CN112114361A - 一种地下浅层复杂空间中震动场时空层析成像方法 - Google Patents

Abstract

本发明涉及一种地下浅层复杂空间中震动场时空层析成像方法，结合自相关成像技术消除震动信号的噪声，提高每一时刻能量场成像的分辨率，利用互相关成像技术，消除逆时反传产生的成像干扰。利用爆炸震动信号的时变特性，设定时窗长度，将时窗长度内的能量场信息进行线性叠加。本发明提高瞬时能量场的能量聚焦强度，将空间域的三维能量场图像转换为时间‑空间域的三维能量场图像序列，提高能量场图像的数量和质量。利用生成对抗网络优势，在生成对抗过程中自我学习三维能量场重要的时空信息，提高了震源定位的稳定性。利用生成对抗网络，自我学习、自我对抗、自我调参的优势，降低了试验次数和传感器的数量，实现了预设1次起爆点下的震源定位。

Description

一种地下浅层复杂空间中震动场时空层析成像方法

技术领域

本发明属于爆破震动测试技术、无源定位技术领域，具体涉及一种地下浅层复杂空间中震动场时空层析成像方法。

背景技术

爆炸威力场时空分布是利用爆炸效能参数如超压、应力波能、动能等爆炸物理参量，以反演的方式重建其在爆炸后的强度分布，用于表征爆炸后打击区域毁伤效能分布。该方法是实现地下爆炸毁伤效能评估的重要手段。

在爆炸威力场时空重建过程中，实现地下起爆点位置的精准测量是实现时空场重建的关键。与深层地震、煤矿深层开采、石油勘探等大区域、大深度、长时间地震震源定位相比较，本专利涉及的地下起爆点位置定位具有以下特点：(1)浅层定位时传感器数量少，布设方式随机，不同于天然地震定位时高密度布设方式；(2)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；(3)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。因此，常规的天然地震定位方法无法解决地下起爆点位置测量问题。

随着地震勘探学和计算成像理论的不断发展，基于能量场成像的定位技术成为地下震源定位领域研究的热点。它不依赖于震相特征参数的提取精度，通过扫描地下能量场聚焦点的位置，最终实现震源定位。它是解决地下起爆点定位问题的最优方法之一。但采用现有技术进行起爆点定位时，存在如下问题：

由于浅层震源定位时，地下介质复杂，传感器数量较少且布设随机，造成地下能量场成像精度不高，震源定位精度低；

研究人员采用群智能算法对能量聚焦点进行快速定位，该方法对聚焦点进行搜索时存在一定的盲目性、随机性，导致聚焦点识别效果不稳定，震源定位鲁棒性差，定位精度不能保证，最终导致无法实现有效地时空场重建。

采用有监督的深度学习方法进行起爆点定位时，需要预设多发震源弹训练网络模型，导致试验周期长、试验成本高。

针对地下浅层震源定位精度低、稳定性差的问题，本发明提出了一种基于无监督深度学习的震源定位方法。

发明内容

本发明提供一种地下浅层复杂空间中震动场时空层析成像方法，要解决的技术问题是：。

为了解决以上技术问题，本发明提供了一种地下浅层复杂空间中震动场时空层析成像方法，其特征在于，具体包括以下步骤：

S1、布设震动传感器阵列；

S2、生成基于能量信息的学习样本，具体如下：

S2.1获取实际震源信号：利用所述的震动传感器阵列获取实际爆炸产生的震动信号；

S2.2对监测区域划分网格；

S2.3将每个震动传感器分别作为虚拟震源进行逆向传播，得到逆时反传波场；

S2.4能量场逆时成像，生成真能量场图；

S3、设计深度学习网络；

S4、震源定位：利用传感器阵列获取实际爆炸产生的震动信号；重复步骤S2得到实际震源对应的三维能量场样本集，随机抽取其中的多张样本作为真三维能量场图像送入深度学习网络，通过深度学习网络中的判别网络提取每张样本有效的时空特征图，通过类激活映射层进一步提取能量的聚焦区域，同时类激活映射层的输出通过上采样后，得到与真三维能量场一样的图像大小，通过搜索能量最大点得到震源位置，输出对应数量的定位结果，对定位结果进行处理得到实际震源坐标。

有益效果：1)本发明将传感器阵列信号进行分组能量场成像。结合自相关成像技术消除震动信号的噪声，提高每一时刻能量场成像的分辨率，利用互相关成像技术，消除逆时反传产生的成像干扰。利用爆炸震动信号的时变特性，设定时窗长度，将时窗长度内的能量场信息进行线性叠加。与现有能量场图像重建方法相比，本发明提高瞬时能量场的能量聚焦强度，将空间域的三维能量场图像转换为时间-空间域的三维能量场图像序列，提高能量场图像的数量和质量。2)本发明将监测区域作为黑匣子，将传感器阵列获取的信号作为输入，将震源位置作为输出，建立无监督震源学习方法。与现有群智能算法相比，该发明利用生成对抗网络优势，在生成对抗过程中自我学习三维能量场重要的时空信息，提高了震源定位的稳定性。同时结合类激活映射网络对聚焦点的关注特性，提高了深度学习网络对能量聚焦点的识别准确率，从而提高了震源定位精度。3)本发明利用生成对抗网络，自我学习、自我对抗、自我调参的优势，降低了试验次数和传感器的数量，实现了预设1次起爆点下的震源定位。与现有深度学习算法相比，本方法降低了试验成本，提高了震源定位效率。

附图说明

图1传感器布设示意图

图2三维能量场图像成像示意图

图3瞬时三维能量场图像的重建示意图

图4生成对抗网络框架。

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。

本发明提出的一种地下浅层复杂空间中震动场时空层析成像方法，其特征在于，具体包括以下步骤：

S1、布设震动传感器阵列

在监测区域中心位置选取一点作为坐标原点，建立直角坐标系，将n＝168个传感器，以坐标原点为中心，以1m为间距，将震动传感器布设于地表，形成等间距方形阵列，利用高精度北斗获取每个传感器坐标信息X_i＝(x_i,y_i,z_i)(i＝1,2,3,...,n)；

S2、生成基于能量信息的学习样本，具体如下：

S2.1获取实际震源信号：利用所述的震动传感器阵列获取实际爆炸产生的震动信号；

S2.2对监测区域划分网格

根据所监测范围，定义一个地下三维震源定位区域，并对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X_j＝(x_j,y_j,z_j)(j＝1,2,3,...,N)；

S2.3将每个震动传感器分别作为虚拟震源进行逆向传播，得到逆时反传波场；

根据声波方程，将第i个传感器获取的信号D(X_i,t)作为虚拟震源，逆向朝地下空间传播，在地下任意位置处形成的逆时反传波场R_i(X_j,t)可表示为

采用最佳层匹配法作为边界条件，使用三维高阶有限差分算法求解上述方程；

其中，v表示地下介质的传播速度，T为传感器记录的震动信号的总时间长度，t为逆推波场传播时间；X_j＝(x_j,y_j,z_j)表示地下空间位置，第i个传感器位置X_i＝(x_i,y_i,z_i)记录的信号为D(X_i,t)；

S2.4能量场逆时成像

本发明提出了一种瞬时自适应相关成像条件。利用高维空间相似性原则(如相似性测度、马氏距离)，将n＝168个传感器进行分组，按照相似性，分为M＝8组，每组由L＝21个传感器组成；其次，对传感器组内对应的震动传感器在地下任意位置处形成的逆时反传波场的进行自相关运算和线性振幅叠加运算，得到传感器组内对应的自相关三维能量场图像，用以消除震动信号的噪声，提高每一时刻能量场成像的分辨率；

再次，对传感器组间的自相关三维能量场图像进行互相关运算，最终得到每一时刻的互相关三维能量场图像，消除逆时反传产生的成像干扰，如图2所示；

最后对每一时刻的互相关三维能量场图像进行二次处理，得到瞬时三维能量场图像，具体如下：

在时间域内，按照信号的瞬时频率特性设置时窗长度T，将时窗长度内的互相关三维能量场图像进行线性叠加，叠加后的图像加权融合后作为该时刻的瞬时三维能量场图像，如图3所示。

具体公式如3所示：

其中，Image(X_j,t)为地下空间瞬时三维能量场图像，R_i(X_j,t)是第i个传感器逆时传播形成的信号，L为组内传感器个数，M为传感器组的个数，t₁，t₂为时窗的起始和终止时间，T为时窗长度。

不同时刻T是自适应变化的，在t时刻对应的时窗长度T用T(t)来表示，定义为：

其中，Ω(t)表示瞬时频率，可以将R_i(X_j,t)进行时频变换(如希尔伯特黄、S变换)得到。

S3、设计深度学习网络

本发明设计的网络结构如图4所示。该深度学习网络由生成网络、判别网络、全局空间池化层、全连接层、二分类层、类激活映射层组成；

首先，传感器阵列获取爆炸产生的一维震动信号后，从传感器阵列中随机选取4个传感器，把这4个传感器接收的震动信号进行线性相加；

其次，相加后的信号输入至生成网络中，通过三维反卷积，生成假的三维能量场图，同时与这4个传感器对应的瞬时三维能量场图像为真三维能量场图，一起输入到判别网络。

通过真、假三维能量场图训练生成网络和判别网络；

整个训练过程无需带标签数据，无监督地预测震源位置。具体步骤如下：

S3.1：数据预处理

对每一个瞬时三维能量场图像，进行线性插值，变成一个尺寸为128×128×64×3(图像的长度*图像的宽度*图像的高度*通道数)的三维能量场图。

S3.2生成网络

利用生成网络把传感器采集到的一维信号生成假三维能量场图像，该生成网络有6个三维反卷积组成，如表1所示，首先一维信号经过4×4×2(长度*宽度*高度)第一层三维反卷积，生成4×4×2×512(长度*宽度*高度*通道数)特征图，第一层的三维反卷积输出输入到第二层4×4×4三维反卷积，得到8×8×4×256的三维能量图，该三维能量图在输入到第三层4×4×4三维反卷积得到16×16×8×128的三维能量图，并输入到第四层4×4×4三维反卷积得到32×32×16×64的三维能量图，第四层的三维反卷积的输出输入到第五层4×4×4三维反卷积得到64×64×32×32的三维能量图，最后通过第六层4×4×4三维反卷积得到128×128×64×3的三维能量场图，使该假的三维能量场图与真能量场图的大小一致。

表1生成网络

S3.3判别网络

把S3.2生成的假三维能量场图跟S2.4对应传感器生成的真能量场图输入到判别网络中，提取有效的时空特征图，然后通过标签辨别输入的三维能量场图的真假；

该判别网络结构如表2所示，主要包括3个三维卷积层，3个池化层，2个循环卷积层(Conv-LSTM)。三个三维卷积的卷积核尺寸分别为3×3×3×32，3×3×3×64，3×3×3×128，三个三维卷积层的输出分别为128×128×64×32，64×64×32×64，32×32×16×128，用于提取局部的时空特征；

每个三维卷积层后面接一个归一化操作。归一化的输出输入到池化层，池化层的步长设为(2，2)，在时间和空间维度上降维，其输出在空间和时间维度上是三维卷积层输出的一半。第三个三维卷积降维后的输出结果输入到两个循环卷积层，提取全局的时空特征，第一个循环卷积层的卷积核为3×3×128，输出的大小为16×16×8×128的三维特征图，该特征图输入到第二个循环卷积网络3×3×256，输出的大小为16×16×8×256的三维特征图。

表2判别网络

S3.4全局空间池化层

判别网络输出的三维特征图尺寸为16×16×8×256，通过全局空间池化层(GAP),生成了一个8×256的二维权重矩阵；

全局空间池化层的输出结果一路通过全连接层输入二分类层，用于判别输出的图像的真假类型；该权重矩阵代表每幅激活图对正确区分真实图像和假图像的贡献；

另一路输入到类激活映射层，用于震源位置的估计。

S3.5类激活映射层

S3.4生成的权重矩阵表明最后一个卷积图层的每个激活图有多大的贡献来决定震源位置的预测，首先二维权重矩阵的系数分别与对应的判别网络输出的三维特征图点乘，得到对应的权重激活图，同时把对应的权重激活图上采样，与三维能量场图保持一样的大小，搜索最大值找到能量最大的点作为震源预测点。

在整个训练过程中，不需要任何带震源坐标标签的数据，通过类激活映射层从特征图提取震源位置，从而实现无监督预测震源位置。

S3.6训练网络

首先固定生成网络模型，训练判别网络，样本是由生成网络生成的假三维能量场图，标签设为0，以及真三维能量场图，标签为1。通过训练判别网络，尽可能的区分真假能量场图，同时估计震源位置；训练好判别网络后，固定判别网络模型，给假三维能量场图的标签定为1，然后训练生成网络。

通过不断训练，使生成网络输出逼近于真三维能量场图像，并且利用判别网络判断生成图像的逼真度。总共20000个训练样本，每次取32个样本送到网络里，进行训练，每轮迭代625次。总共训练了400轮，每10轮，网络训练交替一次。

S4、震源定位

结束上述迭代训练后，开始实际震源定位。

具体为：

S4.1利用传感器阵列获取实际爆炸产生的震动信号；

S4.2、重复步骤S2得到实际震源对应的三维能量场样本集。

S4.3、随机抽取其中的50张样本作为真三维能量场图像送入深度学习网络；通过判别网络提取每张样本有效的时空特征图，通过类激活映射层进一步提取能量的聚焦区域，同时类激活映射层的输出通过上采样后，得到与真三维能量场一样的图像大小，通过搜索能量最大点得到震源位置，将相应输出的50组定位结果，以加权平均的方式，得到震源坐标。

S5、根据实际震源位置，通过采用走时层析或衰减层析方法进行震动场时空层析成像，该步骤属于现有技术。

Claims (10)

1.一种地下浅层复杂空间中震动场时空层析成像方法，其特征在于，具体包括以下步骤：

S1、布设震动传感器阵列；

S2、生成基于能量信息的学习样本，具体如下：

S2.1获取实际震源信号：利用所述的震动传感器阵列获取实际爆炸产生的震动信号；

S2.2对监测区域划分网格；

S2.3将每个震动传感器分别作为虚拟震源进行逆向传播，得到逆时反传波场；

S2.4能量场逆时成像，生成真能量场图；

S3、设计深度学习网络；

S4、震源定位：利用传感器阵列获取实际爆炸产生的震动信号；重复步骤S2得到实际震源对应的三维能量场样本集，随机抽取其中的多张样本作为真三维能量场图像送入深度学习网络，通过深度学习网络中的判别网络提取每张样本有效的时空特征图，通过类激活映射层进一步提取能量的聚焦区域，同时类激活映射层的输出通过上采样后，得到与真三维能量场一样的图像大小，通过搜索能量最大点得到震源位置，输出对应数量的定位结果，对定位结果进行处理得到实际震源坐标。

2.根据权利要求1所述的一种地下浅层复杂空间中震动场时空层析成像方法，其特征在于，S1中，在监测区域中心位置选取一点作为坐标原点，建立直角坐标系，将n个传感器，以坐标原点为中心，均匀布设于地表，形成等间距方形阵列，并获取每个传感器坐标信息X_i＝(x_i,y_i,z_i)(i＝1,2,3,...,n)。

3.根据权利要求1所述的一种地下浅层复杂空间中震动场时空层析成像方法，其特征在于，S2.2中，根据所监测范围，定义一个地下三维震源定位区域，并对监测区域进行网格划分，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X_j＝(x_j,y_j,z_j)(j＝1,2,3,...,N)。

4.根据权利要求3所述的一种地下浅层复杂空间中震动场时空层析成像方法，其特征在于，S2.3中，将第i个传感器获取的信号D(X_i,t)作为虚拟震源，逆向朝地下空间传播，在地下任意位置处形成的逆时反传波场R_i(X_j,t)可表示为：

其中，v表示地下介质的传播速度，T为传感器记录的震动信号的总时间长度，t为逆推波场传播时间；X_j＝(x_j,y_j,z_j)表示地下空间位置，第i个传感器位置X_i＝(x_i,y_i,z_i)记录的信号为D(X_i,t)。

5.根据权利要求1所述的一种地下浅层复杂空间中震动场时空层析成像方法，其特征在于，S2.4中，能量场逆时成像具体为：首先将n个传感器进行分组，按照相似性，分为M组，每组由L个传感器组成；其次，对传感器组内对应的震动传感器在地下任意位置处形成的逆时反传波场进行自相关运算和线性振幅叠加运算，得到传感器组内对应的自相关三维能量场图像；再次，对传感器组间的自相关三维能量场图像进行互相关运算，最终得到每一时刻的互相关三维能量场图像，消除逆时反传产生的成像干扰；最后对每一时刻的互相关三维能量场图像进行二次处理，得到瞬时三维能量场图像。

6.根据权利要求5所述的一种地下浅层复杂空间中震动场时空层析成像方法，其特征在于，S2.4中，对每一时刻的互相关三维能量场图像进行二次处理，得到瞬时三维能量场图像，具体如下：在时间域内，按照信号的瞬时频率特性设置时窗长度T，将时窗长度内的互相关三维能量场图像进行线性叠加，叠加后的图像加权融合后作为该时刻的瞬时三维能量场图像，具体公式如下：

其中，Image(X_j,t)为地下空间瞬时三维能量场图像，R_i(X_j,t)是第i个传感器逆时传播形成的信号，L为组内传感器个数，M为传感器组的个数，t₁，t₂为时窗的起始和终止时间，T为时窗长度；

不同时刻T是自适应变化的，在t时刻对应的时窗长度T用T(t)来表示，定义为：

其中，Ω(t)表示瞬时频率，通过将R_i(X_j,t)进行时频变换得到。

7.根据权利要求1所述的一种地下浅层复杂空间中震动场时空层析成像方法，其特征在于，深度学习网络由生成网络、判别网络、全局空间池化层、全连接层、二分类层、类激活映射层组成；传感器阵列获取爆炸产生的一维震动信号后，从传感器阵列中随机选取几个传感器，把这几个传感器接收的震动信号进行线性相加；相加后的信号输入至生成网络中，通过三维反卷积，生成假的三维能量场图，同时与这几个传感器对应的瞬时三维能量场图像为真三维能量场图，一起输入到判别网络；通过真、假三维能量场图训练生成网络和判别网络。

8.根据权利要求7所述的一种地下浅层复杂空间中震动场时空层析成像方法，其特征在于，S3具体包以下步骤：

S3.1数据预处理：对每一个瞬时三维能量场图像，进行线性插值，变成一个固定尺寸的三维能量场图；

S3.2利用生成网络把传感器采集到的一维信号生成假三维能量场图像，并使该假三维能量场图与真能量场图的大小一致；

S3.3把S3.2生成的假三维能量场图跟S2.4对应传感器生成的真能量场图输入到判别网络中，提取有效的时空特征图，然后通过标签辨别输入的三维能量场图的真假；

S3.4判别网络输出的三维特征图，通过全局空间池化层,生成了一个二维权重矩阵，用于表明最后一个卷积图层的每个激活图有多大的贡献来决定震源位置的预测；全局空间池化层的输出结果一路通过全连接层输入二分类层，用于判别输出的图像的真假类型；该权重矩阵代表每幅激活图对正确区分真实图像和假图像的贡献；另一路输入到类激活映射层，用于震源位置的估计；

S3.5首先二维权重矩阵的系数分别与对应的判别网络输出的三维特征图点乘，得到对应的权重激活图，同时把对应的权重激活图上采样，与三维能量场图保持一样的大小，搜索最大值找到能量最大的点作为震源预测点；

S3.6训练网络：首先固定生成网络模型，训练判别网络，样本是由生成网络生成的假三维能量场图，标签设为0，以及真三维能量场图，标签为1。通过训练判别网络，尽可能的区分真假能量场图，同时估计震源位置；训练好判别网络后，固定判别网络模型，给假三维能量场图的标签定为1，然后训练生成网络；通过不断训练，使生成网络输出逼近于真三维能量场图像，并且利用判别网络判断生成图像的逼真度。

9.根据权利要求8所述的一种地下浅层复杂空间中震动场时空层析成像方法，其特征在于，判别网络包括3个三维卷积层，3个池化层，2个循环卷积层，三个三维卷积层用于提取局部的时空特征；每个三维卷积层后面接一个归一化操作，归一化的输出输入到池化层，其输出在空间和时间维度上是三维卷积层输出的一半；第三个三维卷积降维后的输出结果输入到两个循环卷积层，提取全局的时空特征。

10.根据权利要求1所述的一种地下浅层复杂空间中震动场时空层析成像方法，其特征在于，根据实际震源位置，通过采用走时层析或衰减层析方法进行震动场时空层析成像。

Images