CN113176609B - 一种基于地声场的地下浅层目标定位方法 - Google Patents
一种基于地声场的地下浅层目标定位方法 Download PDFInfo
- Publication number
- CN113176609B CN113176609B CN202110474298.XA CN202110474298A CN113176609B CN 113176609 B CN113176609 B CN 113176609B CN 202110474298 A CN202110474298 A CN 202110474298A CN 113176609 B CN113176609 B CN 113176609B
- Authority
- CN
- China
- Prior art keywords
- ground sound
- ground
- sound field
- underground
- dimensional
- 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 50
- 230000005236 sound signal Effects 0.000 claims abstract description 72
- 238000012549 training Methods 0.000 claims abstract description 29
- 238000012544 monitoring process Methods 0.000 claims abstract description 25
- 238000004880 explosion Methods 0.000 claims abstract description 21
- 238000013135 deep learning Methods 0.000 claims abstract description 20
- 238000010586 diagram Methods 0.000 claims description 13
- 238000006073 displacement reaction Methods 0.000 claims description 12
- 238000007781 pre-processing Methods 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 230000004927 fusion Effects 0.000 claims description 9
- 238000005422 blasting Methods 0.000 claims description 8
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 6
- 238000013136 deep learning model Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 4
- 230000002708 enhancing effect Effects 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000005474 detonation Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000005381 potential energy Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000002474 experimental method Methods 0.000 claims description 2
- 239000011435 rock Substances 0.000 abstract description 3
- 230000035939 shock Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000035515 penetration Effects 0.000 description 4
- 238000005259 measurement Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 235000015842 Hesperis Nutrition 0.000 description 1
- 235000012633 Iberis amara Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000004927 clay Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
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
- G01V1/303—Analysis for determining velocity profiles or travel times
- G01V1/305—Travel times
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V2210/00—Details of seismic processing or analysis
- G01V2210/60—Analysis
- G01V2210/62—Physical property of subsurface
- G01V2210/622—Velocity, density or impedance
- G01V2210/6222—Velocity; travel time
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V2210/00—Details of seismic processing or analysis
- G01V2210/60—Analysis
- G01V2210/65—Source localisation, e.g. faults, hypocenters or reservoirs
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Acoustics & Sound (AREA)
- Environmental & Geological Engineering (AREA)
- Geology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Geophysics (AREA)
- Geophysics And Detection Of Objects (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本发明涉及一种基于地声场的地下浅层目标定位方法,属于岩体稳定性预测领域。本发明布设震动传感器和地声传感器;利用生成对抗网络进行地声信号重构;在监测区域预埋多发震源弹,记录其坐标,震源爆炸后,收集并计算监测区域内所有体积元所对应的三维地声场能量图作为学习样本;对三维地声场能量图标记其对应的位置坐标作为训练标签;用学习样本和训练标签构造并训练基于地声场的深度学习网络模型;利用地声传感器阵列获取目标实际爆炸产生的地声信号,送入已经训练好的深度学习网络,以输出的结果为基于地声场的目标坐标,与震动传感器获得的目标坐标加权平均,输出最终的定位结果。本发明实现了对地下浅层目标的远距离、大范围、高精度定位。
Description
技术领域
本发明属于地震/地质结构勘测或其他动载激震下岩体稳定性预测领域,具体涉及一种基于地声场的地下浅层目标定位方法。
背景技术
地下浅层目标定位是利用硬目标深侵彻弹药本身的高动能、高速度、高质量特性,实现对地面建筑物、铁道桥梁、武器仓库、指挥中心和通讯枢纽等坚固防护目标的精准打击。精确确定地下浅层目标的爆破定位信息,是弹药精确打击的重要技术基础,也是评估爆破震动有效控制的重要依据。目前,地下浅层目标定位方法主要包括有源定位和无源定位两种定位方式。
有源定位主要是利用雷达、激光等有源设备,通过主动发射大功率电磁波来探测目标位置,定位速度快(通常只需要几秒),但定位精度低(水平定位精度100m,在标校站支持下可达到20m,且只可获得二维定位数据,无速度信息),安全性能差,易被干扰、攻击,且能耗和成本较高。
无源定位是指在不发射对目标照射电磁波的条件下获取目标位置。相较于有源系统而言,无源定位机动性能高、隐蔽性能强、作业距离远、定位精度高(通常水平定位精度可达10m以内),且抗干扰能力强。
1.测向交叉定位方法:采用干涉仪测角原理,通过移动机载或地面单站,在不同位置多次测量方位,利用方位线的交会进行定位。测向交叉定位具有全方位、快速、探测距离较远、在受到干扰的情况下仍能正常工作等优点,是无源定位方法中发展较早、研究较为成熟、应用较为广泛的一种无源定位技术,但雷达天线接收波束宽度有限,使得该方法定位误差较大,且对信号难以进行同步接收测量。
2.时/频/相位差定位方法:主要有RSSI、TOA、TDOA、AOA等,利用采集信号的到达时间差、角度差或者与目标的相对运动特性来确定目标位置,定位精度高,但这些方法实现定位需要布设大量的无线传感器,硬件成本高,系统功耗大。
3.卫星定位:以美国GPS和我国北斗卫星定位系统为典型代表,定位精度高,作业效率高,可实现全天候实时定位,且自动化和集成化程度高,但多路效应严重,信号传输衰减严重,同时,对于地下侵彻毁伤,卫星信号则难以探测大深度地下空间,大大降低、甚至损失定位功能。
4.红外定位:利用光的反射原理,通过计算发射光与接收光的时间差,确定目标位置,定位原理简单,但由于地下无光可利用,因此不适合于地下浅层目标定位。
5.冲击波定位:利用爆炸震动过程中所产生的爆炸冲击波来确定爆点位置,但在地下爆炸过程中,冲击波瞬时破坏力大,易对测试仪器和设备产生直接损伤,导致其无法正常采集相关数据信息。
地声信号是一种介于震动信号和空声信号之间的信号,震动信号波长短、频率高、衰减快,基于震动信号的定位方法精度高,但定位范围受限(一般100m*100m),在实际应用过程中对震动传感器布设提出较高的要求。而空声信号信噪比低、传播速度慢,且极易受传输介质温度及空中灰尘砾石的影响。
发明内容
(一)要解决的技术问题
本发明要解决的技术问题是如何提供一种基于地声场的地下浅层目标定位方法,利用地声信号波长长、频率低、衰减小,且可在地下介质远距离传播的优势,实现对地下浅层目标的远距离、大范围、高精度定位。
(二)技术方案
为了解决上述技术问题,本发明提出一种基于地声场的地下浅层目标定位方法,该方法包括如下步骤:
S1.布设分布式传感器阵列:选取监测区域中心位置设为坐标原点O,以圆形半径布设方式,布设震动传感器和地声传感器;
S2.数据预处理与地声信号重构:通过数据修正模块,对低频地声信号进行预处理后,利用生成对抗网络进行地声信号重构,通过基于生成对抗网络的深度学习增强低信噪比地声信号识别度;
S3.生成学习样本:根据所监测区域的范围,定义一个三维目标空间,在监测区域预埋多发震源弹,记录其坐标,震源爆炸后,收集并计算监测区域内所有体积元所对应的三维地声场能量图作为学习样本;
S4.标记网络标签:对三维地声场能量图标记其对应的地下浅层目标的位置坐标作为训练标签;
S5.构造并训练深度学习网络模型:用学习样本和训练标签构造并训练基于地声场的深度学习网络模型;
S6.实现融合定位:利用分布式地声传感器阵列获取地下浅层目标实际爆炸产生的地声信号,得到实际震源所对应的三维地声场图像,随机抽取其中的30组样本序列,送入上述已经训练好的深度学习网络,以此输出的结果为基于地声场的目标坐标,与震动传感器获得的目标坐标加权平均,输出最终的定位结果。
进一步地,将震动传感器布设于地表10m*10m范围,将地声传感器布设于地表1km*1km范围,并获取各震动传感器坐标为(pi,qi,wi),(i=1,2,3,...,m),m=10,各地声传感器坐标为(xi,yi,zi),(i=1,2,3,...,n),n=32。
进一步地,在监测区域预埋多发震源弹具体为在监测区域预埋三发震源弹。
进一步地,所述震动传感器对震动信号的震相特征分析和震相参数提取,完成基于震动信息的地下浅层目标定位,获得目标坐标。
进一步地,所述步骤S2具体包括如下步骤:
S2.1通过带通滤波器,消除10Hz以下的微小频率以及300Hz以上的高频地声;利用维纳滤波算法,对带噪地声信号进行预处理,提高信号识别度;
S2.2对预处理之后的地声信号进行采样离散后,作为生成数据,输入生成对抗网络模型中,同时将地声传感器所在位置处的理想信号f(x,t)=A(x)ej(kx-ωt)作为真实数据,输入生成对抗网络模型;
其中,A(x)为地声信号的振幅传播衰减,k为传播波数,ω为指数因子的虚部;假设传感器距离地下浅层目标的水平距离为ri,信号在地下浅层中的振幅衰减为:A0为起始振幅,α为传播介质衰减系数;
S2.3对真实数据和生成数据做差值,求L1和L2范数,作为生成数据的损失进行反向求导,优化生成数据;
S2.4将真实数据与生成数据优化生成的数据输入判别器进行判别,优化生成对抗网络;
S2.5判断判别器的输出信号与真实数据的拟合度高低情况,当判别器的输出信号与真实数据拟合度低于90%时,返回步骤S2.3继续优化,直到判别器的输出信号与真实数据拟合度高于90%时,输出重构后的地声信号。
进一步地,所述步骤S3具体包括如下步骤:
S3.1区域网格化
将实验/工程监测区域均匀划分成若干单位立体监测网格,实现网格化布点管理;
S3.2获取预设地声信号
在监测区域内,随机预埋多发震源弹;引爆震源弹E1,利用布设好的分布式地声传感器阵列,获取爆炸产生的地声信号;
S3.3建立监测区域地声场模型
收集震源弹起爆后的地声信息之后,根据步骤S2所述,利用生成对抗网络重构出高识别度的地声信号,然后将地声信号信息、对应地声传感器位置坐标信息,以及震源弹的坐标位置信息作为输入参数构建地声场模型;
S3.4计算传感器所在体积元的地声能量信息
假设n个地声传感器节点处的噪声能量互不相关,则t0时刻该体积元接收到的地声能量为:
公式(1)中,Ek和Ep分别为由于地声扰动使该体积元得到的动能和传播介质形变具有的势能,T为极小时间常数值,a(t)为该传感器在t时刻接收到地声信号的振幅大小;
S3.5生成三维地声场能量分布图
获得一个震源弹引爆后,地声传感器所在体积元所对应的地声能量值后,将该体积元的地声能量绘制成三维地声能量图,将图像转换为三维特征向量序列;通过地声传感器所在体积元的三维特征向量序列反算模拟实际的整个地声场的地声能量,并将地声能量绘制成三维地声场能量图;
S3.6扩大学习样本容量
依次引爆剩余震源弹,重复步骤S3.4和S3.5,得到多个震源弹爆炸后所对应的三维地声场能量图。
进一步地,所述步骤S3.5中通过地声传感器所在体积元的三维特征向量序列反算模拟实际的整个地声场的地声能量,并将地声能量绘制成三维地声场能量图的步骤如下:
利用有限元的方法,对整个地声场模型进行离散化处理,根据波动方程中的三维位移,得到沿某一方向的振幅信息,进而获得三维地声能量信息;对于每一个分割好的体积元,地声信号在均匀粘弹性介质中的三维传播波动方程为:
公式(2)中,ρ是介质密度,λ、μ是介质的两个拉梅系数,x、y、z和t分别为信号传播在三维空间和时间上的坐标分量,u、v、w为沿着三维坐标系的位移三分量,/>为拉普拉斯算子;以地声传感器所在体积元为起点,通过有限元的方法可以逐步计算出整个地声场各个体积元沿着三维坐标系的位移三分量;
通过计算任意体积元之间的位移偏差Δu,根据地声传播的衰减模型,即逐步计算得到整个地声场各个体积元对应的地声能量;
其中,A0为地声信号传播的起始幅值,ri为ti时刻的传播距离,rj为tj时刻的传播距离,α为传播衰减系数。
进一步地,所述步骤S4具体包括:三维地声场能量图中能量最大的位置被认为是震源弹的位置,对三维地声场能量图标记其对应的震源弹的位置坐标作为训练标签,训练标签位置坐标记为(mx,my,mz)。
进一步地,所述步骤S5具体包括:将S3生成的学习样本与S4确定的震源弹位置相匹配,作为总样本集,随机抽取总样本集的一部分作为网络输入训练集,剩余的数据作为测试集;将重构地声信号信息、对应地声传感器位置坐标信息,以及震源弹的坐标位置信息作为深度神经网络DNN网络的输入;同时,引入Adam自适应优化算法进行网络训练和动态寻优,输出估计的地下目标位置信息,并与实际的目标位置对比得到模型的预测精度;如果预测精度不理想,则调整Adam算法的迭代次数及深度学习网络各层的参数设置,直到达到预期的定位精度目标,得到训练好的深度学习模型。
进一步地,所述步骤S6具体包括如下步骤:
S6.1利用分布式地声传感器阵列获取实际地下目标爆炸产生的地声信号;
S6.2利用上述步骤S3.1和S2得到监测区域网格信息和重构地声信号的基础上,重复步骤S3.4-S3.6获取实际地下目标爆破后,对应的三维地声场能量图;
S6.3随机抽取其中的30组样本送入训练好的深度学习模型中,将对应输出的30组定位结果,以及震动传感器输出的10组定位结果,以加权平均的数据融合方式,得到更为精确的地下目标坐标。
(三)有益效果
本发明提出一种基于地声场的地下浅层目标定位方法,其与现有定位技术及定位方法相比,具有如下优点:
1.利用地声信号对地下浅层目标进行定位,地声信号在地下传播衰减小,传播速度快,传播距离远,可以实现大范围、远距离的地下浅层目标定位。
2.提出了一种基于生成对抗网络的地声信号重构方法,大大增强了低信噪比地声信号的识别度。
3.采用地声信号与震动信号相结合的多传感器融合定位方法,提高了地下浅层目标的定位精度,减少了布设传感器数量,扩大了定位区域范围,可有效降低人工成本和设备成本,且能耗小。
4.采用分布式地声传感器阵列协同工作,可在雨雪天等极端条件下作业,不受视线和能见度的影响,具有全天候工作的特点。
5.地声定位不受外界电磁波干扰,也不易被无线电测向及定位,保密性强,隐蔽性好。
附图说明
图1为本发明基于地声场的地下浅层目标定位方法原理框图;
图2为本发明的分布式传感器阵列布设图;
图3为本发明的地声信号重构流程图。
具体实施方式
为使本发明的目的、内容和优点更加清楚,下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。
本发明公开了一种基于地声场的地下浅层目标定位方法,该方法可应用于地下浅层震源(如炸药爆破、地下工程爆破、地质勘探等)的定位测量,同时可应用于导弹、火箭等具有大过载和强震动的侵彻爆炸过程中的定位测量,也可推广到地震/地质结构勘测或其他动载激震下岩体稳定性预测等领域的应用。
针对以上存在的技术问题,本发明提出了一种基于地声场的地下浅层目标定位方法,通过在目标区域同时部署震动传感器和地声传感器阵列,实时获取地下浅层目标侵彻爆破产生的微震信号和地声信号,通过对地声信号的处理与重构,利用深度学习实现对远场采集地声信号的距离观测和目标定位,最后通过多传感器融合技术实现对地下浅层目标在复杂环境中的远距离、大范围、高精度定位。其特征在于,具体包括以下设计步骤:
S1.布设分布式传感器阵列:选取监测区域中心位置设为坐标原点O,以圆形等半径布设方式,将震动传感器布设于地表10m*10m范围,将地声传感器布设于地表1km*1km范围,并获取各震动传感器坐标为(pi,qi,wi),(i=1,2,3,...,m),m=10,各地声传感器坐标为(xi,yi,zi),(i=1,2,3,...,n),n=32。
S2.数据预处理与地声信号重构:通过数据修正模块,对低频地声信号进行预处理后,利用生成对抗网络进行地声信号重构,通过基于生成对抗网络的深度学习增强低信噪比地声信号识别度。
S3.生成学习样本:根据所监测区域的范围,定义一个三维目标空间,在监测区域预埋三发震源弹,记录其坐标(x0i,y0i,z0i),(i=1,2,3)。震源爆炸后,收集并计算监测区域内所有体积元所对应的三维地声场能量图像作为学习样本。
S4.标记网络标签:对三维地声场能量图标记其对应的地下浅层目标的位置坐标作为训练标签。
S5.构造并训练深度学习网络模型:用学习样本和训练标签构造并训练基于地声场的深度学习网络模型。
S6.实现融合定位:利用分布式地声传感器阵列获取地下浅层目标实际爆炸产生的地声信号,得到实际震源所对应的三维地声场图像,随机抽取其中的30组样本序列,送入上述已经训练好的深度学习网络,以此输出的结果即为基于地声场的目标坐标。与震动传感器获得的目标坐标加权平均,输出最终的定位结果。
如图1所示,本发明提出了一种基于地声场的地下浅层目标定位方法,具体包括以下设计步骤:
S1.布设分布式震动传感器阵列和分布式地声传感器阵列
选取监测区域中心位置设为坐标原点O,以圆形等半径布设方式,将震动传感器布设于地表10m*10m内范围,将地声传感器布设于地表1km*1km内范围,并获取各震动传感器坐标为(pi,qi,wi),(i=1,2,3,...,m),m=10,各地声传感器坐标为(xi,yi,zi),(i=1,2,3,...,n),n=32。
其中,震动传感器选用中北大学信息探测与处理技术研究所设计研发的全向多模集成震动传感器,并利用其研发的分布式地下炸点震相定位系统,实现对震动信号的震相特征分析和震相参数提取,完成基于震动信息的地下浅层目标定位,获得目标坐标(ai,bi,ci),(i=1,2,3,...,m),m=10。
S2.数据预处理与地声信号重构
通过数据修正模块,对低频地声信号进行预处理后,利用生成对抗网络进行地声信号重构,通过基于生成对抗网络的深度学习增强低信噪比地声信号识别度。
S2.1通过带通滤波器,消除10Hz以下的微小频率以及300Hz以上的高频地声;利用维纳滤波算法,对带噪地声信号进行预处理,提高信号识别度。
S2.2对预处理之后的地声信号进行采样离散后,作为生成数据,输入生成对抗网络模型中,同时将地声传感器所在位置处的理想信号f(x,t)=A(x)ej(kx-ωt)作为期望信号(真实数据),输入生成对抗网络模型;
其中,A(x)为地声信号的振幅传播衰减,k为传播波数,ω为指数因子的虚部。
假设传感器距离地下浅层目标的水平距离为ri,信号在地下浅层(地面以下较浅处的黏土或泥岩)中的振幅衰减为:A0为起始振幅,α为传播介质衰减系数。
S2.3对真实数据和生成数据做差值,求L1和L2范数,作为生成数据的损失进行反向求导,优化生成数据。
S2.4将真实数据与生成数据优化生成的数据输入判别器进行判别,优化生成对抗网络。
S2.5判断判别器的输出信号与真实数据的拟合度高低情况,当判别器的输出信号与真实数据拟合度低于90%时,返回步骤S2.3继续优化,直到判别器的输出信号与真实数据拟合度高于90%时,输出重构后的地声信号。
S3.生成学习样本
如图3所示,根据所监测区域的范围,定义一个三维目标空间,在监测区域预埋三发震源弹,记录其坐标(x0i,y0i,z0i),(i=1,2,3),并对目标监测区域进行离散化网格划分。震源爆炸后,收集并计算所有网格(即各体积元)所对应的三维地声场能量图作为学习样本。
S3.1区域网格化
将实验/工程监测区域均匀划分成若干单位立体监测网格,实现网格化布点管理,并依此得到每个网格点(即各体积元)的位置坐标(li,wi,hi)。网格点的数量越多,定位精度越高,最终得到的三维地声场能量图越精确,但会相应增加一定的计算量,因此,在实际应用过程中,应根据定位精度选取合适的网格数量。
S3.2获取预设地声信号
在监测区域内,随机预埋三发震源弹E1、E2、E3。引爆震源弹E1,利用布设好的分布式地声传感器阵列,获取爆炸产生的地声信号。
S3.3建立监测区域地声场模型
收集震源弹起爆后的地声信息之后,根据步骤S2所述,利用生成对抗网络重构出高识别度的地声信号,然后将地声信号信息、对应地声传感器位置坐标信息,以及震源弹的坐标位置信息作为输入参数构建地声场模型。
S3.4计算传感器所在体积元的地声能量信息
假设n个地声传感器节点处的噪声能量互不相关,则t0时刻该体积元接收到的地声能量为:
公式(1)中,Ek和Ep分别为由于地声扰动使该体积元得到的动能和传播介质形变具有的势能,T为极小时间常数值,a(t)为该传感器在t时刻接收到地声信号的振幅大小。
S3.5生成三维地声场能量分布图
按照步骤S3.4,得到一个震源弹引爆后,地声传感器所在体积元所对应的地声能量值,并将该体积元的地声能量绘制成三维地声能量图,将图像转换为三维特征向量序列。根据地声能量绘制成三维地声能量图以及将图像转换为三维特征向量序列的方法为本领域公知。然后,通过地声传感器所在体积元的三维特征向量序列反算模拟实际的整个地声场的地声能量,并将地声能量绘制成三维地声场能量图。
通过地声传感器所在体积元的三维特征向量序列反算模拟实际的整个地声场的地声能量,方法如下:
利用有限元的方法,对整个地声场模型进行离散化处理,根据波动方程中的三维位移,可以得到沿某一方向的振幅信息,进而获得三维地声能量信息。对于每一个分割好的体积元,地声信号在均匀粘弹性介质中的三维传播波动方程为:
公式(2)中,ρ是介质密度,λ、μ是介质的两个拉梅系数,x、y、z和t分别为信号传播在三维空间和时间上的坐标分量,u、v、w为沿着三维坐标系的位移三分量,/>为拉普拉斯算子。以地声传感器所在体积元为起点,通过有限元的方法可以逐步计算出整个地声场各个体积元沿着三维坐标系的位移三分量。
通过计算任意体积元之间的位移偏差Δu,进一步根据地声传播的衰减模型(信号幅值随传播距离呈指数衰减),即逐步计算得到整个地声场各个体积元对应的地声能量。
其中,A0为地声信号传播的起始幅值,ri为ti时刻的传播距离,rj为tj时刻的传播距离,α为传播衰减系数。
S3.6扩大学习样本容量
依次引爆震源弹E2和E3,重复步骤S3.4和S3.5,得到三个震源弹爆炸后所对应的三维地声场能量图。
S4.三维地声场能量图中能量最大的位置可以认为是震源弹的位置,对三维地声场能量图标记其对应的震源弹的位置坐标作为训练标签,训练标签位置坐标记为(mx,my,mz)。
S5.构造并训练深度学习网络模型
构造基于深度神经网络DNN的地声场网络模型。
将S3生成的学习样本与S4确定的震源弹位置相匹配,作为总样本集,随机抽取总样本集的90%作为网络输入训练集,剩余10%的数据作为测试集。将重构地声信号信息、对应地声传感器位置坐标信息,以及震源弹的坐标位置信息作为DNN网络的输入。同时,引入Adam自适应优化算法进行网络训练和动态寻优,输出估计的地下目标位置信息,并与实际的目标位置对比得到模型的预测精度。如果预测精度不理想,则调整Adam算法的迭代次数及深度学习网络各层的参数设置,直到达到预期的定位精度目标,得到训练好的深度学习模型。
S6.实现目标融合定位
结束上述迭代训练后,开始实际的地下浅层目标定位。
S6.1利用分布式地声传感器阵列获取实际地下目标爆炸产生的地声信号;
S6.2利用上述步骤S3.1和S2得到监测区域网格信息和重构地声信号的基础上,重复步骤S3.4-S3.6获取实际地下目标爆破后,对应的三维地声场能量图;
S6.3随机抽取其中的30组样本送入训练好的深度学习模型中,将对应输出的30组定位结果,以及震动定位系统输出的10组定位结果,以加权平均的数据融合方式,得到更为精确的地下目标坐标。
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)
1.一种基于地声场的地下浅层目标定位方法,其特征在于,该方法包括如下步骤:
S1.布设分布式传感器阵列:选取监测区域中心位置设为坐标原点O,以圆形半径布设方式,布设震动传感器和地声传感器;
S2.数据预处理与地声信号重构:通过数据修正模块,对低频地声信号进行预处理后,利用生成对抗网络进行地声信号重构,通过基于生成对抗网络的深度学习增强低信噪比地声信号识别度;
S3.生成学习样本:根据所监测区域的范围,定义一个三维目标空间,在监测区域预埋多发震源弹,记录其坐标,震源爆炸后,收集并计算监测区域内所有体积元所对应的三维地声场能量图作为学习样本;
S4.标记网络标签:对三维地声场能量图标记其对应的地下浅层目标的位置坐标作为训练标签;
S5.构造并训练深度学习网络模型:用学习样本和训练标签构造并训练基于地声场的深度学习网络模型;
S6.实现融合定位:利用分布式地声传感器阵列获取地下浅层目标实际爆炸产生的地声信号,得到实际震源所对应的三维地声场图像,随机抽取其中的30组样本序列,送入上述已经训练好的深度学习网络,以此输出的结果为基于地声场的目标坐标,与震动传感器获得的目标坐标加权平均,输出最终的定位结果。
2.如权利要求1所述的基于地声场的地下浅层目标定位方法,其特征在于,将震动传感器布设于地表10m*10m范围,将地声传感器布设于地表1km*1km范围,并获取各震动传感器坐标为(pi,qi,wi),i=1,2,3,...,m,m=10,各地声传感器坐标为(xi,yi,zi),i=1,2,3,...,n,n=32。
3.如权利要求1所述的基于地声场的地下浅层目标定位方法,其特征在于,在监测区域预埋多发震源弹具体为在监测区域预埋三发震源弹。
4.如权利要求1所述的基于地声场的地下浅层目标定位方法,其特征在于,所述震动传感器对震动信号的震相特征分析和震相参数提取,完成基于震动信息的地下浅层目标定位,获得目标坐标。
5.如权利要求1-4任一项所述的基于地声场的地下浅层目标定位方法,其特征在于,所述步骤S2具体包括如下步骤:
S2.1通过带通滤波器,消除10Hz以下的微小频率以及300Hz以上的高频地声;利用维纳滤波算法,对带噪地声信号进行预处理,提高信号识别度;
S2.2对预处理之后的地声信号进行采样离散后,作为生成数据,输入生成对抗网络模型中,同时将地声传感器所在位置处的理想信号f(x,t)=A(x)ej(kx-ωt)作为真实数据,输入生成对抗网络模型;
其中,A(x)为地声信号的振幅传播衰减,k为传播波数,ω为指数因子的虚部;假设传感器距离地下浅层目标的水平距离为ri,信号在地下浅层中的振幅衰减为:A0为起始振幅,α为传播介质衰减系数;
S2.3对真实数据和生成数据做差值,求L1和L2范数,作为生成数据的损失进行反向求导,优化生成数据;
S2.4将真实数据与生成数据优化生成的数据输入判别器进行判别,优化生成对抗网络;
S2.5判断判别器的输出信号与真实数据的拟合度高低情况,当判别器的输出信号与真实数据拟合度低于90%时,返回步骤S2.3继续优化,直到判别器的输出信号与真实数据拟合度高于90%时,输出重构后的地声信号。
6.如权利要求5所述的基于地声场的地下浅层目标定位方法,其特征在于,所述步骤S3具体包括如下步骤:
S3.1区域网格化
将实验/工程监测区域均匀划分成若干单位立体监测网格,实现网格化布点管理;
S3.2获取预设地声信号
在监测区域内,随机预埋多发震源弹;引爆震源弹E1,利用布设好的分布式地声传感器阵列,获取爆炸产生的地声信号;
S3.3建立监测区域地声场模型
收集震源弹起爆后的地声信息之后,根据步骤S2所述,利用生成对抗网络重构出高识别度的地声信号,然后将地声信号信息、对应地声传感器位置坐标信息,以及震源弹的坐标位置信息作为输入参数构建地声场模型;
S3.4计算传感器所在体积元的地声能量信息
假设n个地声传感器节点处的噪声能量互不相关,则t0时刻该体积元接收到的地声能量为:
公式(1)中,Ek和Ep分别为由于地声扰动使该体积元得到的动能和传播介质形变具有的势能,T为极小时间常数值,a(t)为该传感器在t时刻接收到地声信号的振幅大小;
S3.5生成三维地声场能量分布图
获得一个震源弹引爆后,地声传感器所在体积元所对应的地声能量值后,将该体积元的地声能量绘制成三维地声能量图,将图像转换为三维特征向量序列;通过地声传感器所在体积元的三维特征向量序列反算模拟实际的整个地声场的地声能量,并将地声能量绘制成三维地声场能量图;
S3.6扩大学习样本容量
依次引爆剩余震源弹,重复步骤S3.4和S3.5,得到多个震源弹爆炸后所对应的三维地声场能量图。
7.如权利要求6所述的基于地声场的地下浅层目标定位方法,其特征在于,所述步骤S3.5中通过地声传感器所在体积元的三维特征向量序列反算模拟实际的整个地声场的地声能量,并将地声能量绘制成三维地声场能量图的步骤如下:
利用有限元的方法,对整个地声场模型进行离散化处理,根据波动方程中的三维位移,得到沿某一方向的振幅信息,进而获得三维地声能量信息;对于每一个分割好的体积元,地声信号在均匀粘弹性介质中的三维传播波动方程为:
公式(2)中,ρ是介质密度,λ、μ是介质的两个拉梅系数,x、y、z和t分别为信号传播在三维空间和时间上的坐标分量,u、v、w为沿着三维坐标系的位移三分量,为拉普拉斯算子;以地声传感器所在体积元为起点,通过有限元的方法可以逐步计算出整个地声场各个体积元沿着三维坐标系的位移三分量;
通过计算任意体积元之间的位移偏差Δu,根据地声传播的衰减模型,即逐步计算得到整个地声场各个体积元对应的地声能量;
其中,A0为地声信号传播的起始幅值,ri为ti时刻的传播距离,rj为tj时刻的传播距离,α为传播衰减系数。
8.如权利要求6或7所述的基于地声场的地下浅层目标定位方法,其特征在于,所述步骤S4具体包括:三维地声场能量图中能量最大的位置被认为是震源弹的位置,对三维地声场能量图标记其对应的震源弹的位置坐标作为训练标签,训练标签位置坐标记为(mx,my,mz)。
9.如权利要求8所述的基于地声场的地下浅层目标定位方法,其特征在于,所述步骤S5具体包括:将S3生成的学习样本与S4确定的震源弹位置相匹配,作为总样本集,随机抽取总样本集的一部分作为网络输入训练集,剩余的数据作为测试集;将重构地声信号信息、对应地声传感器位置坐标信息,以及震源弹的坐标位置信息作为深度神经网络DNN网络的输入;同时,引入Adam自适应优化算法进行网络训练和动态寻优,输出估计的地下目标位置信息,并与实际的目标位置对比得到模型的预测精度;如果预测精度不理想,则调整Adam算法的迭代次数及深度学习网络各层的参数设置,直到达到预期的定位精度目标,得到训练好的深度学习模型。
10.如权利要求9所述的基于地声场的地下浅层目标定位方法,其特征在于,所述步骤S6具体包括如下步骤:
S6.1利用分布式地声传感器阵列获取实际地下目标爆炸产生的地声信号;
S6.2利用上述步骤S3.1和S2得到监测区域网格信息和重构地声信号的基础上,重复步骤S3.4-S3.6获取实际地下目标爆破后,对应的三维地声场能量图;
S6.3随机抽取其中的30组样本送入训练好的深度学习模型中,将对应输出的30组定位结果,以及震动传感器输出的10组定位结果,以加权平均的数据融合方式,得到更为精确的地下目标坐标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110474298.XA CN113176609B (zh) | 2021-04-29 | 2021-04-29 | 一种基于地声场的地下浅层目标定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110474298.XA CN113176609B (zh) | 2021-04-29 | 2021-04-29 | 一种基于地声场的地下浅层目标定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113176609A CN113176609A (zh) | 2021-07-27 |
CN113176609B true CN113176609B (zh) | 2023-10-10 |
Family
ID=76925279
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110474298.XA Active CN113176609B (zh) | 2021-04-29 | 2021-04-29 | 一种基于地声场的地下浅层目标定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113176609B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114499716B (zh) * | 2022-01-04 | 2024-01-16 | 深圳市联洲国际技术有限公司 | 基于rssi的客户端测向方法、装置、设备及存储介质 |
CN114779203B (zh) * | 2022-06-20 | 2022-09-09 | 中国电子科技集团公司第五十四研究所 | 广域随机稀布阵空域扫描能量信息匹配的目标定位方法 |
CN117872273B (zh) * | 2024-03-11 | 2024-05-31 | 厦门市盛迅信息技术股份有限公司 | 基于人工智能的多环境声场声线识别方法和系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017062322A1 (en) * | 2015-10-07 | 2017-04-13 | Schlumberger Technology Corporation | Seismic sensor orientation |
WO2019161593A1 (zh) * | 2018-02-26 | 2019-08-29 | 北京科技大学 | 一种煤岩动力灾害危险的电磁辐射和地音监测预警方法 |
CN112163378A (zh) * | 2020-10-28 | 2021-01-01 | 浙江海洋大学 | 根据非线性贝叶斯理论的浅海多层海底地声参数反演方法 |
-
2021
- 2021-04-29 CN CN202110474298.XA patent/CN113176609B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017062322A1 (en) * | 2015-10-07 | 2017-04-13 | Schlumberger Technology Corporation | Seismic sensor orientation |
WO2019161593A1 (zh) * | 2018-02-26 | 2019-08-29 | 北京科技大学 | 一种煤岩动力灾害危险的电磁辐射和地音监测预警方法 |
CN112163378A (zh) * | 2020-10-28 | 2021-01-01 | 浙江海洋大学 | 根据非线性贝叶斯理论的浅海多层海底地声参数反演方法 |
Non-Patent Citations (1)
Title |
---|
基于深度学习的地下浅层震源定位方法;辛伟瑶;李剑;王小亮;李禹剑;;计算机工程(09);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113176609A (zh) | 2021-07-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113176609B (zh) | 一种基于地声场的地下浅层目标定位方法 | |
US7372774B1 (en) | System for detecting, tracking, and reconstructing signals in spectrally competitive environments | |
CN110261900B (zh) | 一种基于速度信息的地下浅层微震定位系统 | |
US4558439A (en) | Passive method for obtaining target data from a sound source | |
CN109443516B (zh) | 一种基于噪声场垂直振速信号的海底声速被动获取方法 | |
CN110261902B (zh) | 一种基于多谱能量合成的地下浅层震源定位方法 | |
CN110261903B (zh) | 一种基于逆时能量聚焦的地下震源被动定位方法 | |
CN109782356B (zh) | 基于能量网格搜索的井下微震监测传感器最优布设方法 | |
CN106443776B (zh) | 一种基于时间切片法的海底地震仪重定位方法 | |
CN104501938A (zh) | 一种在置于空气中的矩形混响水槽内测量水下声源低频辐射声功率的方法 | |
US20160274235A1 (en) | Buried object detection system | |
CN109655918B (zh) | 地面浅井微地震监测观测台站位置确定方法及系统 | |
CN113359183A (zh) | 一种针对极地冰层的震源定位方法 | |
Salem et al. | Automatic detection of UXO from airborne magnetic data using a neural network | |
Panzera et al. | Exploratory seismic site response surveys in a complex geologic area: a case study from Mt. Etna volcano (southern Italy) | |
Li et al. | The underground explosion point high precision measurement method based on multidimensional information fusion of vibration sensors | |
CN114791633B (zh) | 监测页岩气压裂的方法、系统及介质 | |
RU2738592C1 (ru) | Способ сбора массива сейсмических данных на исследуемом участке и соответствующая система | |
CN102830424A (zh) | 一种检波器组合参数计算方法 | |
US20180275299A1 (en) | Acoustic Underground Infrastructure Locating and Mapping System | |
Calhoun et al. | Precision and accuracy of acoustic gunshot location in an urban environment | |
GB2536576A (en) | Buried object detection system | |
US8300501B2 (en) | Supercavitating projectile tracking system and method | |
Li et al. | A high-precision method for extracting polarization angle under the condition of subsurface wavefield aliasing | |
CN113568040B (zh) | 一种时移地震采集数据的可重复性分析方法及系统 |
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 |