CN112114362B - 一种地下浅层爆炸时空场重建方法 - Google Patents
一种地下浅层爆炸时空场重建方法 Download PDFInfo
- Publication number
- CN112114362B CN112114362B CN202010929952.7A CN202010929952A CN112114362B CN 112114362 B CN112114362 B CN 112114362B CN 202010929952 A CN202010929952 A CN 202010929952A CN 112114362 B CN112114362 B CN 112114362B
- Authority
- CN
- China
- Prior art keywords
- time
- layer
- space
- energy field
- network
- 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 44
- 238000004880 explosion Methods 0.000 title claims abstract description 37
- 230000002441 reversible effect Effects 0.000 claims abstract description 20
- 238000003384 imaging method Methods 0.000 claims abstract description 19
- 230000005540 biological transmission Effects 0.000 claims abstract description 5
- 238000013528 artificial neural network Methods 0.000 claims description 43
- 125000004122 cyclic group Chemical group 0.000 claims description 34
- 238000012360 testing method Methods 0.000 claims description 15
- 238000011176 pooling Methods 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 11
- 238000013135 deep learning Methods 0.000 claims description 10
- 230000000306 recurrent effect Effects 0.000 claims description 10
- 238000010586 diagram Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 238000012544 monitoring process Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 6
- 230000002123 temporal effect Effects 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 239000000284 extract Substances 0.000 claims description 4
- 238000003325 tomography Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000001902 propagating effect Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000001052 transient effect Effects 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 6
- 230000008569 process Effects 0.000 abstract description 5
- 238000000605 extraction Methods 0.000 abstract description 4
- 238000012821 model calculation Methods 0.000 abstract description 2
- 230000008901 benefit Effects 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 201000004569 Blindness Diseases 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000005422 blasting Methods 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 238000005474 detonation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 238000011524 similarity measure Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
Images
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
- G01V1/30—Analysis
- G01V1/307—Analysis for determining seismic attributes, e.g. amplitude, instantaneous phase or frequency, reflection strength or polarity
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/30—Assessment of water resources
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Remote Sensing (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Acoustics & Sound (AREA)
- Environmental & Geological Engineering (AREA)
- Geology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geophysics (AREA)
- Geophysics And Detection Of Objects (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种地下浅层爆炸时空场重建方法,将传感器阵列信号进行分组能量场成像,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,提高能量场图像的数量和质量。本发明提高了定位的精度和定位的稳定性,同时极大了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步骤,极大提高了震源定位效率。
Description
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爆炸时空场重建方法,尤其是一种基于深度学习的地下浅层爆炸时空场重建方法。
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,本发明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;
2、研究人员采用QPSO量子粒子群算法等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。
发明内容
本发明提供一种地下浅层爆炸时空场重建方法,要解决的技术问题是:解决地下浅层震源定位精度低、稳定性差的问题,将震源定位过程等效于能量场图像到能量聚焦点的端到端识别定位过程。
为了解决以上技术问题,本发明提供了一种地下浅层爆炸时空场重建方法,其特征在于,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;
S3、设计深度学习网络;
S4、利用传感器阵列获取实际爆炸产生的震动信号,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送入深度学习网络;将相应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,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——震源位置端到端网络。设计了51层的密集全连接卷积网络,通过密集层,能够促进特征重复利用,同时通过学习更少的参数可以缓解特征冗余现象,解决梯度消失问题。利用上述优势,可以更好地提取三维能量场图的空间特征;设计了独立卷积循环神经网络,在保持空间特性的同时,不仅提取了有效的时间信息,而且网络更轻量化,可以更好地提取能量场图像的时间特征;设计了非局部空间注意力网络以及时间注意力网络,利用注意力机制能够有效提取局部关键特征的优势,网络可以更好地提取空间特征以及时间特征。与现有定位技术相比,本方法提高了定位的精度和定位的稳定性。同时极大了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步骤,极大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深度时空注意力网络结构;
图5非局部空间注意力网络结构;
图6时间注意力网络。
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爆炸时空场重建方法,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Xi=(xi,yi,zi)(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获取预设震源信号
在水平XOY坐标系的四个象限分别预设一发震源弹,利用所述的震动传感器阵列获取爆炸产生的震动信号;
S2.2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Xj=(xj,yj,zj)(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(Xi,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Ri(Xj,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;Xj=(xj,yj,zj)表示地下空间位置,第i个传感器位置Xi=(xi,yi,zi)记录的信号为D(Xi,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(Xj,t)为地下空间瞬时三维能量场图像,Ri(Xj,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Ri(Xj,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
本发明设计的深度学习网络结构如图4所示。该深度学习网络由51层的密集全连接卷积网络、独立卷积循环神经网络一、独立卷积循环神经网络二、独立卷积循环神经网络三、非局部空间注意力网络一、非局部空间注意力网络二、时间注意力网络、时间全局池化层、全连接层一、全连接层二和全连接层三组成;
首先,将S2得到的瞬时三维能量场图像进行线性插值,得到一个尺寸固定的三维能量场图并输入到51层的密集全连接卷积网络,用于提取有效的空间特征图,其输出结果经独立卷积循环神经网络一与独立卷积循环神经网络二处理后,提取三维能量场图中的时间特征;
独立卷积循环神经网络二输出的结果经非局部空间注意力网络一提取重要的三维能量场图的三维空间特征,其输出结果和独立卷积循环神经网络二直接输出的结果进行求和运算,运算结果输出至独立卷积循环神经网络三;独立卷积循环神经网络三再次提取三维能量场图中的时间特征;
独立卷积循环神经网络三输出端分别与非局部空间注意力网络二和时间注意力网络相连;一方面,非局部空间注意力网络二再次提取重要的三维能量场图的三维空间特征,其输出与独立卷积循环神经网络三的输出求和后与时间全局池化层连接,另一方面,独立卷积循环神经网络三输出结果,经时间注意力网络学习每个时刻的权重后,输出时间权重给时间全局池化层;
将上述结果经时间全局池化层进行点乘加权求和,得到最后的时空注意力的特征图,分别输出给全连接层一、全连接层二和全连接层三,其中全连接层一输出震源坐标x,全连接层二输出震源坐标y,全连接层三输出震源坐标z。
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,变成一个尺寸固定为50×224×224×3(图像的高度*图像的长度*图像的宽度*通道数)的三维能量场图。
S3.2:设计51层的密集全连接卷积网络提取空间特征
利用一个51层的密集全连接卷积网络从三维能量场图中提取有效的二维空间特征图,并把高度维度看成时间维度,每个时间维度的二维图片共享卷积权重。
该51层的密集全连接卷积网络的结构如表1所示,包括三种层,卷积层,池化层,密集层。每一个密集层包含12个卷积组,每组包括2个卷积操作,并且每组的输入与输出串联起来,然后经过归一化和激活函数,作为下一组的输入。每个密集层之后,利用一个1×1的卷积操作,减少输入的特征图数量,并融合各个通道的特征。通过上述方式可以建立更多的层数,提取更有效的深度特征;
表1密集全连接卷积网络结构
S3.3:把高度维度看成时间维度,通过独立卷积循环神经网络提取三维能量场图中的时间特征
在保持空间特性的情况下,进一步挖掘时间信息,传统卷积循环神经网络利用卷积操作代替矩阵相乘,每个隐层状态之间的关系都是通过卷积操作实现的,计算量比较大。本发明设计了一个独立卷积循环神经网络(Ind-conv-RNN),同样在保持空间特性时候,提取有效的时间信息,而且网络更轻量化。具体公式如下
本发明使用了三层独立卷积循环神经网络,每层的卷积核的大小为3×3×256(长度*宽度*通道数),输入的尺寸跟输出的尺寸保持一样都是50×28×28×256(高度*长度*宽度*通道数)。
S3.4:设计非局部空间注意力网络提取三维能量场图的三维空间特征
如图5所示,使用2个非局部空间注意力网络,关注瞬时三维能量场图像中震源弹爆炸后能量聚集的区域,该非局部空间注意力网络结构主要包括4个三维卷积层。非局部空间注意力网络输入的尺寸为50×28×28×256(图像的高度*图像的长度*图像的宽度*图像的通道数)。其中,前三个三维卷积层的卷积核尺寸均为3×1×1×128,经卷积操作后,输出的特征图尺寸均为50×28×28×128,接着对输出的特征图进行reshape处理,第一种经reshape处理后的特征图尺寸变为39200(50×28×28)×128,第二种经reshape处理后的特征图尺寸变为128×39200,将它俩进行矩阵相乘运算,则尺寸变为39200×39200,经softmax函数输出后再与第三种经reshape处理后的特征图(39200×128)进行矩阵相乘运算,输出的特征图尺寸变为50×28×28×128。最后一个三维卷积层的卷积核尺寸为3×1×1×256,经卷积操作后,最终输出的特征图尺寸为50×28×28×256。
综上所述,前三个卷积操作,是为了学习到全局空间的像素之间的关系;最后一个卷积操作,是为了把特征图的数量转换到跟输入的特征图的数量一样,实现残差连接。
S3.5:建立时间注意力网络
如图6所示,时间注意力网络利用4层的独立循环神经网络去学习每个时刻的权重,该网络包括一个空间池化层,4个独立循环神经网络层,一个全连接层。首先把独立卷积循环神经网络三输出的结果在空间维度上池化,变成一个50×256(高度*通道数)维度的向量,然后经过4个独立循环神经网络层,每个独立循环网络的输出为50×512,最后一层的独立循环神经网络的最后一个时态输出通过一个全连接层与softmax函数。每个独立循环神经网络的包括一个归一化层,一个Relu激活函数和一个drop层,并且隐藏状态为512维。独立循环神经网络与传统的循环神经网络不同之处就是在同一层的神经元之间没有连接,神经元只接收此时的输入以及前一时刻它自己的隐藏状态,可以能够从更长的时间提取特征,具体的表示如下
S3.6:时间全局池化以及震源位置输出
S3.5输出的时间权重与S3.4的输出进行点乘加权求和,即每个时刻的时间权重系数与其对应的时刻的特征图相乘,然后把所有相乘过的特征图加权求和,得到最后的时空注意力的特征图,然后使用三个全连接层分别预测震源的X坐标,Y坐标,Z坐标。
S3.7训练网络
按照S2步骤获得20000个样本,从总样本中取出5%作为测试样本,剩余的95%作为训练样本。每次从训练样本取出256个样本输入到网络里进行学习,当所有训练样本完成一次学习后,利用测试样本进行一次测试,当本次测试的结果比上次测试的结果要好,保留当前模型,如果测试结果连续20次都没有比以前的结果好,则学习率乘以0.1,当学习率小于0.00001时,结束训练,测试结果最好的那个模型作为训练好的模型。网络初始学习率设为0.05。
S4震源定位
结束上述S3.7迭代训练后,开始实际震源定位。
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S2.3、S2.4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张样本送入深度学习网络;将相应输出的50组定位结果,以加权平均的方式,得到实际震源坐标。
S5、根据得到的实际震源坐标采用走时层析或衰减层析方法进行时空场重建,该步骤属于现有技术。
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 (12)
1.一种地下浅层爆炸时空场重建方法,其特征在于,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个震动传感器,以坐标原点为中心,均匀布设于地表,形成等间距方形阵列,并获取每个震动传感器坐标信息Xi=(xi,yi,zi)(i=1,2,3,...,n);
S2、生成基于能量信息的学习样本;
S3、设计深度学习网络:深度学习网络由密集全连接卷积网络、独立卷积循环神经网络一、独立卷积循环神经网络二、独立卷积循环神经网络三、非局部空间注意力网络一、非局部空间注意力网络二、时间注意力网络、时间全局池化层、全连接层一、全连接层二和全连接层三组成;
首先,将S2得到的瞬时三维能量场图像进行线性插值,得到一个尺寸固定的三维能量场图并输入到51层的密集全连接卷积网络,用于提取有效的空间特征图,其输出结果经独立卷积循环神经网络一与独立卷积循环神经网络二处理后,提取三维能量场图中的时间特征;
独立卷积循环神经网络二输出的结果经非局部空间注意力网络一提取重要的三维能量场图的三维空间特征,其输出结果和独立卷积循环神经网络二直接输出的结果进行求和运算,运算结果输出至独立卷积循环神经网络三;独立卷积循环神经网络三再次提取三维能量场图中的时间特征;
独立卷积循环神经网络三输出端分别与非局部空间注意力网络二和时间注意力网络相连;一方面,非局部空间注意力网络二再次提取重要的三维能量场图的三维空间特征,其输出与独立卷积循环神经网络三的输出求和后与时间全局池化层连接,另一方面,独立卷积循环神经网络三输出结果,经时间注意力网络学习每个时刻的权重后,输出时间权重给时间全局池化层;
将上述结果经时间全局池化层进行点乘加权求和,得到最后的时空注意力的特征图,分别输出给全连接层一、全连接层二和全连接层三,其中全连接层一输出震源坐标x,全连接层二输出震源坐标y,全连接层三输出震源坐标z;
S4、利用震动传感器阵列获取实际爆炸产生的震动信号,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送入深度学习网络;将相应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爆炸时空场重建方法,其特征在于,S2具体方法如下:
S2.1在水平XOY坐标系的四个象限分别预设一发震源弹,利用所述的震动传感器阵列获取爆炸产生的震动信号;
S2 .2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Xj=(xj,yj,zj)(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;
S2.4能量场逆时成像:首先将n个震动传感器进行分组,按照相似性,分为M组,每组由L个震动传感器组成;其次,对震动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,得到震动传感器组内对应的自相关三维能量场图像;再次,对震动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。
4.根据权利要求3所述的一种地下浅层爆炸时空场重建方法,其特征在于,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步骤S2.3中的方程。
5.根据权利要求2所述的一种地下浅层爆炸时空场重建方法,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(Xj,t)为地下空间瞬时三维能量场图像,Ri(Xj,t)是第i个震动传感器形成的逆时反传波场,L为组内震动传感器个数,M为震动传感器组的个数,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Ri(Xj,t)进行时频变换得到。
6.根据权利要求1所述的一种地下浅层爆炸时空场重建方法,其特征在于,S3中,51层的密集全连接卷积网络包括卷积层,池化层,密集层;每一个密集层包含12个卷积组,每组包括2个卷积操作,并且每组的输入与输出串联起来,然后经过归一化和激活函数,作为下一组的输入;每个密集层之后,利用一个1×1的卷积操作,减少输入的特征图数量,并融合各个通道的特征。
8.根据权利要求1所述的一种地下浅层爆炸时空场重建方法,其特征在于,非局部空间注意力网络结构包括4个三维卷积层,前三个卷积层用于学习到全局空间的像素之间的关系;最后一个卷积操作,用于把特征图的数量转换到跟输入的特征图的数量一样,实现残差连接。
9.根据权利要求1所述的一种地下浅层爆炸时空场重建方法,其特征在于,时间注意力网络包括一个空间池化层,4个独立循环神经网络层,一个全连接层,首先把独立卷积循环神经网络三输出的结果在空间维度上池化,然后经过4个独立循环神经网络层,最后一层的独立循环神经网络的最后一个时态输出通过一个全连接层与softmax函数。
11.根据权利要求9所述的一种地下浅层爆炸时空场重建方法,其特征在于,S3还包括训练网络:
按照S2步骤获得多个样本,从总样本中取出5%作为测试样本,剩余的95%作为训练样本,每次从训练样本取出一定数量的样本输入到网络里进行学习,当所有训练样本完成一次学习后,利用测试样本进行一次测试,当本次测试的结果比上次测试的结果要好,保留当前模型,如果测试结果连续20次都没有比以前的结果好,则学习率乘以0.1,当学习率小于0.00001时,结束训练,测试结果最好的那个模型作为训练好的模型。
12.根据权利要求1所述的一种地下浅层爆炸时空场重建方法,其特征在于,根据得到的实际震源坐标采用走时层析或衰减层析方法进行时空场重建。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010929952.7A CN112114362B (zh) | 2020-09-07 | 2020-09-07 | 一种地下浅层爆炸时空场重建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010929952.7A CN112114362B (zh) | 2020-09-07 | 2020-09-07 | 一种地下浅层爆炸时空场重建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112114362A CN112114362A (zh) | 2020-12-22 |
CN112114362B true CN112114362B (zh) | 2022-08-09 |
Family
ID=73802405
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010929952.7A Active CN112114362B (zh) | 2020-09-07 | 2020-09-07 | 一种地下浅层爆炸时空场重建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112114362B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112613431B (zh) * | 2020-12-28 | 2021-06-29 | 中北大学 | 一种泄漏气体自动识别方法、系统及装置 |
CN113484906B (zh) * | 2021-06-29 | 2023-11-03 | 中北大学 | 一种基于低频能谱数据驱动的高分辨率能量场重建方法 |
CN113640878B (zh) * | 2021-08-12 | 2024-03-29 | 西南石油大学 | 利用虚拟震源扫描构建方位角-视速度雷达图的方法 |
US11860325B2 (en) * | 2021-11-30 | 2024-01-02 | Saudi Arabian Oil Company | Deep learning architecture for seismic post-stack inversion |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2003269814A1 (en) * | 2003-09-22 | 2005-05-05 | Brother International Corporation | A method and apparatus for sensing applied forces |
US20110286305A1 (en) * | 2009-01-20 | 2011-11-24 | Spectraseis Ag | Time reverse imaging operators for source location |
CN102967189B (zh) * | 2012-11-22 | 2014-10-29 | 中北大学 | 爆炸冲击波超压时空场重建方法 |
US10670751B2 (en) * | 2015-03-27 | 2020-06-02 | Cgg Services Sas | Full waveform inversion method for seismic data processing using preserved amplitude reverse time migration |
CN105954795A (zh) * | 2016-04-25 | 2016-09-21 | 吉林大学 | 一种用于微地震定位的网格逐次剖分方法 |
CN107462479B (zh) * | 2017-08-02 | 2023-06-23 | 中国地震局工程力学研究所 | 用于落锤试验机的测试平台以及落锤试验方法 |
CN110873895A (zh) * | 2018-08-31 | 2020-03-10 | 中国石油化工股份有限公司 | 一种变网格微地震逆时干涉定位方法 |
CN110967733B (zh) * | 2018-09-28 | 2022-03-08 | 中国石油化工股份有限公司 | 一种改进的震源逆时定位方法及计算机可读存储介质 |
CN110261900B (zh) * | 2019-06-10 | 2021-01-19 | 中北大学 | 一种基于速度信息的地下浅层微震定位系统 |
CN110516650B (zh) * | 2019-09-02 | 2022-04-22 | 中北大学 | 一种基于震动传感器阵列的浅层盲空间震源定位系统 |
-
2020
- 2020-09-07 CN CN202010929952.7A patent/CN112114362B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112114362A (zh) | 2020-12-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112114362B (zh) | 一种地下浅层爆炸时空场重建方法 | |
CN108181652B (zh) | 一种海底节点地震资料上下行波场数值模拟方法 | |
CN110261900B (zh) | 一种基于速度信息的地下浅层微震定位系统 | |
CN106772583B (zh) | 一种地震绕射波分离方法和装置 | |
Aminzadeh et al. | 3-D salt and overthrust seismic models | |
CN108037531B (zh) | 一种基于广义全变分正则化的地震反演方法及系统 | |
CN110261902B (zh) | 一种基于多谱能量合成的地下浅层震源定位方法 | |
CN110414675B (zh) | 一种基于深度学习的地下浅层震源定位方法 | |
Zhang et al. | Extracting dispersion curves from ambient noise correlations using deep learning | |
CN110516650B (zh) | 一种基于震动传感器阵列的浅层盲空间震源定位系统 | |
CN110261903B (zh) | 一种基于逆时能量聚焦的地下震源被动定位方法 | |
Feng et al. | Multiscale data-driven seismic full-waveform inversion with field data study | |
CN110579795B (zh) | 基于被动源地震波形及其逆时成像的联合速度反演方法 | |
Wang et al. | Seismic velocity inversion transformer | |
CN105319589A (zh) | 一种利用局部同相轴斜率的全自动立体层析反演方法 | |
CN112231974B (zh) | 基于深度学习的tbm破岩震源地震波场特征恢复方法及系统 | |
GB2538804A (en) | Improved method for inversion modelling | |
Lin et al. | Physics-guided data-driven seismic inversion: Recent progress and future opportunities in full-waveform inversion | |
Yadav et al. | Feedforward neural network for joint inversion of geophysical data to identify geothermal sweet spots in Gandhar, Gujarat, India | |
CN112051611A (zh) | 基于深度强化学习的地下浅层起爆点定位方法 | |
Ferreira et al. | Generating sketch-based synthetic seismic images with generative adversarial networks | |
CN111273346B (zh) | 去除沉积背景的方法、装置、计算机设备及可读存储介质 | |
Feng et al. | Localizing microseismic events using semi-supervised generative adversarial networks | |
CN113484906B (zh) | 一种基于低频能谱数据驱动的高分辨率能量场重建方法 | |
CN112114361B (zh) | 一种地下浅层复杂空间中震动场时空层析成像方法 |
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 |