CN113296147A - 一种识别地震有限断层破裂参数的方法及系统 - Google Patents

一种识别地震有限断层破裂参数的方法及系统 Download PDF

Info

Publication number
CN113296147A
CN113296147A CN202110568788.6A CN202110568788A CN113296147A CN 113296147 A CN113296147 A CN 113296147A CN 202110568788 A CN202110568788 A CN 202110568788A CN 113296147 A CN113296147 A CN 113296147A
Authority
CN
China
Prior art keywords
seismic
fault
finite
peak acceleration
neural 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.)
Granted
Application number
CN202110568788.6A
Other languages
English (en)
Other versions
CN113296147B (zh
Inventor
张捷
朱慧宇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Science and Technology of China USTC
Original Assignee
University of Science and Technology of China USTC
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by University of Science and Technology of China USTC filed Critical University of Science and Technology of China USTC
Priority to CN202110568788.6A priority Critical patent/CN113296147B/zh
Publication of CN113296147A publication Critical patent/CN113296147A/zh
Application granted granted Critical
Publication of CN113296147B publication Critical patent/CN113296147B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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. analysis, for interpretation, for correction
    • G01V1/30—Analysis
    • G01V1/307—Analysis for determining seismic attributes, e.g. amplitude, instantaneous phase or frequency, reflection strength or polarity
    • 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. analysis, for interpretation, for correction
    • 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. analysis, for interpretation, for correction
    • G01V1/30—Analysis
    • G01V1/306—Analysis for determining physical properties of the subsurface, e.g. impedance, porosity or attenuation profiles
    • 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)
  • Geophysics (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Geology (AREA)
  • Environmental & Geological Engineering (AREA)
  • Acoustics & Sound (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Geophysics And Detection Of Objects (AREA)

Abstract

本公开提供一种识别地震有限断层破裂参数的方法，包括：获取地震图中峰值加速度值的空间分布图；根据峰值加速度值的空间分布图建立地震有限断层峰值加速度值的空间分布图数据库；根据空间分布图数据库训练深度卷积神经网络；通过深度卷积神经网络计算得到地震有限断层破裂参数。本公开提供的方法通过预先建立的峰值加速度值的空间分布图数据库，应用深度卷积神经网络进行识别，能够快速地、自动地获取地震有限断层破裂参数。

Description

一种识别地震有限断层破裂参数的方法及系统
技术领域
本公开涉及地震监测技术领域，具体涉及一种识别地震有限断层破裂参数的方法及系统。
背景技术
地球的演化过程中，板块运动使地壳、岩石圈的构造形态发生变化。当作用力超过岩层所能承受的强度时则发生破裂，岩层的连续性被破坏从而形成断层。断层是地壳中的薄弱带，构造地震的孕育发生是断层作用的重要体现方式。传统地震监测中，通常利用点震源模型去计算分析地震的特征以及地震灾害的影响范围。对于震级大于6级的地震，利用点震源模型计算分析地震的发生不足以描述地震有限断层破裂的复杂性。因此，需要引入地震有限断层破裂模型(线震源模型)代替点震源模型去描述地震有限断层破裂特征。地震有限断层破裂模型中包含断层破裂方向和断层破裂长度两个重要参数，这两个参数决定着地震破裂的过程以及地震灾害影响范围，对于减轻地震灾害有着重要的意义。
目前该领域最为先进的技术是由
Figure BDA0003080296120000011
等人提出的有限断层破裂识别FinDer(Finite Fault Rupture Detector)方法。该方法根据台站接收的实时地震数据，分析峰值加速度值判别近场区域，划定近场区域后利用图像识别技术来识别断层的破裂参数。该方法应用图像识别中的模版匹配法，将实际地震近场图像与事前准备好的地震近场图像模版库中的图片进行匹配，从而得到地震有限断层破裂长度和破裂方向。在计算过程中需应用多次空间变化运算，增加了计算的时间复杂度和空间复杂度。在地震有限断层破裂监测中，需要一种快速地、自动地获取地震有限断层破裂参数的方法。
发明内容
(一)要解决的技术问题
针对上述问题，本公开提供了一种识别地震有限断层破裂参数的方法及系统，用于至少部分解决传统计算方法计算时间长、计算复杂度高等技术问题。
(二)技术方案
本公开一方面提供了一种识别地震有限断层破裂参数的方法，包括：获取地震图中峰值加速度值的空间分布图；根据峰值加速度值的空间分布图建立地震有限断层峰值加速度值的空间分布图数据库；根据空间分布图数据库训练深度卷积神经网络；通过深度卷积神经网络计算得到地震有限断层破裂参数。
进一步地，获取地震图中峰值加速度的空间分布图包括：获取监测区域内不同位置的地震图；获取各个地震图中的峰值加速度值；通过平面插值算法得到峰值加速度值的空间分布图。
进一步地，根据峰值加速度值的空间分布图建立地震有限断层峰值加速度值的空间分布图数据库包括：根据监测区域地质条件下的地震动衰减规律，建立地震有限断层峰值加速度值的空间分布图数据库。
进一步地，根据峰值加速度值的空间分布图建立地震有限断层峰值加速度值的空间分布图数据库还包括：设定断层参数，包括最小断层长度、最大断层长度、断层长度间隔以及断层方向的最小值、最大值和值间隔，以生成不同参数的地震有限断层。
进一步地，根据空间分布图数据库训练深度卷积神经网络包括：将地震有限断层峰值加速度值的空间分布图数据库划分为训练集和测试集；使用训练集和测试集分别训练和测试深度卷积神经网络；得到可识别地震有限断层破裂参数的深度卷积神经网络。
进一步地，深度卷积神经网络包括卷积层、池化层、全连接层，深度卷积神经网络的输出包括2×512的矩阵。
进一步地，通过深度卷积神经网络计算得到地震有限断层破裂参数包括：将峰值加速度值的空间分布图输入经过训练的深度卷积神经网络中；深度卷积神经网络输出地震有限断层长度和方向数值的高斯分布曲线，高斯分布曲线的最大值分别为断层破裂长度和断层破裂方向的参数。
进一步地，通过深度卷积神经网络计算得到地震有限断层破裂参数还包括：更新峰值加速度值的空间分布图，循环计算得到更新后的地震有限断层破裂参数。
进一步地，地震图中峰值加速度值的计算公式为：
Figure BDA0003080296120000031
其中，PGA为加速度地震图中峰值加速度值；PGANS为南北方向震动记录加速度地震图中最大绝对值；PGAWE为东西方向震动记录加速度地震图中最大绝对值。
本公开另一方面提供了一种识别地震有限断层破裂参数的系统，包括：获取模块，用于获取地震图中峰值加速度值的空间分布图；并根据峰值加速度值的空间分布图建立地震有限断层峰值加速度值的空间分布图数据库；空间分布图数据库，用于训练深度卷积神经网络；计算模块，通过深度卷积神经网络计算得到地震有限断层破裂参数。
(三)有益效果
本公开实施例提供的一种识别地震有限断层破裂参数的方法及系统，通过预先建立的峰值加速度值的空间分布图数据库，应用深度卷积神经网络进行识别，能够快速地、自动地获取地震有限断层破裂参数；该方法还可以以一定的时间间隔不断循环计算，更新地震有限断层破裂参数，可以用于对断层破裂的实时监测。
附图说明
图1示意性示出了根据本公开实施例识别地震有限断层破裂参数的方法流程图；
图2示意性示出了根据本公开实施例标注峰值(最大值)的记录位移加速度的三分量地震图；
图3示意性示出了根据本公开实施例获取地震图中峰值加速度值的空间分布图的方法流程图；
图4示意性示出了根据本公开实施例的识别地震有限断层破裂参数的系统的方框图；
图5示意性示出了根据本公开实施例基于深度卷积神经网络快速识别地震有限断层破裂参数的方法的框图；
图6示意性示出了根据本公开实施例识别地震有限断层破裂参数的深度卷积神经网络训练过程的框图；
图7示意性示出了根据本公开实施例理论地震有限断层峰值加速度空间分布图数据库示意图；
图8示意性示出了根据本公开实施例识别地震有限断层破裂参数的深度卷积神经网络的示意图。
具体实施方式
为使本公开的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本公开进一步详细说明。
我们提出了一种基于深度卷积神经网络快速识别地震有限断层破裂参数的方法。卷积神经网络(Convolution Neural Network，CNN)是一种前馈神经网络，它从输入层开始，逐层向前推进，每一层接收前一层作为输入，并输出至下一层，直到最后的输出层，整个网络是一个有向无环的网络。而深度卷积神经网络是指在输入层和输出层之间有很多个卷积层。深度卷积神经网络对计算机视觉以及自然语言的处理有非常出色的表现。在此，我们将应用深度卷积神经网络强大的图像识别能力去识别地震有限断层破裂参数。
图1示意性示出了根据本公开实施例识别地震有限断层破裂参数的方法流程图。
如图1所示，该识别地震有限断层破裂参数的方法包括：
在操作S1，获取地震图中峰值加速度值的空间分布图。
首先，地震台站接收到加速度地震图中峰值加速度值。地震图包含记录地点所引起的介质的位移，或者位移的速度(一阶时间导数)，或者位移的加速度(二阶时间导数)。一般地震台可采用三分量(垂直，东西，南北方向震动记录)地震图数据，或一分量(垂直分量)地震图数据。图2显示的是标注峰值(最大值)的记录位移加速度的三分量地震图数据的示意性示例，其中黑色小圆圈标注每一个分量中的最大绝对值，上面的图表示南北振动分量，中间的图表示东西振动分量，下面的图表示垂直振动分量，横轴为相对时间(秒)，纵轴为地震仪所在处地球介质振动位移的加速度。每一个地震台站接收到地震图，得到加速度地震图中峰值加速度值后，可以通过平面插值的算法得到峰值加速度值在监测区域的空间分布图。
在操作S2，根据峰值加速度值的空间分布图建立地震有限断层峰值加速度值的空间分布图数据库。
建立的地震有限断层峰值加速度空间分布图数据库可以针对某个特定的地区以及地震监测台网而建立的，该空间分布图数据库包括不同断层破裂方向、破裂长度计算得到的峰值加速度空间分布图。
在操作S3，根据空间分布图数据库训练深度卷积神经网络。
将数据库用于训练和验证深度卷积神经网络；该深度卷积神经网络输出断层破裂方向和破裂长度值得概率分布图，并从概率分布图中获得输入已发生地震事件的断层破裂参数。
在操作S4，通过深度卷积神经网络计算得到地震有限断层破裂参数。
在实际地震有限断层破裂发生时，将峰值加速度值在监测区域的空间分布图输入经过训练的深度卷积神经网络中，输出两条最大值对应着地震有限断层长度和方向数值的高斯分布曲线，即为地震有限断层破裂参数。
图3示意性示出了根据本公开实施例获取地震图中峰值加速度的空间分布图的方法流程图。
如图3所示，该获取地震图中峰值加速度的空间分布图的方法包括：
在操作S101，获取监测区域内不同位置的地震图。
断层是地壳的薄弱地带，它是由于板块运动的作用力超过岩层所能承受的强度而发生破裂所形成的。传统地震监测中的点震源模型不足以描述地震震源的复杂度，因此需要引入地震有限断层破裂模型(线震源模型)。地震有限断层破裂模型中包含断层破裂方向和断层破裂长度两个重要参数。地震图是一个时间序列信号，每一个地震都对应着一个独特的地震图，可以从地震图中反推出地震有限断层破裂参数。故首先获取监测区域内不同位置的地震图。
在操作S102，获取不同位置的地震图中的峰值加速度值。
地震图数据包含记录地点所引起的介质的位移，或者位移的速度(一阶时间导数)，或者位移的加速度(二阶时间导数)。这里，选取地震图数据中的加速度数据，再根据加速度数据获取峰值加速度值。
在操作S103，通过平面插值算法得到峰值加速度值的空间分布图。
每一个地震台站接收到地震图，得到加速度地震图中峰值加速度值后，可以通过平面插值的算法得到峰值加速度值在监测区域的空间分布图。平面插值算法可以采用平面基于三角形的三次插值方法。
在上述实施例的基础上，根据峰值加速度值的空间分布图建立地震有限断层峰值加速度值的空间分布图数据库包括：根据监测区域地质条件下的地震动衰减规律，建立地震有限断层峰值加速度值的空间分布图数据库。
建立理论地震有限断层峰值加速度空间分布图数据库需满足研究区域的地质条件下的地震动预测模型。地震动衰减规律可以近似表达为震级和距离的函数，地震动的对数满足随震级增大而增大，随距离的对数增大而减小的规律。
在上述实施例的基础上，根据峰值加速度值的空间分布图建立地震有限断层峰值加速度值的空间分布图数据库还包括：设定断层参数，包括最小断层长度、最大断层长度、断层长度间隔以及断层方向的最小值、最大值和值间隔，以生成不同参数的地震有限断层。
在实际应用中，断层参数，即最小断层长度、最大断层长度、断层长度间隔以及断层方向的最小值、最大值和值间隔这些参数可以根据研究区域的目标体大小以及监测精度进行调整。
在上述实施例的基础上，根据空间分布图数据库训练深度卷积神经网络包括：将地震有限断层峰值加速度值的空间分布图数据库划分为训练集和测试集；使用训练集和测试集分别训练和测试深度卷积神经网络；得到可识别地震有限断层破裂参数的深度卷积神经网络。
将空间分布图数据库中的峰值加速度值的空间分布图数据划分为训练集和测试集，分别用于客流量预测模型的训练和测试。例如，训练集和测试集占总样本数据的比例分别约为90％和10％。
在上述实施例的基础上，深度卷积神经网络包括卷积层、池化层、全连接层，深度卷积神经网络的输出包括2×512的矩阵。
深度卷积神经网络的输入可以是一个的图像矩阵；深度卷积神经网络包含有若干卷积层、池化层、全连接层等；输出是2×512矩阵，代表着两条最大值对应着地震有限断层长度和方向数值的高斯分布曲线。深度卷积神经网络的深度(层数)和卷积层、池化层、全连接层等数量和排序均可根据实际问题进行调整。
在上述实施例的基础上，通过深度卷积神经网络计算得到地震有限断层破裂参数包括：将峰值加速度值的空间分布图输入经过训练的深度卷积神经网络中；深度卷积神经网络输出地震有限断层长度和方向数值的高斯分布曲线，高斯分布曲线的最大值分别为断层破裂长度和断层破裂方向的参数。
在实际地震有限断层破裂发生时，将峰值加速度值在监测区域的空间分布图输入经过训练的深度卷积神经网络中，输出两条最大值对应着地震有限断层长度和方向数值的高斯分布曲线，即为地震有限断层破裂参数。
在上述实施例的基础上，通过深度卷积神经网络计算得到地震有限断层破裂参数还包括：更新峰值加速度值的空间分布图，循环计算得到更新后的地震有限断层破裂参数。
地震有限断层破裂是一个动态的过程，此方法可以以一定的时间间隔不断循环计算，更新地震有限断层破裂参数，可以用于对断层破裂的实时监测。
在上述实施例的基础上，地震图中峰值加速度值的计算公式为：
Figure BDA0003080296120000071
其中，PGA为加速度地震图中峰值加速度值；PGANS为南北方向震动记录加速度地震图中最大绝对值；PGAwE为东西方向震动记录加速度地震图中最大绝对值。
加速度地震图中峰值加速度值即为两个水平分量(东西方向震动记录和南北方向震动记录)加速度地震图中最大绝对值的几何平均值。
图4示意性示出了根据本公开一实施例的识别地震有限断层破裂参数的系统的方框图。
如图4所示，该识别地震有限断层破裂参数的系统400包括：获取模块410、空间分布图数据库420、计算模块430。
获取模块410，用于获取地震图中峰值加速度值的空间分布图；并根据峰值加速度值的空间分布图建立地震有限断层峰值加速度值的空间分布图数据库；根据本公开的实施例，该获取模块410例如可以用于执行上文参考图1所描述的S1和S2步骤，在此不再赘述。
空间分布图数据库420，用于训练深度卷积神经网络；根据本公开的实施例，该空间分布图数据库420例如可以用于执行上文参考图1所描述的S3步骤。
计算模块430，用于通过深度卷积神经网络计算得到地震有限断层破裂参数。根据本公开的实施例，该计算模块430例如可以用于执行上文参考图1所描述的S4步骤。
需说明的是，根据本公开的实施例的模块、子模块、单元、子单元中的任意多个、或其中任意多个的至少部分功能可以在一个模块中实现。根据本公开实施例的模块、子模块、单元、子单元中的任意一个或多个可以被拆分成多个模块来实现。根据本公开实施例的模块、子模块、单元、子单元中的任意一个或多个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC)，或可以通过对电路进行集成或封装的任何其他的合理方式的硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，根据本公开实施例的模块、子模块、单元、子单元中的一个或多个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。
下面以一具体实施例对本公开的识别地震有限断层破裂参数的方法及系统进行进一步说明。
图5示出了根据本公开实施例的基于深度卷积神经网络快速识别地震有限断层破裂参数的方法的示意框图。该方法包括：地震台站接收到加速度地震图中峰值加速度值501，监测区域所有监测台站接收到加速度地震图中的峰值加速度的空间分布图502，由理论地震有限断层峰值加速度空间分布图数据库训练的深度卷积神经网络503，得出地震有限断层破裂参数：破裂方向和破裂长度结果504。
地震台站接收到加速度地震图中峰值加速度值501具体包括：
加速度地震图中峰值加速度值即为两个水平分量(东西方向震动记录和南北方向震动记录)加速度地震图中最大绝对值的几何平均值，计算公式如公式(1)：
Figure BDA0003080296120000091
公式(1)中，PGA为加速度地震图中峰值加速度值；PGANS为南北方向震动记录加速度地震图中最大绝对值；PGAWE为东西方向震动记录加速度地震图中最大绝对值。
峰值加速度值在监测区域的空间分布图502具体包括：
每一个地震台站接收到地震图，得到加速度地震图中峰值加速度值后，可以通过平面插值的算法得到峰值加速度值在监测区域的空间分布图。平面插值算法可以采用平面基于三角形的三次插值方法等方法。
由理论地震有限断层峰值加速度空间分布图数据库训练的深度卷积神经网络503具体包括：
由理论地震有限断层峰值加速度空间分布图数据库训练的深度卷积神经网络503是通过两个步骤完成，由图6示出。理论地震有限断层峰值加速度空间分布图数据库601是预先建立的。建立的理论地震有限断层峰值加速度空间分布图数据库可以针对某个特定的地区以及地震监测台网而建立数据库。以中国川滇地区监测地震有限断层破裂参数为例，在建立理论地震有限断层峰值加速度空间分布图数据库需满足川滇地区地质条件下的地震动衰减规律。在计算理论地震有限断层峰值加速度空间分布图时，需要设定断层参数，即最小断层长度、最大断层长度、断层长度间隔以及断层方向的最小值、最大值和值间隔来生成不同参数的地震有限断层。例如，可以拟定模板库中的最小断层长度为10km，最大断层长度300km，间隔5km。断层走向为0度至179度，间隔1度。这样，数据库中将包含【(300-10)/5+1】*【(179-0)+1】＝10620个不同断层参数的地震有限断层峰值加速度空间分布图。图7示出了断层走向为90度，断层长度分别为(a)10km，(b)50km，(c)100km，以及(d)150km的地震有限断层峰值加速度空间分布图作为数据库中数据实例进行展示。在图7中，在每幅图中，横轴为经度坐标，纵轴为纬度坐标，坐标单位可以用计量单位“度”表示，也可以用计量单位“千米、米”等表示(注1度约等于111千米)；图中颜色代表峰值加速度值的大小。在实际应用中，断层参数，即最小断层长度、最大断层长度、断层长度间隔以及断层方向的最小值、最大值和值间隔这些参数可以根据研究区域的目标体大小以及监测精度进行调整。训练集602和验证集603中的数据均来自于理论地震有限断层峰值加速度空间分布图数据库601。其中，训练集602中数据的数量可以是论地震有限断层峰值加速度空间分布图数据库601中全部数据，也可以按比例随机抽取一定数量的数据。训练集602中数据的数量(可能)会影响效果。验证集603中的数据可以按比例随机抽取一定数量的数据，验证集603中数据的数量仅用于效果评估，不会影响效果。图8示出深度卷积神经网络604示意图，图中左侧部分为输入，中间部分为深度卷积神经网络示意图，右侧为输出。例如，深度卷积神经网络的输入可以是一个512×512的图像矩阵(地震有限断层峰值加速度在512km×512km空间范围的分布图，以1km×1km为一个图像像素点)；深度卷积神经网络包含有若干卷积层、池化层、全连接层等；输出是2×512矩阵，代表着两条最大值对应着地震有限断层长度和方向数值的高斯分布曲线。深度卷积神经网络的深度(层数)和卷积层、池化层、全连接层等数量和排序均可根据实际问题进行调整。
输出地震有限断层长度和方向数值504具体包括：
输入已发生地震事件的地震图数据中峰值加速度值在监测区域的空间分布图，峰值加速度值在监测区域的空间分布图包括监测区域所有地震台站接收到的地震图和地震图中峰值加速度值及通过空间插值得到的峰值加速度值空间分布图；利用预先建立的理论地震有限断层峰值加速度空间分布图数据库，训练和验证深度卷积神经网络。理论地震有限断层峰值加速度空间分布图数据库包括不同断层破裂方向、破裂长度计算得到的峰值加速度空间分布图。将峰值加速度值在监测区域的空间分布图输入深度卷积神经网络后，输出断层破裂方向和破裂长度值得概率分布图，并从概率分布图中获得输入已发生地震事件的断层破裂参数。
在实际应用中，将峰值加速度值在监测区域的空间分布图输入经过训练的深度卷积神经网络中，输出两条最大值对应着地震有限断层长度和方向数值的高斯分布曲线，即为地震有限断层破裂参数。峰值加速度值在监测区域的空间分布图502的图像矩阵大小需与深度卷积神经网络604中输入的图像像素大小一致。地震有限断层破裂是一个动态的过程，此方法可以以一定的时间间隔不断循环计算，更新地震有限断层破裂参数，可以用于对断层破裂的实时监测。
该实施例中基于深度卷积神经网络快速识别地震有限断层破裂参数的装置包括：
深度卷积神经网络，用于识别地震有限断层破裂参数；
输入装置：输入已发生地震事件的地震图数据中峰值加速度值在监测区域的空间分布图，峰值加速度值在监测区域的空间分布图包括监测区域所有地震台站接收到的地震图和地震图中峰值加速度值及通过空间插值得到的峰值加速度值空间分布图；
训练装置，包括预先建立的理论地震有限断层峰值加速度空间分布图数据库，包含不同断层破裂方向、破裂长度计算得到的峰值加速度空间分布图；
确定装置，针对输入已发生地震事件的地震图数据中峰值加速度值在监测区域的空间分布图，在预先由理论地震有限断层峰值加速度空间分布图数据库训练和验证的深度卷积神经网络中进行识别，得到地震有限断层破裂方向和破裂长度值得概率分布图作为结果，从而将概率最大值所对应的地震有限断层破裂方向和破裂长度值作为地震有限断层破裂参数。
以上描述了根据本公开实施例的基于深度卷积神经网络识别地震有限断层破裂参数的方法，可以应用于实时地震有限断层破裂参数监测中。该方法需首先根据研究区域的地质条件所满足的地震动预测模型，建立理论地震有限断层峰值加速度空间分布图数据库；将数据库用于训练和验证深度卷积神经网络；在实际地震有限断层破裂发生时，将峰值加速度值在监测区域的空间分布图输入经过训练的深度卷积神经网络中，输出两条最大值对应着地震有限断层长度和方向数值的高斯分布曲线，即为地震有限断层破裂参数。本公开实施例方法能够利用深度卷积神经网络技术，应用于天然地震有限断层破裂的实时监测，实时监测石油与天然气开采生产所激发的微震产生的裂隙破裂等。
以上所述的具体实施例，对本公开的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本公开的具体实施例而已，并不用于限制本公开，凡在本公开的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。

Claims (10)

1.一种识别地震有限断层破裂参数的方法，其特征在于，包括：
获取地震图中峰值加速度值的空间分布图；
根据所述峰值加速度值的空间分布图建立地震有限断层峰值加速度值的空间分布图数据库；
根据所述空间分布图数据库训练深度卷积神经网络；
通过所述深度卷积神经网络计算得到地震有限断层破裂参数。
2.根据权利要求1所述的识别地震有限断层破裂参数的方法，其特征在于，所述获取地震图中峰值加速度的空间分布图包括：
获取监测区域内不同位置的地震图；
获取所述不同位置的地震图中的峰值加速度值；
通过平面插值算法得到峰值加速度值的空间分布图。
3.根据权利要求2所述的识别地震有限断层破裂参数的方法，其特征在于，所述根据所述峰值加速度值的空间分布图建立地震有限断层峰值加速度值的空间分布图数据库包括：
根据所述监测区域地质条件下的地震动衰减规律，建立地震有限断层峰值加速度值的空间分布图数据库。
4.根据权利要求1所述的识别地震有限断层破裂参数的方法，其特征在于，所述根据所述峰值加速度值的空间分布图建立地震有限断层峰值加速度值的空间分布图数据库还包括：
设定断层参数，包括最小断层长度、最大断层长度、断层长度间隔以及断层方向的最小值、最大值和值间隔，以生成不同参数的地震有限断层。
5.根据权利要求1所述的识别地震有限断层破裂参数的方法，其特征在于，所述根据所述空间分布图数据库训练深度卷积神经网络包括：
将所述地震有限断层峰值加速度值的空间分布图数据库划分为训练集和测试集；
使用所述训练集和测试集分别训练和测试所述深度卷积神经网络；
得到可识别地震有限断层破裂参数的深度卷积神经网络。
6.根据权利要求5所述的识别地震有限断层破裂参数的方法，其特征在于，所述深度卷积神经网络包括卷积层、池化层、全连接层，所述深度卷积神经网络的输出包括2×512的矩阵。
7.根据权利要求1所述的识别地震有限断层破裂参数的方法，其特征在于，所述通过所述深度卷积神经网络计算得到地震有限断层破裂参数包括：
将峰值加速度值的空间分布图输入经过训练的深度卷积神经网络中；
所述深度卷积神经网络输出地震有限断层长度和方向数值的高斯分布曲线，所述高斯分布曲线的最大值分别为断层破裂长度和断层破裂方向的参数。
8.根据权利要求7所述的识别地震有限断层破裂参数的方法，其特征在于，所述通过所述深度卷积神经网络计算得到地震有限断层破裂参数还包括：
更新峰值加速度值的空间分布图，循环计算得到更新后的地震有限断层破裂参数。
9.根据权利要求1所述的识别地震有限断层破裂参数的方法，其特征在于，所述地震图中峰值加速度值的计算公式为：
Figure FDA0003080296110000021
其中，PGA为加速度地震图中峰值加速度值；PGANS为南北方向震动记录加速度地震图中最大绝对值；PGAWE为东西方向震动记录加速度地震图中最大绝对值。
10.一种识别地震有限断层破裂参数的系统，其特征在于，包括：
获取模块，用于获取地震图中峰值加速度值的空间分布图；并根据所述峰值加速度值的空间分布图建立地震有限断层峰值加速度值的空间分布图数据库；
空间分布图数据库，用于训练深度卷积神经网络；
计算模块，通过所述深度卷积神经网络计算得到地震有限断层破裂参数。
CN202110568788.6A 2021-05-24 2021-05-24 一种识别地震有限断层破裂参数的方法及系统 Active CN113296147B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110568788.6A CN113296147B (zh) 2021-05-24 2021-05-24 一种识别地震有限断层破裂参数的方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110568788.6A CN113296147B (zh) 2021-05-24 2021-05-24 一种识别地震有限断层破裂参数的方法及系统

Publications (2)

Publication Number Publication Date
CN113296147A true CN113296147A (zh) 2021-08-24
CN113296147B CN113296147B (zh) 2022-09-09

Family

ID=77324582

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110568788.6A Active CN113296147B (zh) 2021-05-24 2021-05-24 一种识别地震有限断层破裂参数的方法及系统

Country Status (1)

Country Link
CN (1) CN113296147B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2662708A2 (en) * 2012-05-09 2013-11-13 Toshiaki Kikuchi Earthquake precursor observation device and method, earthquake precursor observation program
CN103914620A (zh) * 2014-03-31 2014-07-09 成都理工大学 一种计算断层破裂带裂缝张开空间分布的方法
CN106251032A (zh) * 2016-06-28 2016-12-21 中国人民解放军后勤工程学院 一种地震滑坡灾害灾情快速评估方法
CN109214119A (zh) * 2018-10-16 2019-01-15 中铁二院工程集团有限责任公司 基于响应面模型的桥梁抗震设计方法
CN111257934A (zh) * 2020-01-17 2020-06-09 哈尔滨工业大学 基于二阶神经元深度神经网络的地震动峰值加速度预测方法
US20200183046A1 (en) * 2018-12-11 2020-06-11 Exxonmobil Research And Engineering Company Subsurface models with uncertainty quantification
US20200292723A1 (en) * 2019-03-12 2020-09-17 Bp Corporation North America Inc. Method and Apparatus for Automatically Detecting Faults Using Deep Learning
CN112161602A (zh) * 2020-09-23 2021-01-01 机械工业勘察设计研究院有限公司 一种基于离心模型试验的填方沉降预测方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2662708A2 (en) * 2012-05-09 2013-11-13 Toshiaki Kikuchi Earthquake precursor observation device and method, earthquake precursor observation program
CN103914620A (zh) * 2014-03-31 2014-07-09 成都理工大学 一种计算断层破裂带裂缝张开空间分布的方法
CN106251032A (zh) * 2016-06-28 2016-12-21 中国人民解放军后勤工程学院 一种地震滑坡灾害灾情快速评估方法
CN109214119A (zh) * 2018-10-16 2019-01-15 中铁二院工程集团有限责任公司 基于响应面模型的桥梁抗震设计方法
US20200183046A1 (en) * 2018-12-11 2020-06-11 Exxonmobil Research And Engineering Company Subsurface models with uncertainty quantification
US20200292723A1 (en) * 2019-03-12 2020-09-17 Bp Corporation North America Inc. Method and Apparatus for Automatically Detecting Faults Using Deep Learning
CN111257934A (zh) * 2020-01-17 2020-06-09 哈尔滨工业大学 基于二阶神经元深度神经网络的地震动峰值加速度预测方法
CN112161602A (zh) * 2020-09-23 2021-01-01 机械工业勘察设计研究院有限公司 一种基于离心模型试验的填方沉降预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
康兰池等: "利用PGA快速确定汶川地震破裂特征", 《地震地质》 *

Also Published As

Publication number Publication date
CN113296147B (zh) 2022-09-09

Similar Documents

Publication Publication Date Title
CN104280775B (zh) 一种基于全波形矢量偏移叠加的微地震监测定位方法
EP1839074B1 (en) Method of seismic signal processing
CN104749624A (zh) 一种地震岩相识别及其不确定性定量评价同步实现方法
Potirakis et al. Recent seismic activity at Cephalonia (Greece): a study through candidate electromagnetic precursors in terms of non-linear dynamics
CN111487676B (zh) 应用机器学习中支持向量机、主成分分析和粒子群算法合成地震动场的方法
CN113484910B (zh) 基于地震干涉法的隧道超前地质预报方法及系统
CN111191696B (zh) 一种基于深度学习算法的钢筋分层方法及系统
CN105093319A (zh) 基于三维地震数据的地面微地震静校正方法
CN115327616B (zh) 一种海量数据驱动的矿山微震震源自动定位方法
CN107609265B (zh) 一种基于蚂蚁追踪的地层应力场有限元模拟方法及系统
CN113536659A (zh) 一种震后道路受灾区域快速预测方法、系统及存储介质
CN113238280A (zh) 一种基于格林函数的地震监测方法
CN110515122B (zh) 正演网格搜索定位及微地震信号识别方法及装置
CN115688046A (zh) 一种岩爆预测方法、装置及计算机设备
CN109298448B (zh) 一种致密气压裂工程甜点的预测方法和装置
CN113296147B (zh) 一种识别地震有限断层破裂参数的方法及系统
CN103513279B (zh) 一种基于地震波波动方程的照明分析计算方法及计算装置
CN112230275A (zh) 地震波形的识别方法、装置及电子设备
CN103777244A (zh) 一种地震裂缝属性体的定量分析方法
CN110687598A (zh) 一种加速微震数值模拟的方法及装置
CN116256803A (zh) 一种融合开采信息与地质信息的煤矿微震区域定位方法
CN115758686A (zh) 一种近场活动断裂对隧道围岩影响评估方法
McElfresh et al. Stress modeling of tectonic blocks at Cape Kamchatka, Russia using principal stress proxies from high-resolution SAR: new evidence for the Komandorskiy Block
CN112305591B (zh) 隧道超前地质预报方法、计算机可读存储介质
Wu et al. Fast calibration for vibration-based pavement roughness measurement based on model updating of vehicle dynamics

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