CN112444858B - 基于边云协同的地震实时监测ai计算方法、装置及介质 - Google Patents
基于边云协同的地震实时监测ai计算方法、装置及介质 Download PDFInfo
- Publication number
- CN112444858B CN112444858B CN202011424728.9A CN202011424728A CN112444858B CN 112444858 B CN112444858 B CN 112444858B CN 202011424728 A CN202011424728 A CN 202011424728A CN 112444858 B CN112444858 B CN 112444858B
- Authority
- CN
- China
- Prior art keywords
- edge computing
- micro
- data
- remote server
- computing device
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 26
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 25
- 238000004364 calculation method Methods 0.000 title claims abstract description 14
- 238000007405 data analysis Methods 0.000 claims abstract description 83
- 238000012549 training Methods 0.000 claims abstract description 71
- 238000013508 migration Methods 0.000 claims abstract description 67
- 230000005012 migration Effects 0.000 claims abstract description 67
- 238000000034 method Methods 0.000 claims abstract description 63
- 238000012545 processing Methods 0.000 claims abstract description 36
- 238000004891 communication Methods 0.000 claims abstract description 15
- 238000000605 extraction Methods 0.000 claims description 13
- 238000013507 mapping Methods 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000005516 engineering process Methods 0.000 claims description 5
- 238000011176 pooling Methods 0.000 claims description 4
- QVFWZNCVPCJQOP-UHFFFAOYSA-N chloralodol Chemical compound CC(O)(C)CC(C)OC(O)C(Cl)(Cl)Cl QVFWZNCVPCJQOP-UHFFFAOYSA-N 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims description 2
- 239000000284 extract Substances 0.000 claims 1
- 238000004422 calculation algorithm Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 12
- 230000005540 biological transmission Effects 0.000 description 11
- 230000008569 process Effects 0.000 description 10
- 238000001514 detection method Methods 0.000 description 7
- 230000008878 coupling Effects 0.000 description 5
- 238000010168 coupling process Methods 0.000 description 5
- 238000005859 coupling reaction Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000005034 decoration Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000010205 computational analysis Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000008014 freezing Effects 0.000 description 1
- 238000007710 freezing Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012546 transfer Methods 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
- G01V1/01—Measuring or predicting earthquakes
-
- 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
- G01V1/282—Application of seismic models, synthetic seismograms
-
- 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
- G01V1/28—Processing seismic data, e.g. for interpretation or for event detection
- G01V1/30—Analysis
-
- 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
- G01V1/34—Displaying seismic recordings or visualisation of seismic data or attributes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/214—Database migration support
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/23—Updating
- G06F16/2365—Ensuring data consistency and integrity
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/25—Integrating or interfacing systems involving database management systems
- G06F16/252—Integrating or interfacing systems involving database management systems between a Database Management System and a front-end application
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/54—Interprogram communication
- G06F9/547—Remote procedure calls [RPC]; Web services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/04—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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Remote Sensing (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Environmental & Geological Engineering (AREA)
- Geology (AREA)
- Geophysics (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Acoustics & Sound (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Emergency Management (AREA)
- Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Geophysics And Detection Of Objects (AREA)
- Computer Security & Cryptography (AREA)
Abstract
本申请公开了一种基于边云协同的地震实时监测AI计算方法、装置及介质。其中,该方法应用于微地震数据处理系统,微地震数据处理系统包括边缘计算设备以及与边缘计算设备通信连接的远程服务器,其中,远程服务器预先将基于人工智能的微地震数据分析模型部署至边缘计算设备,并且方法包括:远程服务器从边缘计算设备接收与微地震相关的有效事件数据,其中有效事件数据为边缘计算设备利用微地震数据分析模型对边缘计算设备采集到的微地震数据进行计算分析得到的;远程服务器根据有效事件数据,对微地震数据分析模型进行迁移训练;以及远程服务器将经过迁移训练后的微地震数据分析模型发送至边缘计算设备进行模型更新。
Description
技术领域
本申请涉及地震监测技术领域,特别是涉及一种基于边云协同的地震实时监测AI计算方法、装置及介质。
背景技术
微地震数据采集设备被广泛地应用于非常规油气开发微地震和诱发地震监测、背景噪声监测以及城市地下空间探测等被动源地震响应监测中。常规的微地震监测流程包括人工布设台站,长时间数据采集,人工收取台站,数据读取、整理和处理分析等。但随着对监测要求的不断提高,越来越需要能够实时进行微地震监测和数据处理分析,以便实时了解地下介质的变化情况,动态调整施工方案或者采取应急处理手段等。随着数据传输技术的不断发展,微地震数据采集设备不断融合了以太网或者无线WiFi等技术,逐步具备了实时数据传输功能(Barakat et al, 2010; Jamali-Rad et. Al., 2018)。国内外已经有很多款微地震数据采集设备产品,比如加拿大DTCC公司的SmartSolo IAU-19、SD-20(该款产品即将上市)、法国Sercel公司的WTU 508、美国Geospace公司的GSX-C、加拿大Nanometrics公司的Centaur、美国RRF TEK公司的Wrangler、英国Güralp公司的Minimus+、美国Kinemetrics公司的Quanterra Q330M+、以及我国港震科技公司的EDAS-27HR等。
现有的几款主流微地震采集设备大都采用STA/LTA长短时窗比方法来识别有效微地震事件,该种方法比较适合天然地震有效事件拾取,对信噪比相对较低的微地震和诱发地震数据识别精度较差,目前该方法正在被各种机器学习、深度学习等人工智能方法所取代。目前的微地震采集设备都是在监测前将固定的有效事件识别计算参数写入设备内,无法根据监测过程环境噪音和地面耦合等情况自适应地进行参数调整。
针对上述的现有技术中存在的微地震采集设备的算法模型的参数都是固定的,因此无法根据实际的检测环境或者地面情况自适应的进行参数调整,进而无法根据实际的环境精准采集微地震数据的技术问题,目前尚未提出有效的解决方案。
发明内容
本公开的实施例提供了一种基于边云协同的地震实时监测AI计算方法、装置及介质,以至少解决现有技术中存在的微地震采集设备的算法模型的参数都是固定的,因此无法根据实际的检测环境或者地面情况自适应的进行参数调整,进而无法根据实际的环境精准采集微地震数据的技术问题。
根据本公开实施例的一个方面,提供了一种基于边云协同的地震实时监测AI计算方法,应用于微地震数据处理系统,微地震数据处理系统包括边缘计算设备以及与边缘计算设备通信连接的远程服务器,其中,远程服务器预先将基于人工智能的微地震数据分析模型部署至边缘计算设备,并且方法包括:远程服务器从边缘计算设备接收与微地震相关的有效事件数据,其中有效事件数据为边缘计算设备利用微地震数据分析模型对边缘计算设备采集到的微地震数据进行计算分析得到的;远程服务器根据有效事件数据,对微地震数据分析模型进行迁移训练;以及远程服务器将经过迁移训练后的微地震数据分析模型发送至边缘计算设备进行模型更新。
根据本公开实施例的另一个方面,还提供了一种存储介质,存储介质包括存储的程序,其中,在程序运行时由处理器执行以上任意一项所述的方法。
根据本公开实施例的另一个方面,还提供了一种微地震数据处理装置,应用于微地震数据处理系统,微地震数据处理系统包括边缘计算设备以及与边缘计算设备通信连接的远程服务器,其中,远程服务器预先将基于人工智能的微地震数据分析模型部署至边缘计算设备,并且装置包括:数据接收模块,用于远程服务器从边缘计算设备接收与微地震相关的有效事件数据,其中有效事件数据为边缘计算设备利用微地震数据分析模型对边缘计算设备采集到的微地震数据进行计算分析得到的;迁移训练模块,用于远程服务器根据有效事件数据,对微地震数据分析模型进行迁移训练;以及模型更新模块,用于远程服务器将经过迁移训练后的微地震数据分析模型发送至边缘计算设备进行模型更新。
根据本公开实施例的另一个方面,还提供了一种微地震数据处理装置,应用于微地震数据处理系统,微地震数据处理系统包括边缘计算设备以及与边缘计算设备通信连接的远程服务器,其中,远程服务器预先将基于人工智能的微地震数据分析模型部署至边缘计算设备,包括:处理器;以及存储器,与处理器连接,用于为处理器提供处理以下处理步骤的指令:远程服务器从边缘计算设备接收与微地震相关的有效事件数据,其中有效事件数据为边缘计算设备利用微地震数据分析模型对边缘计算设备采集到的微地震数据进行计算分析得到的;远程服务器根据有效事件数据,对微地震数据分析模型进行迁移训练;以及远程服务器将经过迁移训练后的微地震数据分析模型发送至边缘计算设备进行模型更新。
在本公开实施例中,远程服务器可以从边缘计算设备接收有效事件数据,然后利用有效事件数据对边缘计算设备部署的微地震数据分析模型进行迁移训练,最终将迁移训练后的模型发送至边缘计算设备进行模型的更新。从而,与现有技术采用固定的算法模型相比,本方案可以根据实际采集的有效事件数据对模型进行灵活的更新。实现了可以应对不同的地理情况的目的,达到了根据实际地理情况精准采集微地震数据的技术效果。此外,在边缘计算设备端可以利用模型对采集数据进行分析处理,从而发送的只是有效事件数据,节省资源提升发送效率。进而解决了现有技术中存在的微地震采集设备的算法模型的参数都是固定的,因此无法根据实际的检测环境或者地面情况自适应的进行参数调整,进而无法根据实际的环境精准采集微地震数据的技术问题。
附图说明
此处所说明的附图用来提供对本公开的进一步理解,构成本申请的一部分,本公开的示意性实施例及其说明用于解释本公开,并不构成对本公开的不当限定。在附图中:
图1是用于实现根据本公开实施例1所述的方法的计算设备的硬件结构框图;
图2是根据本公开实施例1所述的微地震数据处理系统的示意图;
图3是根据本公开实施例1的第一个方面所述的基于边云协同的地震实时监测AI计算方法的流程示意图;
图4A是根据本公开实施例1所述的基于人工智能的微地震数据分析模型的结构示意图;
图4B是根据本公开实施例1所述的迁移训练过程的示意图;
图5是根据本公开实施例1所述的边缘计算设备组内广播信息的示意图;
图6是根据本公开实施例1所述的边缘计算设备组内广播过程的示意图;
图7是根据本公开实施例1所述的边缘计算设备的触发逻辑的示意图;
图8是根据本公开实施例2所述的微地震数据处理装置的示意图;以及
图9是根据本公开实施例3所述的微地震数据处理装置的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本公开的技术方案,下面将结合本公开实施例中的附图,对本公开实施例中的技术方案进行清楚、完整地描述。显然,所描述的实施例仅仅是本公开一部分的实施例,而不是全部的实施例。基于本公开中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本公开保护的范围。
需要说明的是,本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例1
根据本实施例,提供了一种基于边云协同的地震实时监测AI计算方法实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
本实施例所提供的方法实施例可以在服务器或者类似的计算设备中执行。图1示出了一种用于实现微地震数据处理方法的计算设备的硬件结构框图。如图1所示,计算设备可以包括一个或多个处理器(处理器可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)、用于存储数据的存储器、以及用于通信功能的传输装置。除此以外,还可以包括:显示器、输入/输出接口(I/O接口)、通用串行总线(USB)端口(可以作为I/O接口的端口中的一个端口被包括)、网络接口、电源和/或相机。本领域普通技术人员可以理解,图1所示的结构仅为示意,其并不对上述电子装置的结构造成限定。例如,计算设备还可包括比图1中所示更多或者更少的组件,或者具有与图1所示不同的配置。
应当注意到的是上述一个或多个处理器和/或其他数据处理电路在本文中通常可以被称为“数据处理电路”。该数据处理电路可以全部或部分的体现为软件、硬件、固件或其他任意组合。此外,数据处理电路可为单个独立的处理模块,或全部或部分的结合到计算设备中的其他元件中的任意一个内。如本公开实施例中所涉及到的,该数据处理电路作为一种处理器控制(例如与接口连接的可变电阻终端路径的选择)。
存储器可用于存储应用软件的软件程序以及模块,如本公开实施例中的微地震数据处理方法对应的程序指令/数据存储装置,处理器通过运行存储在存储器内的软件程序以及模块,从而执行各种功能应用以及数据处理,即实现上述的应用程序的微地震数据处理方法。存储器可包括高速随机存储器,还可包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器可进一步包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至计算设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输装置用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算设备的通信供应商提供的无线网络。在一个实例中,传输装置包括一个网络适配器(Network Interface Controller,NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,传输装置可以为射频(Radio Frequency,RF)模块,其用于通过无线方式与互联网进行通讯。
显示器可以例如触摸屏式的液晶显示器(LCD),该液晶显示器可使得用户能够与计算设备的用户界面进行交互。
此处需要说明的是,在一些可选实施例中,上述图1所示的计算设备可以包括硬件元件(包括电路)、软件元件(包括存储在计算机可读介质上的计算机代码)、或硬件元件和软件元件两者的结合。应当指出的是,图1仅为特定具体实例的一个实例,并且旨在示出可存在于上述计算设备中的部件的类型。
图2是根据本实施例所述的微地震数据处理系统的示意图。参照图2所示,该系统包括:边缘计算设备以及与边缘计算设备通信连接的远程服务器200,其中边缘计算设备的数量可以是多个,例如:边缘计算设备210~230,边缘计算设备分别设置于不同的地点进行微地震数据的采集与处理。远程服务器200例如可以是一种云端服务器(或者称为云端网络),远程服务器200预先将基于人工智能的微地震数据分析模型部署至边缘计算设备210~230,边缘计算设备210~230可以利用该基于人工智能的微地震数据分析模型对采集的数据进行处理,得到有效的微地震数据并反馈至云端服务器200。其中,基于人工智能的微地震数据分析模型可以是基于卷积神经网络模型和/或者循环神经网络模型训练得到的,训练数据例如可以采用标准微地震数据库中的数据。需要说明的是,系统中的远程服务器200和边缘计算设备210~230均可适用上面所述的硬件结构。
在上述运行环境下,根据本实施例的第一个方面,提供了一种基于边云协同的地震实时监测AI计算方法,该方法由图2中所示的远程服务器200实现。图3示出了该方法的流程示意图,参考图3所示,该方法包括:
S302:远程服务器从边缘计算设备接收与微地震相关的有效事件数据,其中有效事件数据为边缘计算设备利用微地震数据分析模型对边缘计算设备采集到的微地震数据进行计算分析得到的;
S304:远程服务器根据有效事件数据,对微地震数据分析模型进行迁移训练;以及
S306:远程服务器将经过迁移训练后的微地震数据分析模型发送至边缘计算设备进行模型更新。
正如背景技术中所述的,现有的几款主流微地震采集设备大都采用STA/LTA长短时窗比方法来识别有效微地震事件,该种方法比较适合天然地震有效事件拾取,对信噪比相对较低的微地震和诱发地震数据识别精度较差,目前该方法正在被各种机器学习、深度学习等人工智能方法所取代。目前的微地震采集设备都是在监测前将固定的有效事件识别计算参数写入设备内,无法根据监测过程环境噪音和地面耦合等情况自适应地进行参数调整。
针对背景技术中存在的技术问题,本实施例技术方案在步骤S302中,远程服务器200首先从边缘计算设备(例如:边缘计算设备210)接收与微地震相关的有效事件数据。其中,有效事件数据为边缘计算设备利用微地震数据分析模型对边缘计算设备采集到的微地震数据进行计算分析得到的。在一个具体实例中,有效事件数据例如可以只是地震波纹,边缘计算设备210在采集微地震数据之后,可以通过微地震数据分析模型对采集的数据进行处理,例如:去除噪音数据、无效数据等,然后向远程服务器200进行发送。从而,在边缘计算设备端可以利用微地震数据分析模型对微地震数据进行初步的处理,因此可以显著减少数据传输量,节省计算资源提升数据发送效率。此外,上述的有效事件数据还可以是经过微地震数据分析模型进行初步计算得到的数据,此处关于有效事件数据的形式以及内容不做具体限定。此外,在一个优选的实例中,边缘计算设备可以直接利用微地震数据分析模型进行数据采集,从而可以直接得到有效事件数据。
进一步地,在步骤S304中,远程服务器200根据有效事件数据,对微地震数据分析模型进行迁移训练。即,利用实际的有效事件数据对模型进行迁移训练调整模型的参数,对模型进行优化调整。从而使得模型可以应对实际的地理情况,并且根据实际地理情况改变进行灵活的调整。其中,迁移训练的方法例如可以采用现有技术中的迁移训练方法,此处不做具体限定。
此外,为了进一步地保证有效事件数据的准确性,本方案在接收到该有效事件数据之后,专业人员还可以进行人工数据检查,特别是检查当前计算不足的数据,并对该数据进行标记。当积攒到足够多标记数据时,利用迁移学习的办法,对模型进行迁移训练。
最终,在步骤S306中,远程服务器200将经过迁移训练后的微地震数据分析模型发送至边缘计算设备进行模型更新。在一个具体实例中,远程服务器200例如可以将迁移训练后改变的参数发送至边缘计算设备进行模型的参数替换,又或者远程服务器200将训练后的模型发送至边缘计算设备进行模型的更新。最终实现边缘计算设备对微地震数据分析模型进行更新。
从而通过这种方式,远程服务器200可以从边缘计算设备210接收有效事件数据,然后利用有效事件数据对边缘计算设备210部署的微地震数据分析模型进行迁移训练,最终将迁移训练后的模型发送至边缘计算设备210进行模型的更新。从而,与现有技术采用固定的算法模型相比,本方案可以根据实际采集的有效事件数据对模型进行灵活的更新。实现了可以应对不同的地理情况的目的,达到了根据实际地理情况精准采集微地震数据的技术效果。此外,在边缘计算设备端可以利用模型对采集数据进行分析处理,从而发送的只是有效事件数据,节省资源提升发送效率。进而解决了现有技术中存在的微地震采集设备的算法模型的参数都是固定的,因此无法根据实际的检测环境或者地面情况自适应的进行参数调整,进而无法根据实际的环境精准采集微地震数据的技术问题。
可选地,远程服务器从边缘计算设备接收与微地震相关的有效事件数据的操作之前,还包括:边缘计算设备采集微地震数据;边缘计算设备利用微地震数据分析模型,对微地震数据进行分析计算,生成与微地震数据对应的有效事件数据;以及边缘计算设备将有效事件数据发送至远程服务器。
在远程服务器200从边缘计算设备(例如边缘计算设备210)接收与微地震相关的有效事件数据的操作之前,边缘计算设备210还需要采集并处理得到该有效事件数据。具体地,边缘计算设备210首先采集微地震数据,例如:地震波等。进一步地,边缘计算设备210利用微地震数据分析模型,对微地震数据进行分析计算,例如:可以是数据清洗、数据转换等计算,生成与微地震数据对应的有效事件数据,又或者通过模型直接采集所需的有效事件数据。最终,边缘计算设备210将有效事件数据发送至远程服务器200。从而,在发送数据过程中只发送所需的有效事件数据,因此可以减少数据发送量节省资源。
可选地,微地震数据分析模型包括特征提取层、特征输出层以及全连接层,并且远程服务器根据有效事件数据,对微地震数据分析模型进行迁移训练的操作,包括:远程服务器冻结特征提取层的网络结构;以及远程服务器利用有效事件数据和从预设的标准微地震数据库获取的标准微地震数据,对特征输出层和全连接层之间的映射关系进行训练。
具体地,参考图4A所示,在一个可选实例中,微地震数据分析模型例如是利用标准数据集训练的基于CNN+RNN的微地震深度拾取网络MSnet,模型包括特征提取层、特征输出层以及全连接层,其中特征提取层共使用四层卷积层,第一层的卷积核为(9,9),第四层的卷积核为(3,3),两层卷积层之间含1个池化核为3的池化层。特征输出层使用了3层LSTM结构,每层含632个单元,另有一个含600个单元的Projection Layer作降维处理(图中未示出),全连接层有两层。参考图4B所示,在对微地震数据分析模型进行迁移训练的操作中,远程服务器200冻结特征提取层的网络结构,也就是说保持特征提取层的参数不变。进一步地,远程服务器200利用有效事件数据(还可以结合从预设的标准微地震数据库获取的标准微地震数据),对特征输出层和全连接层之间的映射关系进行训练,即:将LSTM最后的一层输出的特征提取出来,利用有效事件数据(可以是标记后的)和从预设的标准微地震数据库获取的标准微地震数据进行fine-tune(模型微调),重新建立由特征输出层到全连接层的映射关系。从而,只对模型的特征输出层到全连接层的映射关系进行迁移训练,不用对整个模型进行训练,因此可以提升训练速度。
可选地,边缘计算设备为多个边缘计算设备,多个边缘计算设备分别用于采集不同地点的有效事件数据,并且对微地震数据分析模型进行迁移训练,包括:远程服务器根据每个边缘计算设备发送的有效事件数据,对对应的边缘计算设备部署的微地震数据分析模型进行迁移训练。
具体地,边缘计算设备为多个边缘计算设备,例如边缘计算设备210~230等,多个边缘计算设备分别用于采集不同地点的有效事件数据。在对微地震数据分析模型进行迁移训练的操作中,远程服务器200根据每个边缘计算设备发送的有效事件数据,对对应的边缘计算设备部署的微地震数据分析模型进行迁移训练。例如:远程服务器200利用边缘计算设备210发送的有效事件数据对边缘计算设备210部署的微地震数据分析模型进行迁移训练,远程服务器200利用边缘计算设备220发送的有效事件数据对边缘计算设备220部署的微地震数据分析模型进行迁移训练等。从而,可以针对每个边缘计算设备的模型分别进行迁移训练,进而每个边缘计算设备可以应对不同地点的地理情况。
可选地,多个边缘计算设备分为多个分组,并且对微地震数据分析模型进行迁移训练,包括:远程服务器根据每个分组的边缘计算设备发送的有效事件数据,对分组的边缘计算设备部署的微地震数据分析模型进行迁移训练。
具体地,参考图2所示,多个边缘计算设备分为多个分组,多个分组例如部署在不同的地点,从而每个地点可以部署至少一个边缘计算设备。其中,每个分组中的边缘计算设备的微地震数据分析模型例如相同。在对微地震数据分析模型进行迁移训练的过程中,远程服务器200根据每个分组的边缘计算设备发送的有效事件数据(其中,例如每个组内可以有一个主设备负责汇总数据,并向服务器发送),对分组的边缘计算设备部署的微地震数据分析模型进行迁移训练,即根据有效事件数据对模型进行迁移训练,然后将迁移训练的模型发送至该分组,然后分组中的边缘计算设备都可以对模型进行更新。此处需要说明的是,为了保证数据的来源,每个分组的边缘计算设备向远程服务器发送有效事件数据可以包括:分组编号、设备编号以及有效事件数据等。从而,可以在一个地点设置多个边缘计算设备进行微地震的监控,更加精准。
可选地,边缘计算设备采集微地震数据之前,还包括:判断分组的边缘计算设备是否满足预设的采集条件;以及在满足预设的采集条件的情况下,每个分组的边缘计算设备采集微地震数据。
具体地,为了避免连续的采集微地震数据进行处理,本方案还可以设置采集条件,例如:采集条件为采集时间间隔、采集数据要求等。在边缘计算设备采集微地震数据之前,首先需要判断分组的边缘计算设备是否满足预设的采集条件,在满足预设的采集条件的情况下,每个分组的边缘计算设备采集微地震数据。从而,不需要连续的进行采集,减少不必要的数据采集与传输,减轻服务器端的数据分析压力。
可选地,判断分组的边缘计算设备是否满足预设的采集条件,包括:分组的边缘计算设备对状态信息进行组内广播,其中状态信息用于记录边缘计算设备的监测状态;计算分组内状态信息满足预设触发条件的边缘计算设备的设备数量;以及根据设备数量以及预设的第一阈值,判断分组的边缘计算设备是否满足预设的采集条件。
具体地,在判断分组的边缘计算设备是否满足预设的采集条件的操作中,首先,分组的边缘计算设备对状态信息进行组内广播,其中状态信息用于记录边缘计算设备的监测状态,例如:是否出现异常。其中参考图5和图6所示,例如可以采用Lora数据传输方式进行组内广播。然后,参考图7所示,计算分组内状态信息满足预设触发条件的边缘计算设备的设备数量(对应于图7中的 预触发判断)。最终根据设备数量以及预设的第一阈值,判断分组的边缘计算设备是否满足预设的采集条件。例如:在设备数量超过第一阈值的情况下,可能出现异常,因此需要进行数据采集并开启微地震数据分析模型进行分析。
可选地,状态信息包括状态标识,并且计算分组内所述状态信息满足预设触发条件的边缘计算设备的设备数量之前,还包括:根据状态标识,判断所述分组内所述状态信息是否满足预设触发条件。
具体地,边缘计算设备在组内广播的状态信息例如包括状态标识,此外还可以包括边缘计算设备的ID。在计算分组内状态信息满足预设触发条件的边缘计算设备的设备数量之前,本方案还根据状态标识,判断所述分组内所述状态信息是否满足预设触发条件。在一个具体实例中,状态标识为bool型,即只有True和Fasle标识。边缘计算设备在部署后通过电路设置一个信号最小触发阈值,参考图7所示,当采集的信号电压超过最小触发阈值后,该边缘计算设备的状态标识为True,当状态标识为True的情况下,判断分组内状态信息满足预设触发条件,并同时马上更新组广播对应字段。
可选地,本方案还包括:远程服务器200对有效事件数据进行可视化展示。从而工作人员直接浏览该有效事件数据,对微地震进行监控。
在一个具体实例中,本方案包括以下步骤:
1.根据节点地震仪(对应上述的边缘计算设备)部署区域位置进行通信编组
1)在施工前期的地质结构分析阶段根据部署节点数量、部署节点地质区域划分和通讯中继情况划分通信编组。
2)每个通信组的第1个台站负责进行组广播信息管理。
2.对采集的地震数据进行多节点地震仪组内信号幅值预触发及组广播
1)采用Lora超长距离超低功耗通信技术进行组广播,广播内容为组内各个节点的预触发状态,是一个由组内每个节点ID及其触发状态组成的字符串,如图5所示。
2)预触发状态为bool型,即只有True和Fasle的状态,节点在部署后通过电路设置一个信号最小触发阈值,当采集的信号电压超过最小触发阈值后,该节点的预触发状态变为True,同时马上更新组广播对应字段。
3.对满足组预触发调节的地震台站组进行组内各节点AI精准事件及初至计算
1) 当组内满足预触发状态的台站达到预设数量时,组广播马上发出计算指令,所有组内节点立即开启其节点内的AI计算功能,进行精准AI事件拾取,其节点内的控制电路逻辑如图7所示。
4.通过通信网络将各个节点地震仪的有效事件数据、节点编号和组编号上传至云计算平台。
5.云计算平台结合局部实时获取的数据及标准微地震数据库进行分组迁移学习,更新每个组的最新AI计算模型;
1)云计算平台收到数据后首先利用专业人员进行人工数据检查,特别是检查当前计算不足的数据,并对该数据进行标记。
2)当通信组积攒到足够多标记数据时,利用迁移学习的办法,结合标准微地震数据库(国家地震台网等标准数据库),进行AI微地震拾取算法的迁移学习更新。
3)具体的更新方法是,将利用标准数据集训练的基于CNN+RNN的微地震深度拾取网络MSnet(如图5所示)里面的Bi-LSTM最后的一层输出的特征提取出来,进行fine-tune(模型微调)重新建立有特征输出层到全连接层的映射关系。
4)通过通信网络将更新后的分组AI计算模型更新到每个组内的地震节点中。
此外,参考图1所示,根据本实施例的第二个方面,提供了一种存储介质。所述存储介质包括存储的程序,其中,在所述程序运行时由处理器执行以上任意一项所述的方法。
从而根据本实施例,远程服务器200可以从边缘计算设备210接收有效事件数据,然后利用有效事件数据对边缘计算设备210部署的微地震数据分析模型进行迁移训练,最终将迁移训练后的模型发送至边缘计算设备210进行模型的更新。从而,与现有技术采用固定的算法模型相比,本方案可以根据实际采集的有效事件数据对模型进行灵活的更新。实现了可以应对不同的地理情况的目的,达到了根据实际地理情况精准采集微地震数据的技术效果。此外,在边缘计算设备端可以利用模型对采集数据进行分析处理,从而发送的只是有效事件数据,节省资源提升发送效率。进而解决了现有技术中存在的微地震采集设备的算法模型的参数都是固定的,因此无法根据实际的检测环境或者地面情况自适应的进行参数调整,进而无法根据实际的环境精准采集微地震数据的技术问题。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明并不受所描述的动作顺序的限制,因为依据本发明,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本发明所必须的。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
实施例2
图8示出了根据本实施例所述的微地震数据处理装置800,该装置800与根据实施例1的第一个方面所述的方法相对应。参考图8所示,该装置800包括:数据接收模块810,用于远程服务器从边缘计算设备接收与微地震相关的有效事件数据,其中有效事件数据为边缘计算设备利用微地震数据分析模型对边缘计算设备采集到的微地震数据进行计算分析得到的;迁移训练模块820,用于远程服务器根据有效事件数据,对微地震数据分析模型进行迁移训练;以及模型更新模块830,用于远程服务器将经过迁移训练后的微地震数据分析模型发送至边缘计算设备进行模型更新。
可选地,装置800还包括:采集模块,用于边缘计算设备采集微地震数据;处理模块,用于边缘计算设备利用微地震数据分析模型,对微地震数据进行分析计算,生成与微地震数据对应的有效事件数据;以及数据发送模块,用于边缘计算设备将有效事件数据发送至远程服务器。
可选地,微地震数据分析模型包括特征提取层、特征输出层以及全连接层,并且迁移训练模块,包括:网络提取子模块,用于远程服务器冻结特征提取层的网络结构;以及映射关系训练子模块,用于远程服务器利用有效事件数据和从预设的标准微地震数据库获取的标准微地震数据,对特征输出层和全连接层之间的映射关系进行训练。
可选地,边缘计算设备为多个边缘计算设备,多个边缘计算设备分别用于采集不同地点的有效事件数据,并且迁移训练模块820,包括:第一训练子模块,用于远程服务器根据每个边缘计算设备发送的有效事件数据,对对应的边缘计算设备部署的微地震数据分析模型进行迁移训练。
可选地,多个边缘计算设备分为多个分组,并且迁移训练模块820,包括:第二训练子模块,用于远程服务器根据每个分组的边缘计算设备发送的有效事件数据,对分组的边缘计算设备部署的微地震数据分析模型进行迁移训练。
可选地,装置800还包括:判断子模块,用于判断分组的边缘计算设备是否满足预设的采集条件;以及采集子模块,用于在满足预设的采集条件的情况下,每个分组的边缘计算设备采集微地震数据。
可选地,判断子模块,包括:广播单元,用于分组的边缘计算设备对状态信息进行组内广播,其中状态信息用于记录边缘计算设备的监测状态;触发单元,用于计算分组内状态信息满足预设触发条件的边缘计算设备的设备数量;以及第一判断单元,用于根据设备数量以及预设的第一阈值,判断分组的边缘计算设备是否满足预设的采集条件。
可选地,状态信息包括状态标识,并且装置800还包括:第二判断单元,用于根据信号电压和预设的第二阈值,判断分组内状态信息是否满足预设触发条件。
可选地,装置800还包括:展示模块,用于远程服务器对有效事件数据进行可视化展示。
从而根据本实施例,远程服务器可以从边缘计算设备接收有效事件数据,然后利用有效事件数据对边缘计算设备部署的微地震数据分析模型进行迁移训练,最终将迁移训练后的模型发送至边缘计算设备进行模型的更新。从而,与现有技术采用固定的算法模型相比,本方案可以根据实际采集的有效事件数据对模型进行灵活的更新。实现了可以应对不同的地理情况的目的,达到了根据实际地理情况精准采集微地震数据的技术效果。此外,在边缘计算设备端可以利用模型对采集数据进行分析处理,从而发送的只是有效事件数据,节省资源提升发送效率。进而解决了现有技术中存在的微地震采集设备的算法模型的参数都是固定的,因此无法根据实际的检测环境或者地面情况自适应的进行参数调整,进而无法根据实际的环境精准采集微地震数据的技术问题。
实施例3
图9示出了根据本实施例所述的微地震数据处理装置900,该装置900与根据实施例1的第一个方面所述的方法相对应。参考图9所示,该装置900包括:处理器910;以及存储器920,与处理器910连接,用于为处理器910提供处理以下处理步骤的指令:远程服务器从边缘计算设备接收与微地震相关的有效事件数据,其中有效事件数据为边缘计算设备利用微地震数据分析模型对边缘计算设备采集到的微地震数据进行计算分析得到的;远程服务器根据有效事件数据,对微地震数据分析模型进行迁移训练;以及远程服务器将经过迁移训练后的微地震数据分析模型发送至边缘计算设备进行模型更新。
可选地,远程服务器从边缘计算设备接收与微地震相关的有效事件数据的操作之前,还包括:边缘计算设备采集微地震数据;边缘计算设备利用微地震数据分析模型,对微地震数据进行分析计算,生成与微地震数据对应的有效事件数据;以及边缘计算设备将有效事件数据发送至远程服务器。
可选地,微地震数据分析模型包括特征提取层、特征输出层以及全连接层,并且远程服务器根据有效事件数据,对微地震数据分析模型进行迁移训练的操作,包括:远程服务器冻结特征提取层的网络结构;以及远程服务器利用有效事件数据和从预设的标准微地震数据库获取的标准微地震数据,对特征输出层和全连接层之间的映射关系进行训练。
可选地,边缘计算设备为多个边缘计算设备,多个边缘计算设备分别用于采集不同地点的有效事件数据,并且对微地震数据分析模型进行迁移训练,包括:远程服务器根据每个边缘计算设备发送的有效事件数据,对对应的边缘计算设备部署的微地震数据分析模型进行迁移训练。
可选地,多个边缘计算设备分为多个分组,并且对微地震数据分析模型进行迁移训练,包括:远程服务器根据每个分组的边缘计算设备发送的有效事件数据,对分组的边缘计算设备部署的微地震数据分析模型进行迁移训练。
可选地,边缘计算设备采集微地震数据之前,还包括:判断分组的边缘计算设备是否满足预设的采集条件;以及在满足预设的采集条件的情况下,每个分组的边缘计算设备采集微地震数据。
可选地,判断分组的边缘计算设备是否满足预设的采集条件,包括:分组的边缘计算设备对状态信息进行组内广播,其中状态信息用于记录边缘计算设备的监测状态;计算分组内状态信息满足预设触发条件的边缘计算设备的设备数量;以及根据设备数量以及预设的第一阈值,判断分组的边缘计算设备是否满足预设的采集条件。
可选地,状态信息包括状态标识,并且计算分组内状态信息满足预设触发条件的边缘计算设备的设备数量之前,还包括:根据信号电压和预设的第二阈值,判断分组内状态信息是否满足预设触发条件。
可选地,存储器920还用于为处理器910提供处理以下处理步骤的指令:远程服务器对有效事件数据进行可视化展示。
从而根据本实施例,远程服务器可以从边缘计算设备接收有效事件数据,然后利用有效事件数据对边缘计算设备部署的微地震数据分析模型进行迁移训练,最终将迁移训练后的模型发送至边缘计算设备进行模型的更新。从而,与现有技术采用固定的算法模型相比,本方案可以根据实际采集的有效事件数据对模型进行灵活的更新。实现了可以应对不同的地理情况的目的,达到了根据实际地理情况精准采集微地震数据的技术效果。此外,在边缘计算设备端可以利用模型对采集数据进行分析处理,从而发送的只是有效事件数据,节省资源提升发送效率。进而解决了现有技术中存在的微地震采集设备的算法模型的参数都是固定的,因此无法根据实际的检测环境或者地面情况自适应的进行参数调整,进而无法根据实际的环境精准采集微地震数据的技术问题。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
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,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (3)
1.一种基于边云协同的地震实时监测AI计算方法,应用于微地震数据处理系统,其特征在于,所述微地震数据处理系统包括边缘计算设备以及与所述边缘计算设备通信连接的远程服务器,其中,所述远程服务器预先将基于人工智能的微地震数据分析模型部署至所述边缘计算设备,并且方法包括:
所述远程服务器从所述边缘计算设备接收与微地震相关的有效事件数据,其中所述有效事件数据为所述边缘计算设备利用所述微地震数据分析模型对所述边缘计算设备采集到的微地震数据进行计算分析得到的;
所述远程服务器根据所述有效事件数据,对所述微地震数据分析模型进行迁移训练,其中在接收到所述有效事件数据之后进行人工数据检查,检查当前计算不足的数据,并对该数据进行标记,当积攒到足够多标记数据时,利用迁移学习的办法,对模型进行迁移训练;以及
所述远程服务器将经过迁移训练后的所述微地震数据分析模型发送至所述边缘计算设备进行模型更新,并且其中
所述远程服务器从所述边缘计算设备接收与微地震相关的有效事件数据的操作之前,还包括:所述边缘计算设备采集所述微地震数据;所述边缘计算设备利用所述微地震数据分析模型,对所述微地震数据进行分析计算,生成与所述微地震数据对应的有效事件数据;以及所述边缘计算设备将所述有效事件数据发送至所述远程服务器,并且其中
微地震数据分析模型是利用标准数据集训练的基于CNN+RNN的微地震深度拾取网络MSnet,所述微地震数据分析模型包括特征提取层、特征输出层以及全连接层,其中所述特征提取层由四层卷积层构成,并且第一层卷积层的卷积核为9*9卷积核,第四层卷积层的卷积核为3*3卷积核,每两层卷积层之间包含一个池化核为3的池化层,所述特征输出层包括三层LSTM结构和一个Projection Layer层,每个LSTM层包含632个单元,Projection Layer层包含600个单元,全连接层有两层,并且
所述远程服务器根据所述有效事件数据,对所述微地震数据分析模型进行迁移训练的操作,包括:所述远程服务器利用所述有效事件数据和从预设的标准微地震数据库获取的标准微地震数据,对所述特征输出层和所述全连接层之间的映射关系进行训练,将LSTM结构最后的一层输出的特征提取出来,利用有效事件数据和从预设的标准微地震数据库获取的标准微地震数据进模型微调,重新建立由特征输出层到全连接层的映射关系,并且其中
所述边缘计算设备为多个边缘计算设备,所述多个边缘计算设备分为多个分组,其中所述多个分组部署在不同的地点,每个地点可以部署至少一个边缘计算设备,每个分组中的边缘计算设备的微地震数据分析模型相同,所述多个边缘计算设备分别用于采集不同地点的有效事件数据,并且,所述远程服务器根据每个分组的边缘计算设备发送的有效事件数据,对所述分组的边缘计算设备部署的微地震数据分析模型进行迁移训练,然后将迁移训练的微地震数据分析模型发送至所述分组,对所述分组中的边缘计算设备的微地震数据分析模型进行更新,并且其中
所述边缘计算设备采集所述微地震数据之前,还包括:判断所述分组的边缘计算设备是否满足预设的采集条件;以及在满足预设的采集条件的情况下,每个分组的边缘计算设备采集所述微地震数据,并且其中
判断所述分组的边缘计算设备是否满足预设的采集条件,包括:所述分组的边缘计算设备对状态信息进行组内广播,其中所述状态信息用于记录所述边缘计算设备的监测状态;计算所述分组内所述状态信息满足预设触发条件的边缘计算设备的设备数量;以及根据所述设备数量以及预设的第一阈值,判断所述分组的边缘计算设备是否满足预设的采集条件,并且其中
所述状态信息包括状态标识,并且计算所述分组内所述状态信息满足预设触发条件的边缘计算设备的设备数量之前,还包括:根据所述状态标识,判断所述分组内所述状态信息是否满足预设触发条件,其中对采集的地震数据进行多节点地震仪组内信号幅值预触发及组广播,采用Lora超长距离超低功耗通信技术进行组广播,广播内容为组内各个节点的预触发状态,是一个由组内每个节点ID及其触发状态组成的字符串,且预触发状态为bool型,节点在部署后通过电路设置一个信号最小触发阈值,当采集的信号电压超过最小触发阈值后,该节点的预触发状态变为True,判断分组内状态信息满足预设触发条件,并同时马上更新组广播对应字段。
2.根据权利要求1所述的方法,其特征在于,还包括:所述远程服务器对所述有效事件数据进行可视化展示。
3.一种存储介质,其特征在于,所述存储介质包括存储的程序,其中,在所述程序运行时由处理器执行权利要求1或2所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011424728.9A CN112444858B (zh) | 2020-12-09 | 2020-12-09 | 基于边云协同的地震实时监测ai计算方法、装置及介质 |
US17/507,742 US11513245B2 (en) | 2020-12-09 | 2021-10-21 | Artificial intelligence calculation method and apparatus for monitoring earthquake in real time based on edge cloud cooperation, and storage medium |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011424728.9A CN112444858B (zh) | 2020-12-09 | 2020-12-09 | 基于边云协同的地震实时监测ai计算方法、装置及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112444858A CN112444858A (zh) | 2021-03-05 |
CN112444858B true CN112444858B (zh) | 2022-03-22 |
Family
ID=74739818
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011424728.9A Active CN112444858B (zh) | 2020-12-09 | 2020-12-09 | 基于边云协同的地震实时监测ai计算方法、装置及介质 |
Country Status (2)
Country | Link |
---|---|
US (1) | US11513245B2 (zh) |
CN (1) | CN112444858B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20210053036A (ko) * | 2019-11-01 | 2021-05-11 | 엘지전자 주식회사 | 인공지능 서버 |
CN113985475B (zh) * | 2021-10-28 | 2023-09-05 | 北京石油化工学院 | 一种基于物联网端边云协同的微地震监测数据传输方法 |
CN113985474B (zh) * | 2021-10-28 | 2023-10-31 | 北京石油化工学院 | 一种基于物联网的微地震监测多节点协同感知方法 |
CN115826046A (zh) * | 2022-12-14 | 2023-03-21 | 中国地震局地球物理研究所 | 一种基于神经网络的智能手机端地震事件识别方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1086317A (zh) * | 1992-10-12 | 1994-05-04 | 法国石油研究所 | 采用集中单元的地震信号发送方法和系统 |
CN1871528A (zh) * | 2003-09-17 | 2006-11-29 | 输入输出公司 | 单站无线地震数据采集方法和设备 |
CN105629305A (zh) * | 2015-12-31 | 2016-06-01 | 中国石油天然气集团公司 | 一种监控地震采集数据质量的方法及装置 |
CN110716229A (zh) * | 2019-11-06 | 2020-01-21 | 吉林大学 | 基于uwb的多跳网络架构的地震数据传输系统 |
CN111929721A (zh) * | 2020-07-20 | 2020-11-13 | 广州海洋地质调查局 | 地震信息采集系统及方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101512382A (zh) * | 2006-06-09 | 2009-08-19 | 离子地球物理公司 | 地震数据采集的工作状态管理 |
CN104020746B (zh) * | 2014-06-18 | 2017-01-18 | 吉林大学 | 无缆地震仪远程质量监控系统及野外质量监控方法 |
US11436520B2 (en) * | 2017-03-07 | 2022-09-06 | Cylance Inc. | Redaction of artificial intelligence training documents |
CN108508477B (zh) * | 2018-05-28 | 2020-06-09 | 中国石油天然气集团有限公司 | 地震数据采集系统和方法 |
KR102118588B1 (ko) * | 2019-12-19 | 2020-06-03 | 주식회사 유니온플레이스 | 전용 인공 지능 시스템 |
-
2020
- 2020-12-09 CN CN202011424728.9A patent/CN112444858B/zh active Active
-
2021
- 2021-10-21 US US17/507,742 patent/US11513245B2/en active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1086317A (zh) * | 1992-10-12 | 1994-05-04 | 法国石油研究所 | 采用集中单元的地震信号发送方法和系统 |
CN1871528A (zh) * | 2003-09-17 | 2006-11-29 | 输入输出公司 | 单站无线地震数据采集方法和设备 |
CN105629305A (zh) * | 2015-12-31 | 2016-06-01 | 中国石油天然气集团公司 | 一种监控地震采集数据质量的方法及装置 |
CN110716229A (zh) * | 2019-11-06 | 2020-01-21 | 吉林大学 | 基于uwb的多跳网络架构的地震数据传输系统 |
CN111929721A (zh) * | 2020-07-20 | 2020-11-13 | 广州海洋地质调查局 | 地震信息采集系统及方法 |
Non-Patent Citations (2)
Title |
---|
An Efficient Neural-Network-Based Microseismic Monitoring Platform for Hydraulic Fracture on an Edge Computing Architecture;Xiaopu Zhang等;《Sensors》;20180605;第1-19页 * |
Seismic processing via machine learning for event detection and phase pick;Zhu, Lijun;《Georgia Institute of Technology》;20190821;第2、14-24、55-56、63-66、97-103页 * |
Also Published As
Publication number | Publication date |
---|---|
US11513245B2 (en) | 2022-11-29 |
US20220179111A1 (en) | 2022-06-09 |
CN112444858A (zh) | 2021-03-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112444858B (zh) | 基于边云协同的地震实时监测ai计算方法、装置及介质 | |
CN106971474B (zh) | 基于wifi无线信号的入侵监测方法和系统 | |
Khatib et al. | Self-healing in mobile networks with big data | |
CN102880501A (zh) | 应用推荐的实现方法、装置和系统 | |
CN105282758A (zh) | WiFi室内定位系统指纹数据库自适应动态构建方法 | |
CN101997709B (zh) | 一种根告警数据分析的方法及其系统 | |
CN105208528B (zh) | 一种用于识别同行人员的系统及方法 | |
CN105553740A (zh) | 数据接口监控方法和装置 | |
CN112731518B (zh) | 一种人工智能实时微地震监测节点 | |
CN105376335A (zh) | 一种采集数据上传方法和装置 | |
CN102306264A (zh) | 基于rfid技术的室内定位系统 | |
CN108632832B (zh) | 网络覆盖分析方法及系统 | |
CN105471663A (zh) | 网络异常的检测方法、装置、通信网络检测装置及系统 | |
CN104717670A (zh) | 一种业务质量测试方法、装置及系统 | |
CN104219622B (zh) | 基于lac的人数测定方法和人群态势监测方法及系统 | |
CN104349339A (zh) | 移动智能终端Wi-Fi信号数据包的收集装置、方法及系统 | |
CN111769987A (zh) | 基于大数据管理模型的网络信息安全测试系统及方法 | |
CN106649798A (zh) | 一种基于北斗高精度的结构监测数据对比及关联分析方法 | |
CN202995766U (zh) | 一种基于物联网技术的油井智能识别采集系统 | |
CN106510622A (zh) | 一种体征数据控制方法及终端 | |
CN116261150B (zh) | 一种无线网桥数据传输干扰抵抗方法、装置、设备及介质 | |
CN115185780B (zh) | 基于工业互联网的数据采集方法及系统 | |
CN116739353B (zh) | 安防设施3d模型的构建方法、装置以及存储介质 | |
CN114979163B (zh) | 负载均衡配置的管理方法、装置及存储介质 | |
CN117033922A (zh) | 基于人工智能的电磁环境影响分析方法及系统 |
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 |