利用卷积神经网络检测地震的方法与优化

本文以西昌台阵观测的8 321次近震数据为例,详细介绍了利用深度卷积神经网络检测地震的数据处理流程,包括数据预处理、模型训练、波形长度、网络层数、学习率和概率阈值等关键参数对检测结果的影响,并将训练得到的最优模型,应用于事件波形和连续波形的检测。研究表明,数据预处理和数据增强可以提升模型的检测精度和抗干扰能力。用于模型训练的波形窗口长度可近似于S-P到时差的最大值。不同网络层数(5—8层)的检测结果差别不大。对于地震检测,学习率设为10-4—10-3较为合适。卷积神经网络检测出的地震数量与选择的概率阈值有关,通过绘制精确率-召回率变化曲线,可以为选择合适的概率阈值提供参考。本文为进一步利用深度学习算法提高地震检测效果提供了参考。     

卷积神经网络余震自动识别及在中国地震台网地震检测中的应用

正随着地震网络在全球范围大规模部署,每天产生的大量连续波形记录对数据处理的新方法提出了要求。传统的波形拾取算法都有一定的局限性,很难同时适用于复杂区域的不同类型地震事件的自动识别与到时挑选。机器学习和深度学习神经网络方法由于具有较强的泛化能力,近些年来受到越来越多关注。本研究使用汶川地震的10 000多个余震和专家手动挑取的P、     

基于卷积神经网络的地震偏移剖面中散射体的定位和成像

本文提出了一种基于深度学习卷积神经网络（CNN）的全波形反演方法,可对地震散射波场中的散射体进行成像和定位.本文的灵感来自如下猜想：在散射波场剖面上的每个点附近的局部波场与该点到各散射体之间的最小距离有关系,并且这个关系可以被CNN网络所识别.我们将该最小距离定义为散射距离场,并将散射距离场的类别（即大小等级）作为CNN网络的预期输出,而输入就是该点附近的局部波场.最后用上述CNN网络对散射波场进行逐点训练和识别.计算结果证实了我们的灵感猜想,即上述CNN网络能够在复杂散射波场中对散射体进行成像.只通过一个训练模型的学习,CNN网络即可反演多种散射模型的偏移剖面,最后得到"类别函数预测值"和"滤波剖面"两种成像结果,由此可以辨识出在复杂的偏移剖面中各散射体的位置.     

基于深度卷积神经网络的地震数据重建

地震数据重建是一个不适定的反问题,通常采用正则化方法求解.正则化方法需要人工建模,建模的准确性会影响重建结果,此类方法还存在计算代价高的问题.为克服正则化方法存在的问题,本文使用深度卷积神经网络实现了端到端的地震数据重建.此方法是基于数据驱动的,直接从数据中学习输入与输出的映射关系,无需人工建模,经过训练的网络可直接用于非完整数据的重建工作.数值实验分别使用模拟数据和实际数据并与传统正则化方法对比验证深度卷积神经网络方法的有效性.实验结果表明,深度卷积神经网络方法的计算代价主要在于网络的训练阶段,数据重建阶段仅需花费极短的时间,与传统正则化方法相比,对于缺道50%的地震数据,深度卷积神经网络方法的重建结果质量更高,速度更快.     

基于卷积神经网络的天然地震与人工爆破识别研究

地震台网记录的人工爆破事件波形特征与天然地震有相似之处,如果不能及时的予以识别和筛选,会混淆依此记录所建立的地震目录,影响日后地震学的研究工作.因此连续地震信号中的天然地震和人工爆破的识别分离有助于破坏性构造地震的监测预警.同时,随着地震仪的大规模部署以及建设行业活动的持续增强,记录的爆破事件增多,增大了识别的难度和工作强度.为了解决人工识别天然地震与爆破存在的问题,本研究基于卷积神经网络,设计了一个具有13层深度的网络模型(CNN-Epq13),选用福建数字地震台网历史地震记录和人工爆破记录,利用TensorFlow深度学习框架,采用TFrecord文件形式作为训练集,训练得出事件类别识别模型.此模型在训练中识别准确率为98.438％,损失为0.0646.用新的数据进行测试,模型能准确识别事件类别,区分天然地震和人工爆破,可以进一步在日常工作中进行应用.     

基于深度卷积神经网络的地震数据随机噪声压制

本文以提高地震数据的成像质量为目标,提出一种智能的卷积神经网络降噪框架,从带有噪声的地震数据中自适应地学习地震信号。为了加速网络训练和避免训练时出现梯度消失现象,我们在网络中加入残差学习和批标准化的方法,并采用了ReLU激活函数和Adam优化算法优化网络。此外,Marmousi和F3数据集被用来对网络进行训练和测试,经过充分训练的网络不仅能在学习中保留地震数据特征,而且能去除随机噪声。首先充分地训练网络,从中提取出随机噪声,并保留学习到的地震数据特征,之后通过重建地震数据估算测试集中的波形特征。合成记录和实际数据的处理结果显示了深度卷积神经网络在随机噪声压制任务中的潜力,并通过实验验证表明了深度卷积神经网络框架有很好的去噪效果。      

桥梁线弹性地震反应的卷积神经网络估计

时程分析是目前最精确的桥梁抗震分析方法,可以监控结构在地震动下每一时刻的加速度、位移等地震反应.但其计算耗时较长,并且只能反映当前输入地震波下的结构响应,对于桥梁抗震性能评估存在一定的局限性.受到人工智能技术的启发,文中利用卷积神经网络预测了线弹性结构的地震反应,以一座三跨连续梁桥在50条地震动下的结构反应为数据样本,...     

基于卷积神经网络的地震波形智能识别研究

随着世界上多个国家和地区的地震预警系统投入运行,误报和漏报等问题逐渐突显,特别是将标定以及强干扰波形误识别为大震事件,快速、精确地区分地震与其他波形是一个难题。针对于此,该研究提出了基于卷积神经网络地震波形智能识别方法。首先收集并处理了2012—2017年中国境内福建以及周边邻省共683个地震和478个爆破事件,并对这些样本筛选、截取和基线校正等预处理,共得到了27 500条三通道波形。在此基础上,构建了3 s波形输入的卷积神经网络模型(SW-CNN)。结果表明：模型对地震、噪声、爆破和异常波形的识别率分别为97.9、99、99.2和99.3%。相比于人工手动分类识别,该模型更省时和更稳定,为地震预警目前所面临的问题提供了一个新的解决方法。     

基于卷积神经网络的智能化地震数据插值技术

地震数据通常存在数据缺失问题,严重影响地震数据各个处理环节,需采用适当的手段对其重构.本文提出了一种基于深度学习卷积神经网络(CNN)的智能化地震数据插值技术.算法的关键在于构建一个适用于地震资料插值的CNN模型,该技术以缺失地震数据作为输入层,由卷积算法提取地震数据的特征信息,并通过池化层实现数据压缩降维,同时引入修正线性函数(ReLU)提高模型的非线性表达能力,再通过反卷积层恢复数据尺寸,最终搭建卷积自编码器模型(CAE),实现数据-数据的映射关系.该模型通过残差学习获得缺失数据特征并实现重构数据输出,与现有技术相比,该方法采用自监督学习方式,利用大量数据训练卷积自编码器模型,通过所得模型实现缺失地震道的数据重构.分别利用CAE模型及POCS插值技术对模型资料和实际数据进行插值,测试结果表明,CAE能有效实现地震数据插值,且与POCS方法相比具有更高的精度,验证了算法的可行性和有效性.     

用于地震定位的SAMS方法

由于地震定位受发震时刻与震源深度间强烈的折衷关系的困扰及反演问题的非线性影响,该问题一直未得到根本解决. 为此,本文提出了一种新的定位方法--SAMS法,该方法利用走时残差和到时残差之绝对值极小作为目标函数,用快速模拟退火法求解反演问题的解答. 并将该方法用于1999年9月21日台湾集集地震的再定位,其结果与其他方法相比,SAMS方法不仅降低了发震时刻与震源深度间的折衷关系对定位结果的影响,而且其定位结果具有很高的稳定性和分辨率.     

用于地震定位的SAMS方法

由于地震定位受发震时刻与震源深度间强烈的折衷关系的困扰及反演问题的非线性影响,该问题一直未得到根本解决. 为此,本文提出了一种新的定位方法--SAMS法,该方法利用走时残差和到时残差之绝对值极小作为目标函数,用快速模拟退火法求解反演问题的解答. 并将该方法用于1999年9月21日台湾集集地震的再定位,其结果与其他方法相比,SAMS方法不仅降低了发震时刻与震源深度间的折衷关系对定位结果的影响,而且其定位结果具有很高的稳定性和分辨率.     

基于深度学习卷积神经网络的地震波形自动分类与识别

发展高效、高精度、普适性强的自动波形拾取算法在地震大数据时代背景下显得越来越重要.波形自动拾取算法的主要挑战来自如何适应不同区域的不同类型地震事件的分类与筛选.本文针对地震事件-噪音分类这一问题, 使用13839个汶川地震余震事件建立数据集, 应用深度学习卷积神经网络(CNN)方法进行训练, 并用8900个新的汶川余震事件作为检测数据集, 其训练和检测准确率均达到95%以上.在对连续波形的检测中, CNN方法在精度和召回率上优于STA/LTA和Fbpicker传统方法, 并能找出大量人工挑选极易遗漏的微震事件.最后, 我们应用训练好的最优模型对选自全国台网的441个台站8天的连续波形数据进行了识别、到时挑取及与参考地震目录关联, CNN检出7016段波形, 用自动挑选算法拾取到1380对P, S到时, 并与540个地震目录事件成功关联, 对1级以上事件总体识别准确率为54%, 二级以上为80%, 证明了CNN模型具有泛化能力, 初步展示了CNN在发展兼具效率、精度、普适性算法, 实时地震监测等应用上具有巨大潜力.

     

基于深度卷积神经网络的地震数据局部信噪比估计

估计地震数据的信噪比对于地震数据的处理和解释具有重要作用.以往估计地震数据信噪比的方法都需要分离数据中的有效信号和噪声, 然后再估计相应的信噪比.这些估计方法的精度严重依赖信号估计方法或噪声压制方法的有效性, 往往存在偏差.本文提出一种估计地震数据局部信噪比的深度卷积神经网络模型, 通过迭代训练优化参数, 构建从含噪地震数据到其信噪比的特征映射.然后使用该神经网络完成信噪比的推理预测, 不需要分离地震数据中的有效信号和噪声.模拟数据和实际资料的处理结果都表明, 本文的方法可以准确而高效地估计局部地震数据的信噪比, 为地震数据质量的定量评价提供依据.

     

用于地震预警系统中的快速地震定位方法综述

详细介绍了国际上一些比较流行的、用于地震预警系统的快速定位方法,以求为我国防震减灾事业探索新思路、新方法。     

基于卷积神经网络的钢箱梁裂缝检测算法研究

地震作用和车辆动载的日常冲击常常会引起钢箱梁的表面裂缝损伤。在日常检修和震后开展安全检查时,由于裂缝在整张图像中的占比较低且受到笔迹、锈迹和焊缝等因素的严重干扰,很难从现场采集到的图像中高效并精确地检测出裂缝。为此,本文基于卷积神经网络提出了一种结合裂缝定位和裂缝分割的级联裂缝检测模型。首先,采用分类模型在原始图像中定位出裂缝所在位置,然后采用U-Net模型实现对裂缝的像素级检测。结果表明：本文方法可以实现对大部分裂缝的精确检测,F1分数达到0.67,高于仅采用分割模型的0.55;此外,相比仅采用分割模型的检测方法,本文方法的检测效率提高了近70%,可达到9.25 s每张。     

基于卷积神经网络的地震预警震级持续估算方法研究

为提高地震预警震级快速持续估算结果的准确性,本文构建了基于多种地震动特征参数的卷积神经网络震级估算CNN-M模型.该模型基于日本KiK-net强震动观测记录,利用其P波触发后3～ 10s时间窗内的幅值参数、周期参数、烈度参数、信噪比参数共11种地震波特征参数以及震中距参数作为输入.本文所建立的CNN-M模型随着地震发生...     

用于地震预警的三维实时定位方法

为了尽快定位地震,在“着未着”定位算法基础上,尝试引入三维地壳模型,构建具有三维空间格点分布的走时表.根据已触发台站的到时和未触发台站的位置信息设计概率分布函数,通过八叉树搜索方法,快速给出震源在三维空间的可能位置.使用波前追踪算法,计算中国几个地区三维地壳模型的走时网格,利用中国地震台网资料,对区域内发生的地震进行定位分析.结果显示,在一定的台网密度条件下,三维实时定位方法能在震后数秒给出震源位置,可满足地震预警要求.     

基于AlexNet卷积神经网络模型的宁夏天然地震和非天然地震识别研究

宁夏回族自治区及周边天然地震和非天然地震频发,精确快速识别天然和非天然地震有利于震后应急响应、科学研究、赈灾救援等工作。基于AlexNet卷积神经网络模型,选取宁夏境内及周边130个地震事件（天然地震80个、非天然地震50个）,对其进行了单个台站波形记录地震事件的训练和多个台站波形记录地震事件的测试,并将模型结果与宁夏测震台网人工编目结果进行比对,结果表明单个台站波形记录地震事件的训练结果中,AlexNet卷积神经网络模型对宁夏天然地震和非天然地震的正确识别率为99%;多个台站波形记录地震事件的测试结果中,此模型对宁夏天然地震和非天然地震的正确识别率为97.01%。AlexNet卷积神经网络模型作为人工智能领域的成熟技术之一,可以很好的运用于宁夏天然地震和非天然地震的识别工作之中。     

基于3D半密度卷积神经网络的断裂检测

基于传统相干属性的断层检测方法易受地层倾角的影响,为了提高断层检测的精度,本文提出了一种基于改进的半密度卷积网络的断裂检测方法.在密度卷积网络模型基础上,去除了池化层,并将之前所有的卷积层与第一个全连接层连接,然后传给下一个全连接层,改进后的网络结构模型既兼顾了不同尺度的信息,又保持了空间分辨率.实际地震数据测试表明,改进的方法可以在弱监督标签条件下实现高精度的断层检测,且断裂检测模型具有一定的迁移能力.     

基于深度卷积神经网络的剪切波分裂质量检测

剪切波分裂是分析地震各向异性的一种重要手段,常规方法是利用网格搜索获取分裂参数,再通过不同方法的测量结果对比测量结果进行质量检测,这一过程会耗费大量计算时间。本文针对这一问题提出了一种利用深度卷积神经网络对剪切波分裂进行质量检测的新方法,对使用了Resnet残差结构的深度神经网络进行训练,直接对二分量剪切波波形数据的质量进行分类。整个过程为:神经网络通过卷积层提取波形特征,计算损失函数后反向传播训练模型参数,完成迭代训练后的模型对输入波形数据正向计算自动输出类型。本文利用川西台站接收到的实际数据以及随机生成的合成数据分别对该网络进行训练,均可以获得准确的分类结果。相比于通过多种剪切波分裂方法对比测量结果的质量检测方法,基于神经网络的方法可以省略网格搜索的计算过程直接判断质量类型,在运算速度上的优势明显,并可继续通过训练提高模型的精度,为提升剪切波分裂方法在数据处理过程中的操作效率提供帮助。