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。     

基于深度学习的人群活动流量时空预测模型

传统的时空预测方法缺乏对复杂时空非线性关系的描述,且难以顾及空间多尺度特征对于预测结果的影响.针对这一问题,本文提出了一种融合空间多尺度特征的时空网络模型(MST-Net),将流量预测的回归问题转换为具有时空特性的判别模型.首先,通过并联卷积提取空间多尺度特征;然后,通过引入注意力机制的门控循环单元提取时间特征;最后,...     

基于CGAN与CNN-GRU组合模型的密度测井曲线重构方法

密度测井曲线作为常规测井曲线中的一种,有着丰富的地质信息,通过对其进行分析解释,可以获得地层岩性、岩石密度和岩层孔隙度等参数.然而,在实际获取密度测井曲线的过程中,由于仪器故障、人为因素等原因,不可避免的会出现部分密度测井数据失真甚至缺失的情况.针对这一问题,本文提出一种基于条件生成对抗网络(CGAN)的密度测井曲线重构技术解决上述问题,其中条件生成对抗网络的生成器和鉴别器主要由一维卷积网络(1D-CNN)和门控循环单元网络(GRU)构成.通过条件生成对抗网络(CGAN)的对抗式训练方法可以使网络具有更强的学习能力,更加有效的挖掘出测井序列的长期非线性相关性、历史数据之间的关联性等关系.将该方法应用于实际的测井数据中,并与传统的神经网络方法相对比,结果表明本文提出的方法优于传统的神经网络方法,能够生成更加符合实际情况的曲线.     

基于GRU的汶川地震川西气井压力前兆异常识别研究

前兆异常出现的时间特征能够体现地震孕育的过程,通过分析前兆信息可以对地震进行短临预测,在地震预测研究中发挥着重要作用.然而传统的计算方法和处理分析模式已经很难快速地从海量观测数据中自动定位异常,识别的精度和适用性也存在不足.因此,本文从井生产数据出发,结合STL时间序列分解、趋势拟合、扩容理论和油气运移等,对汶川地震川...     

机动车辆速度性能综合测试仪

本文所设计的机动车辆速度性能综合测试仪采用国产高科技最新产品 CMOS—LED 五合一显示组合器件 LCL331及 CC4000系列 CMOS 集成电路组装,采用红外光电检测。可以测量各种机动车辆的速度、加速度、制动及滑行性能。具有测速、测时、测距及实现数字显示和超速报警等特点。     

基于数据与模型联合驱动的波阻抗反演方法

井插值初始模型为基于模型的反演提供的低频信息往往不够准确,导致该模型驱动方法容易出现较大的波阻抗预测误差且建模效率较低.为缓解这些问题,本文利用数据驱动的深度学习反演更加擅长预测低频阻抗的优势,提出一种基于数据与模型联合驱动的波阻抗反演方法.该方法联合地震和测井等数据,先后开展数据驱动和模型驱动的波阻抗反演.首先,数据驱动部分使用井旁地震记录、测井导出的波阻抗曲线以及井插值低频阻抗曲线,搭建以双向门控递归单元为主要模块的波阻抗智能预测网络.其次,该网络预测的波阻抗的低频分量作为数据驱动初始模型,替代井插值初始模型而参与模型驱动部分.最后,模型驱动部分在地震数据匹配和数据驱动初始模型的共同约束下开展基于模型的反演,获得最终的波阻抗结果.合成数据和实际数据测试表明,本文方法相比于单一的数据驱动或模型驱动方法能获得更高分辨率和更高精度的波阻抗反演结果,从而为后续储层预测提供可靠的弹性参数分布.     

优化循环神经网络在滑坡位移预测中的应用

以中国典型黄土滑坡域甘肃黑方台党川6#滑坡体为例,基于滑坡体北斗和位移计时序监测数据,首先利用深度学习框架Tensorflow分别构建3种循环神经网络滑坡位移预测模型：简单循环神经网络(simple recurrent neural network,SimpleRNN)、长短期记忆网络(long short-term memory,LSTM)和门控循环单元(gated recurrent unit,GRU),并进一步针对循环神经网络在参数设置时多采用经验手动调参或采用网格搜索法,易造成人为主观影响较大和计算效率低下的突出问题,引入遗传算法（genetic algorithm,GA）优化循环神经网络参数的自动最佳化选取,分别构建3种基于遗传算法改进的循环神经网络滑坡位移高精度预测模型：GA-SimpleRNN、GA-LSTM、GA-GRU。研究结果表明,改进参数自动寻优后的3种循环神经网络预测模型具有更优的预测性能,特别是GA-GRU模型预测精度最高,更适用于滑坡体长时序位移的高精度预测。     

基于深度学习的滑坡位移时空预测

滑坡变形监测数据是认识滑坡变形演化规律的直接依据,对该数据深度挖掘是实现滑坡灾害预警预报的有力保障。现有的滑坡位移预测模型多局限于单个监测点的时序预测,且未考虑监测点间的空间相关性。针对上述问题,本文提出了一种基于深度学习的滑坡位移时空预测模型:首先,构建表达所有点间空间相关性的加权邻接矩阵;其次,引入外界影响因素加强属性特征矩阵,以构建图结构数据;最后,采用集合图卷积网络(GCN)和门控循环单元(GRU)的深度学习模型,并通过多组试验寻找最优超参数,实现滑坡位移的时空预测。本文模型结果的均方根误差为4.429 mm,与对比模型相比至少降低了47.3%。而消融试验结果也显示,引入外界影响因素的属性增强可进一步提高模型的预测性能,均方根误差相对于未属性增强结果减少了28.4%。结果表明,该方法可用于滑坡位移或其他地质灾害中同样具有时空关联属性的观测量的时空预测。     

一种联合空间约束与差异特征聚合的变化检测网络EI北大核心CSCD

变化检测旨在观测地物在不同时序中的表达差异。深度学习已成为实现这一任务的主流手段,现有基于深度学习的遥感变化检测方法中,普遍更专注于对图像中的深度特征进行学习,而忽略了不同层级特征之间语义优势及差距,从而导致检测性能不足。为此,本文提出了一种联合空间约束与差异特征聚合的变化检测网络,通过控制特征信息在网络中的流动,消除检测对象底层特征和高层语义信息之间差异性,提高预测结果的质量。首先,利用孪生网络并结合特征金字塔结构生成多尺度差异特征;然后,使用所提出的坐标自注意力机制(CSAM)对低层特征进行空间约束,强化对变化区域边缘结构及精确位置的学习,并结合经典的卷积注意力模块充分捕捉上下文变化信息;最后,使用门控融合机制提取通道关系,控制多尺度特征的融合,以生成边界清晰、内部完整的变化图像。在变化检测数据集CDD和LEVIR-CD上对本文方法进行了试验,与已有变化检测网络模型进行比较,本文方法在不同场景下均表现出最佳的检测效果。