CN113341459B - 基于机器学习和动力学计算融合的地震定位方法与设备 - Google Patents

基于机器学习和动力学计算融合的地震定位方法与设备 Download PDF

Info

Publication number
CN113341459B
CN113341459B CN202110516324.0A CN202110516324A CN113341459B CN 113341459 B CN113341459 B CN 113341459B CN 202110516324 A CN202110516324 A CN 202110516324A CN 113341459 B CN113341459 B CN 113341459B
Authority
CN
China
Prior art keywords
data
seismic
seismic source
model
population
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
Application number
CN202110516324.0A
Other languages
English (en)
Other versions
CN113341459A (zh
Inventor
陈永强
吴志鹏
周惟於
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.)
Peking University
Original Assignee
Peking University
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 Peking University filed Critical Peking University
Priority to CN202110516324.0A priority Critical patent/CN113341459B/zh
Publication of CN113341459A publication Critical patent/CN113341459A/zh
Application granted granted Critical
Publication of CN113341459B publication Critical patent/CN113341459B/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
    • 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
    • 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
    • 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)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Remote Sensing (AREA)
  • General Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Acoustics & Sound (AREA)
  • Environmental & Geological Engineering (AREA)
  • Geology (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Geophysics (AREA)
  • Geophysics And Detection Of Objects (AREA)

Abstract

本申请涉及地震定位技术领域，更为具体来说，本申请涉及基于机器学习和动力学计算融合的地震定位方法与设备。所述方法包括：获取多源数据，并对所述多源数据进行正则化处理；对正则化处理后的数据进行短时傅里叶变换得到时频图像作为样本，对每个样本依据震源位置按照三维高斯分布生成标签数据，采用交叉验证法生成训练集与测试集；基于训练集进行全卷积神经网络模型训练，基于测试集对训练的模型进行精度评价，得到训练好的模型；将实时监测数据输入到训练好的模型中初步估算震源位置；对初步估算的震源位置，采用动力学计算模型予以修正。所述方法与设备能够快速实现震源的初步定位，然后使用动力学计算模型能够进一步确定精确的震源位置。

Description

基于机器学习和动力学计算融合的地震定位方法与设备
技术领域
本申请涉及地震定位技术领域，更为具体来说，本申请涉及基于机器学习和动力学计算融合的地震定位方法与设备。
背景技术
我国是地震多发的国家，地震是破坏力极强的自然灾害，对人民生命和财产安全造成极大的威胁。地质构造导致的地震，通过地震波向外传递能量，使地表产生变形与地标建筑结构破坏，并引起一系列次生灾害。地震发生时，快速准确地确定地震震源位置，有助于提高地震预警的时效性和可靠性。
由于地震场景比较复杂，地震定位技术虽已有很大成果，但仍存在瓶颈。目前常用的地震定位方法有双差定位法、网格搜索法、双曲线法等，这些方法的原理大都是基于不同台站的到时信息，其不足在于需要各台站的精确到时信息，且容易受台站到时延迟和钟差等因素的影响。究其本质，是难以得到准确描述场地土层速度的变化情况的速度模型、噪声及到时判断方法等影响了震相的到时拾取。
随着我国地震监测台站的建设和地震记录数据的越来越完备，以及大数据和人工智能技术的发展，为解决上述问题提供了新的契机。人工神经网络(Artificial NeuralNetwork)是基于对人脑活动机理的相关研究提出的一种数学统计学习模型。人工神经网络具有自学习、自组织和自适应的能力，具有高度的非线性、良好的容错性、计算的非精确性等特点。人工神经网络目前广泛应用于机器视觉和语音识别等传统方法较难解决的领域。目前，有相关研究将人工神经网络应用于地震定位中，如PreSEIS神经网络法、卷积神经网络法、全卷积神经网络法等。但由于历史数据中的震源位置也并不准确，历史数据量也有限，训练的定位模型获得的定位结果也存在局限性。
因此，本申请提出一种改进的方法与设备，以至少部分地解决上述技术问题。
发明内容
本发明的核心是将机器学习和基于地震波传播原理的动力学计算相结合用于地震震源高精度定位。
为实现上述技术目的，本申请提供了一种基于机器学习和动力学计算融合的地震定位方法，包括以下步骤：
获取多源数据，并对所述多源数据进行正则化处理；
对正则化处理后的数据进行短时傅里叶变换得到时频图像作为样本，对每个样本依据震源位置按照三维高斯分布生成标签数据，采用交叉验证法生成训练集与测试集；
基于训练集进行全卷积神经网络模型训练，基于测试集对训练的模型进行精度评价，得到训练好的模型；
将实时监测数据输入到训练好的模型中初步估算震源位置；
对初步估算的震源位置，采用动力学计算模型予以修正。
具体地，所述正则化处理后的数据为经度、纬度和深度三分方向数据。
优选地，所述进行短时傅里叶变换包括：使用步长为3s的滑动时窗自首台P波到时前12s至首台P波到时后12s截取波形，截取40.96s共4096个采样点，对生成的每个台站的三分向记录分别进行短时傅里叶变换，其中窗函数γ(t)采用汉宁窗，窗宽取为1.28s共128个采样点，窗之间重叠的点数取为窗宽的一半。
进一步地，所述三维高斯分布生成标签数据的方法为：
Figure BDA0003062374930000031
其中，(x0，y0，z0)表示真实的地震震源位置，r表示三维高斯分布的半径参数，Rx，Ry，Rz表示区域的范围。
优选地，所述基于训练集进行全卷积神经网络模型训练包括：图像数据输入、数据规则化、卷积运算、激活、池化、全连接与Softmax分类操作，所述基于训练集进行全卷积神经网络模型训练在训练后还进行初始化权重以及偏置，通过反向传播算法得到优化模型，然后输出该模型。
优选地，所述动力学计算模型基于地理信息系统获得的地表、地形、地层和地质数据而建立，以反映地形起伏变化和地层地质。
进一步地，所述对初步估算的震源位置，采用动力学计算模型予以修正，具体包括：
以初步估算的震源位置为中心，选择附近区域几千米至几十千米范围内的经度、纬度和深度三分方向划分长方体三维网格，并设置1000个虚拟网格位置作为修正震源备选位置；
对所述修正震源备选位置，采用动力学计算模型计算地震波模拟数据；
计算各观测站实时监测数据与所述地震波模拟数据之间的相关系数
Figure BDA0003062374930000041
其中，Xi为实时监测数据，Yi为地震波模拟数据，
Figure BDA0003062374930000042
实时监测数据的平均值，
Figure BDA0003062374930000043
为地震波模拟数据的平均值，i为步长；
通过网格搜索，寻找相关系数最大值，得到最优震源位置所在网格；
在最优震源位置所在网格内部，得到震源精确位置。
进一步地，所述在最优震源位置所在网格的内部，得到震源精确位置的方法为：
初始化，设置进化代数计数器t＝0，设置最大进化代数T，在最优震源位置所在网格内部，随机生成M个震源位置作为初始群体P(0)；
个体评价，依据观测台站数据与动力学模拟数据的相关系数，得到群体P(t)中各个个体的适应度；
选择操作，将选择算子作用于群体，以把优化的个体直接遗传到下一代或通过配对交叉产生新的个体再遗传到下一代；
交叉操作，对部分群体实行交叉操作，以把两个父代个体的部分结构加以替换重组而生成两个新个体；
变异操作，将变异算子作用于群体，以对群体中的个体串的某些基因座上的基因值做变动；
复制操作，对部分群体实行复制操作，使群体P(t)得到下一代群体P(t+1)；
终止条件判断，若t＝T，则以进化过程中所得到的具有最大适应度个体作为震源精确位置输出，终止计算。
本发明第二方面提供了一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，使得所述处理器执行如下步骤：
获取多源数据，并对所述多源数据进行正则化处理；
对正则化处理后的数据进行短时傅里叶变换得到时频图像作为样本，对每个样本依据震源位置按照三维高斯分布生成标签数据，采用交叉验证法生成训练集与测试集；
基于训练集进行全卷积神经网络模型训练，基于测试集对训练的模型进行精度评价，得到训练好的模型；
将实时监测数据输入到训练好的模型中初步估算震源位置；
对初步估算的震源位置，采用动力学计算模型予以修正。
本发明第三方面提供了一种存储有计算机可读指令的存储介质，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行如下步骤：
获取多源数据，并对所述多源数据进行正则化处理；
对正则化处理后的数据进行短时傅里叶变换得到时频图像作为样本，对每个样本依据震源位置按照三维高斯分布生成标签数据，采用交叉验证法生成训练集与测试集；
基于训练集进行全卷积神经网络模型训练，基于测试集对训练的模型进行精度评价，得到训练好的模型；
将实时监测数据输入到训练好的模型中初步估算震源位置；
对初步估算的震源位置，采用动力学计算模型予以修正。
本申请的有益效果为：本申请提出的基于机器学习和动力学计算融合的地震定位方法与设备将机器学习和基于地震波传播理论的动力学计算相结合用于地震震源高精度定位，能够利用机器学习拟合地表变化和地层性质的不连续性，快速实现震源初步定位，然后使用可反映地震波传播物理机制的动力学计算能够进一步确定精确的震源位置。
附图说明
图1示出了本申请实施例1的方法流程示意图；
图2示出了本申请实施例2中采用的遗传算法流程示意图；
图3示出了本申请一实施例所提供的一种电子设备的结构示意图；
图4示出了本申请一实施例所提供的一种存储介质的示意图。
具体实施方式
以下，将参照附图来描述本申请的实施例。但是应该理解的是，这些描述只是示例性的，而并非要限制本申请的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本申请的概念。对于本领域技术人员来说显而易见的是，本申请可以无需一个或多个这些细节而得以实施。在其他的例子中，为了避免与本申请发生混淆，对于本领域公知的一些技术特征未进行描述。
应予以注意的是，这里所使用的术语仅是为了描述具体实施例，而非意图限制根据本申请的示例性实施例。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式。此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在所述特征、整体、步骤、操作、元件和/或组件，但不排除存在或附加一个或多个其他特征、整体、步骤、操作、元件、组件和/或它们的组合。
现在，将参照附图更详细地描述根据本申请的示例性实施例。然而，这些示例性实施例可以多种不同的形式来实施，并且不应当被解释为只限于这里所阐述的实施例。附图并非是按比例绘制的，其中为了清楚表达的目的，可能放大了某些细节，并且可能省略了某些细节。图中所示出的各种区域、层的形状以及它们之间的相对大小、位置关系仅是示例性的，实际中可能由于制造公差或技术限制而有所偏差，并且本领域技术人员根据实际所需可以另外设计具有不同形状、大小、相对位置的区域/层。
实施例1：
本实施例实施了一种基于机器学习和动力学计算融合的地震定位方法，如图1所示，包括以下步骤：
S1、获取多源数据，并对所述多源数据进行正则化处理；
S2、对正则化处理后的数据进行短时傅里叶变换得到时频图像作为样本，对每个样本依据震源位置按照三维高斯分布生成标签数据，采用交叉验证法生成训练集与测试集；
S3、基于训练集进行全卷积神经网络模型训练，基于测试集对训练的模型进行精度评价，得到训练好的模型；
S4、将实时监测数据输入到训练好的模型中初步估算震源位置；
S5、对初步估算的震源位置，采用动力学计算模型予以修正。
所述正则化处理后的数据为经度、纬度和深度三分方向数据，使用步长为3s的滑动时窗自首台P波到时前12s至首台P波到时后12s截取波形，截取40.96s共4096个采样点，对生成的每个台站的三分向记录分别进行短时傅里叶变换，其中窗函数γ(t)采用汉宁窗，窗宽取为1.28s共128个采样点，窗之间重叠的点数取为窗宽的一半。
进一步地，所述三维高斯分布生成标签数据的方法为：
Figure BDA0003062374930000081
其中，(x0，y0，z0)表示真实的地震震源位置，r表示三维高斯分布的半径参数，Rx，Ry，Rz表示区域的范围。
优选地，所述基于训练集进行全卷积神经网络模型训练包括：图像数据输入、数据规则化、卷积运算、激活、池化、全连接与Softmax分类操作，所述基于训练集进行全卷积神经网络模型训练在训练后还进行初始化权重以及偏置，通过反向传播算法得到优化模型，然后输出该模型。
优选地，所述动力学计算模型基于地理信息系统获得的地表、地形、地层和地质数据而建立，以反映地形起伏变化和地层地质。
进一步地，所述对初步估算的震源位置，采用动力学计算模型予以修正，具体包括：
以初步估算的震源位置为中心，选择附近区域经度与纬度方向各10km，深度方向20km划分长方体三维网格，经度、纬度、深度方向分别间隔1km、1km、2km共10*10*10＝1000个虚拟网格位置，作为修正震源备选位置；
分别以三维网格各子区域作为修正震源备选位置，采用动力学计算模型计算地震波模拟数据；
计算各观测站实时监测数据与所述地震波模拟数据之间的相关系数
Figure BDA0003062374930000091
其中，Xi为实时监测数据，Yi为地震波模拟数据，
Figure BDA0003062374930000092
实时监测数据的平均值，
Figure BDA0003062374930000093
为地震波模拟数据的平均值，i为步长；
通过网格搜索，寻找相关系数最大值，得到最优震源位置所在网格；
在最优震源位置所在网格内部，得到震源精确位置。
进一步地，所述在最优震源位置所在网格的内部，得到震源精确位置的方法为：
初始化，设置进化代数计数器t＝0，设置最大进化代数T，在最优震源位置所在网格内部，随机生成M个震源位置作为初始群体P(0)；
个体评价，依据观测台站数据与动力学模拟数据的相关系数，得到群体P(t)中各个个体的适应度；
选择操作，将选择算子作用于群体，以把优化的个体直接遗传到下一代或通过配对交叉产生新的个体再遗传到下一代；
交叉操作，对部分群体实行交叉操作，以把两个父代个体的部分结构加以替换重组而生成两个新个体；
变异操作，将变异算子作用于群体，以对群体中的个体串的某些基因座上的基因值做变动；
复制操作，对部分群体实行复制操作，使群体P(t)得到下一代群体P(t+1)；
终止条件判断，若t＝T，则以进化过程中所得到的具有最大适应度个体作为震源精确位置输出，终止计算。
实施例2：
本实施例实施了一种基于机器学习和动力学计算融合的地震定位方法，包括以下步骤：
获取多源数据，并对所述多源数据进行正则化处理；
对正则化处理后的数据进行短时傅里叶变换得到时频图像作为样本，对每个样本依据震源位置按照三维高斯分布生成标签数据，采用交叉验证法生成训练集与测试集；
基于训练集进行全卷积神经网络模型训练，基于测试集对训练的模型进行精度评价，得到训练好的模型；
将实时监测数据输入到训练好的模型中初步估算震源位置；
对初步估算的震源位置，采用动力学计算模型予以修正。
获取数据是从地震局、地震台站，包括区域中多次历史地震的震中附近区域台站的记录数据，震后的遥感图像等。所选台站在所选地震事件上的记录必须是完整有效的，且不存在断记现象，否则，将该事件剔除，或者将该台站剔除。
对获得的多源数据进行数据正则化处理，包括对多源异构的数据实现数据融合，通过数据清洗、规范化等操作将未加工数据转换成适合分析的形式。对于地震事件样本空间分布不均的问题，本实施方式采用简单地对地震事件较稀疏的区域内的地震数据进行复制，使不同区域的地震事件数较为均匀。对应研究区域观测台站数量较少的问题，本实施方式采用：通过考虑地形地质影响的动力学计算获得多个“虚拟”观测站记录数据作为补充，来进行机器学习；通过考虑地形地质影响的动力学计算获得多个“虚拟”地震的“虚拟”记录数据作为补充。
对经过以上处理后得到的每个事件，对各观测台站记录数据，使用步长为3s的滑动时窗自首台P波到时前12s至首台P波到时后12s截取波形，截取长度为4096个采样点(40.96s)。对生成的每个台站的三分向记录分别进行短时傅里叶变换。其中窗函数γ(t)采用汉宁窗，窗宽取为128个采样点(即1.28s)，窗之间重叠的点数取为窗宽的一半。对变换后的值，取模得到其幅值，生成时频图，作为卷积神经网络的输入数据。
对每个样本，按照三维高斯分布生成标签数据，三维高斯分布生成标签数据的方法为：
Figure BDA0003062374930000121
其中，(x0，y0，z0)表示真实的地震震源位置，r表示三维高斯分布的半径参数，Rx，Ry，Rz表示区域的范围。
对获得的所有地震事件划分为k个包含地震事件数相同的子集，选取k-1个子集作为训练集，剩余的1个子集作为测试集，来评价该模型的精度，测试对新地震事件的定位能力，然后以测试样本上的误差作为泛化误差的近似值。
基于训练集进行模型的训练，包括统一图片规格，将图像按照修改后的模型进行卷积操作、激活函数增加鲁棒性和池化操作，进行全连接层及Softmax分类；最后初始化设定权重以及偏置，通过反向传播算法得到最优化模型，然后输出模型。
将实时监测数据放入所得训练好的模型中，实现快速初步震源定位。
接下来以初步估算的震源位置为中心，选择附近区域经度与纬度方向各10km，深度方向20km划分长方体三维网格，经度、纬度、深度方向分别间隔1km、1km、2km共10*10*10＝1000个虚拟网格位置，作为修正震源备选位置，分别以三维网格各子区域作为修正震源备选位置，采用动力学计算模型计算地震波模拟数据；
计算各观测站实时监测数据与所述地震波模拟数据之间的相关系数
Figure BDA0003062374930000122
其中，Xi为实时监测数据，Yi为地震波模拟数据，
Figure BDA0003062374930000131
实时监测数据的平均值，
Figure BDA0003062374930000132
为地震波模拟数据的平均值，i为步长；
通过网格搜索，寻找相关系数最大值，得到最优震源位置所在网格；
在最优震源位置所在网格内部，得到震源精确位置。
优选地，所述在最优震源位置所在网格的内部，得到震源精确位置的方法采用遗传算法。如图2所示，GEN表示代数(Generation缩写)，作为最优震源位置所在网格，首先初始化GEN＝0，然后产生初代种群，接着判断是否满足停止准则，不满足停止准则就计算模拟数据与真实数据的相关系数即个体适应度。其中，i表示步长，其初始值为0，当做复制操作、交叉操作或变异操作时，i的值加1，当i的值等于M时，GEV的值加1，即为更新最优震源位置。
再如图2所示，当判断i＝M为否时，依概率选择遗传操作，选择两个个体执行杂交，i的值加1，再将两个个体插入到新的种群；同理当判断i＝M为否时，还可进行变异操作，选择一个个体执行变异，插入到新种群；同理当判断i＝M为否时，还可进行复制操作，选择一个个体执行复制，即复制到新种群。
可见上述遗传算法的过程包括如下几种操作：
初始化，设置进化代数计数器t＝0，设置最大进化代数T，在最优震源位置所在网格内部，随机生成M个震源位置作为初始群体P(0)；
个体评价，依据观测台站数据与动力学模拟数据的相关系数，得到群体中各个个体的适应度；
选择操作，将选择算子作用于群体，以把优化的个体直接遗传到下一代或通过配对交叉产生新的个体再遗传到下一代；
交叉操作，对部分群体实行交叉操作，以把两个父代个体的部分结构加以替换重组而生成两个新个体；
变异操作，将变异算子作用于群体，以对群体中的个体串的某些基因座上的基因值做变动；
复制操作，对部分群体实行复制操作，使群体P(t)得到下一代群体P(t+1)；
终止条件判断，若t＝T，则以进化过程中所得到的具有最大适应度个体作为震源精确位置输出，终止计算。
作为可变换的实施方式，在最优震源位置所在网格的内部，得到震源精确位置的方法也可采用其它算法实现，本实施例对此不做具体限定。
下面请参考图3，其示出了本申请的一些实施方式所提供的一种电子设备的示意图。如图3所示，所述电子设备2包括：处理器200，存储器201，总线202和通信接口203，所述处理器200、通信接口203和存储器201通过总线202连接；所述存储器201中存储有可在所述处理器200上运行的计算机程序，所述处理器200运行所述计算机程序时执行本申请前述任一实施方式所提供的基于机器学习和动力学计算融合的地震定位方法。
其中，存储器201可能包含高速随机存取存储器(RAM：Random Access Memory)，也可能还包括非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。通过至少一个通信接口203(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网、广域网、本地网、城域网等。
总线202可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。其中，存储器201用于存储程序，所述处理器200在接收到执行指令后，执行所述程序，前述本申请实施例任一实施方式揭示的所述基于机器学习和动力学计算融合的地震定位方法可以应用于处理器200中，或者由处理器200实现。
处理器200可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器200中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器200可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器201，处理器200读取存储器201中的信息，结合其硬件完成上述方法的步骤。
本申请实施例提供的电子设备与本申请实施例提供的基于机器学习和动力学计算融合的地震定位方法出于相同的发明构思，具有与其采用、运行或实现的方法相同的有益效果。
本申请实施方式还提供一种与前述实施方式所提供的基于机器学习和动力学计算融合的地震定位方法对应的计算机可读存储介质，请参考图4，其示出的计算机可读存储介质为光盘30，其上存储有计算机程序(即程序产品)，所述计算机程序在被处理器运行时，会执行前述任意实施方式所提供的基于机器学习和动力学计算融合的地震定位方法。
需要说明的是，所述计算机可读存储介质的例子还可以包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他光学、磁性存储介质，在此不再一一赘述。
本申请的上述实施例提供的计算机可读存储介质与本申请实施例提供的空分复用光网络中量子密钥分发信道分配方法出于相同的发明构思，具有与其存储的应用程序所采用、运行或实现的方法相同的有益效果。
需要说明的是：
在此提供的算法和显示不与任何特定计算机、虚拟装置或者其它设备有固有相关。各种通用装置也可以与基于在此的示教一起使用。根据上面的描述，构造这类装置所要求的结构是显而易见的。此外，本申请也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本申请的内容，并且上面对特定语言所做的描述是为了披露本申请的最佳实施方式。
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本申请的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
类似地，应当理解，为了精简本申请并帮助理解各个发明方面中的一个或多个，在上面对本申请的示例性实施例的描述中，本申请的各个特征有时被一起分组到单个实施例、图或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本申请要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本申请的单独实施例。
本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本申请的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本申请的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本申请实施例的虚拟机的创建装置中的一些或者全部部件的一些或者全部功能。本申请还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本申请的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
以上所述，仅为本申请较佳的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。

Claims (9)

1.一种基于机器学习和动力学计算融合的地震定位方法，其特征在于，包括以下步骤：
获取多源数据，并对所述多源数据进行正则化处理；
对正则化处理后的数据进行短时傅里叶变换得到时频图像作为样本，对每个样本依据震源位置按照三维高斯分布生成标签数据，采用交叉验证法生成训练集与测试集；
基于训练集进行全卷积神经网络模型训练，基于测试集对训练的模型进行精度评价，得到训练好的模型；
将实时监测数据输入到训练好的模型中初步估算震源位置；
对初步估算的震源位置，采用动力学计算模型予以修正；
其中，所述对初步估算的震源位置，采用动力学计算模型予以修正，具体包括：
以初步估算的震源位置为中心，选择附近区域几千米至几十千米范围内的经度、纬度和深度三分方向划分长方体三维网格，并设置1000个虚拟网格位置作为修正震源备选位置；
对所述修正震源备选位置，采用动力学计算模型计算地震波模拟数据；
计算各观测站实时监测数据与所述地震波模拟数据之间的相关系数
Figure FDA0003492548220000011
其中，Xi为实时监测数据，Yi为地震波模拟数据，
Figure FDA0003492548220000012
实时监测数据的平均值，
Figure FDA0003492548220000013
为地震波模拟数据的平均值，i为步长；
通过网格搜索，寻找相关系数最大值，得到最优震源位置所在网格；
在最优震源位置所在网格内部，得到震源精确位置。
2.根据权利要求1所述的基于机器学习和动力学计算融合的地震定位方法，其特征在于，所述正则化处理后的数据为经度、纬度和深度三分方向数据。
3.根据权利要求2所述的基于机器学习和动力学计算融合的地震定位方法，其特征在于，所述进行短时傅里叶变换包括：使用步长为3s的滑动时窗自首台P波到时前12s至首台P波到时后12s截取波形，截取40.96s共4096个采样点，对生成的每个台站的三分方向记录分别进行短时傅里叶变换，其中窗函数γ(t)采用汉宁窗，窗宽取为1.28s共128个采样点，窗之间重叠的点数取为窗宽的一半。
4.根据权利要求3所述的基于机器学习和动力学计算融合的地震定位方法，其特征在于，所述三维高斯分布生成标签数据的方法为：
Figure FDA0003492548220000021
其中，(x0，y0，z0)表示真实的地震震源位置，r表示三维高斯分布的半径参数，Rx，Ry，Rz表示区域的范围。
5.根据权利要求4所述的基于机器学习和动力学计算融合的地震定位方法，其特征在于，所述基于训练集进行全卷积神经网络模型训练包括：图像数据输入、数据规则化、卷积运算、激活、池化、全连接与Softmax分类操作，所述基于训练集进行全卷积神经网络模型训练在训练后还进行初始化权重以及偏置，通过反向传播算法得到优化模型，然后输出该模型。
6.根据权利要求5所述的基于机器学习和动力学计算融合的地震定位方法，其特征在于，所述动力学计算模型基于地理信息系统获得的地表、地形、地层和地质数据而建立，以反映地形起伏变化和地层地质。
7.根据权利要求1所述的基于机器学习和动力学计算融合的地震定位方法，其特征在于，所述在最优震源位置所在网格的内部，得到震源精确位置的方法为：
初始化，设置进化代数计数器t＝0，设置最大进化代数T，在最优震源位置所在网格内部，随机生成M个震源位置作为初始群体P(0)；
个体评价，依据观测台站数据与动力学模拟数据的相关系数，得到群体P(t)中各个个体的适应度；
选择操作，将选择算子作用于群体，以把优化的个体直接遗传到下一代或通过配对交叉产生新的个体再遗传到下一代；
交叉操作，对部分群体实行交叉操作，以把两个父代个体的部分结构加以替换重组而生成两个新个体；
变异操作，将变异算子作用于群体，以对群体中的个体串的某些基因座上的基因值做变动；
复制操作，对部分群体实行复制操作，使群体P(t)得到下一代群体P(t+1)；
终止条件判断，若t＝T，则以进化过程中所得到的具有最大适应度个体作为震源精确位置输出，终止计算。
8.一种计算机设备，包括存储器和处理器，其特征在于，所述存储器中存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，使得所述处理器执行如权利要求1至7中任一权利要求所述方法的步骤。
9.一种存储有计算机可读指令的存储介质，其特征在于，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行如权利要求1至7中任一权利要求所述方法的步骤。
CN202110516324.0A 2021-05-12 2021-05-12 基于机器学习和动力学计算融合的地震定位方法与设备 Active CN113341459B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110516324.0A CN113341459B (zh) 2021-05-12 2021-05-12 基于机器学习和动力学计算融合的地震定位方法与设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110516324.0A CN113341459B (zh) 2021-05-12 2021-05-12 基于机器学习和动力学计算融合的地震定位方法与设备

Publications (2)

Publication Number Publication Date
CN113341459A CN113341459A (zh) 2021-09-03
CN113341459B true CN113341459B (zh) 2022-04-12

Family

ID=77469304

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110516324.0A Active CN113341459B (zh) 2021-05-12 2021-05-12 基于机器学习和动力学计算融合的地震定位方法与设备

Country Status (1)

Country Link
CN (1) CN113341459B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114371504B (zh) * 2022-01-11 2022-09-02 西南交通大学 一种地震震中位置确定方法、装置、设备及可读存储介质
US20240027640A1 (en) * 2022-07-22 2024-01-25 Halliburton Energy Services, Inc. Machine learning guided subsurface formation microseismic imaging

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109917457A (zh) * 2019-04-10 2019-06-21 苏州浪潮智能科技有限公司 一种地震波初至点的拾取方法以及设备
CN110488351A (zh) * 2019-08-15 2019-11-22 东北大学 基于机器学习的地震波震动性质识别方法
CN110501742A (zh) * 2019-08-22 2019-11-26 东北大学 一种采用Boosting集成学习算法对地震事件进行区分的方法
CN111538076A (zh) * 2020-05-13 2020-08-14 浙江大学 基于深度学习特征融合的地震震级快速估算方法
CN111983676A (zh) * 2020-07-07 2020-11-24 东华理工大学 一种基于深度学习的地震监测方法及装置
GB202016734D0 (en) * 2020-03-23 2020-12-09 Landmark Graphics Corp Facilitating hydrocarbon exploration and extraction by applying a machine-learning model to seismic data
WO2021026545A1 (en) * 2019-08-06 2021-02-11 Exxonmobil Upstream Research Company Petrophysical inversion with machine learning-based geologic priors
CN112782762A (zh) * 2021-01-29 2021-05-11 东北大学 一种基于深度学习的地震震级判定方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104101902B (zh) * 2013-04-10 2016-10-26 中国石油天然气股份有限公司 地震属性聚类方法及装置
CN105467449B (zh) * 2014-09-04 2018-01-05 中国石油化工股份有限公司 基于地震分级敏感属性融合的深层薄互储层定量表征方法
CN104316341A (zh) * 2014-11-17 2015-01-28 金陵科技学院 一种基于bp神经网络的地下结构损伤识别方法
CN105223612B (zh) * 2015-06-10 2018-08-14 中国矿业大学 一种基于地震信息的煤矿水害预测评价方法
CN105651966A (zh) * 2016-01-18 2016-06-08 山东科技大学 一种页岩油气优质储层评价方法及参数确定方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109917457A (zh) * 2019-04-10 2019-06-21 苏州浪潮智能科技有限公司 一种地震波初至点的拾取方法以及设备
WO2021026545A1 (en) * 2019-08-06 2021-02-11 Exxonmobil Upstream Research Company Petrophysical inversion with machine learning-based geologic priors
CN110488351A (zh) * 2019-08-15 2019-11-22 东北大学 基于机器学习的地震波震动性质识别方法
CN110501742A (zh) * 2019-08-22 2019-11-26 东北大学 一种采用Boosting集成学习算法对地震事件进行区分的方法
GB202016734D0 (en) * 2020-03-23 2020-12-09 Landmark Graphics Corp Facilitating hydrocarbon exploration and extraction by applying a machine-learning model to seismic data
CN111538076A (zh) * 2020-05-13 2020-08-14 浙江大学 基于深度学习特征融合的地震震级快速估算方法
CN111983676A (zh) * 2020-07-07 2020-11-24 东华理工大学 一种基于深度学习的地震监测方法及装置
CN112782762A (zh) * 2021-01-29 2021-05-11 东北大学 一种基于深度学习的地震震级判定方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Convolutional Neural Network for Earthquake Detection and Location;petrol T等;《science advances》;20171231;第4卷(第2期);第1-8页 *
一种新地震定位方法研究;金星等;《地震工程与工程振动》;20070430;第27卷(第2期);第20-25页 *
全卷积神经网络地震定位方法研究;陈宇雄;《中国硕士学位论文全文数据库 基础科学辑》;20200325;全文 *

Also Published As

Publication number Publication date
CN113341459A (zh) 2021-09-03

Similar Documents

Publication Publication Date Title
CN113341459B (zh) 基于机器学习和动力学计算融合的地震定位方法与设备
Ebtehaj et al. Improving robustness of hydrologic parameter estimation by the use of moving block bootstrap resampling
Mao et al. Subsurface velocity inversion from deep learning-based data assimilation
KR101761707B1 (ko) 능동형 정보수집 스크립트 및 수치모형을 이용한 태풍해일 자동 예측 방법
US11676375B2 (en) System and process for integrative computational soil mapping
Alkayem et al. Damage diagnosis in 3D structures using a novel hybrid multiobjective optimization and FE model updating framework
Romano et al. Artificial neural network for tsunami forecasting
US20120154398A1 (en) Method of determining implicit hidden features of phenomena which can be represented by a point distribution in a space
CN116299665A (zh) Lstm面波反演方法、装置及介质
Liao et al. RED-PAN: Real-time earthquake detection and phase-picking with multitask attention network
González‐Abad et al. Using explainability to inform statistical downscaling based on deep learning beyond standard validation approaches
CN116776208B (zh) 地震波分类模型的训练方法、地震选波方法、设备及介质
CN117371303A (zh) 一种海浪下有效波高的预测方法
CN110126846A (zh) 驾驶场景的表示方法、装置、系统和存储介质
CN115826059A (zh) 一种瞬变电磁快速超前预测方法
CN111738407B (zh) 一种基于深度学习的钟差预测方法、装置、介质及终端
CN112668797B (zh) 一种长短期交通预测方法
CN112308206B (zh) 基于深度学习的大地电磁-地震波初至时联合反演方法
CN115147720A (zh) 基于坐标注意力和长短距上下文的sar舰船检测方法
Shi et al. Landslide risk assessment using granular fuzzy rule-based modeling: A case study on earthquake-triggered landslides
CN112766592A (zh) 夏季登陆中国台风数量预测方法、装置、设备及存储介质
Yoshikawa et al. A nonlinear parametric model based on a power law relationship for predicting the coastal tsunami height
CN115480306B (zh) 一种基于深度学习的隧道全波形反演优化方法及系统
de la Asunción Prediction of tsunami alert levels using deep learning
CN117708551B (zh) 基于双精度gdp数据展布的洪涝灾害影响评估方法和系统

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