CN114841210A - 一种基于深度学习的微震多时窗智能p波到时拾取方法 - Google Patents
一种基于深度学习的微震多时窗智能p波到时拾取方法 Download PDFInfo
- Publication number
- CN114841210A CN114841210A CN202210526595.9A CN202210526595A CN114841210A CN 114841210 A CN114841210 A CN 114841210A CN 202210526595 A CN202210526595 A CN 202210526595A CN 114841210 A CN114841210 A CN 114841210A
- Authority
- CN
- China
- Prior art keywords
- model
- time
- time window
- arrival time
- waveform
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
- G06F2218/16—Classification; Matching by matching signal segments
- G06F2218/18—Classification; Matching by matching signal segments by plotting the signal segments against each other, e.g. analysing scattergrams
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
- G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Signal Processing (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
一种基于深度学习的微震多时窗智能P波到时拾取方法,步骤为:1)采集用于模型训练与测试的数据集,并根据到时标签将微震波形分为不同种类的微时窗;2)搭建CGAS的P波到时拾取深度学习模型,并对该模型进行训练;3)使用测试集对模型进行测试评估;4)使用CGAS模型对波形进行P波到时拾取;5)当多个台站监测到微震事件后,使用CGAS模型对多个台站监测到的震动波形数据进行多时窗的P波到时拾取;6)记录微震事件和各台站的到时信息。本发明通过上述方法,解决了现有技术中存在的拾取精度低、微震事件漏检或误检等问题,提供了一种高鲁棒、高精度的微震多时窗智能P波到时拾取方法。
Description
技术领域
本发明属于煤矿开采微震监测领域,尤其涉及一种基于深度学习的微震多时窗智能P波到时拾取方法。
背景技术
微震是伴随采矿活动而发生的一种岩体破裂现象,大能量微震事件或冲击地压发生时,井下大范围释放能量,严重时引起井下巷道和支护设备破坏,地面震动、塌陷,建筑物损毁,是采矿活动中面临的重要安全问题之一,也是阻碍煤炭行业安全发展的重要因素之一。微震事件可通过在地面和井下布置多个微震监测台站,当采掘活动造成煤柱压溃、顶板断裂或断层错动时产生震动波向远处传播,传播至微震监测台站被记录下来,通过监测数据即可对微震发生的时间、位置和能量进行监测,进而为煤矿安全生产提供重要的数据支撑。
微震事件的识别和到时拾取是微震定位的关键环节之一,准确拾取微震事件到时时刻对微震事件的识别以及震源的定位具有重要的意义。研究表明微震信号能量弱、信噪比低,传统长短时窗法(STA/LTA法)或其改进等方法自动识别和提取微震事件的方法准确率不高,导致煤矿等微震监测大多仍依靠人工或专家判断,造成微震事件实时监测工作效率低,限制了微震事件的识别和提取,常规单台站或多台站微震数据处理方法容易出现漏检或误检情况,难以为煤矿安全生产提供有效的基础数据。
发明内容
本发明所要解决的技术问题在于提出一种基于深度学习的微震多时窗智能P波到时拾取方法,解决微震能量弱、信噪比低,导致微震事件到时拾取精度低、微震事件漏检或误检等问题,为煤矿微震事件的智能识别和到时拾取提供了一种高效和高精度方法,替代传统长短时窗的P波到时拾取方法。
为了实现上述目的,本发明创造采用的技术方案为:一种基于深度学习的微震多时窗智能P波到时拾取方法,其步骤为:
1)采集用于模型训练与测试的数据集,采用多时窗微震信号到时拾取方法,依据时窗滑过P波到时的不同状态,将微震波形分为不同种类的微时窗。
具体划分方式为:
时间窗口长度为n秒钟,根据台站的采样频率设置采样点数量,将训练集划分成5类序列时窗,时窗数据按照步长向前滑动,设手动拾取的P波到时位置为w,时窗中点位置为m;若m∈[n/2,w-n/2],则该时窗为第1类时窗;若m∈[w-n/2,w-1],则该时窗为第2类时窗;若m∈[w-1,w+1]则该时窗为第3类时窗;若m∈[w+1,w+n/2],则该时窗为第4类时窗;若m∈[w+n/2,l],则该时窗为第5类时窗,其中l为波形震动部分长度。第3类时窗的中点位置即为要获取的P波到时。
2)搭建CGAS的P波到时拾取模型,对该模型进行训练:
2.1)搭建CGAS的P波到时拾取模型,该模型的层次结构主要包括卷积神经网络CNN、压缩函数Squash、注意力机制Attention、门控单元GRU、等相关网络结构,首先采用4层CNN对波形进行特征提取,每层CNN包括不同大小数量的卷积核、批量标准化层BN、最大池化层MaxPooling、Squash函数、Relu激活函数,其中Squash函数如公式(1)所示:
式中j为卷积核编号,Sj为第j维卷积层的输出,vj为卷积层经过压缩后CNN层的输入;之后通过Squash函数对一组不同的卷积核进行压缩,在系统模型结构当中,通过不同的卷积核形成胶囊层,再进行压缩;
经过4层CNN之后,对输出结果进行三次并行的全连接操作,三个全连接的输出结果分别作为参数K,Q,V输入到Attention机制当中,Attention对系统模型中的波形震动特征进行提取;该机制通过Softmax对不同的特征值进行归一化,对这些特征值赋予不同的参数以提高关键特征在波形分类中的作用占比,Attention机制公式如公式(2)所示
式中Q,K,V分别为输入数据的维度,由于系统当中的网络模型使用的是Self-Attention机制所以Q,K,V是同一输入输入数据经过不同的全连接操作得到的;
Attention层结构的输出通过GRU层从而获得波形的时间序列特征,最后经过全连接层并通过SoftMax函数对时窗的结果进行分类;
2.2)设置模型的迭代次数为i,批处理数量为b,迭代次数由数据集大小决定,批处理数量由处理器内存决定;
2.3)设置模型的损失函数、设置模型优化器以及学习率,模型的损失函数采用交叉熵损失函数,模型优化器采用Adam优化器,学习率为e;
2.4)将训练集数据输入到模型当中进行训练;
3)使用测试集对模型进行测试评估;若CGAS模型通过测试,则对模型以及相关参数保存下来,进行步骤4);若CGAS模型未通过测试,重复步骤2.2)、步骤2.3)、步骤2.4);
具体评估方法如下:
采用准确率、精确率、召回率以及F1分数模型指标对模型进行评估,当模型的准确率、精确率、召回率以及F1分数低于设置的阈值则判断为不合格的模型,准确率和召回率以及F1分数的具体公式如下:
其中TP为检测正确波形的次数,FP为将错误波形检测为正确的次数,FN为正确波形漏选的次数。
4)使用CGAS模型对波形进行P波到时拾取。
拾取方法为:首先使用CGAS模型对波形数据按照设置的步长进行滑动分类,按照顺序进行划分,分出5类时窗类别,每类时窗分别表示该时窗中点与P波到时的距离关系;使用该分类方式,一个波形上会出现多个第3类时窗,选取第3类时窗概率最高的时窗中点位置作为该波形的P波到时。
5)当多个台站监测到微震事件后,使用CGAS模型对多个台站监测到的震动波形数据进行多时窗的滑动分类。
具体为:若某一时窗判断为第3类时窗,则将该时窗的中点位置视为该波形的P波到时,若低于5个台站拾取到P波到时则不认为该事件为微震事件,重新对震动信号进行实时监测,若大于5个台站,则用CGAS模型对事件信息的P波到时进行拾取并保存。
6)记录微震事件和各台站的到时信息。
本发明创造的有益效果:本发明提出的基于深度学习的微震多时窗P波到时拾取方法,搭建了采用5类时窗的CGAS P波到时拾取模型,对大量微震事件波形数据进行学习,克服了传统单台站或多台站微震数据处理方法容易出现漏检或误检难题,解决了因微震能量弱、信噪比低导致微震事件到时拾取精度低问题,该方法替代了传统人工到时拾取方法,微震到时拾取效率和智能化程度高。
本发明方法采用一系列现场监测数据验证了基于深度学习的微震多时窗P波到时拾取方法的准确性和可靠性。
附图说明
图1为数据集时间窗口分类图。
图2模型训练的整体流程图。
图3为P波到时概率图。
图4为模型在多台站监测数据中应用流程图。
图5为CGAS模型结构图。
图6为分类结果混淆矩阵图。
图7为拾取误差直方图。
图8为P波到时拾取结果图。
具体实施方式
下面将结合本发明创造实施例中的附图,对本发明创造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创造一部分实施例,而不是全部的实施例。
一种基于深度学习的微震多时窗智能P波到时拾取方法,其步骤为:
1)采集用于模型训练与测试的数据集,数据集主要包括训练集、测试集和验证集合,不同于传统的长短时窗P波到时拾取模型,提出采用多时窗微震信号到时拾取方法,将微震波形分为不同种类的微时窗,时窗的分类依据为时窗滑过P波到时的不同状态,具体划分方式为,时间窗口长度为n秒钟,根据台站的采样频率设置采样点数量。提出将训练集划分成5类序列时窗,时窗数据按照步长向前滑动,设手动拾取的P波到时位置为w,时窗中点位置为m,若m∈[n/2,w-n/2],则该时窗为第1类时窗,若m∈[w-n/2,w-1],则该时窗为第2类时窗,若m∈[w-1,w+1]则该时窗为第3类时窗,若m∈[w+1,w+n/2],则该时窗为第4类时窗,若m∈[w+n/2,l],则该时窗为第5类时窗,其中l为波形震动部分长度。数据集时间窗口分类图如图1所示,由图1可以看出第3类时窗的中点位置即为要获取的P波到时。
2)搭建深度学习多时窗P波到时拾取模型,并对该模型进行训练。
2.1)搭建深度学习多时窗P波到时拾取模型,该模型的层次结构包括卷积神经网络CNN、压缩函数(Squash)、注意力机制Attention、门控单元GRU、全连接FC相关网络结构,简称为CGAS到时拾取模型,该模型首先采用4层CNN对波形进行特征提取,每层CNN包括不同大小数量的卷积核、批量标准化层BN、最大池化层MaxPooling、Squash函数、Relu激活函数,其中Squash函数如公式(1)所示。
式中j为卷积核编号,Sj为第j维卷积层的输出,vj为卷积层经过压缩后CNN层的输入,由于使用了压缩函数,压缩函数的核心在于使用多个胶囊代替一个卷积核拾取波形的特征信息,拾取的特征信息更加准确。之后通过Squash函数对一组不同的卷积核进行压缩,在系统模型结构当中,通过不同的卷积核形成胶囊层,再进行压缩,对时间窗口中的数据有很好的归一化作用。
经过4层CNN之后,可以对输出结果进行三次并行的全连接操作,三个全连接的输出结果分别作为参数K,Q,V输入到Attention机制当中,Attention对系统模型中的波形震动特征进行提取,Attention机制未使用任何卷积神经网络和循环神经网络,所以复杂度较低,参数较少,对算力要求也就更小。该机制通过Softmax对不同的特征值进行归一化,对这些特征值赋予不同的参数以提高关键特征在波形分类中的作用占比,Attention机制公式如公式(2)所示
式中Q,K,V分别为输入数据的维度,由于系统当中的网络模型使用的是Self-Attention机制所以Q,K,V是同一输入输入数据经过不同的全连接操作得到的。
Attention层结构的输出可以通过GRU层从而获得波形的时间序列特征,最后经过全连接层并通过SoftMax函数对时窗的结果进行分类。
2.2)设置模型的迭代次数为i,批处理数量为b,迭代次数由数据集大小决定,批处理数量由处理器内存决定。
2.3)设置模型的损失函数、设置模型优化器以及学习率,模型的损失函数采用交叉熵损失函数,模型优化器采用Adam优化器,学习率为e。
2.4)将训练集数据输入到模型当中进行训练。
3)使用测试集对模型进行测试评估。采用准确率、精确率、召回率以及F1分数等模型指标对模型进行评估,当模型的准确率、精确率、召回率以及F1分数低于设置的阈值则判断为不合格的模型,重复步骤2.2)、步骤2.3)、步骤2.4),准确率和召回率以及F1分数的具体公式如下:
其中TP为检测正确波形的次数,FP为将错误波形检测为正确的次数,FN为正确波形漏选的次数,模型训练的整体流程如图2所示。若CGAS模型通过测试,则对模型以及相关参数保存下来,并执行步骤5)。
4)使用CGAS模型对波形进行P波到时拾取,首先使用CGAS模型对波形数据按照一定步长进行滑动分类,根据波形状态依次按序出现每一类时窗,每类时窗分别表示该时窗中点与P波到时的距离关系,共分出5类时窗类别,其中第3类时窗的中点即为P波到时。选取所有类别的时窗中,第3类时窗概率最高的时窗中点位置作为该波形的P波到时,P波到时概率如图3所示。
5)当多个台站监测到微震事件后,使用CGAS模型对多个台站监测到的震动波形数据进行多时窗的滑动分类,若某一时窗判断为第3类时窗,则将该时窗的中点位置是为该波形的P波到时,若低于5个台站拾取到P波到时则不认为该事件为微震事件,重新对震动信号进行实时监测,若大于5个台站拾取到P波到时则将保留拾取的P波到时,模型在多台站监测数据中应用流程图如图4所示。
6)记录微震事件和各台站的到时信息。
具体应用例:
采用某矿的数据集进行训练与测试,该矿区的采集深度以及达到1000m,且多次发生过微震事件,为此针对该矿的数据进行P波到时拾取,震动波型由布置在矿区微震检测台网中的台站设备获取到,台站设备由8个三分量微震检测台站组成,该微震检测台网东西方向跨度约为6000m,南北方向跨度约为4000m,垂直方向跨度约为1000m,时间为(2019年12月至2020年12月,跨度一年。
步骤1:首先采集该矿区的历史震动信息,该系统台站的原始采样频率为5000Hz,通过人工拾取的方式选出1140个震动波形,每个震动波形均为人工拾取P波到时。对每个波形进行时窗分类和数据增强,增强后的数据集共有57000条数据,其中51300条数据作为训练集,5400条数据作为测试集,300条数据作为验证集,数据集每类时间窗口的数量相同。对P波到时拾取方法进行评估。
步骤2:搭建CGAS的P波到时拾取模型,该模型的主要层次结构主要包括卷积神经网络CNN、压缩函数Squash、注意力机制Attention、门控单元GRU、全连接FC等相关网络结构,详细的CGAS模型结构如图5所示,CGAS模型相关参数详情如表1所示。
表1模型参数表
步骤3:设置模型运行环境与参数
该模型评估实验在Tensorflow 2.7.0、Python 3.7.6中实现,运行在AMD Ryzen 75800H with Radeon Graphics@3201MHz 16G RAM、NVIDIA GeForce RTX 3060 Laptop GPU6GB设备上。对模型的相关参数进行设置,其中模型的迭代次数为100,批处理数量为96,优化器学习率为0.001。
步骤4:对模型相关参数进行评估,将模型的准确率、精确率、召回率以及F1分数的阈值均设置为95%,若模型的参数低于该阈值则认为模型不符合要求。而CGAS模型的指标如表2所示。
表2深度学习模型指标
由表2可以看出从模型指标上CGAS模型的满足分类要求,针对300条验证集使用CGAS计算分类结果混淆矩阵,结果如图6所示。由图6可以看出当使用CGAS模型时,300条验证集数据当中只有一条第2类数据和一条第3类数据发生了识别错误,分类的准确率较高。
为了验证CGAS模型的小时窗在长波形的滑动分类情况,针对300条长波形数据进行到时拾取,P波到时拾取误差直方图如图7所示。
对图7中数据进行统计,算法的拾取精度绝对值小于0.001s的概率为46.33%,算法的拾取精度绝对值大于0.001s小于0.002s的概率为50.00%,算法拾取精度大于0.002s小于0.01s的概率为3.67%,P波到时成功拾取的概率为96.33%,可以判定该模型符合要求,可以使用。
步骤5:保留模型
步骤6:使用该模型对某矿2019年12月的一次事件进行监测,该事件共有8个台站进行监测,台站采集频率为5000Hz,震动波形约为6s~8s,CGAS模型当中时窗长度设置为1s即5000个采样点,滑动步长为5个采样点,使用CGAS模型对8个台站拾取到的震动波形进行拾取,P波到时拾取结果如图8所示,由8图可以看出8个台站的波形均成功获取P波到时,可以将该事件的P波到时进行记录。
Claims (5)
1.一种基于深度学习的微震多时窗智能P波到时拾取方法,其特征在于,其步骤为:
1)采集用于模型训练与测试的数据集,采用多时窗微震信号到时拾取方法,依据时窗滑过P波到时的不同状态,将微震波形分为不同种类的微时窗;
2)搭建CGAS的P波到时拾取模型,对该模型进行训练:
2.1)搭建CGAS的P波到时拾取模型,该模型的层次结构主要包括卷积神经网络CNN、压缩函数Squash、注意力机制Attention、门控单元GRU、等相关网络结构,首先采用4层CNN对波形进行特征提取,每层CNN包括不同大小数量的卷积核、批量标准化层BN、最大池化层MaxPooling、Squash函数、Relu激活函数,其中Squash函数如公式(1)所示。
式中j为卷积核编号,Sj为第j维卷积层的输出,vj为卷积层经过压缩后CNN层的输入;之后通过Squash函数对一组不同的卷积核进行压缩,在系统模型结构当中,通过不同的卷积核形成胶囊层,再进行压缩。
经过4层CNN之后,对输出结果进行三次并行的全连接操作,三个全连接的输出结果分别作为参数K,Q,V输入到Attention机制当中,Attention对系统模型中的波形震动特征进行提取;该机制通过Softmax对不同的特征值进行归一化,对这些特征值赋予不同的参数以提高关键特征在波形分类中的作用占比,Attention机制公式如公式(2)所示。
式中Q,K,V分别为输入数据的维度,由于系统当中的网络模型使用的是Self-Attention机制所以Q,K,V是同一输入数据经过不同的全连接操作得到的;
Attention层结构的输出通过GRU层从而获得波形的时间序列特征,最后经过全连接层并通过SoftMax函数对结果进行分类;
2.2)设置模型的迭代次数为i,批处理数量为b,迭代次数由数据集大小决定,批处理数量由处理器内存决定;
2.3)设置模型的损失函数、设置模型优化器以及学习率,模型的损失函数采用交叉熵损失函数,模型优化器采用Adam优化器,学习率为e;
2.4)将训练集数据输入到模型当中进行训练;
3)使用测试集对模型进行测试评估;若CGAS模型通过测试,则对模型以及相关参数保存下来,进行步骤4);若CGAS模型未通过测试,重复步骤2.2)、步骤2.3)、步骤2.4);
4)使用CGAS模型对波形进行P波到时拾取;
5)当多个台站监测到微震事件后,使用CGAS模型对多个台站监测到的震动波形数据进行多时窗的滑动分类;
6)记录微震事件和各台站的到时信息。
2.根据权利要求1所述的一种基于深度学习的微震多时窗智能P波到时拾取方法,其特征在于,所述的步骤1)中,具体划分方式为:
时间窗口长度为n秒钟,根据台站的采样频率设置采样点数量,将训练集划分成5类序列时窗,时窗数据按照步长向前滑动,设手动拾取的P波到时位置为w,时窗中点位置为m;若m∈[n/2,w-n/2],则该时窗为第1类时窗;若m∈[w-n/2,w-1],则该时窗为第2类时窗;若m∈[w-1,w+1]则该时窗为第3类时窗;若m∈[w+1,w+n/2],则该时窗为第4类时窗;若m∈[w+n/2,l],则该时窗为第5类时窗,其中l为波形震动部分长度。第3类时窗的中点位置即为要获取的P波到时。
4.根据权利要求1所述的一种基于深度学习的微震多时窗智能P波到时拾取方法,其特征在于,所述的步骤4)中,具体拾取方法如下:
首先使用CGAS模型对波形数据按照设置的步长进行滑动分类,按照顺序进行划分,分出5类时窗类别,每类时窗分别表示该时窗中点与P波到时的距离关系;使用该分类方式,一个波形上会出现多个第3类时窗,选取第3类时窗概率最高的时窗中点位置作为该波形的P波到时。
5.根据权利要求1所述的一种基于深度学习的微震多时窗智能P波到时拾取方法,其特征在于,所述的步骤5)中,具体滑动分类方法如下:
若某一时窗判断为第3类时窗,则将该时窗的中点位置视为该波形的P波到时,若低于5个台站拾取到P波到时则不认为该事件为微震事件,重新对震动信号进行实时监测,若大于5个台站,则用CGAS模型对事件信息的P波到时进行拾取并保存。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210526595.9A CN114841210A (zh) | 2022-05-16 | 2022-05-16 | 一种基于深度学习的微震多时窗智能p波到时拾取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210526595.9A CN114841210A (zh) | 2022-05-16 | 2022-05-16 | 一种基于深度学习的微震多时窗智能p波到时拾取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114841210A true CN114841210A (zh) | 2022-08-02 |
Family
ID=82569755
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210526595.9A Pending CN114841210A (zh) | 2022-05-16 | 2022-05-16 | 一种基于深度学习的微震多时窗智能p波到时拾取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114841210A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115327616A (zh) * | 2022-08-24 | 2022-11-11 | 中国矿业大学 | 一种海量数据驱动的矿山微震震源自动定位方法 |
CN115963548A (zh) * | 2023-01-16 | 2023-04-14 | 中国矿业大学 | 一种基于反绎学习的矿井微震p波到时拾取模型构建方法 |
-
2022
- 2022-05-16 CN CN202210526595.9A patent/CN114841210A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115327616A (zh) * | 2022-08-24 | 2022-11-11 | 中国矿业大学 | 一种海量数据驱动的矿山微震震源自动定位方法 |
CN115327616B (zh) * | 2022-08-24 | 2024-02-23 | 中国矿业大学 | 一种海量数据驱动的矿山微震震源自动定位方法 |
CN115963548A (zh) * | 2023-01-16 | 2023-04-14 | 中国矿业大学 | 一种基于反绎学习的矿井微震p波到时拾取模型构建方法 |
CN115963548B (zh) * | 2023-01-16 | 2024-01-23 | 中国矿业大学 | 一种基于反绎学习的矿井微震p波到时拾取模型构建方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114841210A (zh) | 一种基于深度学习的微震多时窗智能p波到时拾取方法 | |
CN110032975B (zh) | 一种地震震相的拾取方法 | |
CN111612651B (zh) | 一种基于长短期记忆网络的异常电量数据检测方法 | |
CN112858473B (zh) | 一种基于特征融合的道岔尖轨伤损状态监测方法 | |
CN110779574A (zh) | 一种煤岩动力灾害多系统多参量集成综合预警方法及系统 | |
CN105956623A (zh) | 一种基于模糊熵的癫痫脑电信号分类方法 | |
CN105956526A (zh) | 基于多尺度排列熵的低信噪比微震事件辨识方法 | |
CN105550943A (zh) | 一种基于模糊综合评判的风电机组状态参数异常辨识方法 | |
CN112113755B (zh) | 一种基于深度卷积-峭度神经网络的机械故障智能诊断方法 | |
CN104266894A (zh) | 一种基于相关性分析的矿山微震信号初至波时刻提取方法 | |
CN112884134B (zh) | 面向地震震相识别的基于时域的卷积神经网络模型及应用 | |
US20240078413A1 (en) | Massive data-driven method for automatically locating mine microseismic source | |
CN112364296B (zh) | 一种基于深度学习的p波到时自动拾取方法 | |
CN113866455A (zh) | 基于深度学习的桥梁加速度监测数据异常检测方法、系统和装置 | |
CN111505064A (zh) | 一种催化燃烧式甲烷传感器服役状态评价方法 | |
CN112215307B (zh) | 一种应用机器学习自动检测地震仪器信号异常的方法 | |
CN116383628A (zh) | 一种落石灾害微震信号的检测分类方法及系统 | |
CN115456040A (zh) | 一种基于卷积神经网络的p波捡拾算法 | |
CN111210147B (zh) | 基于时序特征提取的烧结过程运行性能评价方法及系统 | |
Sun et al. | Micro‐seismic Event Detection of Hot Dry Rock based on the Gated Recurrent Unit Model and a Support Vector Machine | |
CN113139681A (zh) | 一种基于时间序列数据的神经网络冲击地压预测方法 | |
Luo et al. | The CGAS deep learning algorithm for P-wave arrival time picking of mining microseismic events | |
CN114139579B (zh) | 一种基于方差分形的深度学习微地震事件检测方法 | |
CN114137605A (zh) | 一种煤矿岩体中岩桥的智能定位及特征识别方法 | |
CN117148433B (zh) | 一种基于gpt-l模型的微地震p波s波分类方法 |
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 |