CN111027452B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN111027452B CN111027452B CN201911235220.1A CN201911235220A CN111027452B CN 111027452 B CN111027452 B CN 111027452B CN 201911235220 A CN201911235220 A CN 201911235220A CN 111027452 B CN111027452 B CN 111027452B
- Authority
- CN
- China
- Prior art keywords
- network
- data
- training
- output
- input
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 23
- 238000012549 training Methods 0.000 claims abstract description 55
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 21
- 238000012795 verification Methods 0.000 claims abstract description 17
- 238000003062 neural network model Methods 0.000 claims abstract description 10
- 238000012360 testing method Methods 0.000 claims abstract description 9
- 238000010586 diagram Methods 0.000 claims description 6
- 238000004519 manufacturing process Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 description 10
- 238000005070 sampling Methods 0.000 description 8
- 238000011176 pooling Methods 0.000 description 6
- 230000005284 excitation Effects 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- AKPLHCDWDRPJGD-UHFFFAOYSA-N nordazepam Chemical compound C12=CC(Cl)=CC=C2NC(=O)CN=C1C1=CC=CC=C1 AKPLHCDWDRPJGD-UHFFFAOYSA-N 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000009919 sequestration Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computing Systems (AREA)
- Signal Processing (AREA)
- Probability & Statistics with Applications (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开了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，该方法包括：划分训练数据集、验证数据集和测试数据集；搭建一个深度为10层的卷积神经网络模型；计算网络的输入和输出标签的误差，以完成网络参数的更新；进行模型训练；设置迭代训练次数为N，当迭代训练N次后，停止网络训练；即用于微震信号到时和震相识别的深度卷积神经网络模型构建完成；把未经过处理的数据集输入到训练后的网络模型，识别出P波、S波和其他信号的概率。该方法通过构建微震震相识别的深度卷积神经网络模型，输入采集三分量数据，可更好地识别和区分P波、S波和其他信号，准确性较高。
Description
技术领域
本发明涉及微地震监测技术领域，特别涉及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。
背景技术
水力压裂和二氧化碳捕获与封存(CCS)进程可能会导致诱发地震。对于检测地下小地震的目的来说微地震监测系统是一个很有用的工具。怎样从地表记录中快速并准确地拾取微地震事件里P波和S波到时是这个领域中一项有趣的研究。
在过去几年很多研究者们已经研究了初至自动拾取器。传统方法是一个短期均值比长期均值(STA/LTA)的方法，是一种基于信号和噪声能量的不同发展起来的检测算法。当记录中有噪声时，为了改进自动拾取器的精确度，Baer和Kradolfer(1987)在Allen的方法基础上改进了特征函数。Lomax等人(2012)提出了一个在离散时序信号上操作的滤波拾取器(FP)来实现不需要滤波或均值去除的宽带拾取。Grigoli等人(2013)引入了希尔伯特变换和三分量(3-C)数据来实现真实相位中初至拾取的P波STA/LTA和S波STA/LTA。这些传统方法的性能依赖于人工设计特性来探测记录中的变化。
对于微地震监测系统来讲，快速并准确地拾取P波和S波是很有必要的。同时，用传统的拾取方法自动识别出真实相位的到时并不容易。
随着机器学习的发展，监督和非监督技术被引入到微地震事件探测领域。监督技术更受欢迎些，因为非监督技术很难被应用到在真实地震相位中拾取高精确度的初至上。然而在深度神经网络(DNNs)被引入到这个领域之前，神经网络(NN)的应用更像是分类器而不是一个智能网络，因为神经网络的输入依然不是原始数据而是人工设计特性。随着“深度学习”的发展，怎样建立一个能自动在噪声中区分信号的深度神经模型，提高微震信号到时和震相识别的准确性，是同行从业人员亟待解决的问题。
发明内容
为了解决上述技术问题，本发明提供了基于深度神经网络的微震震相识别方法及系统，该方法可以实现在微地震记录中高准确度和精度的地震相位自动拾取。
本发明实施例提供基于深度神经网络的微震震相识别方法，包括以下步骤：
S1、获取预设维数的三分量数据；
S2、对用于网络模型训练的所述三分量数据进行到时拾取，作为对应样本数据的标签信息；
S3、将所述三分量数据数据和所述标签信息划分为训练数据集、验证数据集和测试数据集；
S4、搭建一个深度为10层的卷积神经网络模型；
S5、计算网络的输入和输出标签的误差，以完成网络参数的更新；
S6、将数据输入得到的网络结构进行模型训练；
S7、设置一个验证参数N，当迭代训练N次后，停止网络训练；即用于微震信号到时和震相识别的深度卷积神经网络模型构建完成；
S8、把未经过处理的数据集输入到训练好的网络模型中，网络输出为对应于输入数据维度的三个概率，对应识别出P波、S波其他信号；所述其他信号包括：噪声、反射波、多次波和转换波。
在一个实施例中，所述步骤S7还包括：
当未到达预设的准确率时，返回执行步骤S6，继续利用输入数据进行模型训练。
在一个实施例中，所述步骤S4包括：
采用一维卷积神经网络进行设计，包括一个编码器网络和一个带着分级输出层的对应解码器网络，并把道对道三分量记录应用到模型输入中；
其中，所述解码器被设计成Segnet和U-net的结合体；
所述编码器网络由四层组成，编码器每一层均包含一个卷积块。
在一个实施例中，所述步骤S8，包括：
当输入数据在时间上有一个维度但特征通道有三个分量时，每个卷积层的维度是二，一个维度为特征图中数据的长度，另一个维度为通道的数量；给定第k+1层的输入特性是Yk，在第k+1层中卷积计算单元的第p个特征输出通道可以用下面的式子(1)表示：
0≤z＜N，0≤p＜P，0≤x＜F， (1)
(1)式中N表示归一化的生产批量，Bk+1[p]表示在第k+1层第p个输出特征图的偏压矢量，R表示卷积核的长度和宽度，x表示特征图中的指数，s表示被设为1的给定的步长，F表示特征图中数据的长度；输入特征图的通道数为C；输出特征图的通道数为P；
输出被一个非线性函数批量归一化和激活，改进网络的非线性并引进稀疏性；
选择能改进网络的非线性并引入稀疏性的漏电整流线性单元；
解码器输出中的高维特征表示用来供给可训练的softmax分级器；softmax分级器输出概率的三个通道；三是指P波、S波和其他波级别的数量。
在一个实施例中，所述softmax分级器为公式(5)：
其中，i表示范围从1到3的级别的指数，Fi(y)表示在输出层中整个卷积单元的输出值。
第二方面，本发明实施例还提供基于深度神经网络的微震震相识别系统，包括：
获取模块，用于获取预设维数的三分量数据；
拾取模块，对用于网络模型训练的所述三分量数据进行到时拾取，作为对应样本数据的标签信息；
划分模块，用于将所述三分量数据数据和所述标签信息划分为训练数据集、验证数据集和测试数据集；
搭建模块，用于搭建一个深度为10层的卷积神经网络模型；
计算更新模块，用于计算网络的输入和输出标签的误差，以完成网络参数的更新；
训练模块，用于将数据输入得到的网络结构进行模型训练；
收敛完成模块，用于设置一个验证参数N，当迭代训练N次后，停止网络训练；即用于微震信号到时和震相识别的深度卷积神经网络模型构建完成；
输出识别模块，用于把未经过处理的数据集输入到训练好的网络模型中，网络输出为对应于输入数据维度的三个概率，对应识别出P波、S波其他信号；所述其他信号包括：噪声、反射波、多次波和转换波。
在一个实施例中，所述收敛完成模块，还用于当未到达预设的准确率时，返回执行训练模块，继续利用输入数据进行模型训练。
在一个实施例中，所述搭建模块，具体用于：
采用一维卷积神经网络进行设计，包括一个编码器网络和一个带着分级输出层的对应解码器网络，并把道对道三分量记录应用到模型输入中；
其中，所述解码器被设计成Segnet和U-net的结合体；
所述编码器网络由四层组成，编码器每一层均包含一个卷积块。
在一个实施例中，所述输出识别模块，具体用于：
当输入数据在时间上有一个维度但特征通道有三个分量时，每个卷积层的维度是二，一个维度为特征图中数据的长度，另一个维度为通道的数量；给定第k+1层的输入特性是Yk，在第k+1层中卷积计算单元的第p个特征输出通道可以用下面的式子(1)表示：
0≤z＜N，0≤p＜P，0≤x＜F， (1)
(1)式中N表示归一化的生产批量，Bk+1[p]表示在第k+1层第p个输出特征图的偏压矢量，R表示卷积核的长度和宽度，x表示特征图中的指数，s表示被设为1的给定的步长，F表示特征图中数据的长度；输入特征图的通道数为C；输出特征图的通道数为P；
输出被一个非线性函数批量归一化和激活，改进网络的非线性并引进稀疏性；
选择能改进网络的非线性并引入稀疏性的漏电整流线性单元；
解码器输出中的高维特征表示用来供给可训练的softmax分级器；softmax分级器输出概率的三个通道；三是指P波、S波和其他信号的概率。
在一个实施例中，所述softmax分级器为公式(5)：
其中，i表示范围从1到3的级别的指数，Fi(y)表示在输出层中整个卷积单元的输出值。
本发明实施例提供的基于深度神经网络的微震信号到时和震相识别方法，包括：获取预设维数的三分量数据；对用于网络模型训练的所述三分量数据进行到时拾取，作为对应样本数据的标签信息；将所述三分量数据数据和所述标签信息划分为训练数据集、验证数据集和测试数据集；搭建具有输入层、隐层和逻辑回归层的10层深度卷积神经网络模型；计算网络的输入和输出标签的误差，以完成网络参数的更新；将数据输入得到的网络结构进行模型训练；设置一个验证参数N，当迭代训练N次后，停止网络训练；即用于微震信号到时和震相识别的深度卷积神经网络模型构建完成；把未经过处理的数据集输入到训练好的网络模型中，网络输出为对应于输入数据维度的三个概率，识别出P波、S波和其他信号的概率。该方法通过构建微震震相识别的深度卷积神经网络模型，输入采集三分量数据，可更好地识别和区分P波和S波，准确性较高。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为本发明实施例提供的基于深度神经网络的微震信号到时和震相识别方法流程图。
图2为本发明实施例提供的连接编码器和解码器卷积的示意图；
图3为微震震相识别的深度卷积神经网络模型结构示意图；
图4为微震信号震相识别的深度卷积神经网络模型与传统STA/LTA方法的性能对比图；
图5为本发明实施例提供的基于深度神经网络的微震信号震相识别系统的框图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
参照图1所示，为本发明实施例提供的基于深度神经网络的微震信号到时和震相识别方法，包括：
S1、获取预设维数的三分量数据；
S2、对用于网络模型训练的所述三分量数据进行到时拾取，作为对应样本数据的标签信息；
S3、将所述三分量数据数据和所述标签信息划分为训练数据集、验证数据集和测试数据集；
S4、搭建一个深度为10层的卷积神经网络模型；
S5、计算网络的输入和输出标签的误差，以完成网络参数的更新；
S6、将数据输入得到的网络结构进行模型训练；
S7、设置一个验证参数N，当迭代训练N次后，停止网络训练；即用于微震信号到时和震相识别的深度卷积神经网络模型构建完成；
S8、把未经过处理的数据集输入到训练好的网络模型中，网络输出为对应于输入数据维度的三个概率，识别出P波、S波和其他信号；所述其他信号包括：噪声、反射波、多次波和转换波。该其他信号包括：输入信号中除去P波和S波以外的其他成分，如噪声、直达波、折射波、反射波、多次波、转换波以及其它类型的波等。
本发明实施例中，卷积神经网络(CNNs)对于设计自动相位拾取器是很有吸引力的，特别是在引入语义细分领域中的基础网络结构后，它可以给出记录中在每个样点处标出的所有相位的输出概率。典型的细分结构包括两个主要部分：(1)一个被训练来提取粗糙的语义特征的编码器部分；(2)一个同时负责在输出中恢复输入分辨率和对象稀疏表示的解码器部分。
该方法提出了一个新的基础网络作为Segnet和U-net的融合来识别微地震记录中的P波和S波。其次，深度神经网络设计中的两个主要的问题：激发函数和解码器深度。在选择激发函数前，本申请比较了有着不同负斜率的标准整流线性单元(ReLU)和漏电整流线性单元(Leaky ReLU)。然后采用人工和野外数据样本来阐明模型的性能，同时将预期输出与改进的P-STA/LTA和S-STA/LTA方法的归一化特征函数对比。
下面分别进行详细说明：
卷积神经网络(CNNs)对于设计自动相位拾取器是很有吸引力的，特别是在引入语义细分领域中的基础网络结构后，它可以给出记录中在每个样点处标出的所有相位的输出概率。
步骤一：对微震数据按照固定的维数进行三分量数据采样；
步骤二：对用于网络模型训练的数据进行人工到时拾取，作为对应样本数据的标签信息；
步骤三：把数据和标签放到同一数据集中，并把数据集划分为训练数据集、验证数据集和测试数据集；
步骤四：搭建一个深度为10层的卷积神经网络模型；
步骤五：搭建完神经网络以后，计算网络的输入和输出标签的误差，来完成网络参数的更新；
步骤六，将数据输入得到的网络结构进行模型训练；
步骤七：设置一个验证参数N，当迭代训练N次后，停止网络训练，即该用于震相识别的深度卷积神经网络模型构建完成，否则返回步骤六，继续利用输入数据进行模型训练；
步骤八：把未经过处理的数据集输入到训练好的网络模型中，网络输出为对应于输入数据维度的三个概率；
步骤九：输出即为识别出的P波、S波和其他信号的概率。
进一步地，上述步骤四中，采用一维卷积神经网络来设计，结构包括一个编码器网络和一个带着分级输出层的对应解码器网络，并把道对道三分量记录应用到模型输入中。其中解码器被设计成了Segnet和U-net的结合体。
编码器网络由四层组成，编码器每一层都包含一个卷积块(一个块包含一个卷积单元、一个批量标准化单元和一个激发函数单元)。当输入数据在时间上有一个维度但特征通道有三个分量时，每个卷积层的维度是二，一个维度是特征图中数据的长度，另一个维度是通道的数量。
给定第k+1层的输入特性是Yk，在第k+1层中卷积计算单元的第p个特征输出通道可以用下面的式子(1)表示：
0≤z＜N，0≤p＜P，0≤x＜F， (1)
式中N是归一化的生产批量，Bk+1[p]是在第k+1层第p个输出特征图的偏压矢量，R是卷积核的长度和宽度，x是特征图中的指数，s是被设为1的给定的步长，F是特征图中数据的长度。输入特征图的通道数是C；输出特征图的通道数是P。
输出会被一个非线性函数批量归一化和激活，可以改进网络的非线性并引进稀疏性。批量归一化的变换可以如公式(2)进行：
由于ReLU忽略所有的负值(包括一些重要信息)，选择能改进网络的非线性并引入稀疏性的漏电整流线性单元(LReLU)如公式(3)，在接下来的部分，比较在负值部分不同斜率的ReLU和LReLU的表现。
连接编码器和解码器的卷积层只包括一个卷积块。
一个卷积块的输出可以由公式(4)概括，它是一组卷积、批量归一化和激发单元的输出：
Yk+1＝LReLU{BU(Conv(Yk))}， (4)
接下来是有着两个窗大小的最大池化层，结果输出是以2为系数的次采样结果。最大池化用来实现在输入数据流中小位移的平移不变性。最大池化和次采样的一些层能相应地实现稳健分类的平移不变性。在次采样完成之前，捕获和储存编码器特征的边界信息很有必要。
如图2所示，有一个连接编码器和解码器的卷积层。这一层只包括一个卷积块并且没有接下来的池化层。最后的解码器输出被供给多分类“softmax”分级器来分别为每个采样点生成P波和S波的概率。解码器被设计为Segnet和U-net的融合。
结合的解码器结构显示在图2中，包括两个部分。一部分是继承了Segnet并通过重新使用“池化指标”实施了的上采样步骤，另一部分是继承了U-net来改进输出分辨率的“跳过并复制”步骤(图中的右边部分)。这两个部分的特征被级连起来了，然后通过一个可训练的解码器滤波带来生成密集特征。然后应用了一个批量归一化步骤。最终解码器输出中的高维特征表示用来供给可训练的softmax分级器。这个softmax独立地分类了每个采样点。公式(5)中显示的softmax分级器的输出是概率的三个通道，三是指P波、S波和其他波级别的数量。
其中，i是范围从1到3的级别的指数，Fi(y)是在输出层中整个卷积单元的输出值。
交叉熵损失衡量了输出可能值在0-1之间的分类模型的表现。让第i级和第j个采样点的真实概率分布为pi(j)，计算的模型概率为pi(j)，丢失的函数可以用公式(6)描述。
这个研究用独热码的方式来标记原始微地震信号。“100”这个编码代表了P波的初至和主要波形的时长，“010”这个编码代表了S波的初至和主要波形的时长，“001”这个编码代表了其他。需要注意的是时长通常会选择从波的初至开始后的20或30个采样点。当应用独热码时，唯一剩下的项是真实级预期概率的负对数概率，提出的网络结构如图3所示。
最后的解码器输出被供给多分类“softmax”分级器来分别为每个采样点生成P波和S波的概率，设计的解码器为Segnet和U-net的融合。
本发明实施例提供的基于深度神经网络的微震信号震相识别方法，首先，这种结构是端对端模型，这意味着模型的输入是原始记录而且网络的输出是记录中对应采样点的分类结果；其次，解码器根据编码器中的池化指标来执行上采样，然后复制并融合编码器中相应的特征来增加输出的分辨率，以提高初至拾取的精度；第三，激活函数负值部分的非零斜率被用来改进特征的提取。
将提出的网络与传统STA/LTA方法的性能作比较：
分别把两个提出的网络结构和传统STA/LTA方法应用到实验中，可以得到一个结果对比图，如图4所示。底部两幅图分别是提出网络结构和STA/LTA方法的预测输出，对比可以看出，使用提出的网络结构可以更好地识别和区分P波和S波。
基于同一发明构思，本发明实施例还提供了本发明实施例提供的基于深度神经网络的微震信号震相识别系统，由于该系统所解决问题的原理与前述方法相似，因此该系统的实施可以参见前述方法的实施，重复之处不再赘述。
第二方面，本发明还提供本发明实施例提供的基于深度神经网络的微震信号震相识别系统，参照图4所示，包括：
获取模块41，用于获取预设维数的三分量数据；
拾取模块42，对用于网络模型训练的所述三分量数据进行到时拾取，作为对应样本数据的标签信息；
划分模块43，用于将所述三分量数据数据和所述标签信息划分为训练数据集、验证数据集和测试数据集；
搭建模块44，用于搭建一个深度为10层的卷积神经网络模型；
计算更新模块45，用于计算网络的输入和输出标签的误差，以完成网络参数的更新；
训练模块46，用于将数据输入得到的网络结构进行模型训练；
收敛完成模块47，用于设置一个验证参数N，当迭代训练N次后，停止网络训练；即用于微震信号震相识别的深度卷积神经网络模型构建完成；
输出识别模块48，用于把未经过处理的数据集输入到训练好的网络模型中，网络输出为对应于输入数据维度的三个概率，识别出P波、S波其他信号；所述其他信号包括：噪声、反射波、多次波和转换波。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (3)
1.基于深度神经网络的微震信号到时和震相识别方法，其特征在于，包括以下步骤：
S1、获取预设维数的三分量数据；
S2、对用于网络模型训练的所述三分量数据进行到时拾取，作为对应样本数据的标签信息；
S3、将所述三分量数据数据和所述标签信息划分为训练数据集、验证数据集和测试数据集；
S4、搭建一个深度为10层的卷积神经网络模型；
S5、计算网络的输入和输出标签的误差，以完成网络参数的更新；
S6、将数据输入得到的网络结构进行模型训练；
S7、设置一个验证参数N，当迭代训练N次后，停止网络训练；即用于微震信号到时和震相识别的深度卷积神经网络模型构建完成；当未到达预设的准确率时，返回执行步骤S6，继续利用输入数据进行模型训练；
S8、把未经过处理的数据集输入到训练好的网络模型中，网络输出为对应于输入数据维度的三个概率，对应识别出P波、S波和其他信号；所述其他信号包括：噪声、反射波、多次波和转换波；
所述步骤S4包括：
采用一维卷积神经网络进行设计，包括一个编码器网络和一个带着分级输出层的对应解码器网络，并把道对道三分量记录应用到模型输入中；
其中，所述解码器被设计成Segnet和U-net的结合体；
所述编码器网络由四层组成，编码器每一层均包含一个卷积块；
所述步骤S8，包括：
当输入数据在时间上有一个维度但特征通道有三个分量时，每个卷积层的维度是二，一个维度为特征图中数据的长度，另一个维度为通道的数量；给定第k+1层的输入特性是Yk，在第k+1层中卷积计算单元的第p个特征输出通道可以用下面的式子(1)表示：
0≤z＜N，0≤p＜P，0≤x＜F， (1)
(1)式中N表示归一化的生产批量，Bk+1[p]表示在第k+1层第p个输出特征图的偏压矢量，R表示卷积核的长度和宽度，x表示特征图中的指数，s表示被设为1的给定的步长，F表示特征图中数据的长度；输入特征图的通道数为C；输出特征图的通道数为P；
输出被一个非线性函数批量归一化和激活，改进网络的非线性并引进稀疏性；
选择能改进网络的非线性并引入稀疏性的漏电整流线性单元；
解码器输出中的高维特征表示用来供给可训练的softmax分级器；softmax分级器输出概率的三个通道；三是指P波、S波和其他波级别的数量。
2.如权利要求1所述的基于深度神经网络的微震信号到时和震相识别方法，其特征在于，所述softmax分级器为公式(5)：
其中，i表示范围从1到3的级别的指数，Fi(y)表示在输出层中整个卷积单元的输出值。
3.基于深度神经网络的微震信号到时和震相识别系统，其特征在于，包括：
获取模块，用于获取预设维数的三分量数据；
拾取模块，对用于网络模型训练的所述三分量数据进行到时拾取，作为对应样本数据的标签信息；
划分模块，用于将所述三分量数据数据和所述标签信息划分为训练数据集、验证数据集和测试数据集；
搭建模块，用于搭建一个深度为10层的卷积神经网络模型；
计算更新模块，用于计算网络的输入和输出标签的误差，以完成网络参数的更新；
训练模块，用于将数据输入得到的网络结构进行模型训练；
收敛完成模块，用于设置一个验证参数N，当迭代训练N次后，停止网络训练；即用于微震信号到时和震相识别的深度卷积神经网络模型构建完成；当未到达预设的准确率时，返回执行训练模块，继续利用输入数据进行模型训练；
输出识别模块，用于把未经过处理的数据集输入到训练好的网络模型中，网络输出为对应于输入数据维度的三个概率，对应识别出P波、S波其他信号；所述其他信号包括：噪声、反射波、多次波和转换波；
所述搭建模块具体用于：
采用一维卷积神经网络进行设计，包括一个编码器网络和一个带着分级输出层的对应解码器网络，并把道对道三分量记录应用到模型输入中；
其中，所述解码器被设计成Segnet和U-net的结合体；
所述编码器网络由四层组成，编码器每一层均包含一个卷积块；
所述输出识别模块具体用于：
当输入数据在时间上有一个维度但特征通道有三个分量时，每个卷积层的维度是二，一个维度为特征图中数据的长度，另一个维度为通道的数量；给定第k+1层的输入特性是Yk，在第k+1层中卷积计算单元的第p个特征输出通道可以用下面的式子(1)表示：
0≤z＜N，0≤p＜P，0≤x＜F， (1)
(1)式中N表示归一化的生产批量，Bk+1[p]表示在第k+1层第p个输出特征图的偏压矢量，R表示卷积核的长度和宽度，x表示特征图中的指数，s表示被设为1的给定的步长，F表示特征图中数据的长度；输入特征图的通道数为C；输出特征图的通道数为P；
输出被一个非线性函数批量归一化和激活，改进网络的非线性并引进稀疏性；
选择能改进网络的非线性并引入稀疏性的漏电整流线性单元；
解码器输出中的高维特征表示用来供给可训练的softmax分级器；softmax分级器输出概率的三个通道；三是指P波、S波和其他波级别的数量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911235220.1A CN111027452B (zh) | 2019-12-05 | 2019-12-05 | 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 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911235220.1A CN111027452B (zh) | 2019-12-05 | 2019-12-05 | 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 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111027452A CN111027452A (zh) | 2020-04-17 |
| CN111027452B true CN111027452B (zh) | 2023-11-17 |
Family
ID=70207607
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911235220.1A Active CN111027452B (zh) | 2019-12-05 | 2019-12-05 | 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 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111027452B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111458746B (zh) * | 2020-05-29 | 2021-05-14 | 东北大学 | 一种基于U-Net神经网络的隧道微震波形到时拾取方法 |
| CN113805235B (zh) * | 2020-06-11 | 2023-12-26 | 中国石油天然气股份有限公司 | 基于卷积神经网络的三维地震相识别方法及装置 |
| CN112733425B (zh) * | 2020-12-10 | 2023-01-03 | 东华理工大学 | 神经网络训练方法、装置、计算机设备及存储介质 |
| CN112699788A (zh) * | 2020-12-29 | 2021-04-23 | 东华理工大学 | 一种微地震p波极性识别方法、装置、存储介质及设备 |
| CN112748465B (zh) * | 2020-12-30 | 2021-12-10 | 中国矿业大学(北京) | 基于岩石特征的震源机制反演方法及装置 |
| CN112884134B (zh) * | 2021-04-01 | 2022-04-26 | 山西云芯新一代信息技术研究院有限公司 | 面向地震震相识别的基于时域的卷积神经网络模型及应用 |
| CN113705654B (zh) * | 2021-08-23 | 2024-04-05 | 西安交通大学 | 一种基于ffpn模型的微地震初至智能拾取方法、系统、设备及存储介质 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN109086872A (zh) * | 2018-07-30 | 2018-12-25 | 东北大学 | 基于卷积神经网络的地震波识别算法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11105942B2 (en) * | 2018-03-27 | 2021-08-31 | Schlumberger Technology Corporation | Generative adversarial network seismic data processor |
-
2019
- 2019-12-05 CN CN201911235220.1A patent/CN111027452B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN109086872A (zh) * | 2018-07-30 | 2018-12-25 | 东北大学 | 基于卷积神经网络的地震波识别算法 |
Non-Patent Citations (1)
| Title |
|---|
| 人工智能在拾取地震P波初至中的应用――以汶川地震余震序列为例;蔡振宇;盖增喜;;北京大学学报(自然科学版)(第03期);第58页-67页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111027452A (zh) | 2020-04-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111027452B (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 | |
| CN109212597B (zh) | 基于深度信念网络和扫描叠加的微震源自动定位方法 | |
| CN110245608B (zh) | 一种基于半张量积神经网络的水下目标识别方法 | |
| CN110728360B (zh) | 一种基于bp神经网络的微能源器件能量识别方法 | |
| CN109147817B (zh) | 一种基于变异受限玻尔兹曼机的去噪音频特征提取方法 | |
| Bicego et al. | Classification of seismic volcanic signals using hidden-Markov-model-based generative embeddings | |
| CN110120218A (zh) | 基于gmm-hmm的高速公路大型车辆识别方法 | |
| CN113673346B (zh) | 一种基于多尺度SE-Resnet的电机振动数据处理与状态识别方法 | |
| CN109613610B (zh) | 微震信号到时差的自动拾取方法 | |
| CN113724712B (zh) | 一种基于多特征融合和组合模型的鸟声识别方法 | |
| CN114492521A (zh) | 一种基于声振信号的随钻岩性智能识别方法与系统 | |
| CN114783418B (zh) | 基于稀疏自注意力机制的端到端语音识别方法及系统 | |
| Mustika et al. | Comparison of keras optimizers for earthquake signal classification based on deep neural networks | |
| Zheng et al. | Deep neural networks design and analysis for automatic phase pickers from three-component microseismic recordings | |
| CN116576956A (zh) | 基于分布式光纤声波传感的多源振动信号分离方法 | |
| CN113850161A (zh) | 基于lstm深度降噪自编码器的飞轮故障识别方法 | |
| CN113687433A (zh) | 一种基于Bi-LSTM的大地电磁信号去噪方法及系统 | |
| CN109002529A (zh) | 音频检索方法及装置 | |
| CN115034254A (zh) | 基于hht频带能量特征和卷积神经网络的核素识别方法 | |
| CN110222610A (zh) | 一种信号分类的方法及装置 | |
| CN115952410B (zh) | 一种基于深度学习的滑坡灾害检测系统 | |
| CN115963548B (zh) | 一种基于反绎学习的矿井微震p波到时拾取模型构建方法 | |
| CN114842280A (zh) | 一种基于卷积神经网络的自动识别微地震信号算法 | |
| CN116304818A (zh) | 一种基于Transformer地震信号分类识别方法 | |
| CN111028859A (zh) | 一种基于音频特征融合的杂交神经网络车型识别方法 |
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 |