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.

     

基于一维卷积神经网络的高分辨率Radon变换反演方法研究

高分辨率Radon变换是地震资料处理常用的方法之一,其反演通常涉及矩阵求逆、多次迭代等环节,这些因素导致Radon变换反演计算量大,收敛速度慢等问题.本文在分析Radon变换分辨率降低原因基础上,提出基于一维卷积神经网络（Convolutional Neural Network,CNN）的高分辨率Radon变换反演方法.该方法通过卷积神经网络的非线性表征能力实现低分辨率Radon参数到高分辨率Radon参数的映射,分析了基于反褶积原理的串联映射模型和基于残差学习的并联映射模型提高分辨率的原理.将上述CNN网络得到的特定频率Radon参数约束其他频率参数的反演,避免了分频训练的弊端.模拟数据和实际数据的多次波压制实验表明,本文提出的基于一维卷积神经网络的高分辨率Radon变换可以较好地压制多次波,且计算效率高.

     

叠前地震数据特征波场分解、偏移成像与层析反演

本文提出了一套叠前地震数据稀疏表达(特征波场合成)、深度偏移成像和层析成像的处理流程.不同于传统的变换域中的数据稀疏表达理论, 本文利用局部平面波的传播方向(慢度矢量), 在中心炮检点处同时进行波束合成, 从而将地震数据投影到局部平面波域(高维空间)中.由于波束合成后的地震数据描述了局部平面波的方向特征, 因此称之为特征波场.然而波束合成算法需要估计局部平面波的慢度矢量.当地震数据受噪声干扰时, 难以在常规τ-p谱中自动估计局部平面波的射线参数(慢度矢量).本文提出了基于反演理论的特征波场合成方法, 可以同时反演局部平面波及其传播方向, 从而提高特征波合成的自动化程度并保持方法的稳健性.通过特征波场合成, 可以将地震数据分解为单独的震相(波形).这样的数据可以直接用来成像及反演.在局部平面波域中, 由于局部平面波的入射与出射射线参数已知, 传统的Kirchhoff叠前深度偏移(PSDM)和高斯束/控制束PSDM可以实现从"沿等时面的画弧"到"向反射点(段)的直接投影"的转变, 叠前偏移的效率以及成像质量可以同时提高.此外, 特征波场与地下反射点(段)的一对一映射关系使得叠前深度偏移与层析成像融为一体, 可以极大地提高速度反演的效率.数值试验证明了特征波场合成、叠前深度成像以及层析反演的有效性.     

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...     

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)...     

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.

     

基于多输入卷积神经网络的天然地震和爆破事件识别

天然地震和爆破事件识别是地震监测预警的重要内容.近年来, 快速发展的深度学习算法以其强大的数据特征挖掘和图像识别能力, 能够较快并准确地约束地震事件属性.利用多输入卷积神经网络算法构建天然地震和爆破事件自动分类网络模型, 其中输入信息包括多台站地震波形和单台站的地震时频数据, 使得卷积神经网络同时获取事件的波形、频谱和极性特征.根据美国犹他州2012年记录到的天然地震和采石场爆破的观测资料, 构建深度学习的训练数据集并进行模型训练, 并据此判断2013—2016年间已知的天然地震和爆破事件.结果表明, 多输入卷积神经网络具有较高的识别精度, 识别率高达97%.

     

卷积神经网络在地面微地震多道P波极性分类中的应用

微地震监测技术是监测水力压裂过程、评价压裂效果的重要手段.对于地面监测,PP波极性能够直接、快速地反演震源机制,同时极性校正能够提高绕射叠加定位方法的成像精度.因此,准确而迅速地确定P波极性对地面微地震实时监测具有重要意义.卷积神经网络是一种深度学习算法,具有强大的特征学习与分类能力,可用来确定微地震事件的P波极性.地...     

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.

     

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。     

地震油气储层的小样本卷积神经网络学习与预测

地震储层预测是油气勘探的重要组成部分,但完成该项工作往往需要经历多个环节,而多工序或长周期的研究分析降低了勘探效率.基于油气藏分布规律及其在地震响应上所具有的特点,本文引入卷积神经网络深度学习方法,用于智能提取、分类并识别地震油气特征.卷积神经网络所具有的强适用性、强泛化能力,使之可以在小样本条件下,对未解释地震数据体进行全局优化提取特征并加以分类,即利用有限的已知含油气井段信息构建卷积核,以地震数据为驱动,借助卷积神经网络提取、识别蕴藏其中的地震油气特征.将本方案应用于模型数据及实际数据的验算,取得了预期效果.通过与实际钻井信息及基于多波地震数据机器学习所预测结果对比,本方案利用实际数据所演算结果与实际情况有较高的吻合度.表明本方案具有一定的可行性,为缩短相关环节的周期提供了一种新的途径.

     

基于循环神经网络的大地电磁信号噪声压制研究

由于天然电磁场源信号微弱,观测数据极易受到噪声干扰,严重影响反演和解释结果.传统去噪方法依赖于人工对时间序列和功率谱的筛选,去噪效率低,主观性强.本文提出利用循环神经网络对大地电磁时域信号进行特征噪声的识别和提取,进而重构出去噪后的大地电磁信号.在对大地电磁时域信号进行大量分析的基础上,对噪声进行分类并搭建含噪信号数据库,利用该数据库训练了两个循环神经网络,并选取长短时记忆单元优化循环神经网络结构,分别实现含噪数据段筛选和噪声形态提取.对仿真和实测数据分别进行了测试,循环神经网络均能准确筛选出大地电磁信号中的噪声段,本方法在避免人为操作主观性的同时提高了工作效率,视电阻率和相位曲线质量得到明显改善.

     

基于偏微分方程的模型光滑处理在偏移成像中的应用

本文针对射线类偏移成像当中的速度模型光滑处理问题,借鉴数字图像处理当中的偏微分方程法,基于能量泛函,应用变分方法导出基于速度模型的偏微分方程实现射线类偏移成像当中的速度模型的光滑处理.由于偏微分方程法具有线性叠加特性、模型解的唯一性和局部特征保持性,因此,应用该算法可以实现基于原始速度模型空间结构的模型光滑处理.通过在原始速度模型以及光滑处理后的速度模型上计算速度的空间分布以及地震波走时、射线路径可以得出,偏微分方程法对速度模型的光滑处理能够很好地保持原始模型的空间结构,偏移成像结果也证明了该方法的实用性.

     

基于声学全波形反演的油气藏地震成像方法

岩性油气藏在我国天然气勘探开发中占有非常重要的位置,其分布区域的成像是合理布设井位,提高钻井成功率的关键之一.本文首先基于地下介质的声学近似和波场回传理论,利用频率域单程声波方程延拓计算地震波场,进行全波形反演,获得地层密度和体积模量的定量成像,并依据油气藏物性特征和流体饱和多孔介质岩石物理模型,简要讨论了孔隙度和饱和度与密度及体积模量的关系,明确了地震油气藏成像新概念.在此基础上,定义了基于流体体积模量和孔隙度的成像函数,进行油气藏成像.理论模型计算表明该方法是可行的.通过对西部地区某气田二维地震数据处理,实现了致密砂岩气藏成像,钻井结果证实了气藏区域成像位置的准确性和方法的有效性.     

Intelligent determination of peak ground motion parameters based on intensity assessed by artificial neural network

Artificial Neural Network (ANN) model of computation based on mathematical model of neural processes is applied to establish an intelligent computing network from seismic intensity to peak ground parameter instead of the conventional statistical relationship in this paper. For a give seismic intensity rating, the network formed with actual strong ground motion records directly produces the corresponding peak ground parameters and the effects of earthquake magnitude and epicentral distance are included. The computed results of the network trained with a number of strong motion records in the West America show that such networks have obtained good conversion relationship from seismic intensity to peak ground parameters. The Chinese version of this paper appeared in the Chinese edition ofActa Seismologica Sinica,15, 208–216, 1993.     

基于EMD方法与RBF神经网络的结构损伤检测

针对结构损伤检测中损伤的识别、定位以及程度的标定这三个独立并按一定先后顺序进行的检测过程,提出了一种能将以上三者同时进行的联合检测方法。该方法首先利用经验模态分解(EMD)方法将三层钢筋混凝土剪切型结构在各种损伤工况下的顶层地震作用加速度响应分解为若干固有模态函数(IMF)分量,然后以此IMF分量和未经EMD分解的原始加速度响应数据来构造损伤标识量,作为特征参数依次输入到径向基函数神经网络(RBFNN)中进行损伤检测。给出了应用此方法的具体步骤,通过仿真实验证明了利用该方法进行结构损伤一次检测的可行性和有效性,结果表明,由加速度响应经EMD分解而得到的IMF分量输入到RBFNN中能够更为精确地一次检测出结构所有损伤信息,并且RBFNN在结构损伤损度大时具有更好的检测效果。     

基于激发振幅成像条件的探地雷达逆时偏移成像

针对基于互相关成像条件的探地雷达（GPR）逆时偏移计算效率低、存储量大及易产生低频假象的不足,本文将激发振幅成像条件应用于GPR逆时偏移成像中.通过在源点电磁波场正向传播过程计算每个网格点的能量密度,并保存最大能量密度的时刻和相应的电磁波场值;在接收点电磁波场逆向传播过程提取每个网格点最大能量密度时刻及对应的电磁波场值,并利用保存的最大能量源点电磁波场及走时做归一化,从而获得了依赖反射系数成像剖面,避免了源点正向传播电磁波场的存储和重建.此外,为了提高电磁波场的模拟精度,采用了基于三角形剖分的时间域有限单元法（FETD）计算电磁波正向和逆向传播过程.最后通过模型试算表明：激发振幅成像条件相比于归一化互相关成像条件,成像结果低频噪声更弱,空间分辨率更高,计算效率提高了近2倍.

     

基于相似性重构低频数据的金属矿频域全波形反演

由于深部金属矿埋深和自身的复杂性,利用重、磁、电方法和一般的地震方法很难有效地对其进行高精度定位.全波形反演通过最小化模拟数据与观测数据的差异使深部金属矿的高精度探测成为可能,但全波形反演是一个局部优化过程,需要准确的低频数据作为起始,而这在一般的地震数据采集中难以做到.本文先在频域中使用伴随状态震源函数反演方法,通过震源附近的直达波能精确地反演出震源函数的形态.然后利用得到的高精度震源子波结合褶积与反褶积思想及相似性现象重构含有低频成分的自激自收数据.将该数据应用到全波形反演中,有效缓减了反演过程中出现的周波跳跃现象,并提高了模型反演的正确性.Marmousi模型和金属矿模型的数值模拟实验证明了新方法改善了在没有低频数据时的全波形反演结果,并有较好抗噪性.