽的频率范围内,人工爆破的峰值则分布在频率较低的相对狭窄的范围内。通过以上实践,发现时频分析在分析不同时间点的频谱信息以及整个数据的时频分布特点时比傅里叶变换具有优势。     

洞体形变短临异常HHT时频分析

利用HHT方法,对河津M_L 5.2地震前30天临汾盆地数字化洞体形变观测资料进行分析,计算不同观测手段、不同测向的瞬时振幅、时频谱及边际谱参数。结果表明,震前约14天,在水平摆和垂直摆边际谱上同步出现低频扰动波,且水平摆NS向时频谱伴随频带较宽的高频成分;震前2天侯马水管倾斜仪EW向瞬时振幅出现连续高值异常,时频谱表现为高频成分增多。分析认为,洞体形变观测数据的时频谱变化,可能显示了各阶段震源体激发的不同频段信息。     

2012年印尼8.6级地震应变地震波的Hilbert-Huang时频分析

本文通过端点效应压制的Hilbert-Huang变换, 对大同及沁源台布置的四分量钻孔应变仪记录的印尼8.6级地震激发的应变地震波形进行时频分析, 结果显示印尼8.6级地震的主震和8.2级余震的应变地震波序列各个震相具有不同的时频特征: ① 地震波到达之前的所谓“环境噪声”部分, 瞬时频率低, 瞬时振幅小; ② P波初至时, 高频成分突然增加, 振幅也随即增强; ③ S波到达时, 频率有所降低而振幅剧烈上升; ④ 面波到达时, 振幅进一步剧烈上升达到整个序列的极大值; ⑤ 尾波部分振幅逐渐降低, 但与噪声部分相比频率依然偏高, 振幅依然偏大。 本文也将应变地震波与地震仪记录的地震波进行对比, 虽然应变地震波与地震波波形和Fourier谱具有极高的相关系数, 但从Hilbert-Huang变换得到的边际谱上看, 应变地震波与地震波有显著的区别, 应变地震波比地震波记录的低频成分相对更多。 通过Hilbert谱, 有助于更好地了解非平稳信号的局部特征, 对于突变信号的地震波, Hilbert-Huang变换是一个较好的时频分析工具。     

基于非线性时频分析的地震和爆破识别

利用非线性赵-阿特拉斯-马克斯(Zhao-Atlas-Marks)时频分析方法对地震和爆破进行分析,结果显示:爆破的时频谱的时频聚集性比地震的时频聚集性较好;地震P波的平均频率大于爆破P波的平均频率;地震S波的平均时频中心相对于爆破分布在时间—频率面左上角。     

基于聚类经验模态分解（EEMD）的汶川MS8.0强震动记录时频特性分析

在2008年5月12日汶川MS8.0地震中,四川数字强震台网共获取了133组三分向加速度记录. 本文选取了一些不同断层距的台站所获取的强震动记录进行了处理和分析．在数据处理中,采用基于聚类经验模态分解（EEMD）提取信号时频特性的方法,有效获得了信号能量的时频分布,提取了中心频率、 Hilbert能量、最大振幅对应的时频等特性,并与傅里叶变换、小波变换进行了对比研究．研究结果表明, 对非线性的强震记录采用聚类经验模态分解（EEMD）能抑制经验模态分解（EMD）中存在的模态混叠问题;与傅里叶变换和小波变换相比发现, HHT边际谱在低频处幅值高于傅里叶谱;与小波变换受到所选取的母波强烈影响不同, HHT直接从强震记录中分离出固有模态函数（IMF）,更能反映出原始数据的固有特性, Hilbert谱反映出大部分能量都集中在一定的时间和频率范围内,而小波谱的能量却在频率范围内分布较为广泛．因此,基于EEMD的HHT在客观性和分辨率方面都具有明显的优越性,能提取到更多强震加速度记录的时频特性．      

三维地形中地震动的频域特征——以芦山地区为例

地形条件对局部震害分布有重要影响。本文选择地形起伏剧烈的芦山地区,采用三维谱元法模拟地震波传播。研究了该地区地震动的频谱特征。计算了测线上位于山顶和山谷的台站傅里叶频谱,并研究了各自的谱值和谱值比特征。分析结果表明:山顶包含了较高的频谱;山谷包含了较低的频谱;山顶上的频谱值高于山谷的频谱值;并且地形对水平分量的影响更大。同时,进一步从频谱中提取了峰值放大比和峰值频率2个参数,分析了其在芦山地形中的分布特征。结果显示,山顶对应了较大的峰值放大比和峰值频率,而山谷则对应了较低的峰值放大比和峰值频率。     

The Q value variations in the preparing pro－cess of rock rupture

ＴｈｅＱｖａｌｕｅｖａｒｉａｔｉｏｎｓｉｎｔｈｅｐｒｅｐａｒｉｎｇｐｒｏ┐ｃｅｓｏｆｒｏｃｋｒｕｐｔｕｒｅＢＩＮＷＡＮＧ１）（王彬），ＺＨＡＯ－ＹＯＮＧＸＵ１）（许昭永），ＪＩＮ－ＭＩＮＧＺＨＡＯ１）（赵晋明）ＹＩ－ＬＩＨＵ２）（胡毅力）１）Ｓｅｉ...     

反应谱控制选波的地震动时频非平稳特性差异性分析

时程分析法中地震波的选取关乎结构抗震分析结果是否准确,基于规范反应谱进行选波分析,研究不同选波控制指标下所选出的地震波在时域、频域等方面的特性及误差大小,并进行工程验证。结果表明:采用拟合反应谱选波方法所选的地震动在时、频域上特性差异较大,是导致时程分析法中结构响应差异性较大的主要原因,且选用更为严格的控制指标并不能有效降低所选出地震动时频非平稳之间的差异性。     

等厚薄互层时频特征的正演模拟

本文基于波动理论,利用深度域相移法对不同互层数、不同单层厚度的等厚薄互层进行正演模拟.采用广义S变换分析零偏移距地震道反射复合波的瞬时频谱.研究发现当单层厚度大于3/16波长时,等厚薄互层时域特征为中、高频等幅振荡,瞬时频谱为与单层厚度成反比的单一峰值梳状函数;当单层厚度小于3/16波长时,震源子波的有限带宽对瞬时频谱的高频频率峰有压制作用,导致等厚薄互层中部的时域振幅和频域最大幅度均为低值,薄互层的结构特征不易分辨,说明宽高频的震源子波是提高薄互层分辨能力的关键.此外,理论推导和实验分析均证明:当地层厚度大于1/8波长时,其峰值频率与薄互层单层厚度存在定量解析关系,这为等厚薄互层单层厚度定量预测提供了重要的技术手段.     

Surface wave attenuation based polarization attributes in time-frequency domain for multicomponent seismic data

In the paper, we propose a surface wave suppression method in time-frequency domain based on the wavelet transform, considering the characteristic difference of polarization attributes, amplitude energy and apparent velocity between the effective signals and strong surface waves. First, we use the proposed method to obtain time–frequency spectra of seismic signals by using the wavelet transform and calculate the instantaneous polarizability at each point based on instantaneous polarization analysis. Then, we separate the surface wave area from the signal area based on the surface-wave apparent velocity and the average energy of the signal. Finally, we combine the polarizability, energy, and frequency characteristic to identify and suppress the signal noise. Model and field data are used to test the proposed filtering method.