融合门控循环单元和自注意力机制的矿山微震P波到时拾取方法

基于深度学习方法提出了一种矿山微震P波到时拾取方法。首先构建CNNDet模型进行事件监测和到时预拾取;其次引入自注意力机制,融合门控循环单元（GRU）构建CGANet模型,对检测到的事件进行P波到时精确拾取;最后将该方法与长短时窗能量比法、DPick和PpkNet方法进行对比,结果显示测试集的事件检测精确率和召回率都达到98%以上,P波到时估计的误差均值和标准差分别为0.014 s和0.051 s,说明本文方法在精确率、召回率及标准差等方面均明显优于上述三种方法。此外,对不同信噪比样本进行测试的结果也证明,本文方法在低信噪比下依然能保持较高的精度。在实际震源定位中,该方法也展现出了更优异的性能。     

STA/LTA算法拾取微地震事件P波到时对比研究

本文将HZ-MS48微地震采集仪监测的实际数据,利用STA/LTA算法来识别微地震事件P波到时.比较了在不同STA(短时窗平均值)情况下对拾取精度和结果的影响.结果表明:此算法确定信噪比比较高的微地震事件是非常有效的,能精确拾取P波到时.利用5ms、10ms、20ms三种不同的短时窗处理数据,发现对P波拾取的敏感程度不同,短时窗的值越大,拾取P波的敏感性越低,拾取精度降低,触发的阈值应随着短时窗的增加而减小.     

微地震信号到时自动拾取方法

本文讨论了用于微地震信号到时自动拾取的几种方法的原理及特点,包括长短时均值比(STA/LTA)方法、AIC方法、基于高阶统计量偏斜度和峰度的PAI-S/K方法等,提出了移动时窗峰度的快速算法和改进的峰度拾取初至方法.对我国西部某地观测到的13359个微地震记录,采用两种时窗进行了初至到时拾取,并与人工拾取的结果进行了对比.为使所研究的方法达到最佳效果,采用DE全局搜索方法,以人工拾取的初至作为参照,以时差在0.3 s以内的记录所占百分比作为目标函数,自动搜索最佳的拾取参数.结果显示,在拾取时窗选为P波初至前3 s至S波初至位置时,AIC方法的结果最佳,时差在0.3 s以内的记录占比达到93.6%;在拾取时窗选为包含S波到时的时窗时,改进的峰度法效果最佳,时差在0.3 s以内的记录占比83.8%.     

用振幅变化长短时均值比实现地震预警中P波自动拾取

地震P波到时快速、精确的自动拾取是实现地震预警的第一步。目前所有P波到时自动拾取方法都需要进一步考虑准确度问题,据此提出用"振幅变化"长短时均值比方法拾取P波到时。研究表明引进"振幅变化"作为特征函数比Allen的"振幅变化平方"更能突显地震波初至时刻的"突变"特征。对"振幅变化长短时均值比方法"和Allen的"振幅变化平方长短时均值比方法"进行抗噪音分析表明,在较低信噪比条件下,Allen方法不能准确地拾取P波到时,而新方法依然能较准确地拾取P波到时。在较高信噪比条件下,用两种方法拾取的160个M_S4.0地震P波到时,其误差大都在允许范围内,但新方法拾取的准确度略高。新方法可以看做是对长短时均值比方法的拓展。     

初至波能量比迭代拾取方法

本文提出了一种创新的初至波自动拾取方法,免人工干扰,抗干扰能力强,自动剔除低信噪比道,利用二次拾取保证初至拾取结果的可靠性和提高拾取道数.该方法首先利用空间多时窗内插方法,确定每道时窗位置,基于数字图像处理技术,计算初至时窗内地震数据每个采样点的能量比值,结合初至波波形和能量的特点确定初至时间的位置;然后利用相邻初至波相互约束对拾取的初至波进行评价,确定可信度低的初至波;最后利用可信度高的初至波作为约束条件对可信度低和未拾取的初至波二次拾取,二次拾取过程中利用能量、频率、波形等对初至波进行判断,剔除掉异常干扰道.本方法利用新的能量比值法在一定程度上能消除初至波到达前的随机干扰,初至评价和二次拾取有效地识别和剔除干扰道,提高二次拾取质量,减少手工交互的工作量,满足了地震勘探中对初至波拾取的要求.经过实际数据的应用表明,此算法对于初至波形变化较大、背景噪声干扰严重等的低信噪比资料,自动拾取初至的效率和精度都得到了预期的效果.     

基于优化参数的地震P、S波震相到时自动拾取及质量评估

准确拾取P、S波震相到时是深入开展地震波研究工作的基础,本文改进了自动拾取参数优化函数算法和质量评估方案,引入了拾取到时优化方案,使用基于参数优化的频带-带宽拾取算法、AICD拾取算法和峰度拾取算法对腾冲地区7个宽频带地震台站记录的地震资料开展了地震P、S波到时自动拾取,对拾取结果进行了优化和质量判定.结果表明：经参数优化、拾取优化后,采用3种方法自动拾取的P、S波到时与人工拾取到时的时差在0.1 s内的记录占比分别达到74.66%、70.98%.这些参数值均优于算法改进前的同类参数,证明了优化方法的可靠性.     

一种适用于地方震事件的S波到时自动拾取方法

基于特征值分解方法,本文讨论了一种适用于地方震事件S波震相到时拾取的自动处理算法.该算法计算参数少、简便快捷、易于实现,通过选用七个不同长度的时间窗,有效地减小了窗长选择不合理所引起的震相拾取误差.利用福建地震台网记录的9855条三分向波形记录进行测试,结果表明:本文方法的S波平均拾取偏差为(0.003±1.34)s,...     

微地震事件初至拾取SLPEA算法

微地震事件初至拾取是微地震数据处理的关键步骤之一.实际微地震监测资料中存在大量低信噪比事件,而传统方法对这些事件的应用效果并不理想.为了克服传统方法抗噪性弱的缺点,本文通过综合地震信号与环境噪声在振幅、偏振以及统计特征等方面的存在的差异,设计了一种针对低信噪比微地震事件的初至拾取方法——SLPEA算法.为了检验本文方法的可行性和有效性,分别对模型数据和实际资料进行了处理,并将处理结果与传统方法及手工拾取的结果进行了对比.分析表明,利用本文方法得到的初至到时与手工拾取结果的绝对误差平均值仅为1.33×10~(-3)s,小于3个采样点;方差为3.21×10~(-6)s~2;初至到时在手工拾取结果±0.005s误差范围内的个数占总数的95.8%.这些参数值均优于传统方法的同类参数,证明了本文方法的可靠性.     

联合小波变换与偏振分析自动拾取微地震P波到时

对微地震P波到时的自动拾取是微地震信号分析和数据处理的主要目标之一。基于小波变换的多尺度分析思想,对微地震信号进行小波处理后的小波系数代替原始信号,应用包含在小波变换系数中的信号偏振信息,提出了联合小波变换与偏振分析自动拾取微地震信号P波到时的方法。通过对嘉阳煤矿监测的实际微地震数据进行小波变换,用多尺度小波分解的各个尺度单支重构信号构成协方差矩阵,求解不同尺度协方差矩阵的最大特征值和次大特征值求取P波到时定位函数,实现P波到时的自动拾取,取得了满意的结果.     

地震检测与震相自动拾取研究

针对微震事件易受噪声干扰等特点,本文将STA/LTA方法和基于方差的AIC方法（var-AIC）相结合,在震相到时初步拾取的基础上,使用台站的德洛内（Delaunay）三角剖分及台站间最大走时差约束来减少噪声干扰的影响. 利用到时进行地震定位之后,根据台站预测到时,在设定的时间窗内对地震震相进行更精细的分析. 特别是针对微震事件信噪比低的特点,设计了基于偏振分析的拾取函数,根据窗内STA/LTA方法和var-AIC方法的拾取结果自动选择合适的值作为震相到时. 最后,对西昌流动地震台阵2013年304个单事件波形数据的分析处理和检验结果表明,本文方法较传统方法具有更高的地震事件检测能力和更高的震相拾取精度.      

岩石超声检测信号初至的AIC自动拾取方法

岩石超声检测中最重要的一个环节是初至的拾取,然而该项工作往往费时费力,拾取精度受人为因素影响较大。为提高声波速度检测、声发射定位、以及超声层析成像的应用效率和精度,本研究将地震学中应用比较广泛的AIC初至自动提取技术引入到岩石超声检测中,并进行了适当改进。利用改进前后的AIC方法,自动拾取仿真信号和实际信号的初至,并利用长短时窗比方法(STA/LTA)和手动方法拾取了初至,同时分别与设定的实际初至进行对比。根据实验结果,对于信噪比较低的信号AIC方法要优于STA/LTA方法;改进前的AIC方法适用于起跳干脆、幅度变化大的信号,而改进后的AIC方法则适用于起跳较平缓的信号,且拾取到的初至与手动拾取的初至更加接近。      

基于加权K均值聚类的多属性初至拾取方法

为提高初至拾取方法的准确性和自适应能力,将变异系数加权K均值聚类算法引入初至拾取中。首先提取均方根振幅、相邻道相关性、线积分、振幅谱主频等多种地震属性;然后针对地震属性进行加权K均值聚类,自动识别初至所在时窗;最后结合相位校正法,实现时窗内初至波起跳时间的拾取。在此基础上通过实际数据测试,并与长短时窗能量比法、反向传播神经网络方法对比,验证了本文方法的有效性与可行性。结果表明,基于加权K均值聚类的多属性初至拾取方法能较快速、准确地拾取低信噪比数据的初至,并且无需人为判断时窗,从而提高了拾取的自适应能力。      

Application of Machine Learning Methods in Arrival Time Picking of P Waves from Reservoir Earthquakes

Reservoir earthquake characteristics such as small magnitude and large quantity may result in low monitoring efficiency when using traditional methods. However, methods based on deep learning can discriminate the seismic phases of small earthquakes in a reservoir and ensure rapid processing of arrival time picking. The present study establishes a deep learning network model combining a convolutional neural network (CNN) and recurrent neural network (RNN). The neural network training uses the waveforms of 60 000 small earthquakes within a magnitude range of 0.8-1.2 recorded by 73 stations near the Dagangshan Reservoir in Sichuan Province as well as the data of the manually picked P-wave arrival time. The neural network automatically picks the P-wave arrival time, providing a strong constraint for small earthquake positioning. The model is shown to achieve an accuracy rate of 90.7% in picking P waves of microseisms in the reservoir area, with a recall rate reaching 92.6% and an error rate lower than 2%. The results indicate that the relevant network structure has high accuracy for picking the P-wave arrival times of small earthquakes, thus providing new technical measures for subsequent microseismic monitoring in the reservoir area.     

基于小波包和峰度赤池信息量准则的P波震相自动识别方法

基于小波包变换和峰度赤池信息量准则(AIC), 提出了一种新的自动识别P波震相的综合方法, 即小波包-峰度AIC方法． 首先对由加权长短时窗平均比(STA/LTA)法粗略确定的P波到时前后3 s的记录进行小波包三尺度的分解与重构, 分别计算每个尺度重构信号的峰度AIC曲线并将其叠加, 叠加曲线的最小值则为P波震相到时; 然后对原始地震记录进行有限冲激响应自适应滤波以提高信噪比和识别精度; 最后将小波包-峰度AIC方法应用到合成理论地震图及实际地震记录的P波初至自动识别中. 结果表明: 初至清晰度对识别精度的影响比信噪比对其影响更大; 与单独使用加权STA/LTA方法和峰度AIC法相比, 小波包-峰度AIC法具有更强的抗噪能力, 识别精度更高; 当初至清晰时, 小波包-峰度AIC法自动识别与人工识别的P波到时平均绝对差值为(0.077±0.075) s．      

Active Source Seismic Identification and Automatic Picking of the P-wave First Arrival Using a Convolutional Neural Network

In seismic data processing, picking of the P-wave first arrivals takes up plenty of time and labor, and its accuracy plays a key role in imaging seismic structures. Based on the convolution neural network (CNN), we propose a new method to pick up the P-wave first arrivals automatically. Emitted from MINI28 vibroseis in the Jingdezhen seismic experiment, the vertical component of seismic waveforms recorded by EPS 32-bit portable seismometers are used for manually picking up the first arrivals (a total of 7242). Based on these arrivals, we establish the training and testing sets, including 25,290 event samples and 710,616 noise samples (length of each sample:2s). After 3,000 steps of training, we obtain a convergent CNN model, which can automatically classify seismic events and noise samples with high accuracy (> 99%). With the trained CNN model, we scan continuous seismic records and take the maximum output (probability of a seismic event) as the P-wave first arrival time. Compared with STA/LTA (short time average/long time average), our method shows higher precision and stronger anti-noise ability, especially with the low SNR seismic data. This CNN method is of great significance for promoting the intellectualization of seismic data processing, improving the resolution of seismic imaging, and promoting the joint inversion of active and passive sources.     

Seismic phase picking in China Seismic Array using a deep convolutional neuron network*

Seismic phase picking is the preliminary work of earthquake location and body-wave travel time tomography. Manual picking is considered as the most accurate way to access the arrival times but time consuming. Many automatic picking methods were proposed in the past decades, but their precisions are not as high as human experts especially for events with low ratio of signal to noise and later arrivals. As the increasing deployment of large seismic array, the existing methods can not meet the requirements of quick and accurate phase picking. In this study, we applied a phase picking algorithm developed on the base of deep convolutional neuron network (PickNet) to pick seismic phase arrivals in ChinArray-Phase III. The comparison of picking error of PickNet and the traditional method shows that PickNet is capable of picking more precise phases and can be applied in a large dense array. The raw picked travel-time data shows a large variation deviated from the traveltime curves. The absolute location residual is a key criteria for travel-time data selection. Besides, we proposed a flowchart to determine the accurate location of the single-station earthquake via dense seismic array and phase arrival picked by PickNet. This research expands the phase arrival dataset and improves the location accuracy of single-station earthquake.     

基于改进长短时窗比值及优化变分模态分解的微震初至拾取算法

针对低信噪比条件下微震初至拾取准确度低的问题,基于信号幅度变化引入权重因子,对传统长短时窗比值（STA/LTA）算法进行改进,提高初次拾取精度。为了进一步降低拾取误差,对变分模态分解（VMD）算法进行优化,基于互相关系数和排列熵准则自适应确定VMD分解层数,对初次拾取结果前后2—3 s的记录进行优化VMD,并计算分解后各本征模函数（IMF）的峰度赤池信息准则值,得到各IMF的到时,以各IMF的拾取结果及能量比综合加权得到二次拾取到时。仿真实验表明:改进后的STA/LTA在较低信噪比下可降低初次拾取误差约0.01 s以上;相比经验模态分解（EMD)和小波包分解,自适应VMD分解后能再次降低误差,最终与人工拾取结果平均误差在0.023 s以内。实际微震信号初至拾取结果表明,本算法能快速有效地识别初至P波,与人工拾取结果相比误差小,准确率高。      

三分向数据震相的自动识别

利用三分向地震数据,提出了一种自动检测Ｐ波和Ｓ波初至的算法。此算法组合使用了短时窗检测器ＤＳｐ和长时窗ＤＢｐ检测器,具有短时窗的较高精度和长时窗较低的误触发率。应用广东、福建和云南省的地震数据进行测试,结果表明：自动检测具有可靠的精度,地方震和近震Ｐ波到时误差小于０．２ｓ的超过８４％;Ｓ波到时误差小于０．５ｓ的超过７４％。     

数字化地震记录震相自动识别的方法研究

针对目前震相自动识别方法不能自动给出震相识别区间,以及不能确定识别出震相名称的问题,运用震相的运动学特征,由平均速度模型和J-B走时表数据,自动计算近震、远震和极远震的震相走时及震中距。对多尺度小波分解进行单支重构作为识别不同震相的分析信号。先求出初至震相和最大面波到时,估算出震中距,然后找到S波或PP波到时,求出准确的震中距,即可自动给出各震相的识别区间,采用线性偏振法在给定区间中识别出震相的初至时刻。由于该方法采用的是先明确要找什么震相,再由该震相的走时确定寻找区间,所以找出的初至就是要寻找的震相,自然解决了识别出震相的名称问题,从而实现了对震相的全程自动识别。     

基于自适应阈值约束的无监督聚类智能速度拾取

目前叠加速度的获取主要是通过人工拾取速度谱,存在着效率低、耗时长且易受人为因素影响的缺点.本文提出了一种基于自适应阈值约束的无监督聚类智能速度拾取方法,实现叠加速度的自动拾取,在保证速度拾取精度的同时提高拾取效率.利用时窗方法在速度谱中计算自适应阈值,从而识别出一次反射波速度能量团作为速度拾取的候选区域.然后,根据K均...