CN114063153A - 一种自动反演震源机制解的方法与装置 - Google Patents
一种自动反演震源机制解的方法与装置 Download PDFInfo
- Publication number
- CN114063153A CN114063153A CN202111451136.0A CN202111451136A CN114063153A CN 114063153 A CN114063153 A CN 114063153A CN 202111451136 A CN202111451136 A CN 202111451136A CN 114063153 A CN114063153 A CN 114063153A
- Authority
- CN
- China
- Prior art keywords
- seismic
- wave
- theoretical
- initial motion
- arrival time
- 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
Links
- 230000007246 mechanism Effects 0.000 title claims abstract description 75
- 238000000034 method Methods 0.000 title claims abstract description 44
- 208000035126 Facies Diseases 0.000 claims abstract description 43
- 238000003062 neural network model Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 description 9
- 238000012544 monitoring process Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000035935 pregnancy Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/28—Processing seismic data, e.g. for interpretation or for event detection
- G01V1/282—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
- G01V1/01—Measuring or predicting earthquakes
Landscapes
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Remote Sensing (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)
Abstract
本发明提供了一种自动反演震源机制解的方法与装置，其中该方法为：根据地震目录和一维速度结构模型计算各台站的理论P波到时和理论S波到时；根据地震目录、理论P波到时和理论S波到时对待研究地震波形数据进行截取得到截取后的地震波形数据；利用震相识别模型和初动极性识别模型对截取后的地震波形数据进行震相信息提取得到震相类别和P波的初动极性；根据地震目录、震相类别和P波的初动极性对震源机制进行反演得到震源机制解。本发明通过利用震相识别模型和初动极性识别模型高效准确地获取P、S到时以及P波初动极性等信息，可以大幅降低反演震源机制的工作量，提升了震源机制解的反演速度。
Description
技术领域
本发明涉及地震信息处理技术领域，特别是涉及一种自动反演震源机制解的方法与装置。
背景技术
随着数字化网络项目的推进，我国已建立了1200多个地震台站，实现了全国数据实时传输和共享。在地震发生以后，可第一时间对实时监测的数据进行处理得到地震震源参数，在确定地震震源参数信息后，对于相关部门日常的地震监测、前震识别、应急决策、告警信息发布等相关操作具有十分重要的意义。地震震源参数除了耳熟能详的发震时刻、震源位置、震级以外，还包括震源机制解。震源机制解主要由断层走向、倾角、滑动角等节面解参数确定，准确快速的震源机制解对海啸预警、震源深度的确定、矩震级计算、断层方位确定以及监测断层活动都有极为重要的作用，也是进一步研究地震发震机理、孕震过程的必要前提。
目前，对于3.5级以上的地震，地震监测部门一般都会第一时间自动发布地震的发震时刻、震源位置、震级等信息，但在震源机制解的公布上一般都比较滞后，并且需要有经验的专家手动完成，这个过程视各单位自动化水平和人员的专业技术水平而定，一般需要数小时甚至数天不等。此外，在地震科学研究方面，也经常面临在已知地震目录(包括发震时刻、震源位置、震级等信息)和相关地震数据的前提下，需要自行反演震源机制，当需要处理的台站和事件数都比较多时，对研究人员是不小的负担。因此，实现高效、准确、自动化地反演地震震源机制是地震监测部门乃至地震科学研究的迫切需求。
发明内容
为了克服现有技术的不足，本发明的目的是提供一种自动反演震源机制解的方法与装置以解决震源机制解反演效率低的问题。
为实现上述目的，本发明提供了如下方案：
一种自动反演震源机制解的方法，包括：
获取待研究区域的地震目录和一维速度结构模型；
根据所述地震目录和所述一维速度结构模型计算各台站的理论P波到时和理论S波到时；
根据所述地震目录、所述理论P波到时和所述理论S波到时对待研究地震波形数据进行截取得到截取后的地震波形数据；
利用震相识别模型对所述截取后的地震波形数据进行震相拾取得到震相类别；所述震相类别包括P波震相和S波震相；
利用初动极性识别模型对所述截取后的地震波形数据的初动极性进行识别得到P波的初动极性；
根据所述地震目录、所述震相类别和所述P波的初动极性对震源机制进行反演得到震源机制解；所述震源机制解包括断层走向角、倾角和滑动角。
优选的，所述根据所述地震目录和所述一维速度结构模型计算各台站的理论P波到时和理论S波到时，包括：
采用公式：
计算射线参数的传播时间和震中距；其中，T(p)表示射线参数的传播时间，X(p)表示震中距，u(z)表示慢度，zp表示射线的拐点(turning point)的深度，η表示垂直慢度，p表示水平慢度；
根据所述射线参数的传播时间和所述震中距确定各台站的理论P波到时和理论S波到时。
优选的，所述震相识别模型是以所述截取后的地震波形为输入，以震相类别为输出进行训练得到的；其中，震相识别模型在训练过程中的损失函数为：
式中，Yi′为二值化编码的标签，i＝1,2,3分别表示噪音、P波和S波三个类别，n为波形采样点数，Yi为U型神经网络模型最后一层的softmax函数计算得到的概率值，zi为U型神经网络模型最后一层的输出张量，Y′ij为第j个样本属于类i的真实概率，Yij为第j个样本属于类i的预测概率值。
优选的，所述初动极性识别模型是以P波到时前后2s的地震垂直分量波形数据为输入，以P波初动的极性为输出进行训练得到的。
优选的，在根据所述地震目录、所述震相类别和所述P波的初动极性对震源机制进行反演得到震源机制解之后，还包括：
采用公式：
得到断层面法向矢量和断层面滑动方向；其中，
表示断层面法向矢量，
表示断层面滑动方向，φf表示断层走向角，δ表示倾角，λ表示滑动角；
根据所述断层面法向矢量和断层面滑动方向确定地震的断层几何形状。
本发明还提供了一种自动反演震源机制解的装置，包括：
地震数据获取模块，用于获取待研究区域的地震目录和一维速度结构模型；
理论到时计算模块，用于根据所述地震目录和所述一维速度结构模型计算各台站的理论P波到时和理论S波到时；
地震波形数据截取模块，用于根据所述地震目录、所述理论P波到时和所述理论S波到时对待研究地震波形数据进行截取得到截取后的地震波形数据；
震相拾取模块，用于利用震相识别模型对所述截取后的地震波形数据进行震相拾取得到震相类别；所述震相类别包括P波震相和S波震相；
初动极性识别模块，用于利用初动极性识别模型对所述截取后的地震波形数据的初动极性进行识别得到P波的初动极性；
震源机制解反演模块，用于根据所述地震目录、所述震相类别和所述P波的初动极性对震源机制进行反演得到震源机制解；所述震源机制解包括断层走向角、倾角和滑动角。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明提供了一种自动反演震源机制解的方法与装置，其中该方法为：根据地震目录和一维速度结构模型计算各台站的理论P波到时和理论S波到时；根据地震目录、理论P波到时和理论S波到时对待研究地震波形数据进行截取得到截取后的地震波形数据；利用震相识别模型对截取后的地震波形数据进行震相拾取得到震相类别；利用初动极性识别模型对截取后的地震波形数据的初动极性进行识别得到P波的初动极性；根据地震目录、震相类别和P波的初动极性对震源机制进行反演得到震源机制解。本发明通过利用震相识别模型和初动极性识别模型高效准确地获取P、S到时以及P波初动极性等信息，可以大幅降低反演震源机制的工作量，提升了震源机制解的反演速度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明提供的实施例中的一种自动反演震源机制解的方法流程图；
图2为本发明提供的实施例中的U型神经网络原理图；
图3为本发明提供的实施例中的smart motion神经网络原理图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
本申请的说明书和权利要求书及所述附图中的术语“第一”、“第二”、“第三”和“第四”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤、过程、方法等没有限定于已列出的步骤，而是可选地还包括没有列出的步骤，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤元。
本发明的目的是提供一种自动反演震源机制解的方法与装置以解决震源机制解反演效率低的问题。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
请参阅图1，一种自动反演震源机制解的方法，包括：
步骤1:获取待研究区域的地震目录和一维速度结构模型；
步骤2：根据所述地震目录和所述一维速度结构模型计算各台站的理论P波到时和理论S波到时；
在本发明中，根据地震射线理论，对一个速度仅为深度的函数的一维分层速度模型v(z)取倒数得到慢度为：
定义水平慢度为射线参数：
其中i(z)是射线与垂直方向的夹角。那么垂直慢度为：
地震射线理论认为，对于从地表震源发出的任意一条射线参数为p的射线，可计算出该射线所对应的走时和震中距，其公式为：
其中，T(p)表示射线参数的传播时间，X(p)表示震中距，u(z)表示慢度，zp表示射线的拐点(turning point)的深度，η表示垂直慢度，p表示水平慢度；
根据所述射线参数的传播时间和所述震中距确定各台站的理论P波到时和理论S波到时。
步骤3：根据所述地震目录、所述理论P波到时和所述理论S波到时对待研究地震波形数据进行截取得到截取后的地震波形数据；
步骤4：利用震相识别模型对所述截取后的地震波形数据进行震相拾取得到震相类别；所述震相类别包括P波震相和S波震相；
具体的，所述震相识别模型是以所述截取后的地震波形为输入，以震相类别为输出进行训练得到的；
请参阅图2，本发明的震相识别模型是基于U型神经网络构建的。U型网络的基本组件可分为增采样层和降采样层，其中降采样层由两个一维卷积层、一个池化层组成，中间会随机加入一些dropout层来防止过拟合；增采样层由一个转置卷积层、一个裁切层、一个卷积层组成，同样也可根据情况适当加入dropout层。网络输入为截取后的地震波形，其中，降采样层执行卷积和池化操作，用于提取震相的抽象特征，以解决震相定位问题，增采样层用于逐步恢复震相的细节特征，以解决震相分类的问题。最后通过激活函数计算P、S或噪音概率值，并与预设阈值比对即可确定该采样点的类别。
其中，震相识别模型在训练过程中的损失函数为：
式中，Yi′为二值化编码的标签，i＝1,2,3分别表示噪音、P波和S波三个类别，n为波形采样点数，Yi为U型神经网络模型最后一层的softmax函数计算得到的概率值，zi为U型神经网络模型最后一层的输出张量，Y′ij为第j个样本属于类i的真实概率，Yij为第j个样本属于类i的预测概率值。
步骤5：利用初动极性识别模型对所述截取后的地震波形数据的初动极性进行识别得到P波的初动极性；进一步的，所述初动极性识别模型是以P波到时前后2s的地震垂直分量波形数据为输入，以P波初动的极性为输出进行训练得到的。
请参阅图3，进一步的，本发明的初动极性识别模型是通过smart motion神经网络构建的。smart motion神经网络的网络输入为P波到时前后2s的地震垂直分量波形数据，其基本组件为5个依次相连的block，前两个block各包含2个一维卷积层，后3个block各包含3个一维卷积层，每个block的最后一个卷积层后面加上一个side layer层之后引出“侧输出”，一共得到5个尺度不同的“侧输出”，本发明将这些侧输出聚合成最终输出(Fuse)，最后通过sigmoid激活函数计算分类概率值，并与预设阈值比较确定P波初动的极性为“UP”、“Down”或是待定。
步骤6：根据所述地震目录、所述震相类别和所述P波的初动极性对震源机制进行反演得到震源机制解；所述震源机制解包括断层走向角、倾角和滑动角。
优选的，在根据所述地震目录、所述震相类别和所述P波的初动极性对震源机制进行反演得到震源机制解之后，还包括：利用震源机制解确定地震的断层几何形状。
由于不同震中距和方位角的台站记录的波形可用于研究地震的断层几何形状，而断层几何形状一般用断层面法向矢量和断层面滑动方向来描述，其与各个断层角的关系为：
其中，
表示断层面法向矢量，
表示断层面滑动方向，φf表示断层走向角，δ表示倾角，λ表示滑动角。
不难看出，只要知道了断层走向角，倾角，滑动角，便可以确定断层几何形状。现有技术中，有多种方法可以反演以上参数，其中最简单直接的是利用地震初至P波的极性，这是因为地震辐射的地震波分布取决于断层的几何形状，不同方向的台站记录到的P波初动极性是“向上”或是“向下”，可以反映这个方向上断层是处于压缩还是膨胀状态。将初动分为四个象限，即两个压缩象限两个膨胀象限，象限的分界面为断层面和与其垂直的辅助面，也称为节面，在这些节面上，初动会很小或为零。如果初动极性的方位分布均匀，就会比较容易找到节面。但光靠初动极性无法区分断层面和辅助面，可以结合其他地质和大地测量信息来综合判断，例如已知断层走向等情形。
本发明可利用HASH(Hardebeck&Shearer，BSSA2002，2003)方法来确定P波初动和S/P振幅比联合约束下的震源机制解，对于每个地震，都能搜索到一系列满足条件的震源机制。由于这一系列震源机制受到极性测量的不确定性和离源角(与速度模型有关)的影响，HASH相比之前方法的优势是建立了震源机制解质量评估体系，会综合考虑解相对模型不确定性的稳定性，用平均不匹配系数(average misfit)、均方根断层面不确定性(RMS faultplane uncertainty)、台站分布率(station distribution ratio)、概率(mechanismprobability)等指标全方位评估解的质量，找出可能性最大的，因此被广为采用。
本发明公开了一种自动反演震源机制解的方法，包括获取地震目录，利用所述地震目录，以及研究区域的一维速度结构模型，计算各台站理论P、S到时。根据地震目录和理论到时截取地震波形数据。利用U型神经网络模型对所述截取地震波形数据进行震相拾取得到震相类别；利用smart motion神经网络模型对所述P波的初动极性进行识别得到P波的初动极性。汇总P、S到时和极性信息，形成震相报告。利用HASH方法对所述震相报告自动反演震源机制解。与现有技术相比，本发明主要优点是更高效和自动化地批量利用地震目录和波形数据反演震源机制。对于科学研究和地震监测(例如余震序列)等需要大量反演中小地震震源机制的情形，往往在P波初动极性，地震目录等数据准备阶段就要耗费大量精力，而本发明由于引入了U型神经网络、smart motion神经网络等先进技术高效准确地获取P、S到时，P波初动极性等信息，因此可以大幅降低反演震源机制的数据准备的工作量。同时，本发明还提供了神经网络识别结果与HASH方法(Fortran程序)之间的python接口，使得震源机制的反演完全实现了自动化。
本发明还提供了一种自动反演震源机制解的装置，包括：
地震数据获取模块，用于获取待研究区域的地震目录和一维速度结构模型；
理论到时计算模块，用于根据所述地震目录和所述一维速度结构模型计算各台站的理论P波到时和理论S波到时；
地震波形数据截取模块，用于根据所述地震目录、所述理论P波到时和所述理论S波到时对待研究地震波形数据进行截取得到截取后的地震波形数据；
震相拾取模块，用于利用震相识别模型对所述截取后的地震波形数据进行震相拾取得到震相类别；所述震相类别包括P波震相和S波震相；
初动极性识别模块，用于利用初动极性识别模型对所述截取后的地震波形数据的初动极性进行识别得到P波的初动极性；
震源机制解反演模块，用于根据所述地震目录、所述震相类别和所述P波的初动极性对震源机制进行反演得到震源机制解；所述震源机制解包括断层走向角、倾角和滑动角。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明通过利用震相识别模型和初动极性识别模型高效准确地获取P、S到时以及P波初动极性等信息，可以大幅降低反演震源机制的工作量，提升了震源机制解的反演速度。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的方法而言，由于其与实施例公开的装置相对应，所以描述的比较简单，相关之处参见装置部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。
Claims (6)
1.一种自动反演震源机制解的方法，其特征在于，包括：
获取待研究区域的地震目录和一维速度结构模型；
根据所述地震目录和所述一维速度结构模型计算各台站的理论P波到时和理论S波到时；
根据所述地震目录、所述理论P波到时和所述理论S波到时对待研究地震波形数据进行截取得到截取后的地震波形数据；
利用震相识别模型对所述截取后的地震波形数据进行震相拾取得到震相类别；所述震相类别包括P波震相和S波震相；
利用初动极性识别模型对所述截取后的地震波形数据的初动极性进行识别得到P波的初动极性；
根据所述地震目录、所述震相类别和所述P波的初动极性对震源机制进行反演得到震源机制解；所述震源机制解包括断层走向角、倾角和滑动角。
2.根据权利要求1所述的一种自动反演震源机制解的方法，其特征在于，所述根据所述地震目录和所述一维速度结构模型计算各台站的理论P波到时和理论S波到时，包括：
采用公式：
计算射线参数的传播时间和震中距；其中，T(p)表示射线参数的传播时间，X(p)表示震中距，u(z)表示慢度，zp表示射线的拐点(turning point)的深度，η表示垂直慢度，p表示水平慢度；
根据所述射线参数的传播时间和所述震中距确定各台站的理论P波到时和理论S波到时。
3.根据权利要求1所述的一种自动反演震源机制解的方法，其特征在于，所述震相识别模型是以所述截取后的地震波形为输入，以震相类别为输出进行训练得到的；其中，震相识别模型在训练过程中的损失函数为：
式中，Y′i为二值化编码的标签，i＝1,2,3分别表示噪音、P波和S波三个类别，n为波形采样点数，Yi为U型神经网络模型最后一层的softmax函数计算得到的概率值，zi为U型神经网络模型最后一层的输出张量，Y′ij为第j个样本属于类i的真实概率，Yij为第j个样本属于类i的预测概率值。
4.根据权利要求1所述的一种自动反演震源机制解的方法，其特征在于，所述初动极性识别模型是以P波到时前后2s的地震垂直分量波形数据为输入，以P波初动的极性为输出进行训练得到的。
5.根据权利要求1所述的一种自动反演震源机制解的方法，其特征在于，在根据所述地震目录、所述震相类别和所述P波的初动极性对震源机制进行反演得到震源机制解之后，还包括：
采用公式：
得到断层面法向矢量和断层面滑动方向；其中，
表示断层面法向矢量，
表示断层面滑动方向，φf表示断层走向角，δ表示倾角，λ表示滑动角；
根据所述断层面法向矢量和断层面滑动方向确定地震的断层几何形状。
6.一种自动反演震源机制解的装置，其特征在于，包括：
地震数据获取模块，用于获取待研究区域的地震目录和一维速度结构模型；
理论到时计算模块，用于根据所述地震目录和所述一维速度结构模型计算各台站的理论P波到时和理论S波到时；
地震波形数据截取模块，用于根据所述地震目录、所述理论P波到时和所述理论S波到时对待研究地震波形数据进行截取得到截取后的地震波形数据；
震相拾取模块，用于利用震相识别模型对所述截取后的地震波形数据进行震相拾取得到震相类别；所述震相类别包括P波震相和S波震相；
初动极性识别模块，用于利用初动极性识别模型对所述截取后的地震波形数据的初动极性进行识别得到P波的初动极性；
震源机制解反演模块，用于根据所述地震目录、所述震相类别和所述P波的初动极性对震源机制进行反演得到震源机制解；所述震源机制解包括断层走向角、倾角和滑动角。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111451136.0A CN114063153B (zh) | 2021-12-01 | 2021-12-01 | 一种自动反演震源机制解的方法与装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111451136.0A CN114063153B (zh) | 2021-12-01 | 2021-12-01 | 一种自动反演震源机制解的方法与装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114063153A true CN114063153A (zh) | 2022-02-18 |
| CN114063153B CN114063153B (zh) | 2022-06-10 |
Family
ID=80228366
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111451136.0A Active CN114063153B (zh) | 2021-12-01 | 2021-12-01 | 一种自动反演震源机制解的方法与装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114063153B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114994754A (zh) * | 2022-05-18 | 2022-09-02 | 成都理工大学 | 基于直达波和深度震相初动极性的震源机制联合反演方法 |
| CN115184995A (zh) * | 2022-06-23 | 2022-10-14 | 中国地震局地震预测研究所 | 一种基于测震数据确定走滑型地震发震断层方向的方法 |
| CN115373029A (zh) * | 2022-10-25 | 2022-11-22 | 中国科学院地质与地球物理研究所 | 基于深度学习的实时微地震震源机制计算方法及系统 |
| CN115390134A (zh) * | 2022-07-26 | 2022-11-25 | 中国地震局工程力学研究所 | 基于断层物理模型和脉冲函数的跨断层桥梁空间变异性输入地震动模拟方法 |
| CN116879950A (zh) * | 2023-07-12 | 2023-10-13 | 成都理工大学 | 基于直达波和sPL初动极性与振幅比的震源机制反演方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| FR2854468A1 (fr) * | 2003-04-29 | 2004-11-05 | Inst Francais Du Petrole | Methode pour determiner un modele de vitesse d'ondes sismiques dans une formation souterrraine heterogene |
| CN107843924A (zh) * | 2016-09-21 | 2018-03-27 | 中国石油化工股份有限公司 | 利用p波初动约束的震源定位与震源机制联合反演方法 |
| CN107843921A (zh) * | 2017-11-03 | 2018-03-27 | 中国石油集团川庆钻探工程有限公司地球物理勘探公司 | 一种微地震震源机制反演方法 |
| CN107918157A (zh) * | 2016-10-08 | 2018-04-17 | 中国石油化工股份有限公司 | 三分量p波初动震源机制反演方法及装置 |
| CN111723329A (zh) * | 2020-06-19 | 2020-09-29 | 南京大学 | 一种基于全卷积神经网络的震相特征识别波形反演方法 |
| CN112213768A (zh) * | 2020-09-25 | 2021-01-12 | 南方科技大学 | 一种联合震源机制反演的地面微地震定位方法及系统 |
-
2021
- 2021-12-01 CN CN202111451136.0A patent/CN114063153B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| FR2854468A1 (fr) * | 2003-04-29 | 2004-11-05 | Inst Francais Du Petrole | Methode pour determiner un modele de vitesse d'ondes sismiques dans une formation souterrraine heterogene |
| CN107843924A (zh) * | 2016-09-21 | 2018-03-27 | 中国石油化工股份有限公司 | 利用p波初动约束的震源定位与震源机制联合反演方法 |
| CN107918157A (zh) * | 2016-10-08 | 2018-04-17 | 中国石油化工股份有限公司 | 三分量p波初动震源机制反演方法及装置 |
| CN107843921A (zh) * | 2017-11-03 | 2018-03-27 | 中国石油集团川庆钻探工程有限公司地球物理勘探公司 | 一种微地震震源机制反演方法 |
| CN111723329A (zh) * | 2020-06-19 | 2020-09-29 | 南京大学 | 一种基于全卷积神经网络的震相特征识别波形反演方法 |
| CN112213768A (zh) * | 2020-09-25 | 2021-01-12 | 南方科技大学 | 一种联合震源机制反演的地面微地震定位方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| Z.E.ROSS 等: "利用深度学习进行P波到时拾取和初动极性判定", 《世界地震译丛》 * |
| 祁玉萍 等: "地震震源机制波形自动反演系统的研究现状与展望", 《地震》 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114994754A (zh) * | 2022-05-18 | 2022-09-02 | 成都理工大学 | 基于直达波和深度震相初动极性的震源机制联合反演方法 |
| CN115184995A (zh) * | 2022-06-23 | 2022-10-14 | 中国地震局地震预测研究所 | 一种基于测震数据确定走滑型地震发震断层方向的方法 |
| CN115184995B (zh) * | 2022-06-23 | 2024-04-19 | 中国地震局地震预测研究所 | 一种基于测震数据确定走滑型地震发震断层方向的方法 |
| CN115390134A (zh) * | 2022-07-26 | 2022-11-25 | 中国地震局工程力学研究所 | 基于断层物理模型和脉冲函数的跨断层桥梁空间变异性输入地震动模拟方法 |
| CN115373029A (zh) * | 2022-10-25 | 2022-11-22 | 中国科学院地质与地球物理研究所 | 基于深度学习的实时微地震震源机制计算方法及系统 |
| CN115373029B (zh) * | 2022-10-25 | 2023-01-31 | 中国科学院地质与地球物理研究所 | 基于深度学习的实时微地震震源机制计算方法及系统 |
| CN116879950A (zh) * | 2023-07-12 | 2023-10-13 | 成都理工大学 | 基于直达波和sPL初动极性与振幅比的震源机制反演方法 |
| CN116879950B (zh) * | 2023-07-12 | 2024-03-08 | 成都理工大学 | 基于直达波和sPL初动极性与振幅比的震源机制反演方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114063153B (zh) | 2022-06-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114063153B (zh) | 一种自动反演震源机制解的方法与装置 | |
| Mousavi et al. | STanford EArthquake Dataset (STEAD): A global data set of seismic signals for AI | |
| CN109085641B (zh) | 用于地震预报的监测数据处理方法、地震预报方法和系统 | |
| CN114152980B (zh) | 一种快速自动化产出震源机制解的方法与装置 | |
| Fauvel et al. | A distributed multi-sensor machine learning approach to earthquake early warning | |
| EP2669814A1 (en) | Method and system for obtaining earthquake parameter estimates, and earthquake search engine | |
| CN113936142A (zh) | 一种基于深度学习的降水临近预报方法及装置 | |
| Yanwei et al. | Deep learning for P-wave arrival picking in earthquake early warning | |
| CN114049545B (zh) | 一种基于点云体素的台风定强方法、系统、设备及介质 | |
| Shi et al. | MALMI: An automated earthquake detection and location workflow based on machine learning and waveform migration | |
| Wu et al. | ePAD: Earthquake probability‐based automated decision‐making framework for earthquake early warning | |
| CN110632662A (zh) | 一种利用DCNN-Inception网络自动识别微地震信号的算法 | |
| Crowell et al. | Hypothetical real‐time GNSS modeling of the 2016 M w 7.8 Kaikōura earthquake: Perspectives from ground motion and tsunami inundation prediction | |
| CN105044775B (zh) | 一种地震流体反演识别方法和装置 | |
| CN114509811B (zh) | 一种基于深度学习的单台站后方位角估计方法与装置 | |
| CN112782762A (zh) | 一种基于深度学习的地震震级判定方法 | |
| Zhu et al. | Support Vector Machine‐Based Rapid Magnitude Estimation Using Transfer Learning for the Sichuan–Yunnan Region, China | |
| CN113985479A (zh) | 一种基于边缘计算的地震信息处理方法与装置 | |
| Yoon et al. | Unsupervised large‐scale search for similar earthquake signals | |
| CN116594057B (zh) | 一种基于深度学习和边缘计算的地震预警方法与装置 | |
| CN115826042B (zh) | 一种边云端结合的分布式地震数据处理方法与装置 | |
| CN111175816B (zh) | 油藏改造实时构建微地震裂缝网络的方法及装置 | |
| CN112380198B (zh) | 一种基于深度学习的地震接收函数自动挑选方法 | |
| Anggraini et al. | Earthquake detection and location for Earthquake Early Warning Using Deep Learning | |
| CN113516160A (zh) | 一种基于支持向量机的输电杆塔姿态的预测方法及系统 |
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 |