CN109613610A - 微震信号到时差的自动拾取方法 - Google Patents
微震信号到时差的自动拾取方法 Download PDFInfo
- Publication number
- CN109613610A CN109613610A CN201910044199.0A CN201910044199A CN109613610A CN 109613610 A CN109613610 A CN 109613610A CN 201910044199 A CN201910044199 A CN 201910044199A CN 109613610 A CN109613610 A CN 109613610A
- Authority
- CN
- China
- Prior art keywords
- microseismic signals
- time difference
- arrival time
- automatic pick
- spectrum
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000001228 spectrum Methods 0.000 claims abstract description 42
- 238000004458 analytical method Methods 0.000 claims abstract description 22
- 238000013528 artificial neural network Methods 0.000 claims abstract description 19
- 230000009977 dual effect Effects 0.000 claims abstract description 6
- 210000002569 neuron Anatomy 0.000 claims description 6
- 101100001675 Emericella variicolor andJ gene Proteins 0.000 claims description 3
- ODKSFYDXXFIFQN-UHFFFAOYSA-M argininate Chemical compound [O-]C(=O)C(N)CCCNC(N)=N ODKSFYDXXFIFQN-UHFFFAOYSA-M 0.000 claims description 3
- 210000005036 nerve Anatomy 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 abstract description 2
- 238000011160 research Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 230000002269 spontaneous effect Effects 0.000 description 1
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. for interpretation or for event detection
- G01V1/288—Event detection in seismic signals, e.g. microseismics
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/16—Receiving elements for seismic signals; Arrangements or adaptations of receiving elements
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V2210/00—Details of seismic processing or analysis
- G01V2210/40—Transforming data representation
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Environmental & Geological Engineering (AREA)
- Acoustics & Sound (AREA)
- Geology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Geophysics (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Image Analysis (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开了一种微震信号到时差的自动拾取方法，包括采用双传感器采集微震信号；对微震信号进行交叉小波变换；将交叉小波变换结果分解为能量谱和相位谱；对能量谱和相位谱进行自编码；将数据输入到神经网络进行计算，结果即为最终的微震信号到时差的拾取结果。因此本发明方法在计算到时差时，无需单独拾取到时再作差，避免了单独拾取到时的两次误差引入；使用同源信号的相似特性，和深度学习善于提取图像特征信息的优势匹配信号相似度，准确识别同源信号，求取更准确的到时差；而且本发明方法可靠性高、精确度高且简单方便。
Description
技术领域
本发明具体涉及一种微震信号到时差的自动拾取方法。
背景技术
随着经济技术的发展，人们对于自然的认识和研究也越来越深入。
微震，是指由岩石破裂或流体扰动产生微小的震动。广义上的微震可以分为两大类：工程生产上的微震(microseism)和自然产生的微地震(microearthquake)。对于微震的研究，有助于人们对于地震、人工震动等的理解和研究，因此对于微震的研究就显得额外重要。
微地震记录的特点是频率高、信噪比低，因此微地震事件的自动识别和初至到时拾取对实现海量微地震数据的自动处理有重要意义。对于天然地震事件，已提出了多种自动识别方法。而与天然地震的记录相比，微震的震级更小，通常在1级以下，而且信噪比更低，因此对微地震事件的识别更加困难。
目前常用的微震信号到时差记录方法，记录的精度较差，已经不再适用于目前越来越深入和精确的微震研究。
发明内容
本发明的目的在于提供一种可靠性高、精确度高且简单方便的微震信号到时差的自动拾取方法。
本发明提供的这种微震信号到时差的自动拾取方法，包括如下步骤：
S1.采用双传感器采集微震信号；
S2.对步骤S1获取的两个微震信号进行交叉小波变换；
S3.将步骤S2得到的交叉小波变换结果分解为能量谱和相位谱；
S4.对步骤S3得到的能量谱和相位谱进行自编码，从而降低数据的维度；
S5.将步骤S4得到的降维后的数据输入到神经网络进行计算；
S6.神经网络的计算输出结果即为最终的微震信号到时差的拾取结果。
步骤S1所述的采用双传感器采集微震信号，具体为采用两个同类型传感器A和B，布置在矿山的不同位置L1和L2，传感器A采集L1点的微震信号，传感器B采集L2点的微震信号。
步骤S2所述的对获取的两个微震信号进行交叉小波变换，具体为采用如下算式进行交叉小波变换：
WTxy(u,s)＝WTx(u,s)(WTy(u,s))*
式中WTxy(u,s)为交叉小波变换的结果，WTx(u,s)为对第一微震信号x(t)进行变换，WTy(u,s)为对第二微震信号y(t)进行变换，(WTy(u,s))*为第二对微震信号y(t)的变换结果WTy(u,s)取复数共轭操作；a为x或y，其中δt为常数，s为尺度因子，u为平移参数，N为信号的总采样点数，ψ0(η)为母小波且j为虚数单位。
步骤S3所述的将交叉小波变换结果分解为能量谱和相位谱，具体为采用如下公式计算能量谱和相位谱：
E＝|WTxy(u,s)|2
式中E为能量谱，为相位谱，arg()为求取复数辐角的函数。
步骤S4所述的对能量谱和相位谱进行自编码，具体为采用autoencoder算法对能量谱和相位谱进行自编码。
所述的autoencoder算法的隐藏层神经元数据为100。
步骤S5所述的神经网络，为BP神经网络。
所述的BP神经网络的隐含层神经元数据为20。
所述的BP神经网络为经过了采用人工分析得到的数据进行监督学习后的BP神经网络。
本发明提供的这种微震信号到时差的自动拾取方法，通过采用交叉小波变换将两个信号片段转化为图像信息，同时采用采用autocoder提取图像特征，最后采用BP神经网络做特征到到时差的拟合。因此本发明方法在计算到时差时，无需单独拾取到时再作差，避免了单独拾取到时的两次误差引入；使用同源信号的相似特性，和深度学习善于提取图像特征信息的优势匹配信号相似度，准确识别同源信号，求取更准确的到时差；而且本发明方法可靠性高、精确度高且简单方便。
附图说明
图1为本发明方法的方法流程图。
具体实施方式
如图所示为本发明方法的方法流程图：本发明提供的这种微震信号到时差的自动拾取方法，包括如下步骤：
S1.采用双传感器采集微震信号；具体为采用两个同类型传感器A和B，布置在矿山的不同位置L1和L2，传感器A采集L1点的微震信号，传感器B采集L2点的微震信号；
S2.对步骤S1获取的两个微震信号进行交叉小波变换；具体为采用如下算式进行交叉小波变换：
WTxy(u,s)＝WTx(u,s)(WTy(u,s))*
式中WTxy(u,s)为交叉小波变换的结果，WTx(u,s)为对第一微震信号x(t)进行变换，WTy(u,s)为对第二微震信号y(t)进行变换，(WTy(u,s))*为第二对微震信号y(t)的变换结果WTy(u,s)取复数共轭操作；a为x或y，其中δt为常数，s为尺度因子，u为平移参数，N为信号的总采样点数，ψ0(η)为母小波且j为虚数单位；
S3.将步骤S2得到的交叉小波变换结果分解为能量谱和相位谱；具体为采用如下公式计算能量谱和相位谱：
E＝|WTxy(u,s)|2
式中E为能量谱，为相位谱，arg()为求取复数辐角的函数；
S4.对步骤S3得到的能量谱和相位谱进行自编码，从而降低数据的维度；
在具体实施时，优选为采用autoencoder算法对能量谱和相位谱进行自编码，同时autoencoder算法的隐藏层神经元数据为100；
S5.将步骤S4得到的降维后的数据输入到神经网络进行计算；
在具体实施时，神经网络优选为BP神经网络，BP神经网络的隐含层神经元数据为20；而且，神经网络在使用前必须采用人工分析得到的数据进行监督学习；
S6.神经网络的计算输出结果即为最终的微震信号到时差的拾取结果。
Claims (9)
1.一种微震信号到时差的自动拾取方法，包括如下步骤：
S1.采用双传感器采集微震信号；
S2.对步骤S1获取的两个微震信号进行交叉小波变换；
S3.将步骤S2得到的交叉小波变换结果分解为能量谱和相位谱；
S4.对步骤S3得到的能量谱和相位谱进行自编码，从而降低数据的维度；
S5.将步骤S4得到的降维后的数据输入到神经网络进行计算；
S6.神经网络的计算输出结果即为最终的微震信号到时差的拾取结果。
2.根据权利要求1所述的微震信号到时差的自动拾取方法，其特征在于步骤S1所述的采用双传感器采集微震信号，具体为采用两个同类型传感器A和B，布置在矿山的不同位置L1和L2，传感器A采集L1点的微震信号，传感器B采集L2点的微震信号。
3.根据权利要求2所述的微震信号到时差的自动拾取方法，其特征在于步骤S2所述的对获取的两个微震信号进行交叉小波变换，具体为采用如下算式进行交叉小波变换：
WTxy(u,s)＝WTx(u,s)(WTy(u,s))*
式中WTxy(u,s)为交叉小波变换的结果，WTx(u,s)为对第一微震信号x(t)进行变换，WTy(u,s)为对第二微震信号y(t)进行变换，(WTy(u,s))*为第二对微震信号y(t)的变换结果WTy(u,s)取复数共轭操作；a为x或y，其中δt为常数，s为尺度因子，u为平移参数，N为信号的总采样点数，ψ0(η)为母小波且j为虚数单位。
4.根据权利要求3所述的微震信号到时差的自动拾取方法，其特征在于步骤S3所述的将交叉小波变换结果分解为能量谱和相位谱，具体为采用如下公式计算能量谱和相位谱：
E＝|WTxy(u,s)|2
式中E为能量谱，为相位谱，arg()为求取复数辐角的函数。
5.根据权利要求1～4之一所述的微震信号到时差的自动拾取方法，其特征在于步骤S4所述的对能量谱和相位谱进行自编码，具体为采用autoencoder算法对能量谱和相位谱进行自编码。
6.根据权利要求5所述的微震信号到时差的自动拾取方法，其特征在于所述的autoencoder算法的隐藏层神经元数据为100。
7.根据权利要求1～4之一所述的微震信号到时差的自动拾取方法，其特征在于步骤S5所述的神经网络，为BP神经网络。
8.根据权利要求7所述的微震信号到时差的自动拾取方法，其特征在于所述的BP神经网络的隐含层神经元数据为20。
9.根据权利要求8所述的微震信号到时差的自动拾取方法，其特征在于所述的BP神经网络为经过了采用人工分析得到的数据进行监督学习后的BP神经网络。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910044199.0A CN109613610B (zh) | 2019-01-17 | 2019-01-17 | 微震信号到时差的自动拾取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910044199.0A CN109613610B (zh) | 2019-01-17 | 2019-01-17 | 微震信号到时差的自动拾取方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109613610A true CN109613610A (zh) | 2019-04-12 |
| CN109613610B CN109613610B (zh) | 2020-04-14 |
Family
ID=66016885
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910044199.0A Active CN109613610B (zh) | 2019-01-17 | 2019-01-17 | 微震信号到时差的自动拾取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109613610B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110737023A (zh) * | 2019-10-17 | 2020-01-31 | 北京矿冶科技集团有限公司 | 一种矿用微震监测信号的处理方法 |
| CN110954952A (zh) * | 2019-12-05 | 2020-04-03 | 山东省科学院激光研究所 | 一种微震信号初至波类型判别和波速校正方法 |
| CN111505705A (zh) * | 2020-01-19 | 2020-08-07 | 长江大学 | 基于胶囊神经网络的微地震p波初至拾取方法及系统 |
| WO2020220416A1 (zh) * | 2019-04-28 | 2020-11-05 | 山东科技大学 | 一种基于深度学习的微震信号分类辨识方法 |
| CN117056708A (zh) * | 2023-10-11 | 2023-11-14 | 成都大公博创信息技术有限公司 | 一种基于多尺度特征融合和cnn-lstm的ais信号识别方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106411829A (zh) * | 2015-12-14 | 2017-02-15 | 中国民航大学 | 基于小波能量谱和组合神经网络的LDoS攻击检测方法 |
| CN106405640A (zh) * | 2016-08-26 | 2017-02-15 | 中国矿业大学(北京) | 基于深度信念神经网络的微震信号到时自动拾取方法 |
| CN107894564A (zh) * | 2017-11-09 | 2018-04-10 | 合肥工业大学 | 一种基于交叉小波特征的模拟电路故障诊断方法 |
| CN108121878A (zh) * | 2018-01-05 | 2018-06-05 | 吉林大学 | 自动编码震源信号的脉冲神经网络模型 |
| US20180306609A1 (en) * | 2017-04-24 | 2018-10-25 | Carnegie Mellon University | Virtual sensor system |
-
2019
- 2019-01-17 CN CN201910044199.0A patent/CN109613610B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106411829A (zh) * | 2015-12-14 | 2017-02-15 | 中国民航大学 | 基于小波能量谱和组合神经网络的LDoS攻击检测方法 |
| CN106405640A (zh) * | 2016-08-26 | 2017-02-15 | 中国矿业大学(北京) | 基于深度信念神经网络的微震信号到时自动拾取方法 |
| US20180306609A1 (en) * | 2017-04-24 | 2018-10-25 | Carnegie Mellon University | Virtual sensor system |
| CN107894564A (zh) * | 2017-11-09 | 2018-04-10 | 合肥工业大学 | 一种基于交叉小波特征的模拟电路故障诊断方法 |
| CN108121878A (zh) * | 2018-01-05 | 2018-06-05 | 吉林大学 | 自动编码震源信号的脉冲神经网络模型 |
Non-Patent Citations (1)
| Title |
|---|
| 杨德贺 等: "基于自编码网络的浅源和深源诱发型微震识别", 《地球物理学进展》 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020220416A1 (zh) * | 2019-04-28 | 2020-11-05 | 山东科技大学 | 一种基于深度学习的微震信号分类辨识方法 |
| CN110737023A (zh) * | 2019-10-17 | 2020-01-31 | 北京矿冶科技集团有限公司 | 一种矿用微震监测信号的处理方法 |
| CN110737023B (zh) * | 2019-10-17 | 2021-04-16 | 北京矿冶科技集团有限公司 | 一种矿用微震监测信号的处理方法 |
| CN110954952A (zh) * | 2019-12-05 | 2020-04-03 | 山东省科学院激光研究所 | 一种微震信号初至波类型判别和波速校正方法 |
| CN110954952B (zh) * | 2019-12-05 | 2021-06-18 | 山东省科学院激光研究所 | 一种微震信号初至波类型判别和波速校正方法 |
| CN111505705A (zh) * | 2020-01-19 | 2020-08-07 | 长江大学 | 基于胶囊神经网络的微地震p波初至拾取方法及系统 |
| CN111505705B (zh) * | 2020-01-19 | 2022-08-02 | 长江大学 | 基于胶囊神经网络的微地震p波初至拾取方法及系统 |
| CN117056708A (zh) * | 2023-10-11 | 2023-11-14 | 成都大公博创信息技术有限公司 | 一种基于多尺度特征融合和cnn-lstm的ais信号识别方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109613610B (zh) | 2020-04-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109613610A (zh) | 微震信号到时差的自动拾取方法 | |
| CN108805269B (zh) | 一种基于lstm循环神经网络拾取震相到时的方法 | |
| CN104062677B (zh) | 一种多功能综合集成高精度智能微震监测系统 | |
| CN104266894B (zh) | 一种基于相关性分析的矿山微震信号初至波时刻提取方法 | |
| CN109165660A (zh) | 一种基于卷积神经网络的显著物体检测方法 | |
| CN101609160B (zh) | 一种抗背景噪音强的地震数据初至波自动拾取方法 | |
| CN106886044B (zh) | 一种基于剪切波与Akaike信息准则的微地震初至拾取方法 | |
| CN112307601B (zh) | 一种复杂储层可压裂性评价方法 | |
| CN111027452A (zh) | 基于深度神经网络的微震信号到时和震相识别方法及系统 | |
| CN109063687A (zh) | 一种基于深度卷积神经网络的微地震p波识别方法及系统 | |
| CN107817466B (zh) | 基于堆叠受限玻尔兹曼机和随机森林算法的室内定位方法 | |
| CN103268607A (zh) | 一种弱监督条件下的共同对象检测方法 | |
| JP6817657B2 (ja) | シンプルプロファイリング（ｓｐｍ）手法の変換プログラムおよびシンプルプロファイリング（ｓｐｍ）手法の変換方法 | |
| Liu et al. | Microseismic event detection and classification based on convolutional neural network | |
| CN115826042B (zh) | 一种边云端结合的分布式地震数据处理方法与装置 | |
| CN115859078A (zh) | 一种基于改进Transformer的毫米波雷达跌倒检测方法 | |
| CN109613617B (zh) | 基于磁共振响应信号参数提取的地下水探测方法及系统 | |
| CN108375789B (zh) | 联合采集地震数据的同步匹配方法 | |
| CN105823801B (zh) | 一种基于深度信念网络特征提取的电子鼻漂移补偿方法 | |
| Xu et al. | GlitchNet: a glitch detection and removal system for SEIS records based on deep learning | |
| CN201716985U (zh) | 一种咳嗽自动识别装置 | |
| CN117349657A (zh) | 一种用于水利工程环境监测的分布式数据采集模块及监测系统 | |
| Wang et al. | Automatic onset phase picking for portable seismic array observation | |
| CN116594057A (zh) | 一种基于深度学习和边缘计算的地震预警方法与装置 | |
| CN116304818A (zh) | 一种基于Transformer地震信号分类识别方法 |
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 |