CN108594299B - 高铁智能预警方法、装置及系统 - Google Patents
高铁智能预警方法、装置及系统 Download PDFInfo
- Publication number
- CN108594299B CN108594299B CN201810165715.0A CN201810165715A CN108594299B CN 108594299 B CN108594299 B CN 108594299B CN 201810165715 A CN201810165715 A CN 201810165715A CN 108594299 B CN108594299 B CN 108594299B
- Authority
- CN
- China
- Prior art keywords
- wave
- component
- field
- model
- velocity
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/28—Processing seismic data, e.g. analysis, for interpretation, for correction
- G01V1/282—Application of seismic models, synthetic seismograms
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/28—Processing seismic data, e.g. analysis, for interpretation, for correction
- G01V1/30—Analysis
Abstract
本发明提供了一种高铁智能预警方法、装置及系统,该高铁智能预警方法包括:将高铁作为移动的炮点,基于初始速度模型,利用采集到的地震信号进行弹性波全波形反演,得到P波速度模型和S波速度模型,所述初始速度模型为基于重磁电方法得到的地质勘察目标区域的速度模型;利用所述P波速度模型和S波速度模型进行弹性波多分量逆时偏移,得到成像结果,所述成像结果包括:P波X分量、P波Z分量、S波X分量、S波Z分量、弹性波X分量及弹性波Z分量;根据各个时间段的所述成像结果进行识别不良地质体的位置及空间分布,以进行实时监控预警。利用本发明,可以在路轨断裂的一定距离外,对高铁提前预警,使其及时制动刹车,避免人员和财产损失。
Description
技术领域
本发明是关于高铁预警技术,特别是关于一种高铁智能预警方法、装置及系统。
背景技术
高速铁路具有速度高、客流量大等特点,随着高速铁路的规模和覆盖范围不断扩大,高铁线路穿过地质地理复杂多变且自然灾害频发的区域增多,由于地质灾害具有随机突发性,使高铁运营存在多种较大风险。为了预防地质灾害,保证高铁安全运营,需要加强对高铁沿线灾害易发区域地下不良地质体的实时监控,在高铁运行至灾害已发生区域之前,及时预警。
目前,超前探测预警方法主要应用在隧道施工中对不良地质体的探测。在隧道超前探测预报方法中,主要利用地震波反射法。因为,相对于其他地球物理探测方法,该方法具有较高的精度。
上世纪70年代末,德、英两国首先用地震勘探中的槽波技术来超前探测巷道前方的地质构造;1987年,我国从德国引进并国产化该技术,在此基础上,利用层析成像技术,提高了勘探精度。1991年,我国首次成功研制出利用瑞雷波勘探的仪器瞬态震源MRD-1仪,该仪器可以较准确地判断地层中的含水和导水构造,该仪器广泛应用在隧道以及矿井巷的超前探测。上世纪90年代初期,钟世航基于连续单点反射的小偏移距剖面,提出了陆地声纳法。同时期,西南铁道科学研究院研发出水平地震剖面法(HSP),该方法将炮点和检波点分别规则布置在隧道的两侧,处理分析接收到的掌子面前方的反射信号,利用偏移成像,确定前方不良地质体的位置。何振起(2000)等人在曾昭璜等(1994)隧道地震反射波法超前预报研究的基础上,提出了负视速度法,利用在记录图像上,当反射波与直达波呈现负视速度关系时,反射界面的位置由反射波与直达波延长线交点确定。
1996年,瑞士Amberg公司在Dickimann理论的指导下,基于地震反射波方法,研制出一种针对隧道超前预测的地震预报系统-TSP(Tunnel Seismic Prediction),该系统与负视速度法的观测方式基本相同,但在资料处理方法上有本质的不同。TSP技术的最大特点是资料处理采用了地震偏移成像技术,直观性好,操作方便,强弱反射震相都参予成像计算,适合复杂地质条件,实用性较好;但TSP方法的观测方式呈一字型,设计过于简单,不利于波速确定和分析扫描,导致反射面的定位精度不够;另外横波分离依赖于泊松比的选取,如何正确选取泊松比缺乏科学依据。Nishimastu在将TSP系统成功应用于日本多条隧道超前预测的基础上,他将TSP系统改进为C-TSP(Continuous TSP),充分利用隧道施工过程中的所有爆破(激发震源)对掌子面前方地质情况进行分析,相较于传统的TSP系统,该系统具有实时性和连续性等特点。Richard etc(2002)介绍了美国NSA工程公司开发出的地震反射层析成像预报技术TRT(True Reflection Tomography),该技术在观测系统的布置和数据资料的处理方面有明显的改进,相较于传统的TSP系统,该系统可以显著提高提高不良地质体的定位精度,不需要读取走时进行反演,并且TRT方法对围岩中反射界面位置和岩体波速的确定都有较高的精度,应该说较其它地震反射法都有较大的提高和改进。1999年,由德国GFZ公司和基尔大学联合开发出综合地震成像系统ISIS,该系统首次利用TBM作为震源来激发地震波,然后按照一定距离,间隔放置相互垂直3个检波器在隧道墙面上接收地震信号,将采集到的信号利用菲涅尔体偏移处理,不仅可以预测掌子面前方的地质构造,还可以对其顶部的地质构造情况进行预测。
以上所有基于地震反射波理论的超前探测方法,为了得到较为准确的预测结果,在偏移成像之前,都需要先求取地质结构的速度。目前应用较广泛的是层析成像法和速度扫描法,但得到的速度结果并不是很准确,精度较低,因此成像结果与实际构造会有较大误差;并且,这些超前预测系统的成像方法采用传统的深度偏移方法,传统的偏移方法在原理上就存在某些缺陷,不能准确的刻画局部陡峭的构造。
1.2现有技术方案
1996年,瑞士Amberg公司开发研制出隧道超前预测系统TSP,该系统首次采用偏移成像技术;上世纪末,美国NSA工程公司对在观测方式上进行改进,开发出TRT地震反射层析成像预报技术,该技术利用空间观测,提高了波速分析和不良地质体定位的精度,并且数据处理也有了较大改进,提高了偏移成像精度。1999年,德国GFZ公司与基尔大学联合开发了综合地震成像系统ISIS,该系统利用TBM作为震源激发地震波,釆用菲涅尔体方法对地震记录进行偏移处理。
TSP系统的观测方式非常简单,不利于波速确定和分析扫描,因而影响到反射面的定位精度不够;ISIS系统相较于TSP系统观测方式有所改进,但仍较为简单;TRT系统采用空间多点激发和接收,充分获得空间波场信息;虽然TRT系统改进了观测方式,但是速度扫描方法得到速度精度较差,并且传统的深度偏移方法具有缺陷,因此成像精度还有待提高。
以上超前预测技术方案,基本应用在隧道掌子面前方不良地质体超前预测。目前,对于高铁沿线由不良地质体造成的突发地质灾害,还没有一种方案可以实现及时预警功能。
发明内容
为解决现有技术中的上述问题,本申请的一个目的在于提出一种高铁智能预警方法、装置及系统,在路轨断裂的一定距离外,对高铁提前预警,使其及时制动刹车,避免人员和财产损失。
为了实现上述目的,本发明实施例提出的高铁智能预警方法包括:
将高铁作为移动的炮点,基于初始速度模型,利用采集到的地震信号进行弹性波全波形反演,得到P波速度模型和S波速度模型,所述初始速度模型为基于重磁电方法得到的地质勘察目标区域的速度模型;
利用所述P波速度模型和S波速度模型进行弹性波多分量逆时偏移,得到成像结果,所述成像结果包括:P波X分量、P波Z分量、S波X分量、S波Z分量、弹性波X分量及弹性波Z分量;
根据各个时间段的所述成像结果进行识别不良地质体的位置及空间分布,以进行实时监控预警。
为了实现上述目的,本发明实施例提出的高铁智能预警装置包括:
反演单元,用于将高铁作为移动的炮点,基于初始速度模型,利用采集到的地震信号进行弹性波全波形反演,得到P波速度模型和S波速度模型,所述初始速度模型为基于重磁电方法得到的地质勘察目标区域的速度模型;
逆时偏移单元,用于利用所述P波速度模型和S波速度模型进行弹性波多分量逆时偏移,得到成像结果,所述成像结果包括:P波X分量、P波Z分量、S波X分量、S波Z分量、弹性波X分量及弹性波Z分量;
预警单元,用于根据各个时间段的所述成像结果进行识别不良地质体的位置及空间分布,以进行实时监控预警。
为了实现上述目的,本发明实施例提出的高铁智能预警系统包括:存储器和处理器,所述存储器中存储计算机程序,所述计算机程序被所述处理器执行时,实现以下功能:
将高铁作为移动的炮点,基于初始速度模型,利用采集到的地震信号进行弹性波全波形反演,得到P波速度模型和S波速度模型,所述初始速度模型为基于重磁电方法得到的地质勘察目标区域的速度模型;
利用所述P波速度模型和S波速度模型进行弹性波多分量逆时偏移,得到成像结果,所述成像结果包括:P波X分量、P波Z分量、S波X分量、S波Z分量、弹性波X分量及弹性波Z分量;
根据各个时间段的所述成像结果进行识别不良地质体的位置及空间分布,以进行实时监控预警。
由以上本发明实施例提供的技术方案可见,本发明将高铁作为移动的炮点,采用弹性波全波形反演,刻画出高铁沿线地下地质灾害易发区域P波和S波的速度模型,速度模型的精度要远高于层析成像和速度扫描方法得到的结果;并利用弹性波多分量逆时偏移技术,在得到高精度速度模型的基础上,对该区域进行高精度偏移成像,逆时偏移对复杂构造的成像精度要高于其他成像方法,且本发明的偏移方法的成像精度要高于传统的逆时偏移方法;本发明还将各个时间段的成像结果进行实时对比分析,监控高铁沿线灾害易发区域的地质情况,判断不良地质体是否发生运动。
本申请附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本申请的实践了解到。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一实施例提出的高铁智能预警方法流程示意图;
图2为本发明一实施例提出的高铁智能预警方法流程示意图;
图3为本发明一实施例提出的高铁智能预警方法流程示意图;
图4为本发明一实施例提出的高铁智能预警方法流程示意图;
图5为本发明一实施例的高铁智能预警装置的结构框图;
图6为本发明一实施例的高铁智能预警装置的结构框图;
图7为本发明一实施例的高铁智能预警装置的结构框图;
图8为本申请实施例提出的一种高铁智能预警系统的示意图;
图9为本发明一实施例提出的弹性波速度反演流程图;
图10为本发明一实施例提出的基于随机边界实现弹性波多分量逆时偏移流程图;
图11为本发明实施例的高铁智能预警装置的具体结构示意图;
图12为本发明一实施例提出的预警模块具体流程图;
图13为本发明一实施例采用的MarmousiⅡP波速度模型;
图14A及图14B分别为传统逆时偏移得到的X分量和Z分量的成像结果示意图;
图15A及图15B分别为弹性波多分量逆时偏移得到的P波X分量和Z分量的成像结果示意图;
图15C及图15D分别为弹性波多分量逆时偏移得到的S波X分量和Z分量的成像结果示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
基于背景技术可知:(1)现有基于地震反射波方法的超前探测和预警技术,有它应用的针对性,并不适合对高铁沿线地下不良地质体突变造成的地质灾害进行预警;(2)现有技术具有方法上的缺陷。识别地下不良地质体,最关键的因素是:速度的准确性和偏移成像的精度,现有技术都是基于层析成像和速度扫描得到高铁沿线灾害易发区域的速度模型,速度精度低,与地下真实速度有较大误差,直接影响成像的准确度;传统的深度偏移成像对复杂的不良地质体成像较差,不利于对不良地质体的识别。高铁具有较高的运行速度,当前方路段发生地层沉降等地质灾害时,需要及时确定灾害发生的地理位置,然后迅速做出应急制动措施。针对高铁沿线地下不良地质体突变造成的地质灾害,基于弹性波全波形反演和弹性波多分量逆时偏移技术,本发明提供了一种高铁智能预警方法。
图1为本发明一实施例提出的高铁智能预警方法流程示意图,包括:
S101:将高铁作为移动的炮点,基于初始速度模型,利用采集到的地震信号进行弹性波全波形反演,得到P波速度模型和S波速度模型;
S102:利用所述P波速度模型和S波速度模型进行弹性波多分量逆时偏移,得到成像结果,所述成像结果包括:P波X分量、P波Z分量、S波X分量、S波Z分量、弹性波X分量及弹性波Z分量;
S103:根据各个时间段的所述成像结果进行识别不良地质体的位置及空间分布,以进行实时监控预警。
由图1所示流程可知,本发明将高铁作为移动的炮点,利用弹性波全波形反演,刻画出高铁沿线地下地质灾害易发区域的速度模型(P波速度和S波速度),该速度模型的精度要远高于层析成像和速度扫描方法得到的结果;然后,利用弹性波多分量逆时偏移技术对该区域进行高精度偏移成像,逆时偏移对复杂构造的成像精度要高于其他传统的成像方法,相较于传统的逆时偏移方法,本发明采用的弹性波多分量逆时偏移技术的成像效果更好;最后,将各个时间段的成像结果进行对比分析,从而可以监控高铁沿线灾害易发区域的地质构造是否变化,在高铁行使至构造突变区域之前,提前对高铁发出预警,及时减速停车,减少人员和财产损失。
地震信号通过观测系统进行采集,观测系统布置于高铁轨道旁,采集地震信号后,传输至数据处理中心进行图1所示的流程的处理。
在对地震信号处理之前,还可以进行常规地震信号的处理,如滤波及动、静校正等处理。
初始速度模型为基于重磁电方法得到的前期的地质勘察目标区域的速度模型,作为弹性波全波形反演的初始速度模型。
一实施例中,如图2及图9所示,S101可以包括如下步骤:
S201:选取反演频率,按照频率组或者单频进行迭代循环;
在反演之前,首先输入反演参数文件、初始速度模型文件以及实际炮数据文件,并将初始速度场由内存复制到GPU显存中。
S202:进行当前反演频率的迭代次数循环;
S203:对单炮进行随机组合,形成组合炮集,进行组合炮集循环;
S204:在GPU显存中对速度场进行正演模拟,地表检波点接收模拟波场,利用离散傅里叶变换抽取对应的反演频率的频率域正传波场;
S205:将模拟炮记录和实际炮记录做残差,利用离散傅里叶变换抽取频率域残差波场;
S206:利用时间域传播算子对残差波场进行反传,利用离散傅里叶变换抽取当前反演频率的频率域波场;
S207:计算当前组合炮集在当前反演频率或频率组下对应的梯度场;
S208:对其他组合炮集,重复S204至S207,对组合炮集的梯度场进行累加,直到所有组合炮集循环完毕;
S209:选取梯度场最大值,利用步长衰减法求取优化步长;
S2010:由优化步长和梯度场计算模型参数更新量,并对当前GPU显存中的速度场进行更新;
S2011:判断是否满足迭代终止条件或者达到最大迭代次数,如果达到,则进行下个频率或频率组的反演;否则,继续重复进行S202至S2010;
S2012:所有的频率组或频率反演完毕后,将最终更新的速度场由GPU显存复制到内存,并输出反演结果(即P波速度模型和S波速度模型),完成反演过程。
正演是弹性波全波形反演的基础,它描述了地震波在地下介质的正传播过程,该过程可以由下式表达:
d=L(m) (1)
其中,d表示检波器接收到的地震波场;m为离散的参数模型,是描述参数分布情况的空间向量;L为地震波场传播算子,描述了地震波在参数模型m中的正传播过程,它一个是一个关于模型参数的非线性函数。
实际地震记录和模拟地震记录残差为:
δd=dobs-dcal (2)
其中,dcal为模拟地震记录,dobs为实际地震记录。
那么,实际接收到的地震记录与模拟地震记录残差的L2范数为:
上式中,上标“t”和“*”分别表示矩阵的转置和共轭;δdi为第i炮(高铁作为震源,运动到第i个点)的实际地震记录和模拟地震记录的残差;nshot表示参与反演的炮数。
利用一种最优化算法,对目标函数(3)极小化,然后迭代更新速度模型。在求解该问题时一般采用局部最优化算法,在初始速度模型m0附近寻找目标函数的最小值,通过求取目标函数的梯度,确定步长搜索方向和迭代步长大小,从而对速度参数模型不断更新,直到满足精度要求为止。
根据波恩近似,速度更新后的参数模型m,可以表示为初始速度模型m0和扰动模型Δm之和:
m=m0+Δm (4)
其中,扰动模型Δm为:
上式中,为Hessian矩阵,表示目标函数在m0处的曲率;为梯度矩阵,表示目标函数在m0处的变化率。
所以,为了得到扰动参数模型,需要计算梯度矩阵和Hessian矩阵。
频率域梯度表达式为:
其中,F为第i个模型参量对应的虚震源,Ub表示地震记录残差的反向传播波场,A表示阻抗矩阵或系数矩阵,且A=ALAU,Re表示取实部。
那么,模型参数对应的梯度场为:
其中,U为频率域波场向量。
第i个参数模型对应的速度场为:
由式(7)和式(8)可知:梯度场是由三部分组成的,震源正传波场,残差反传波场和散射项;故梯度场可以看成是在散射项约束下的入射波场与残差反传波场的零延迟互相关运算。
频率域梯度公式:
其中,ω表示角频率,vp(x)表示纵波速度。
对Hessian矩阵的计算和近似,衍生出不同的局部优化算法,本发明采用梯度法,用步长代替Hessian矩阵计算,那么,参数模型的更新方程可以写成:
其中,表示第k次迭代的梯度场;α(k)代表第k次迭代的步长,它是一个正标量,将梯度向量单元转换成模型单元。
在计算模型更新量之前,需要求取一个合理的步长。传统的步长求取的方法有很多,步长衰减法是一个比较简单的方法,相对于其他方法,它的计算量最小,但是精度较差,该方法将更多的计算资源放到了梯度场求取上,该方法的伪代码如下所示。
本发明采用的迭代终止条件为:利用来评价反演精度。
基于弹性波全波形反演得到的P波速度模型和S波速度模型可以进行弹性波多分量逆时偏移成像,一实施例中,如图3及图10所示,利用P波速度模型和S波速度模型进行弹性波多分量逆时偏移,得到成像结果,包括如下步骤:
S301:将震源波场正传,利用所述P波速度模型和S波速度模型计算正传速度场分解的P波X分量Vpx、P波Z分量Vpz、S波X分量Vsx、S波Z分量Vsz,得到弹性波正传速度场的X分量Vx及Z分量Vz;
S302:将检波点波场反传,利用所述P波速度模型和S波速度模型计算反传速度场分解的P波X分量Vpx、P波Z分量Vpz、S波X分量Vsx、S波Z分量Vsz,得到弹性波反传速度场的X分量Vx及Z分量Vz;
S303:根据所述弹性波正传速度场的X分量及Z分量以及所述弹性波反传速度场的X分量及Z分量计算所述成像结果。Ivpxx为纵波X分量的成像结果,Ivpzz为纵波Z分量的成像结果,Ivsxx为横波X分量的成像结果,Ivszz为横波波Z分量的成像结果,Ivxx为X分量的成像结果,Ivzz为Z分量的成像结果。
各向异性逆时偏移成像条件采用震源照明(震源归一化)互相关除法成像条件:
其中,I(x,z)是(x,z)处的逆时偏移结果。
逆时偏移过程中不可避免的会产生低频噪声,因此必须要对逆时偏移的剖面进行去噪处理。本发明利用Laplace滤波方法来消除低频假象,即对成像结果直接乘以Laplace算子达到滤波的效果,能有效滤除低频噪音。Laplace滤波实现时Laplace算子写成二阶差分的形式,相当于在波数域作用算子产生角度域cos2θ衰减的效果。
地震波在粘弹性介质中传播可以用以下一阶线性速度-应力方程:
在式(12)中,计算得到的波场为纵横波耦合波场vi。
根据纵波为无旋场和横波为无散场性质,将式(12)分解为纵横波解耦的一阶速度-应力方程:
其中,
在式(13)至式(16)中,式(13)和式(14)分别为解耦的纵波和横波方程,vpx和vpz分别为纵波速度分量,vsx和vsz分别为横波速度分量。和分别为P波和SV波粘弹性应变松弛时间,τσ为P波和SV波粘弹性应力松弛时间,ρ为密度,π和μ分别为P波和SV波的松弛模量,i=x,z。
中间记忆变量rij也可以以相同解耦方式分解,rpxx和rpzz分别为纵波记忆变换,rsxx和rszz分别为横波记忆变换。值得注意的是,该方程可在延拓矢量波场时,同时分解并延拓解耦纵波和横波波场。利用纯纵波和纯横波分别成像,避免了矢量波场成像交叉噪声引起的成像假象。
具体实施时,弹性波多分量逆时偏移过程中,可以利用Laplace滤波方法消除低频噪音。
相比较与常规弹性波逆时偏移,本发明的弹性波多分量逆时偏移方法在成像过程中采用纵、横波分解的一阶速度-应力等价弹性波动方程分别进行震源波场正向延拓和检波点波场反向延拓。因此,在波场延拓过程中,本发明既可以对弹性波速度分量X和Z分量进行成像,也可以对分解的纵波速度分量X和Z分量以及分解的横波速度分量X和Z分量延拓并成像,本发明的逆时偏移比单独的矢量波或分解的纵横波叠前逆时偏移效果更好。
一实施例中,如图4及图12所示,S103包括如下步骤:
S401:根据所述成像结果识别灾害易发区域的不良地质体;
S402:对各个时间段的成像结果进行不良地质体监控,判断所述不良地质体是否发生移动或错断是否大于轨道变形的阈值;
S403:如果是,进行预警操作。
本发明对灾害易发区域重点监控,将不同时间段得到的成像结果进行对比分析,如果不良地质体发生移动,且移动距离大于灾害发生的阈值,说明地质灾害已经发生,便于及时进行报警。
本发明的高铁智能预警方法将高铁作为移动的炮点,采用弹性波全波形反演,刻画出高铁沿线地下地质灾害易发区域P波和S波的速度模型,速度模型的精度要远高于层析成像和速度扫描方法得到的结果;并利用弹性波多分量逆时偏移技术,在得到高精度速度模型的基础上,对该区域进行高精度偏移成像,逆时偏移对复杂构造的成像精度要高于其他成像方法,且本发明的偏移方法的成像精度要高于传统的逆时偏移方法;本发明还将各个时间段的成像结果进行实时对比分析,监控高铁沿线灾害易发区域的地质情况,判断不良地质体是否发生运动。
基于同一发明构思,本申请实施例还提供了一种高铁智能预警装置,可以用于实现上述实施例所描述的方法,如下面的实施例所述。由于高铁智能预警装置解决问题的原理与高铁智能预警方法相似,因此高铁智能预警装置的实施可以参见高铁智能预警方法的实施,重复之处不再赘述。以下所使用的,术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
图5为本发明一实施例的高铁智能预警装置的结构框图,如图5所示,高铁智能预警装置包括:反演单元501,逆时偏移单元502及预警单元503。
反演单元501用于将高铁作为移动的炮点,基于初始速度模型,利用采集到的地震信号进行弹性波全波形反演,得到P波速度模型和S波速度模型,所述初始速度模型为基于重磁电方法得到的地质勘察目标区域的速度模型;
逆时偏移单元502用于利用所述P波速度模型和S波速度模型进行弹性波多分量逆时偏移,得到成像结果,所述成像结果包括:P波X分量、P波Z分量、S波X分量、S波Z分量、弹性波X分量及弹性波Z分量;
预警单元503用于根据各个时间段的所述成像结果进行识别不良地质体的位置及空间分布,以进行实时监控预警。
图11为本发明实施例的高铁智能预警装置的具体结构示意图。图11中,弹性波全波形反演模块相当于图5所示的反演单元501,弹性波多分量逆时偏移模块相当于逆时偏移单元502,分析预警模块相当于图5所示的预警单元503。另外,图11所示的高铁智能预警装置还包括信号采集模块及信号处理模块。
一实施例中,反演单元501具体用于执行如下操作:
步骤1:选取反演频率,按照频率组或者单频进行迭代循环;
步骤2:进行当前反演频率的迭代次数循环;
步骤3:对单炮进行随机组合,形成组合炮集,进行组合炮集循环;
步骤4:在GPU显存中对速度场进行正演模拟,接收模拟波场,利用离散傅里叶变换抽取对应的反演频率的频率域正传波场;
步骤5:将模拟炮记录和实际炮记录做残差,利用离散傅里叶变换抽取频率域残差波场;
步骤6:利用时间域传播算子对残差波场进行反传,利用离散傅里叶变换抽取当前反演频率的频率域波场;
步骤7:计算当前组合炮集在当前反演频率或频率组下对应的梯度场;
步骤8:对其他组合炮集,重复步骤4至步骤7,对组合炮集的梯度场进行累加,直到所有组合炮集循环完毕;
步骤9:选取梯度场最大值,利用步长衰减法求取优化步长;
步骤10:由优化步长和梯度场计算模型参数更新量,并对当前GPU显存中的速度场进行更新;
步骤11:判断是否满足迭代终止条件或者达到最大迭代次数,如果达到,则进行下个频率或频率组的反演;否则,继续重复进行步骤2至步骤10;
步骤12:所有的频率组或频率反演完毕后,将最终更新的速度场由GPU显存复制到内存,并输出反演结果,完成反演过程。
一实施例中,如图6所示,逆时偏移单元501包括:正传速度场分解模块601,反传速度场分解模块602及计算模块603。
正传速度场分解模块601用于将震源波场正传,利用所述P波速度模型和S波速度模型计算正传速度场分解的P波X分量、P波Z分量、S波X分量、S波Z分量,得到弹性波正传速度场的X分量及Z分量;
反传速度场分解模块602用于将检波点波场反传,利用所述P波速度模型和S波速度模型计算反传速度场分离的P波X分量、P波Z分量、S波X分量、S波Z分量,得到弹性波反传速度场的X分量及Z分量;
计算模块603用于根据所述弹性波正传速度场的X分量及Z分量以及所述弹性波反传速度场的X分量及Z分量计算所述成像结果。
一实施例中,如图7所示,预警单元503包括:
识别模块701,用于根据所述成像结果识别灾害易发生区域的不良地质体;
监控模块702,用于对各个时间段的成像结果进行不良地质体监控,判断所述不良地质体是否发生移动或错断是否大于轨道变形的阈值;
预警操作模块703,用于进行预警操作。
请参阅图8,本申请还提供一种高铁智能预警系统,所述系统包括:存储器a和处理器b,所述存储器a中存储计算机程序,所述计算机程序被所述处理器b执行时,实现以下功能:
将高铁作为移动的炮点,基于初始速度模型,利用采集到的地震信号进行弹性波全波形反演,得到P波速度模型和S波速度模型,所述初始速度模型为基于重磁电方法得到的地质勘察目标区域的速度模型;
利用所述P波速度模型和S波速度模型进行弹性波多分量逆时偏移,得到成像结果,所述成像结果包括:P波X分量、P波Z分量、S波X分量、S波Z分量、弹性波X分量及弹性波Z分量;
根据各个时间段的所述成像结果进行识别不良地质体的位置及空间分布,以进行实时监控预警。
在本实施例中,利用采集到的地震信号进行弹性波全波形反演,得到P波速度模型和S波速度模型,所述计算机程序被所述处理器执行时,实现以下功能:
步骤1:选取反演频率,按照频率组或者单频进行迭代循环;
步骤2:进行当前反演频率的迭代次数循环;
步骤3:对单炮进行随机组合,形成组合炮集,进行组合炮集循环;
步骤4:在GPU显存中对速度场进行正演模拟,接收模拟波场,利用离散傅里叶变换抽取对应的反演频率的频率域正传波场;
步骤5:将模拟炮记录和实际炮记录做残差,利用离散傅里叶变换抽取频率域残差波场;
步骤6:利用时间域传播算子对残差波场进行反传,利用离散傅里叶变换抽取当前反演频率的频率域波场;
步骤7:计算当前组合炮集在当前反演频率或频率组下对应的梯度场;
步骤8:对其他组合炮集,重复步骤4至步骤7,对组合炮集的梯度场进行累加,直到所有组合炮集循环完毕;
步骤9:选取梯度场最大值,利用步长衰减法求取优化步长;
步骤10:由优化步长和梯度场计算模型参数更新量,并对当前GPU显存中的速度场进行更新;
步骤11:判断是否满足迭代终止条件或者达到最大迭代次数,如果达到,则进行下个频率或频率组的反演;否则,继续重复进行步骤2至步骤10;
步骤12:所有的频率组或频率反演完毕后,将最终更新的速度场由GPU显存复制到内存,并输出反演结果,完成反演过程。
在本实施例中,利用所述P波速度模型和S波速度模型进行弹性波多分量逆时偏移,得到成像结果,所述计算机程序被所述处理器执行时,实现以下功能:
将震源波场正传,利用所述P波速度模型和S波速度模型计算正传速度场分离的P波X分量、P波Z分量、S波X分量、S波Z分量,得到弹性波正传速度场的X分量及Z分量;
将检波点波场反传,利用所述P波速度模型和S波速度模型计算反传速度场分离的P波X分量、P波Z分量、S波X分量、S波Z分量,得到弹性波反传速度场的X分量及Z分量;
根据所述弹性波正传速度场的X分量及Z分量以及所述弹性波反传速度场的X分量及Z分量计算所述成像结果。
在本实施例中,根据各个时间段的所述成像结果进行识别不良地质体的位置及空间分布,以进行实时监控预警,所述计算机程序被所述处理器执行时,实现以下功能:
根据所述成像结果识别灾害易发生区域的不良地质体;
对各个时间段的成像结果进行不良地质体监控,判断所述不良地质体是否发生移动或错断是否大于轨道变形的阈值;
如果是,进行预警操作。
在本实施方式中,所述存储器包括但不限于随机存取存储器(Random AccessMemory,RAM)、只读存储器(Read-Only Memory,ROM)、缓存(Cache)、硬盘(Hard DiskDrive,HDD)或者存储卡(Memory Card)。
在本实施方式中,所述处理器可以按任何适当的方式实现。例如,所述处理器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application SpecificIntegrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式等等。
本说明书实施方式提供的高铁智能预警系统,其存储器和处理器实现的具体功能,可以与本说明书中的前述实施方式相对照解释,并能够达到前述实施方式的技术效果,这里便不再赘述。
下面结合具体地实施例进行高铁智能预警方法的详细描述。
本实施例采用MarmousiⅡ模型验证弹性波多分量逆时偏移方法的有效性。该模型区域网格大小为:512×210,水平方向和垂直方向网格间距均为:20m。采用的地震子波为主频15HZ的零相位雷克子波,时间采样步长为0.5ms,总时间采样点个数为10001。逆时偏移中共采用48炮正演数据,其中48炮均匀分布于模型上表面,检波器分布于模型整个表面。
本实施例只画出了该模型的纵波速度模型如图13所示。分别对该模型应用传统逆时偏移和本专利弹性波多分量逆时偏移模块,截取水平距离4000m到8000米(图13中方框部分)的成像结果进行显示,图14A至图15D分别为传统逆时偏移和本专利弹性波多分量逆时偏移得到的成像结果。图14A及图14B分别为速度场X分量和速度场Z分量示意图。图15A及图15B分别为P波X分量和Z分量示意图,图15C及图15D分别为S波X分量和Z分量示意图。
将图14A至图15D中上下方框部分进行对比,可以看出:本发明弹性波多分量逆时偏移模块得到的成像结果精度要高于传统的逆时偏移;其中,方框1和方框2部分显示出中本实施例模块得到的P、S波X和Z分量成像对浅层复杂构造和深部构造有很高成像精度。
通过分析预警系统,将当前时刻得到的成像结果与之前记录的各个时刻的成像结果进行对比分析,便可得到图13的方框区域不良地质体的运动情况,从而当灾害发生后,可以及时预警,且偏移成像精度越高,越有利于对不良地质体的监控和提高预警准确度。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (6)
1.一种高铁智能预警方法,其特征在于,包括:
将高铁作为移动的炮点,基于初始速度模型,利用采集到的地震信号进行弹性波全波形反演,得到P波速度模型和S波速度模型,所述初始速度模型为基于重磁电方法得到的地质勘察目标区域的速度模型;
利用所述P波速度模型和S波速度模型进行弹性波多分量逆时偏移,得到成像结果,所述成像结果包括:P波X分量、P波Z分量、S波X分量、S波Z分量、弹性波X分量及弹性波Z分量;
根据各个时间段的所述成像结果进行识别不良地质体的位置及空间分布,以进行实时监控预警;
所述将高铁作为移动的炮点,基于初始速度模型,利用采集到的地震信号进行弹性波全波形反演,得到P波速度模型和S波速度模型,包括:
步骤1:基于Sirgue的频率优选策略,以为等比选取反演频率,按照频率组或者单频进行迭代循环;
步骤2:进行当前反演频率的迭代次数循环;
步骤3:对单炮进行随机组合,形成组合炮集,进行组合炮集循环;
步骤4:在GPU显存中对速度场进行正演模拟,接收模拟波场,利用离散傅里叶变换抽取对应的反演频率的频率域正传波场;具体为:
d=L(m)
其中,d表示检波器接收到的地震波场;m为离散的参数模型,是描述参数分布情况的空间向量;L为地震波场传播算子,描述了地震波在参数模型m中的正传播过程,是一个关于模型参数的非线性函数;
步骤5:将模拟炮记录和实际炮记录做残差,利用离散傅里叶变换抽取频率域残差波场;具体为:
δd=dobs-dcal
其中,dcal为模拟地震记录,dobs为实际地震记录;
实际接收到的地震记录与模拟地震记录残差的L2范数为:
上式中,上标“t”和“*”分别表示矩阵的转置和共轭;δdi为第i炮的实际地震记录和模拟地震记录的残差;nshot表示参与反演的炮数;
步骤6:利用时间域传播算子对残差波场进行反传,利用离散傅里叶变换抽取当前反演频率的频率域波场;
步骤7:计算当前组合炮集在当前反演频率或频率组下对应的梯度场;
步骤8:对其他组合炮集,重复步骤4至步骤7,对组合炮集的梯度场进行累加,直到所有组合炮集循环完毕;
步骤9:选取梯度场最大值,利用步长衰减法求取优化步长;
步骤10:由优化步长和梯度场计算模型参数更新量,并对当前GPU显存中的速度场进行更新;
步骤11:判断是否满足迭代终止条件或者达到最大迭代次数,如果达到,则进行下个频率或频率组的反演;否则,继续重复进行步骤2至步骤10;
步骤12:所有的频率组或频率反演完毕后,将最终更新的速度场由GPU显存复制到内存,并输出反演结果,完成反演过程;
所述步骤6至步骤12具体为:
根据波恩近似,速度更新后的参数模型m,表示为初始速度模型m0和扰动模型Δm之和:
m=m0+Δm
其中,扰动模型Δm为:
上式中,为Hessian矩阵,表示目标函数在m0处的曲率;为梯度矩阵,表示目标函数在m0处的变化率;
计算梯度矩阵和Hessian矩阵;
频率域梯度表达式为:
其中,F为第i个模型参量对应的虚震源,Ub表示地震记录残差的反向传播波场,A表示阻抗矩阵或系数矩阵,且A=ALAU,Re表示取实部;
模型参数对应的梯度场为:
其中,U为频率域波场向量;
第i个参数模型对应的速度场为:
梯度场是由三部分组成的,震源正传波场,残差反传波场和散射项;故梯度场可以看成是在散射项约束下的入射波场与残差反传波场的零延迟互相关运算;
频率域梯度公式:
其中,ω表示角频率,vp(x)表示纵波速度;
采用梯度法,用步长代替Hessian矩阵计算,那么,参数模型的更新方程可以写成:
其中,表示第k次迭代的梯度场;α(k)代表第k次迭代的步长,它是一个正标量,将梯度向量单元转换成模型单元;
所述利用所述P波速度模型和S波速度模型进行弹性波多分量逆时偏移,得到成像结果,所述成像结果包括:P波X分量、P波Z分量、S波X分量、S波Z分量、弹性波X分量及弹性波Z分量,包括:
将震源波场正传,利用所述P波速度模型和S波速度模型计算正传速度场分离的P波X分量、P波Z分量、S波X分量、S波Z分量,得到弹性波正传速度场的X分量及Z分量;
将检波点波场反传,利用所述P波速度模型和S波速度模型计算反传速度场分离的P波X分量、P波Z分量、S波X分量、S波Z分量,得到弹性波反传速度场的X分量及Z分量;
根据所述弹性波正传速度场的X分量及Z分量以及所述弹性波反传速度场的X分量及Z分量计算所述成像结果;其中,各向异性逆时偏移成像条件采用震源照明互相关除法成像条件:
其中,I(x,z)是(x,z)处的逆时偏移结果。
2.根据权利要求1所述的高铁智能预警方法,其特征在于,根据各个时间段的所述成像结果进行识别不良地质体的位置及空间分布,以进行实时监控预警,包括:
根据所述成像结果识别灾害易发生区域的不良地质体;
对各个时间段的成像结果进行不良地质体监控,判断所述不良地质体是否发生移动或错断是否大于轨道变形的阈值;
如果是,进行预警操作。
3.根据权利要求1所述的高铁智能预警方法,其特征在于,弹性波多分量逆时偏移过程中,利用Laplace滤波方法消除低频噪音。
4.一种高铁智能预警装置,其特征在于,包括:
反演单元,将高铁作为移动的炮点,基于初始速度模型,利用采集到的地震信号进行弹性波全波形反演,得到P波速度模型和S波速度模型,所述初始速度模型为基于重磁电方法得到的地质勘察目标区域的速度模型;
逆时偏移单元,用于利用所述P波速度模型和S波速度模型进行弹性波多分量逆时偏移,得到成像结果,所述成像结果包括:P波X分量、P波Z分量、S波X分量、S波Z分量、弹性波X分量及弹性波Z分量;
预警单元,用于根据各个时间段的所述成像结果进行识别不良地质体的位置及空间分布,以进行实时监控预警;
所述逆时偏移单元包括:
正传速度场分解模块,用于将震源波场正传,利用所述P波速度模型和S波速度模型计算正传速度场分离的P波X分量、P波Z分量、S波X分量、S波Z分量,得到弹性波正传速度场的X分量及Z分量;
反传速度场分解模块,用于将检波点波场反传,利用所述P波速度模型和S波速度模型计算反传速度场分离的P波X分量、P波Z分量、S波X分量、S波Z分量,得到弹性波反传速度场的X分量及Z分量;
计算模块,用于根据所述弹性波正传速度场的X分量及Z分量以及所述弹性波反传速度场的X分量及Z分量计算所述成像结果;
所述预警单元包括:
识别模块,用于根据所述成像结果识别灾害易发生区域的不良地质体;
监控模块,用于对各个时间段的成像结果进行不良地质体监控,判断所述不良地质体是否发生移动或错断是否大于轨道变形的阈值;
预警操作模块,用于进行预警操作。
5.一种高铁智能预警系统,其特征在于,所述系统包括:存储器和处理器,所述存储器中存储计算机程序,所述计算机程序被所述处理器执行时,实现以下功能:
将高铁作为移动的炮点,基于初始速度模型,利用采集到的地震信号进行弹性波全波形反演,得到P波速度模型和S波速度模型,所述初始速度模型为基于重磁电方法得到的地质勘察目标区域的速度模型;
利用所述P波速度模型和S波速度模型进行弹性波多分量逆时偏移,得到成像结果,所述成像结果包括:P波X分量、P波Z分量、S波X分量、S波Z分量、弹性波X分量及弹性波Z分量;
根据各个时间段的所述成像结果进行识别不良地质体的位置及空间分布,以进行实时监控预警;
所述将高铁作为移动的炮点,基于初始速度模型,利用采集到的地震信号进行弹性波全波形反演,得到P波速度模型和S波速度模型,所述计算机程序被所述处理器执行时,实现以下功能:
步骤1:选取反演频率,按照频率组或者单频进行迭代循环;
步骤2:进行当前反演频率的迭代次数循环;
步骤3:对单炮进行随机组合,形成组合炮集,进行组合炮集循环;
步骤4:在GPU显存中对速度场进行正演模拟,接收模拟波场,利用离散傅里叶变换抽取对应的反演频率的频率域正传波场;具体为:
d=L(m)
其中,d表示检波器接收到的地震波场;m为离散的参数模型,是描述参数分布情况的空间向量;L为地震波场传播算子,描述了地震波在参数模型m中的正传播过程,是一个关于模型参数的非线性函数;
步骤5:将模拟炮记录和实际炮记录做残差,利用离散傅里叶变换抽取频率域残差波场;具体为:
δd=dobs-dcal
其中,dcal为模拟地震记录,dobs为实际地震记录;
实际接收到的地震记录与模拟地震记录残差的L2范数为:
上式中,上标“t”和“*”分别表示矩阵的转置和共轭;δdi为第i炮的实际地震记录和模拟地震记录的残差;nshot表示参与反演的炮数;
步骤6:利用时间域传播算子对残差波场进行反传,利用离散傅里叶变换抽取当前反演频率的频率域波场;
步骤7:计算当前组合炮集在当前反演频率或频率组下对应的梯度场;
步骤8:对其他组合炮集,重复步骤4至步骤7,对组合炮集的梯度场进行累加,直到所有组合炮集循环完毕;
步骤9:选取梯度场最大值,利用步长衰减法求取优化步长;
步骤10:由优化步长和梯度场计算模型参数更新量,并对当前GPU显存中的速度场进行更新;
步骤11:判断是否满足迭代终止条件或者达到最大迭代次数,如果达到,则进行下个频率或频率组的反演;否则,继续重复进行步骤2至步骤10;
步骤12:所有的频率组或频率反演完毕后,将最终更新的速度场由GPU显存复制到内存,并输出反演结果,完成反演过程;
所述步骤6至步骤12具体为:
根据波恩近似,速度更新后的参数模型m,表示为初始速度模型m0和扰动模型Δm之和:
m=m0+Δm
其中,扰动模型Δm为:
上式中,为Hessian矩阵,表示目标函数在m0处的曲率;为梯度矩阵,表示目标函数在m0处的变化率;
计算梯度矩阵和Hessian矩阵;
频率域梯度表达式为:
其中,F为第i个模型参量对应的虚震源,Ub表示地震记录残差的反向传播波场,A表示阻抗矩阵或系数矩阵,且A=ALAU,Re表示取实部;
模型参数对应的梯度场为:
其中,U为频率域波场向量;
第i个参数模型对应的速度场为:
梯度场是由三部分组成的,震源正传波场,残差反传波场和散射项;故梯度场可以看成是在散射项约束下的入射波场与残差反传波场的零延迟互相关运算;
频率域梯度公式:
其中,ω表示角频率,vp(x)表示纵波速度;
采用梯度法,用步长代替Hessian矩阵计算,那么,参数模型的更新方程可以写成:
其中,表示第k次迭代的梯度场;α(k)代表第k次迭代的步长,它是一个正标量,将梯度向量单元转换成模型单元;
所述利用所述P波速度模型和S波速度模型进行弹性波多分量逆时偏移,得到成像结果,所述成像结果包括:P波X分量、P波Z分量、S波X分量、S波Z分量、弹性波X分量及弹性波Z分量,实现以下功能:
将震源波场正传,利用所述P波速度模型和S波速度模型计算正传速度场分离的P波X分量、P波Z分量、S波X分量、S波Z分量,得到弹性波正传速度场的X分量及Z分量;
将检波点波场反传,利用所述P波速度模型和S波速度模型计算反传速度场分离的P波X分量、P波Z分量、S波X分量、S波Z分量,得到弹性波反传速度场的X分量及Z分量;
根据所述弹性波正传速度场的X分量及Z分量以及所述弹性波反传速度场的X分量及Z分量计算所述成像结果;其中,各向异性逆时偏移成像条件采用震源照明互相关除法成像条件:
其中,I(x,z)是(x,z)处的逆时偏移结果。
6.如权利要求5所述的系统,其特征在于,根据各个时间段的所述成像结果进行识别不良地质体的位置及空间分布,以进行实时监控预警,所述计算机程序被所述处理器执行时,实现以下功能:
根据所述成像结果识别灾害易发生区域的不良地质体;
对各个时间段的成像结果进行不良地质体监控,判断所述不良地质体是否发生移动或错断是否大于轨道变形的阈值;
如果是,进行预警操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810165715.0A CN108594299B (zh) | 2018-02-28 | 2018-02-28 | 高铁智能预警方法、装置及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810165715.0A CN108594299B (zh) | 2018-02-28 | 2018-02-28 | 高铁智能预警方法、装置及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108594299A CN108594299A (zh) | 2018-09-28 |
CN108594299B true CN108594299B (zh) | 2019-12-31 |
Family
ID=63599852
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810165715.0A Expired - Fee Related CN108594299B (zh) | 2018-02-28 | 2018-02-28 | 高铁智能预警方法、装置及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108594299B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110174668B (zh) * | 2019-04-26 | 2022-12-20 | 中国矿业大学 | 一种矿井无源动目标轮廓识别方法 |
CN111722278B (zh) * | 2020-05-12 | 2021-10-08 | 山东大学 | 基于盾构机施工噪声的多波场地震探测方法与系统 |
CN114333248B (zh) * | 2022-01-11 | 2022-09-23 | 西南交通大学 | 一种高铁地震预警方法、装置、设备及可读存储介质 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8320581B2 (en) * | 2010-03-03 | 2012-11-27 | Bose Corporation | Vehicle engine sound enhancement |
CN102156296A (zh) * | 2011-04-19 | 2011-08-17 | 中国石油大学(华东) | 地震多分量联合弹性逆时偏移成像方法 |
CN103135132B (zh) * | 2013-01-15 | 2015-07-01 | 中国科学院地质与地球物理研究所 | Cpu/gpu协同并行计算的混合域全波形反演方法 |
CN105319581B (zh) * | 2014-07-31 | 2018-01-16 | 中国石油化工股份有限公司 | 一种高效的时间域全波形反演方法 |
CN104155682A (zh) * | 2014-08-15 | 2014-11-19 | 中国科学院地质与地球物理研究所 | 利用运动车辆作为震源的微震地震勘探方法 |
CN104570125B (zh) * | 2014-09-26 | 2016-09-28 | 中国石油天然气股份有限公司 | 一种利用井数据提高成像速度模型精度的方法 |
-
2018
- 2018-02-28 CN CN201810165715.0A patent/CN108594299B/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN108594299A (zh) | 2018-09-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sekiguchi et al. | Fault geometry at the rupture termination of the 1995 Hyogo-ken Nanbu earthquake | |
CA3122509C (en) | Machine learning-augmented geophysical inversion | |
EP2396675B1 (en) | Reconstructing seismic wavefields | |
CN108594299B (zh) | 高铁智能预警方法、装置及系统 | |
US20170335675A1 (en) | Method To Predict Pore Pressure And Seal Integrity Using Full Wavefield Inversion | |
US9348049B2 (en) | Simultaneous joint estimation of the P-P and P-S residual statics | |
GB2491346A (en) | Three dimensional full-wavefield seismic tomography for use in mining or in extraction of metalliferous mineral and/or diamond deposits | |
Cheng et al. | Research developments and prospects on microseismic source location in mines | |
Lyu et al. | GPR detection of tunnel lining cavities and reverse-time migration imaging | |
EP2778724B1 (en) | Systems and methods for building axes, co-axes and paleo-geographic coordinates related to a stratified geological volume | |
CN107817524B (zh) | 三维地震层析成像的方法和装置 | |
Zahradník et al. | Effect of a simple mountain range on underground seismic motion | |
US9791580B2 (en) | Methods and systems to separate wavefields using pressure wavefield data | |
Anderson et al. | Tracked vehicle simulations and seismic wavefield synthesis in seismic sensor systems | |
EP3387466B1 (en) | Efficient internal multiple prediction methods | |
Wang et al. | Rock fracture monitoring based on high-precision microseismic event location using 3D multiscale waveform inversion | |
Piana Agostinetti et al. | Changepoint detection in seismic double-difference data: application of a trans-dimensional algorithm to data-space exploration | |
Liu et al. | An inverted heterogeneous velocity model for microseismic source location in deep buried tunnels | |
Zheng et al. | Elastic full-wave field simulation in 3D tunnel space with the variable staggered-grid finite-difference method in cylindrical coordinates | |
CA3008037C (en) | Efficient internal multiple prediction methods | |
Dębski | Bayesian approach to tomographic imaging of rock-mass velocity heterogeneities | |
Chang et al. | Lateral variations of Rayleigh-wave dispersions in the Philippine Sea region | |
CN116626751B (zh) | 基于多目标函数的黏弹性参数同步反演方法、装置和设备 | |
Klaasen et al. | Subglacial volcano monitoring with fibre-optic sensing: Grímsvötn, Iceland | |
Zhang | Full-wave tomography of the eastern hemisphere |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20191231 Termination date: 20210228 |