基于样本增强的卷积神经网络震相拾取方法

为了快速、高效地从地震数据中识别地震事件和拾取震相,本文利用基于样本增强的卷积神经网络自动震相拾取方法,将西藏林芝地区L0230台站3个月数据作为训练集,该区内另外6个台站连续1个月的波形数据作为测试集,采用高斯噪声、随机噪声拼接、随机挑选噪声、随机截取地震事件等4种样本增强的方法扩增训练集,以提高自动震相拾取技术的准确率。结果显示:样本增强前模型在测试集上的地震事件识别准确率为80%,样本增强后提升至97%,表明样本增强有效地提高了模型的泛化性能和抗干扰能力;在0.5 s误差范围内,震相自动拾取准确率高于81%,在1.0 s误差范围内,准确率高于95%;利用基于样本增强的卷积神经网络震相拾取方法能够检测出人工拾取震相中误标和漏检的震相。      

基于深度卷积神经网络的地震震相拾取方法研究

地震震相拾取是地震数据自动处理的首要环节,包括了信号检测、到时估计和震相识别等过程,震相拾取的准确性直接影响到后续事件关联处理的性能,影响观测报告的质量.为了提高震相拾取的准确性,进而提高观测报告质量,本文采用深度卷积神经网络方法来解决震相拾取问题,构建了多任务卷积神经网络模型,设计了分类和回归的联合损失函数,定义了基于加权的分类损失函数,以三分量地震台站的波形数据作为输入,同时实现对震相的检测识别和到时的精确估计.利用美国南加州地震台网的200万条震相和噪声数据对模型进行训练、验证和测试,对于测试集中直达波P、S震相识别的查全率达到98%以上,到时估计的标准偏差分别为0.067 s,0.082 s.利用迁移学习和数据增强,将模型用于对我国东北地区台网的6个台站13000条数据的训练、验证和测试中,对该数据集P、S震相查全率分别达到91.21%、85.65%.基于迁移训练后的模型,设计了用于连续数据的震相拾取方法,利用连续的地震数据对该算法进行了实际应用测试,并与国家数据中心和中国地震局的观测报告进行比对,该方法的震相检测识别率平均可达84.5%,验证了该方法在实际应用中的有效性.本文所提出的方法展示了深度神经网络在地震震相拾取中的优异性能,为地震震相和事件的检测识别提供了新的思路.

     

基于神经网络的近震与远震识别

选用P波震相附近的地震波作为研究对象,对近震和远震特征信息进行探讨。选取初至P波主周期作为神经网络输入元,P波到达后2～6s作为地震波时间窗,选择正确的网络结构和参数,搜集大量的地震样本数据进行训练,实现对近震和远震地震事件的非线性系统识别。结果表明:在样本训练区间检验数据的预测结果置信度达到100%;在非样本区间也能迅速收敛到标识符0或1附近。近震样本信号最大周期为0.25s,而置信度达到80%以上的预测区间几乎接近0.35s;远震样本信号最小周期为0.9s,而置信度达到80%以上的预测区间达到0.5s,表明模型建立得当,具有良好的泛化能力。     

山西大同数字遥测地震台网记录的震相特征

从地球及地壳的分层结构出发，使用较成熟的理论，从地震波传播的基本原理入手，结合多年的震相观察分析工作实践，选取了山西大同数字遥测地震台网近年来的一些典型震相进行了分析，得出本台网记录到震中距小于100km的地方震震相有Pg，P11，Sg，S11震中距在100km～500km的近震震相有Pn，Pg，P11，Sn，Sg,S11对比分析了在本台网内及周边地区发生的爆破与天然地震在震相上的差异性，并对其特征作了较详细的描述。     

区域地震台网历史震相数据整合与共享服务

区域地震台网震相数据是区域地震台网产出的重要成果,是开展地球科学研究的重要资料。整理全国31个省份1973—2008年区域地震台网纸质震相报告和地震卡片,按统一格式录入震相数据,建立数据共享服务系统。文中系统阐述区域地震台网的发展过程、历史震相数据的整合、地震观测报告的主要内容及震级的测定方法,并介绍了历史震相数据共享服务系统和快速索引下载方法,为科研人员提供共享服务。     

谈远震特别区域震相记录特征与震相识别——以大同国家测震台观测资料为例

以大同国家测震台观测资料为例,总结了震中距10~°50°范围内特别区域地震震相特征和震相识别的方法,对震相识别的难点进行了说明,以图例的形式为判读震相提供了依据。     

用于地震预警的P波震相到时自动拾取

P波震相的自动拾取可用于地震预警中地震事件判别和地震定位,是实现基于地震台网地震预警的首要条件.针对地震预警中P波震相拾取的特点,本文发展了一套基于长短时平均(STA/LTA)和池赤准则(AIC)算法的多步骤P波自动拾取技术,应用Delaunay三角剖分提出了一种非几何相关的干扰信号剔除方法,并应用福建省数字地震台网记录对方法进行了验证,目前方法已经用到了福建省地震预警试验系统中.     

基于支持向量机的地震体波震相自动识别及到时自动拾取

面对海量地震资料,自动准确地拾取震相并确定其到时的需求非常迫切.基于支持向量机技术,本文提出了使用两个分类器SSD和SPS自动识别地震体波震相并自动拾取其到时的方法.相比于传统的自动拾取方法,本文方法能够更准确地识别震相并区分P波和S波.进一步地,我们提出了利用台阵资料辅助识别震相的方案,有效地提高了地震震相拾取的准确率.

     

定量识别分裂剪切波震相的方法——线性变换法

提出了提取快，慢剪切波初动的线性变换方法，该方法的优点是：（１）提高了识别有用信号的分辨率；（２）充分利用了三分向记录的剪切波序列信息；（３）能识别ＳＰ转换波。与其它识别方法对比处理了北京数字化地震记录的一个小震资料，其识别和测定结果一致，说明了该方法的适用性。     

卷积神经网络在远-近地震震相拾取中的应用及模型解释

利用北京国家观象台的测震记录,探索了样本构建、训练过程、模型结构等因素对远震震相P-S和近震震相Pg-Sg拾取模型性能的影响。结果表明：适中的卷积层深度、正则化和数据清洗能够有效地改善模型性能,而残差块的影响却相对有限。与此同时,基于类模型可视化和平滑GradCAM++的模型解释显示：卷积神经网络复现了震相的关键特征,其决策敏感区域也与震相识别的经验准则一致。最后,连续波形的扫描结果展示了卷积神经网络在远-近地震震相识别的应用前景与提升空间。此外,本文针对模型搭建与训练中存在的问题提出了样本选择、模型架构、标签标注和集成学习等改进方案,以供后续研究参考。     

基于多尺度卷积神经网络的结构损伤识别研究

为了利用结构振动响应的时间多尺度特征来提升卷积神经网络识别结构损伤的能力,给出了两种用于结构损伤识别的多尺度卷积神经网络,即多尺度输入和多尺度卷积核卷积神经网络.对于多尺度输入卷积神经网络,将通过下采样和滑动平均获取的具有不同时间尺度特征的振动信号输入固定尺寸卷积核的分支卷积神经网络;对于多尺度卷积核卷积神经网络,则将...     

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。     

卷积神经网络快速挑选接收函数

地震三分量波形数据中提取的接收函数受震源复杂性及随机噪声等因素的影响,往往出现一些波形异常现象,需要在资料解释前予以剔除.当接收函数数量较多时,人为挑选质量合格的接收函数将耗费大量的时间.为了高效的挑选高质量的接收函数,本文利用深度学习卷积神经网络(Convolutional Neural Network,简称CNN)...     

汶川8.0级地震及强余震破裂方式与引潮力之间的关系

By calculating the azimuth,phase angle and change rate of tidal force,and contrasting their rupture types,we find that in 6 of 11 reverse faulting earthquakes,the angles between the direction of the horizontal tidal force and compressive principal stress are within 33°,the vertical phase angles of all 8 strike-slip earthquakes are in the upward peak section and the vertical phase angles of two extensional normal faulting earthquakes are in the downward peak section.According to the above statistics,the mechanism of tidal force triggering of the Wenchuan MS8.0 Earthquake and its strong aftershocks is discussed.     

基于卷积神经网络的瞬变电磁数据快速成像算法研究

瞬变电磁一维反演技术已经相对成熟,但对野外实测数据进行实时成像仍然有一定难度.本文将卷积神经网络引入到时间域瞬变电磁数据成像中,通过训练网络近似瞬变电磁响应与地电模型之间的函数关系,将复杂的反演过程转化为矩阵映射过程,进而实现瞬变电磁数据的实时快速成像.考虑到传统算法大多针对单点进行成像,难以实现面积性数据快速处理,本文尝试将接收点相对发射源的坐标信息作为网络输入参数,这不仅使得该算法在野外成像过程中更加灵活,同时也大大减少了训练过程中样本集数量.为验证算法的有效性,我们首先在大量理论数据上进行测试,检验了卷积网络的优越性以及加入坐标信息可在不影响成像精度的前提下极大提升该方法对不规则测点电磁数据的成像灵活性.最后,我们通过对实测数据分别进行神经网络成像和Occam反演,进一步验证本文神经网络成像方法的有效性.

     

基于深层卷积神经网络的震级快速估算方法

当前地震预警中的震级估算方法是通过初至几秒地震波的特征参数与震级的经验关系来实现的, 这些特征参数依赖于人的经验和主观判断, 没有充分利用初至地震波中与震级相关的信息, 制约了震级估算效果.对此, 本文利用深层卷积神经网络(Deep Convolutional Neural Networks, CNN)直接从初至地震波中自动提取特征, 实现端到端的震级快速估算.CNN方法以单台站的初至竖向地震波作为主输入, 震中距、震源深度以及V_s30作为辅助输入, 震级作为输出.利用日本和智利的大量地表强震记录对CNN方法进行训练(98257条记录)、验证(31429条记录)和测试(40638条记录), 利用美国和新西兰的强震记录进行泛化性能测试(583条记录), 并与应用最为广泛的峰值位移Pd方法进行对比.结果表明, 当初至地震波时长为3s时, 在4~6.4级范围内, CNN方法估算震级的准确率是Pd方法的1.5倍, 在6.5~9级范围, CNN方法估算震级的准确率是Pd方法的1.2倍; 当初至地震波从3s增加到10s时, CNN方法能够随着地震波时长的增加不断提高估算震级的准确率, 并且始终高于Pd方法, 特别是对于4~6.4级地震, CNN方法在初至3s地震波时估算震级的准确率是Pd方法在初至10s地震波时的1.2倍; 随着地震波时长的增加, CNN方法对于震级饱和问题的改善效果优于Pd方法; CNN方法具有较好的泛化能力, 在训练数据集之外的区域, 比Pd方法估算震级更准确.相比于人为定义的特征参数, CNN方法从初至地震波中自动学习到了与震级更为相关的特征, 这些特征极大地改善了震级估算的准确性和时效性, 可以为地震预警系统提供更快速更准确的震级估算.

     

基于神经网络的结构地震反应仿真

提出了基于神经网络的结构地震反应仿真方法，探讨了仿真基本步骤中样本集的准备、目标函数的选取、网络拓扑结构的构建、隐层神经元数目的确定、训练方法的选择以及提高泛化精度的措施等若干实际问题，并通过算例分析验证了本方法的可行性。     

2008年汶川地震后的三次强余震地表峰值加速度衰减场研究

利用甘肃省强震动台站获取的2008年汶川地震后的三次强余震记录资料,分别研究了在甘肃南部地区的地表自由场加速度衰减场,认为地震引起的地表峰值加速度(PGA)随震中距的衰减基本都遵从幂指数规律,衰减的形式基本相同,但是三次强余震的衰减指数之间也存在着一定的差异.因此要得到陇南地区的中强地震动衰减的普遍规律,尚需做进一步的研究.     

量子粒子群模糊神经网络碳酸盐岩流体识别方法研究

根据不同流体性质在角度道集上所反映特征的差异,构建了多属性角度叠加数据体组合流体识别因子.并将量子粒子群与模糊神经网络相结合,利用量子粒子群方法来优化模糊神经网络中的连接权值和隶属函数参数,并进行一系列的改进措施,显著提高了算法的全局寻优能力.将近远角度叠加数据体组合流体识别因子作为改进模糊神经网络的输入,流体性质作为输出,同时引入“相控流体识别”的思想,利用碳酸盐岩储集相进行控制,建立了碳酸盐岩流体识别模型.通过塔中实际井区进行验证,证明该方法能够提高流体的识别精度,具有很好的实际应用价值.