基于正则化条件的地震数据局部信噪比估计方法

信噪比是衡量地震数据质量的重要指标之一,在地震数据处理和解释中有着重要的作用.目前已有的地震数据信噪比估计方法往往得到的是整个数据的全局信噪比,这种方法只能说明地震数据总体质量的好坏,无法直观细致地刻画地震信号的局部质量.本文提出一种基于正则化条件的局部信噪比估计方法.该方法的基本原理是使用正则化共轭梯度法求解局部信噪比最优解,正则化算子的参数将控制地震信号各点数据局部信噪比的平滑性.其中应用一种基于“过滤波”的级联信号估计方法来计算有效信号,该方法利用有效信号和噪声的相关性特征计算局部信噪比中的有效信号.局部信噪比估计方法利用了信号中每个数据点及其邻域各点的局部信息,避免了使用单个数据点而可能出现的信噪比不合理值,而且局部处理能够减少全局噪声对信噪比估算的影响,该方法可以更准确地表征地震资料信噪分布特征.另外,局部信噪比对去噪方法的评估也具有重要意义.理论模型测试和实际资料处理结果表明,局部信噪比估计方法能够准确反映任一给定地震信号剖面的局部信噪比特征,为非平稳地震数据质量评估提供了直观的评判标准.

     

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。      

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.     

基于深度卷积神经网络的频高图分类研究

本文提出了一种利用深度卷积神经网络的频高图分类方法,在频高图分类标记的基础上,通过对深度学习经典网络结构的网络层迁移的方式,构建频高图类型识别网络模型,实现基于传播模式分布的频高图自动分类.利用试验获取的大量频高图数据,依据频高图中电离层传播模式分布情况,结合频高图度量基本规则,人工对频高图数据分类标记,生成网络模型样本数据;然后以随机方式,选取样本数据85%的数据作为训练数据,其余数据作为测试数据;经验证训练后的网络模型能够将测试频高图数据自动分为七种类型,频高图类型识别综合准确率高于97%.该方法可为频高图特征参数的自动、精确提取提供重要技术和高质量数据支撑,对电离层结构信息有效获取具有重要意义.     

基于深度卷积神经网络的岩石矿物组分含量测井评价方法研究

岩石矿物组分含量是地球物理勘探开发中的重点关注对象.在岩心与地层元素测井资料较少的情况下,如何提高矿物组分含量参数的预测精度显得尤为关键.本文采用深度学习方法,利用常规测井曲线对来自于地层元素测井获得的矿物组分含量进行预测.首先基于残差网络(ResNet)框架,利用一维卷积核和池化核构建了卷积神经网络模型.模型采用自然伽马、自然电位、井径、阵列感应电阻率、三孔隙度以及光电吸收截面指数测井参数作为输入,地层元素测井获得的矿物组分含量作为输出.随后对所搭建卷积神经网络进行了训练,建立了输入与输出之间的实际映射关系.最后,利用测试数据集和真实地层资料,对所建立的卷积神经网络进行了精度检验,并与人工神经网络和多元线性回归的评价结果进行了比较.结果显示,卷积神经网络在测试数据集上的总体预测数值相关性为0.90,明显优于人工神经网络的0.68与多元线性回归的0.51.通过处理实际测井资料,进一步验证了该方法的预测优越性和鲁棒性,以及其在地层参数评价方向的良好应用前景．     

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.

     

基于卷积神经网络的井中分布式光纤传感器地震数据随机噪声压制新技术

分布式光纤传感器(distributed fiber-optical acoustic sensor,DAS)是一种快速发展的具有巨大应用前景的地震勘探检波器技术.实际DAS地震资料往往会受到大量强能量随机噪声的干扰,通常表现为低信噪比(signal-to-noise ratio,SNR).这一现象给接下来的成像、反演以及解释带来了巨大的困难,因此如何压制DAS地震资料中的随机噪声并提高其SNR成为一个有待解决的技术问题.卷积神经网络(convolutional neural network,CNN)已经被证明是一种有效的噪声压制工具.通常情况下,CNN需要一个理论纯净地震数据集来优化网络,这极大地限制了CNN在DAS地震资料处理中的应用.在本文中,我们采用正演模拟的方法来构建理论纯净DAS地震数据集,通过正演模型的参数多样化增强数据集的真实性,从而获得适合DAS地震资料随机噪声压制的CNN去噪模型.此外,在网络结构方面,我们利用泄漏线性整流单元作为CNN的激活函数增强训练后模型对微弱有效信号的恢复能力;在训练过程中,通过能量比矩阵调节噪声片和有效信号片之间的SNR,增强CNN去噪模型对于不同SNR的DAS地震数据的适应性.模拟和实际实验均表明本文提出的这种正演模型驱动的卷积神经网络(forward-model-actuation convolutional neural network,FMA-CNN)能够有效地压制DAS随机噪声同时完整地恢复有效信号.

     

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。     

基于深度卷积自编码网络地震数据去噪方法

在采集得到地震数据中,随机噪声常常与有效信号混合在一起,并且毫无规律,使用常规去噪方法不能够达到理想的效果,影响后续的地震数据处理工作.为有效压制地震数据中的随机噪声,本文根据深度学习的相关理论,提出了一种基于深度卷积自编码网络的数据驱动的去噪方法,可以解决随机噪声难以去除的问题.在卷积自编码器的基础之上,网络使用了较多的层数并加入跳跃连接构造,从而增加了网络的深度,能够提取并结合数据中深层与浅层特征,增强对随机噪声的处理能力,更好地恢复有效信号的细节.经过实验证明该方法对于不同水平的随机噪声的压制均有优异的表现,在去噪的效果上远超中值滤波、小波变换等传统去噪方法,同时也比经典的DnCNN网络更加优秀,能够完整地保留有效信号,极大提升地震数据的质量.     

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,...     

基于深度卷积神经网络的2021年5月21-22日云南漾濞地震和青海玛多地震震级估算

以探索深度卷积神经网络震级估算模型对2021年5月21日云南漾濞和5月22日青海玛多地震预警震级估算的可行性为目标,本文使用P波到达后不同时间窗下的特征参数作为深度卷积神经网络输入进行训练和验证,构建了1~40 s内不同时间窗下的深度卷积神经网络单台震级估算模型,并采用多台加权平均方法对玛多地震主震以及漾濞地震主震、前震和余震共11次地震事件进行实时震级估算.结果表明：在P波到达后1~40 s的不同时间窗下,随着时间窗的增加,深度卷积神经网络单台震级估算模型对训练集和验证集的震级估算误差和标准差逐渐减小,且逐渐趋于稳定;对于云南漾濞M_S6.4主震与青海玛多M_S7.4主震,大部分单台震级估算误差主要分布在±0.5震级单位内;通过多台加权平均方法计算预测震级,漾濞主震与玛多主震在首台触发后2 s时,震级估算结果分别是M6.0和M7.0;同时,随着首台触发后时间的增加,漾濞与玛多主震的震级估算逐渐接近实际震级,且在首台触发后9 s时,漾濞主震和玛多主震的震级估算分别是M6.2和M7.3;在首台触发后1 s时,对于玛多与漾濞地震的前震和余震,多台加权平均震级估算结果也主要分布在±0.5震级单位误差范围内.该方法为中国地震预警系统的震级估算方案提供了潜在可能.

     

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.

     

基于数据增广训练的深度神经网络方法压制地震多次波

地震数据中存在的多次波影响偏移成像,误导地震资料的解释,因此通常视为相干噪声而被去除.为了对多次波进行智能化衰减,本文提出了一种基于数据增广训练的使用深度神经网络的多次波压制方法.设计的深度神经网络包括卷积编码和卷积解码过程,其中卷积编码过程学习全波场数据中的一次波特征,卷积解码过程利用这些特征来重构一次波并压制多次波和随机噪声.在训练阶段,旋转训练集并在输入数据中加入随机噪声构成增广训练数据集来提升神经网络的抗噪稳定性和泛化性,通过迁移学习让深度神经网络具备跨工区压制多次波的能力.简单模型与Sigsbee2B模型三套模拟数据的实例验证了本文方法在一次波重构和多次波压制中的有效性、稳定性和良好泛化性;一套崎岖海底模型地震物理模拟数据的应用实例表明本文方法具有应用于复杂条件下压制地震多次波的能力.

     

全卷积神经网络在建筑物震害遥感提取中的应用研究

为解决建筑物震害信息提取自动化程度不高的问题,本文将全卷积神经网络应用于建筑物震害遥感信息提取。以玉树地震后获取的玉树县城区0.2m分辨率航空影像作为建筑物震害信息提取试验数据源,将试验区地物划分为倒塌建筑物、未倒塌建筑物和背景3类。对427个500×500像素的子影像进行人工分类与标注,选取393个组成训练样本集,34个用于验证。利用训练样本集对全卷积神经网络进行训练,采用训练后的网络对验证样本进行建筑物震害信息提取及精度评价。研究结果表明：建筑物震害遥感信息提取总体分类精度为82.3%,全卷积神经网络方法能提高信息提取自动化程度,具有较好的建筑物震害信息提取能力。     

基于深度神经网络的地磁观测数据高压直流输电干扰事件识别

随着越来越多高压直流输电线路的投入运行, 地磁观测数据质量受到了严重影响.现有以人工或半人工方法识别高压直流输电干扰事件的工作量也随着受干扰范围的不断扩大和地磁观测仪器的增多而成倍增加.为了高效、准确地识别地磁观测数据中的高压直流干扰事件, 本文基于卷积神经网络和长短期记忆神经网络, 提出了一种高压直流输电干扰事件自动识别深度学习模型.利用2012年1月1日至2014年12月31日地磁台站原始观测数据, 结合专家标注的持续时间在2 h内的高压直流输电干扰事件记录, 制作高压直流输电干扰样本34360条, 正常样本34360条.模型在训练集上的准确率达到了94.12%, 验证集上的准确率达到了92.94%, 测试集上的准确率达到了92.86%.初步研究表明深度学习方法在识别地磁观测数据中的高压直流输电干扰事件中具有较高的准确率, 为下一步自动识别地磁观测数据中的车辆干扰、基建工程干扰、轻轨干扰等其他干扰事件提供了一种新的思路.

     

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。     

基于深度神经网络的地震强反射剥离方法

在储层预测工作中,储层弱反射信号淹没在强反射信号之中的情况非常常见,这不利于精确识别和描述储层结构.本文提出了一种基于深度神经网络的强反射剥离方法,用于辅助储层弱反射信号的检测工作.该方法在卷积模型的框架下将强反射预测问题分解为地震子波预测与强反射预测两个子优化问题,并采用AIDNN与U-Net两个深度神经网络分别求解...