CN110516650A - 一种基于震动传感器阵列的浅层盲空间震源定位系统 - Google Patents

Abstract

本发明涉及一种基于震动传感器阵列的浅层盲空间震源定位系统，包括预设震源、震动传感器阵列、特征参数提取模块、速度场模型构建模块、三维能量场图像生成模块、深度学习网络模块；本发明减少了传统浅层震源定位过程中定位参数提取、定位模型建模和定位模型解算等中间步骤，极大地提高了震源定位效率，消除了定位盲区，降低了震源定位精度对监测区域信道重建精度的依赖，为地下浅层震源定位提供一种新的震源定位系统。

Description

一种基于震动传感器阵列的浅层盲空间震源定位系统

技术领域

本发明属于爆破震动测试技术领域，具体涉及一种基于震动传感器阵列的浅层盲空间震源定位系统，适用于未知地质结构条件下的定点群打击定位。

背景技术

地下浅层震源是指地下震源深度不超过100m的空间内发生的事件，其被动定位是解决军事领域中高价值弹药地下炸点定位以及侵彻轨迹测量等主要途径；是实现民用领域中地质监测，工程爆破、文物防盗监测、煤矿勘察、地表结构组成成分分析、地质结构探索、地下稀有矿物质勘探、石油探测挖掘等重要手段。

与深层地震、煤矿深层开采、石油勘探等大区域、大当量、大深度、长时间震源定位相比较，该类震源定位具有以下特点：(1)地下震源深度较浅，一般不超过100m，浅层地质结构复杂且未知，无法借鉴深层地壳结构模型建立浅层速度场模型；(2)震动波波群混叠复杂，爆炸近场土壤本构特性呈弹塑性，弹性波受地面反射、折射影响较大，震相特征不明显；(3)地下介质复杂，传输信道更加复杂且不均匀，往往包括浮土、岩石、沙石、密实土壤等多种类型；(4)定位精度要求较高，在100m的散布区域内立体定位误差小于1m，不同于大深度地震定位中百米定位误差要求，属于小区域高精度定位问题。

目前，在地下空间定位中，主要针对深层地震定位，没有直接用于所述浅层小区域定位方法，而深层地震定位方法无法直接应用到浅层定位中，主要存在如下问题：

(1)基于Geiger的走时定位方法，该方法重点解决在地质均匀且速度已知条件下的起爆点定位问题，但对于层状、洼陷等复杂地质条件，速度参量仅能设定为平均值，定位误差较大；

(2)基于偏振角度定位方法，该方法采用少量观测节点即可实现起爆点快速定位，但在浅层复杂地质条件下，特别存在强反射界面时，表层入射角度无法表征震源和传感器接收点之间的真实射线路径，因此存在定位假象；

(3)多震源与速度结构联合迭代反演定位(SSH)模型，该方法适用于未知地质结构条件下的定点群打击定位问题，其中起爆点定位精度受速度场建模精度、震源激励次数的影响。由于单次起爆点定位，炮射投影数据有限，速度矩阵稀疏，虽然加入正则化等约束手段，但定位精度仍难以保证。

发明内容

本发明提供一种基于震动传感器阵列的浅层盲空间震源定位系统，要解决的技术问题是：浅层小区域目标无法高精度定位的问题。

为了解决以上技术问题，本发明提供了一种基于震动传感器阵列的浅层盲空间震源定位系统，其特征在于：包括预设震源、震动传感器阵列、特征参数提取模块、速度场模型构建模块、三维能量场图像生成模块、深度学习网络模块；

在监测区域4个象限内，分别预设1发震源弹；

震动传感器阵列以螺旋式布设在监测区域，用于获取震源弹爆炸产生的震动信号；

特征参数提取模块用于提取每发震源弹爆炸时，传感器阵列获取的震动信号中的初至波到时信息；

速度场模型构建模块根据初至波到时信息、对应的传感器位置信息以及所有震源弹的位置信息得到速度场信息；

走时信息提取模块对所监测区域进行网格划分，以各网格作为虚拟震源，计算各网格传播至每个传感器的走时信息t_ij；

三维能量场图像生成模块用于生成震源对应的三维能量场图像序列；该震源为预设震源或实际震源；

深度学习网络模块一方面将三维能量场图像生成模块生成的预设震源所对应的三维能量场图像序列作为学习样本，将每个三维能量场图像序列对应的震源弹位置作为训练标签，将样本和标签输入到网络中，进行网络模型训练，得到深度学习网络模型，

另一方面，深度学习网络模块将三维能量场图像生成模块生成的实际震源所对应的三维能量场图像序列输入到深度学习网络模型中，将深度学习网络模型的输出作为实际测出的震源定位结果。

有益效果：

(1)本发明采用深度学习网络模块，将监测区域作为黑匣子，将传感器获取信号重建的三维能量场作为输入，将震源位置作为输出，建立在能量场中震源位置的识别学习方法，与现有技术相比，减少了传统浅层震源定位过程中定位参数提取、定位模型建模和定位模型解算等中间步骤，极大地提高了震源定位效率，同时减低了震源定位精度受监测区域信道重建精度的依赖，为地下浅层震源定位提供一种新的震源定位方式。

(2)将传感器阵列以螺旋式布站，与现有技术相比，极大程度增加了震动波在传播信道中的非线性特性，为消除定位盲区，减少能量场聚焦模糊，增加轴向、剪切向的数据样本数量提供数据保证；

(3)对监测区域划分网格，将每个网格设为虚拟震源，以逆时偏移振幅叠加的方法填充网格，构建含有“震源信息”三维能量场图像，利用传感器获取信号的时间序列信息，得到含有震源信息的三维能量场图像序列，与现有技术相比，极大扩充了三维能量场样本的数量及多样性，增加了震源深度学习的泛化能力，为单目标及少目标震源定位问题，提供了一种冗余、多样化定位信息的生成方法。

附图说明

图1为本发明的定位流程图；

图2为传感器布站图；

图3为监测区域网格划分示意图；

图4为深度学习网络结构图。

具体实施方式

为使本发明的目的、内容和优点更加清楚，下面对本发明的具体实施方式作进一步详细描述。

本发明提出的一种基于震动传感器阵列的浅层盲空间震源定位系统，包括预设震源、震动传感器阵列、特征参数提取模块、速度场模型构建模块、三维能量场图像生成模块、无线传输模块、深度学习网络模块；

在监测区域随机预设坐标原点，将n个传感器以10°为旋转间隔，以1m为增长半径，按照顺时针方向，将震动传感器布设于地表，形成螺旋式震动传感器阵列，利用高精度北斗获取各传感器坐标信息(x_j,y_j,z_j)(j＝1,2,3,...,n)，n＝44；

在监测区域4个象限内，分别预设1发震源弹，分别起爆震源弹，利用所述的震动传感器阵列获取爆炸产生的震动信号；

特征参数提取模块用于提取每发震源弹爆炸时，传感器阵列获取的震动信号中的初至波到时信息；

速度场模型构建模块用于将初至波到时信息、其对应的传感器位置信息以及所有震源弹的位置信息作为输入参数，采用初至波走时层析法建立地下浅层速度场，通过抛物插值最短路径射线追踪法(PTISPR)对速度场进行修正，得到速度场信息；

走时信息提取模块对所监测区域进行网格划分，(按定位精度要求)将空间划分为N个大小相同的立方体网格，得到每个网格坐标(h_i,l_i,k_i)(i＝1,2,3,..,N)，并通过射线追踪法，在得到速度场信息后，以各网格(h_i,l_i,k_i)作为虚拟震源，计算各网格传播至每个传感器(x_j,y_j,z_j)(j＝1,2,3,..,n)的走时信息t_ij；

三维能量场图像生成模块用于生成震源对应的三维能量场图像序列；该震源为预设震源或实际震源；通过以下方法实现：

假设第i个网格为虚拟震源，每个传感器的采样总点数为M，将第j个传感器所采集到的震动信号，按照上述所求得时间t_ij进行逆向偏移，即将第j个传感器所采集到的震动信号，从时间轴上向0时刻方向回推t_ij，即去除t_ij时刻之前的样本点，在该样本尾部补充相应数量的0，以保持采样总点数为M，依次类推，将n个传感器采集的信号进行逆时偏移，对偏移后的传感器阵列信号，以采样点m对应的振幅进行叠加，得到第i个网格在采样点m对应的能量总和

式中：a_j(m)为第j个传感器在采样点m处的振幅大小；n为传感器数量；

循环遍历区域内的所有网格，依次进行能量填充，得到第m个采样点所对应的三维能量图；

采用上述方法，以采样率1/f_s为步长，依次递进，在不同的采样点依次进行振幅叠加再填充，得到一个震源弹爆炸后，所有采样点所对应的三维能量场图像序列；

无线传输模块用于将震动传感器阵列获取的震动信号以及坐标信息发送给特征参数提取模块；并将深度学习网络模块输出的实际测出的震源定位结果传送给终端控制系统；

深度学习网络模块一方面将三维能量场图像生成模块生成的预设震源所对应的三维能量场图像序列作为学习样本，将每个三维能量场图像序列对应的震源弹位置作为训练标签，输入至网络中，进行网络模型训练，得到深度学习网络模型，

另一方面，将三维能量场图像生成模块生成的实际震源所对应的三维能量场图像序列输入到深度学习网络模型中，将深度学习网络模型的输出结果作为实际测出的震源定位结果，并通过无线传输模块传送给终端控制系统；

深度学习网络模型采用以下方法训练得到：

S1、对三维能量场图像样本标记其对应的震源弹的位置作为训练标签；

S2、构造深度学习网络框架

震源深度学习网络由第一卷积层、密连模块1、卷积层2、池化层1、密连模块2、卷积层3、池化层2、密连模块3、卷积层4、池化层3依次连接而成。

S3、训练网络，得到训练好的深度学习网络模型：

S3.1将生成的学习样本与确定的相应震源位置配对为数据集，随机抽取数据集中80％作为训练样本，剩余20％作为验证样本；

S3.2将训练样本输入到深度学习网络中，得到深度学习网络框架各层参数信息；

S3.3将上述参数代入深度学习网络框架，将验证样本输入深度学习网络得到预测震源位置信息，并与验证样本对应的震源位置对比得到模型的预测精度；

S3.4如果预测精度不理想，继续调整各层卷积核的大小与数量，直到达到预期目标。

本发明工作流程如下：

S1.布设分布式震动传感器阵列

在监测区域随机预设坐标原点，将n个传感器以10°为旋转间隔，以1m为增长半径，按照顺时针方向，将震动传感器布设于地表，形成螺旋式阵列，利用高精度北斗获取各传感器坐标信息(x_j,y_j,z_j)(j＝1,2,3,..,n)；n＝44；

S2.生成学习样本

S2.1：划分监测区域网格：

如图3所示，对所监测区域进行网格划分，(按定位精度要求)将空间划分为N个大小相同的立方体网格，得到每个网格坐标(h_i,l_i,k_i)(i＝1,2,3,..,N)；

S2.2：获取预设震源信号：

在监测区域4个象限内，分别预设1发震源弹，起爆第一象限的震源弹，利用所述的震动传感器阵列获取爆炸产生的震动信号；

S2.3提取初至波到时：

采用初至波到时提取方法(如长短时窗法)得到所有传感器信号的初至波到时信息；

S2.4、依次起爆第二象限至第四象限的震源弹，重复上述步骤S2.3，得到不同象限的震源弹起爆后对应的初至波到时；

S2.5：建立监测区域速度场模型：

获取4次爆炸的初至波到时信息后，将初至波到时信息以及其对应的传感器位置信息以及四个震源弹的位置信息作为输入参数，采用初至波走时层析法建立地下浅层速度场，通过抛物插值最短路径射线追踪法(PTISPR)得到修正后的速度场信息；

S2.6：计算各个网格的走时信息

在得到速度场信息后，以各网格(h_i,l_i,k_i)作为虚拟震源，计算其传播至每个传感器(x_j,y_j,z_j)(j＝1,2,3,..,n)的走时信息t_ij；

S2.7：生成一个震源弹爆炸情况下的一张三维能量场图像

以第i个网格为例，假设第i个网格为虚拟震源，每个传感器的采样总点数为M，将第j个传感器所采集到的震动信号，按照上述所求得时间t_ij进行逆向偏移，即将第j个传感器所采集到的震动信号，从时间轴上向0时刻方向回推t_ij，即去除t_ij时刻之前的样本点，在该样本尾部补充相应数量的0，以保持采样总点数为M，依次类推，将n个传感器采集的信号进行逆时偏移，对偏移后的传感器阵列信号，以采样点m对应的振幅进行叠加，得到第i个网格在采样点m对应的能量总和

式中：a_j(m)为第j个传感器在采样点m处的振幅大小；n为传感器数量；

循环遍历区域内的所有网格，依次进行能量填充，得到第m个采样点所对应的三维能量图；

S2.8：生成一个震源弹爆炸情况下对应的三维能量场图像序列

以采样率1/f_s为步长，依次递进，重复S2.7，在不同的采样点依次进行振幅叠加再填充，得到一个震源弹爆炸后，所有采样点所对应的三维能量场图像序列；

S2.9：扩大样本容量

重复S2.7-2.8，得到4次震源弹爆炸对应的三维能量场图像样本序列；

S3.将三维能量场图像样本所对应的震源弹位置作为训练标签；

S4.构建深度学习网络框架；

如表2所示，震源深度学习网络由第一卷积层、第一密连模块、第二卷积层、第一池化层、第二密连模块、第三卷积层、第二池化层、第三密连模块、第四卷积层、第三池化层依次连接而成。

其中密连模块由5个卷积层组成，通过两两连接组成10种连接方式。除了第一卷积层,其余卷积层都按概率20％使用了隐正则化处理方法如：随机失活(dropout算法)。

表2震源深度学习网络结构

S5.训练网络

S5.1、将S2生成的学习样本与S3确定的相应震源位置配对为数据集(S2,S3)，随机抽取数据集中80％作为训练样本，剩余20％作为验证样本；

S5.2将训练样本输入到深度学习网络中，得到深度学习网络框架各层参数信息；

S5.3将上述参数代入深度学习网络框架，将验证样本输入深度学习网络得到预测震源位置信息，并与验证样本对应的震源位置对比得到模型的预测精度；

S5.4如果预测精度不理想，继续调整各层卷积核的大小与数量，直到达到预期目标，得到训练好的深度学习网络。

S6.震源定位

结束上述迭代训练后，开始实际震源定位。

S6.1、利用传感器阵列获取实际爆炸产生的震动信号；

S6.2、利用上述步骤2得到的监测区域网格信息和速度场模型的基础上，重复步骤S2.3、S2.6-S2.8得到实际震源对应的三维能量场图像序列。

S6.3、随机抽取其中的50张样本送入训练好的深度学习网络；将相应输出的50组定位结果，以加权平均的方式，得到精确的震源坐标。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (10)

1.一种基于震动传感器阵列的浅层盲空间震源定位系统，其特征在于：包括预设震源、震动传感器阵列、特征参数提取模块、速度场模型构建模块、三维能量场图像生成模块、深度学习网络模块；

在监测区域4个象限内，分别预设1发震源弹；

震动传感器阵列以螺旋式布设在监测区域，用于获取震源弹爆炸产生的震动信号；

特征参数提取模块用于提取每发震源弹爆炸时，传感器阵列获取的震动信号中的初至波到时信息；

速度场模型构建模块根据初至波到时信息、对应的传感器位置信息以及所有震源弹的位置信息得到速度场信息；

走时信息提取模块对所监测区域进行网格划分，以各网格作为虚拟震源，计算各网格传播至每个传感器的走时信息t_ij；

三维能量场图像生成模块用于生成震源对应的三维能量场图像序列；该震源为预设震源或实际震源；

深度学习网络模块一方面将三维能量场图像生成模块生成的预设震源所对应的三维能量场图像序列作为输入，将每个三维能量场图像序列对应的预设震源位置作为输出，进行网络模型训练，得到深度学习网络模型，

另一方面，深度学习网络模块将三维能量场图像生成模块生成的实际震源所对应的三维能量场图像序列输入到深度学习网络模型中，将深度学习网络模型的输出作为实际测出的震源定位结果。

2.根据权利要求1所述的一种基于震动传感器阵列的浅层盲空间震源定位系统，其特征在于：在监测区域随机预设坐标原点，将n个传感器以一定角度为旋转间隔，以一定长度为增长半径，按照顺时针方向，将震动传感器布设于地表，形成螺旋式震动传感器阵列。

3.根据权利要求1所述的一种基于震动传感器阵列的浅层盲空间震源定位系统，其特征在于：通过北斗获取各传感器坐标信息。

4.根据权利要求1所述的一种基于震动传感器阵列的浅层盲空间震源定位系统，其特征在于：将监测区域划分为N个大小相同的立方体网格。

5.根据权利要求1所述的一种基于震动传感器阵列的浅层盲空间震源定位系统，其特征在于：通过无线传输模块将震动传感器阵列获取的震动信号以及坐标信息发送给特征参数提取模块。

6.根据权利要求4所述的一种基于震动传感器阵列的浅层盲空间震源定位系统，其特征在于：三维能量场图像生成模块通过以下方法实现：

假设第i个网格为虚拟震源，每个传感器的采样总点数为M，将第j个传感器所采集到的震动信号，按照所求得走时信息t_ij进行逆向偏移，去除t_ij时刻之前的样本点，在该样本尾部补充相应数量的0，以保持采样总点数为M，依次类推，将n个传感器采集的信号进行逆时偏移，对偏移后的传感器阵列信号，以采样点m对应的振幅进行叠加，得到第i个网格在采样点m对应的能量总和

式中：a_j(m)为第j个传感器在采样点m处的振幅大小；n为传感器数量；

循环遍历区域内的所有网格，依次进行能量填充，得到第m个采样点所对应的三维能量图；

以采样率为步长，依次递进，在不同的采样点依次进行振幅叠加再填充，得到一个震源弹爆炸后，所有采样点所对应的三维能量场图像序列。

7.根据权利要求6所述的一种基于震动传感器阵列的浅层盲空间震源定位系统，其特征在于：速度场模型构建模块将初至波到时信息、对应的传感器位置信息以及所有震源弹的位置信息作为输入参数，采用初至波走时层析法建立地下浅层速度场，通过抛物插值最短路径射线追踪法对速度场进行修正，得到速度场信息。

8.根据权利要求1-7任一项所述的一种基于震动传感器阵列的浅层盲空间震源定位系统，其特征在于：深度学习网络模型采用以下方法训练得到：

S1、对三维能量场图像样本标记其对应的震源弹的位置作为训练标签；

S2、构建深度学习网络框架；

S3、将预设震源对应的三维能量场图像序列作为学习样本，将三维能量场图像样本所对应的震源弹位置作为训练标签，对深度学习网络进行训练，得到训练好的深度学习网络模型。

9.根据权利要求8所述的一种基于震动传感器阵列的浅层盲空间震源定位系统，其特征在于：深度学习网络框架由第一卷积层、密连模块1、卷积层2、池化层1、密连模块2、卷积层3、池化层2、密连模块3、卷积层4、池化层3依次连接而成。

10.根据权利要求8所述的一种基于震动传感器阵列的浅层盲空间震源定位系统，其特征在于：S3包括以下步骤：

S3.1将生成的学习样本与确定的相应预设震源位置配对为数据集，随机抽取数据集中80％作为训练样本，剩余20％作为验证样本；

S3.2将训练样本输入到深度学习网络中，得到深度学习网络框架各层参数信息；

S3.3将上述参数代入深度学习网络框架，将验证样本输入深度学习网络得到预测震源位置信息，并与验证样本对应的实际震源位置对比得到模型的预测精度；

S3.4如果预测精度不理想，继续调整各层卷积核的大小与数量，直到达到预期目标。