基于压缩感知的高分辨率平面波分解方法研究

平面波分解方法是地震资料处理中的一项关键技术,它广泛地运用在平面波偏移、各类Beam偏移等成像方法中.平面波分解不仅可以提高偏移成像的效率,而且可以压制地震资料中的随机噪音,提高地震数据的信噪比.线性Radon变换（LRT）是一种常见的实现平面波分解的方法,但常规的LRT存在以下两个缺点：（1）分辨率受测不准原理限制;（2）变换结果存在很多噪音和空间假频.为了克服LRT的上述缺点,本文提出一种基于压缩感知的高分辨率平面波分解方法,并利用加权匹配追踪（WMP）技术实现了该方法.该方法将LRT视为一个参数估计问题,并将LRT结果的稀疏性作为约束条件,在压缩感知理论的指导下利用WMP方法得到高分辨率、高信噪比的平面波分解结果.另外,该方法还可以用于提取地震数据的线性信号、压制随机噪音、实现高维地震数据规则化等地震资料处理技术.数值实验结果证明：WMP方法可以有效地提取地震数据中的线性信号,提高LRT的分辨率和信噪比,从而改善平面波分解的质量.     

基于机器学习的储层测井评价研究进展

储层测井评价的核心是数据分析和模型驱动方法的数学建模问题,将测井评价过程转化为机器学习过程,是提高储层测井评价自动化程度和评价精度的有效手段.大量实践证明,机器学习技术能够有效解决测井评价中复杂的非线性问题,目前在测井处理质量和评价精度方面均已取得了一定的突破.但如何更有效利用海量多源测井数据,在繁多的机器学习算法中找...     

基于深度学习的地震速度谱自动拾取研究

在常规的地震数据处理工作流程中,人工拾取地震速度谱中的叠加速度存在耗时长、效率低的问题,且容易受到人为经验的影响.本文基于目标检测的方法,应用改进后的FCOS（Fully Convolutional One-Stage Object Detection）神经网络模型实现速度谱中叠加速度的自动拾取.该方法将速度谱图像作为输入,经模型训练后输出"时间-速度"对序列.在处理低信噪比工区数据时,针对速度谱能量团聚焦特征较差的特点加入基于深度神经网络（Deep Neural Network,DNN）的线性回归模型以拟合出全局速度曲线.Marmousi模型数据和实际工区数据测试结果表明,本文所设计的地震速度谱自动拾取模型准确性较高、鲁棒性强,有效地缓解了人工拾取的负担,在保证速度拾取精度的同时显著地提高了效率.     

基于机器学习的大地电磁时域数据处理的研究现状

大地电磁测深法基于天然电磁场,其存在信号弱频带宽的特点,因此很难获得无噪声的数据,而传统的大地电磁数据处理方法面临着噪声环境日益复杂、对于海量数据的处理效率不高和难以剔除持续性噪声等诸多挑战.机器学习方法是一种基于统计分析的数据驱动方法,能够发现数据内部的结构和规律,从而对未来时刻和未知状态进行预测和判断.本文从大地电磁噪声分析入手,基于目前在大地电磁数据处理中研究和应用较为广泛的神经网络、字典学习等机器学习方法,分析了其方法原理、应用领域及优缺点,并与传统方法做了对比.发现机器学习方法在海量数据处理、大地电磁噪声模式识别和特征提取、数据预测等方面具有巨大的优势.同时,提高泛化能力和将机器学习方法与大地电磁理论相结合等仍是目前需要进一步探索的问题.随着计算机技术的发展和三维探测的实用化,机器学习方法在大地电磁数据处理中的应用将更加广泛.     

机器学习算法在发震构造形态特征及地震迁移规律研究中的应用前景

对发震构造形态特征和地震迁移规律的研究,有利于震情形势研判和震源物理的研究,也可为后期三维地壳介质结构建模提供数据支持.本研究结合大量中小地震的分布特征规律,利用机器学习的相关算法,提取断层形态特征和地震迁移规律.     

地震自动速报震级参数误差校正研究

地震参数是防震减灾的重要参数,随着地震台网的进一步扩建和地震行业技术的不断提升,地震参数自动快速计算与信息发布水平有了很大的进步,但参数的准确性有待进一步提高.为了改善决定地震破坏力强弱的地震震级关键参数的准确性,本文尝试使用了多种方法来预测地震自动速报震级与人工正式速报震级的误差值.样本数据选取2013-2019年国家地震局自动速报AU系统与人工正式速报所发布的地震参数,震级下限为MS 3.0级,研究区域为国界线以内,将AU速报的震级M结果和人工正式速报结果进行对比分析,利用不同方法总结了两种结果的震级差异分布,首先利用直线拟合以及曲线拟合的方式来研究二者的关系,再利用误差逆向传播神经网络以及基于遗传优化的误差逆向传播神经网络对其进行参数误差学习预测.本文结果显示自动速报震级与人工正式结果的差异性跟震中经纬度有关,具有区域性的特点.神经网络的方法可以改善自动速报与人工正式速报的震级差异,为自动速报的参数准确性提出了新的参考思路.     

机器学习在地震事件自动检测中的应用综述

很多地震学问题的解决都依赖于地震事件的准确检测,随着计算机软硬件的快速发展,机器学习学科发展迅速,其在地震事件自动检测中的应用在过去几十年被广泛研究,不同的机器学习算法被应用于火山喷发、天然地震等事件的自动检测中.本文介绍了自动检测的经典算法和基于相关性的算法,系统概述了机器学习领域内各种算法在地震事件检测中的应用现状...     

基于多参数驱动机器学习的实时地震烈度预测模型

地震烈度的实时估计可为地震预警、紧急处置和应急响应提供决策依据.目前地震烈度实时预测方法多是基于P波提取单一特征参数估计全时程的峰值参数, 然而单一特征难以表征地震动的全部信息.本文基于机器学习中的Extreme Gradient Boosting(xgBoost)算法提出了一种多参数驱动的实时仪器地震烈度预测方法.基于2010—2018年日本K-NET和KiK-net强震数据, 使用24种特征参数建立地震烈度实时预测模型.为了解决模型复杂度的问题, 本文研究了特征参数之间的相关性, 并使用排列重要性方法优化模型, 最终确定了10个重要特征参数.本文使用时间窗间隔为1 s的扩展时间窗方法实时预测地震烈度, P波到达1 s后在测试集中的预测准确率为86.56%, 并在10^-2~10^-3 s内完成特征计算和预测.最后, 假设2019—2021年的地震记录为新发生的地震事件, 验证了模型的泛化性, 证明其可应用于未来发生的地震事件.结果表明本文提出的模型改善了仪器地震烈度预测的准确性, 为地震烈度的实时预测提供了一种可行的方法.

     

基于多尺度线调频基稀疏信号分解的线性时变SDOF系统参数识别

对于参数时变的SDOF系统,提出一种基于多尺度线调频基稀疏信号分解的参数识别方法。该方法能将SDOF系统的强迫振动响应自适应地分解为稳态响应和瞬态响应。从系统的稳态响应可得到外部激振力的频率估计;对系统的瞬态响应用多尺度线调频基稀疏信号分解方法进一步分解,可得到系统的瞬时频率估计,进而可得到系统的刚度和阻尼,从而实现对SDOF系统的参数识别。刚度线性变化、刚度突变与刚度周期缓变3种情况下的参数识别仿真算例表明,本文方法能有效识别线性时变SDOF系统参数,具有重要的工程应用价值。     

基于深度学习技术的地震实时流数据自动处理辅助工具开发

以JOPENS系统实时流接收为基础,应用Redis共享内存技术和近年来发展较快的深度学习震相自动识别技术,设计一套可7×24小时不间断稳定接收并实时识别连续地震流数据中P、S震相的系统,为地震台网实时数据处理提供一套辅助工具,并在福建省地震局测震台网128个台站的实时数据流上进行测试。该工具由Redis实时数据流共享模块与深度学习震相到时自动拾取、MSDP震相格式转换3个模块组成,可以实时接收并自动识别台网地震连续波形,生成P、S震相报告,并可导入MSDP人机交互工具进一步处理,在一定程度上可以减轻人工处理工作量。     

基于深度学习的空间尘埃碰撞实时自动检测

准确快速地检测航天器上发生的尘埃碰撞事件能帮助我们更好地了解空间环境的尘埃分布以及减少航天器因尘埃碰撞受到的破坏.现有人工识别或基于尘埃碰撞引起的电势差信号波形特征的机器识别尘埃碰撞事件的方法虽然有较高精度,但效率低下,迫切需要高精度且自动化方法识别航天器收集的海量电势差信号.深度学习模型在信号分类和识别具有较强能力,本文把空间尘埃碰撞引起的电势差信号检测问题建模成信号分类问题,构建了一个卷积神经网络模型,该模型可以自动提取信号特征并根据特征对信号分类,同时为了训练模型和测试模型预测准确率,构建了一个由尘埃碰撞引起的电势差信号和非尘埃碰撞引起的电势差信号组成的数据集,模型在训练集上准确率为99.46%,在测试集上准确率达到98.68%,查全率为99.44%,查准率为97.95%,threat score为97.41%.实现了高精度且自动化的尘埃碰撞事件检测.