CN115421188B - 基于人工智能的微地震事件实时识别系统及方法 - Google Patents
基于人工智能的微地震事件实时识别系统及方法 Download PDFInfo
- Publication number
- CN115421188B CN115421188B CN202211012389.2A CN202211012389A CN115421188B CN 115421188 B CN115421188 B CN 115421188B CN 202211012389 A CN202211012389 A CN 202211012389A CN 115421188 B CN115421188 B CN 115421188B
- Authority
- CN
- China
- Prior art keywords
- waveform
- time
- event
- real
- data
- 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 31
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 20
- 230000006870 function Effects 0.000 claims abstract description 11
- 238000013528 artificial neural network Methods 0.000 claims description 54
- 230000001960 triggered effect Effects 0.000 claims description 48
- 238000001914 filtration Methods 0.000 claims description 35
- 238000000605 extraction Methods 0.000 claims description 30
- 238000007781 pre-processing Methods 0.000 claims description 26
- 238000012549 training Methods 0.000 claims description 20
- 230000008859 change Effects 0.000 claims description 18
- 210000002569 neuron Anatomy 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 14
- 230000004913 activation Effects 0.000 claims description 6
- 238000013135 deep learning Methods 0.000 claims description 6
- 238000002372 labelling Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 230000004044 response Effects 0.000 claims description 6
- 238000013461 design Methods 0.000 claims description 5
- 230000001133 acceleration Effects 0.000 claims description 4
- 230000003321 amplification Effects 0.000 claims description 4
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 3
- 238000012800 visualization Methods 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims description 2
- 230000035772 mutation Effects 0.000 claims 1
- 238000012544 monitoring process Methods 0.000 abstract description 11
- 238000010586 diagram Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 208000013201 Stress fracture Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 238000013434 data augmentation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012795 verification Methods 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
- G01V1/288—Event detection in seismic signals, e.g. microseismics
-
- 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
-
- 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
- Y02A90/30—Assessment of water resources
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Environmental & Geological Engineering (AREA)
- Remote Sensing (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Acoustics & Sound (AREA)
- Geophysics (AREA)
- Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Geology (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Emergency Management (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明涉及微地震预警技术领域,公开了基于人工智能的微地震事件实时识别系统及方法,包括波形预处理模块、波形过滤、波形事件触发及到时提取模块、波形事件分类模块、波形特征提取模块、基于神经网络的微地震事事件识别模块以及基于深度神经网络分类器模型的微地震事件识别模块。本发明基于上述模块组成的系统,从而具有自动、实时地识别微震事件和提取微震事件的到时的功能,能够为微震监测数据的自动化监测和相关工程地质灾害的预警信息的实时获取和发布提供技术支撑。
Description
技术领域
本发明涉及微地震预警技术领域,尤其涉及基于人工智能的微地震事件 实时识别系统及方法。
背景技术
目前,地震学主要研究在固体介质中传播的弹性波。由天然源(构造地 震、火山、海浪)或人工源(核爆、矿山爆破、诱发地震)产生的地震波动 结果被地震仪器测量并记录。它们是对多达3个互相垂直方向的弹性波场进 行单点观测。每个方向或分量都以一维时变信号的形式测量地面运动的位移、 速度或加速度。产生的等间隔采样时间序列被称作地震图或地震波形。微地 震监测作为一种岩体微破裂三维空间监测技术,其得到了迅速发展,在矿山安全生产和灾害预警中发挥了巨大的作用。微地震监测主要监测对象为体脆 性材料在外力作用下,发生微破裂产生的波形信号,即微地震。微地震监测 系统主要包含三个方面:传感器、井下采集仪和地表数据服务器。并且微地 震监测系统通过传感器将采集到的实时波形数据传输至井下采集仪进行数模 转换,最近将转换成数字信号的波形信号传输至地表数据服务器进行实时存 储。而微地震监测系统的监测到的信号中包含大量的非微地震信号,而实时、快速、有效的识别这些微地震信号和非微地震信号对矿山灾害预警和安全生 产具有十分重要的意义。
随着近年来人工智能技术在地震、工程灾害领域快速发展。而人工智能 诞生于上世纪50年代,到上世纪90年代,其中的人工神经网络就普遍用于 解决各类分类和预测问题。尤其是近几年的突破使其被广泛应用和关注。目 前深度学习在地震学中的应用越来越广,在事件识别、初至的拾取、地震事 件的定位和地震波波速的反演等领域都有应用。为此,开发了基于人工智能 的微地震事件实时识别系统,用于时、快速、有效的识别这些微地震信号和非微地震信号。
发明内容
本发明的目的在于提供基于人工智能的微地震事件实时识别系统及方 法,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:
基于人工智能的微地震事件实时识别系统,包括波形预处理模块、波形 过滤、波形事件触发及到时提取模块、波形事件分类模块、波形特征提取模 块、基于神经网络的微地震事事件识别模块以及基于深度神经网络分类器模 型的微地震事件识别模块。
波形预处理模块,用于对地表数据服务器实时存储的波形数据进行预处 理,将预处理的波形数据作为系统的输入数据。
波形过滤、波形事件触发及到时提取模块;用于对实时监测到的波形数 据进行过滤,滤掉低频信号对原始波形信号的干扰,然后,采用STA/LTA算 法对实时波形信号是否触发进行判断,一旦实时波形信号发生触发,通过AIC 准则对波形信号到时进行拾取,根据波形信号到时的到时信息,选取到时前 1s至到时的到时后1s的滤波过后的波形信号,获取的波形用于所述波形特征 提取模块进行波形特征提取。
波形事件分类模块;用于人工对采用已经触发的波形信号进行分类,将 其分为微地震事件和噪声事件,为用于基于神经网络的微地震事件识别模块 训练提供波形数据,并将触发事件分为3类,分别为:微地震事、低噪声事 件、高噪声事件。
波形特征提取模块;基于到时前0.5s至到时的到时后0.5s的滤波过后 的原始波形信号和振幅取绝对值后的波形信号,提取触发后波形的波形特征, 从而为神经网络的训练和实时识别微地震事件提供数据输入。
神经网络分类器模型训练模块;用于构建深度神经网络分类器模型,并 对分类器模型进行训练;训练模块用于深度神经网络分类器模型的构建、深 度学习中的波形数据增强技术、深度神经网络分类器模型与验证。
基于深度神经网络分类器模型的微地震事件识别模块;对实时监测到的 波形是否为微地震事件进行实时检测和判别。
优选的,所述波形预处理主要包括删除实时波形文件中的空行及无用信 息、读取采集取波形数据的传感器的坐标信息及名称、读取波形数据的起止 时间、采样率及长度;波形预处理还包括波形数据的可视化,将波形数据格 式按照Python地震数据处理框架进行标准化。
优选的,波形过滤时的滤波器采用MATLAB滤波器设计工具箱进行设计, 滤波器的结构为直接型有限的冲激响应滤波器,滤波器的阶数为50,滤波器 的响应方式为高通滤波,即对频率小于10Hz的波形进行过滤,而频率大于10Hz 的波形进行保留。
优选的,采用的STA/LTA算法的原理为:用STA/LTA之比来反映信号幅 度、频率等特征的变化;当地震信号到达时,STA/LTA值会有一个突变,当 其比值大于某一设定阈值时,则判定为有效信号。
STA/LTA算法主要原理是通过特征参数短时平均变化快,用于表示瞬时变 化情况,长时平均变化缓慢,则用于表示长时间背景幅值情况,采用短平均 和长平均比值可以简单有效计算事件的触发。
利用公式CF[n]=Acc[n]2+(Acc[n]-Acc[n-1])2,计算当前点的特征参数;
利用滑动平均的方式计算,得到长平均的特征参量、短平均的特征参量, 具体公式如下:
然后,利用公式计算短平均的特征参量与长平均的特征参量 的比值,最后通过设定的SLta的阈值可以判定实时波形是否触发;
其中,CF[n]表示当前点的特征参数,Acc是滤波以后的加速度值,Stai是 当前短平均值,Stai-1是上一个短平均值,Ltai-1是当前长平均值,Ltai-1是上一 个短平均值,CF[i]是最新一个特征值,Nlta是长平均计算的数据长度,Nsta是 短平均计算的数据长度。
优选的,所述的STA/LTA算法采用3个轴向分别判定的方式,对实时波 形进行判断,当其中有不少于1个轴的SLta超过阈值,则认为实时波形发生了 触发。
优选的,通过AIC准则用于获得更精确的触发点,AIC准则进行震相识别 的原理是通过求解背景噪声与信号最佳划分点,所述最佳点与AIC曲线最小 值对应,即需要获取的P波到时点,且计算每个点的AIC公式,如下所示:
AIC(k)=k×log{var(x[1,k])}+(L-k-1)×log{var(x[k+1,L])}
其中,AIC(k)是计算滑动位置为k对应的AIC结果,L是用于AIC运算缓 冲区的总长度,是缓冲区内特征值的平均值,var是某个数据段的一个权重 计算。
优选的,所述波形特征提取模块用于提取触发后波形的如下3个方面特 征;即原始波形信号的频率特征、振幅取绝对值后的波形信号的震动特征以 及波形触发后1s内的振幅取绝对值后的波形信号的增幅变化特征。
优选的,所述深度神经网络分类器含有6层架构,其中,第1层为输入 层,输入层的神经元个数为18,第2层至第5层为隐藏层,其中第2层的神 经元个数为36,第3层的神经元个数为18,第4层的神经元个数为9,第5 层的神经元个数为9,在隐藏层中,每一层的激活函数均采用relu,第6层 为输出层,输出层神经元个数为1,且输出层激活函数采用sigmoid,输出层 输出的数据在0至1之间,表征被深度神经网络分类器模型认定为微地震事 件的概率,当输出层输出的数据小于0.5即认为输入数据对应的波形为噪声 事件,反之则认为输入数据对应的波形为微地震事件;
将上述分类器分类出地震事件的标签贴为1,噪声事件的标签贴为0,并 将提取的地震波形和噪声事件的波形特征和标签输入构建的深度神经网络分 类器模型进行训练。
优选的,基于深度神经网络分类器模型的微地震事件识别模块在判别时, 首先,建立一个长度为2s的动态时间窗口,用于实时动态存储2s中的波形 数据,时间窗口在无特需说明的情况下每次向前滑动1个数据点;然后,对 这些存储的波形进行实时的波形预处理、波形过滤,判断存储的波形是否发 生触发,如果存储的波形没有触发,则时间窗口继续向前滑动1个数据点, 如果存储的波形发生触发,对触发的波形进行到时提取、波形特征提取,将 提取好的波形特征丢入训练好的深度神经网络分类器模型进行判断,如果判 断的结果为微地震事件,则对该事件的波形和到时进行存储,并且在到时后 的1s内停止上述计算过程,但时间窗口继续向前滑动。在1s过去后,伴随 时间窗口继续向前滑动计算过程重新恢复。
本发明还提出了一种基于人工智能的微地震事件实时识别方法,利用上 述的微地震事件实时识别系统进行识别,包括以下步骤:首先对波形进行预 处理;然后对波形过滤、对波形事件触发及到时进行提取,同时对触发的波 形信号进行分类,之后对触发的原始波形进行特征提取,通过提取的波形特 征数据构建深度神经网络分类器模型,最终基于构建的所述分类器模型判断实时监测到的波形,判断触发事件种类。
本发明的有益效果是:
本发明基于人工智能技术设计了波形预处理模块、波形过滤、波形事件 触发及到时提取模块、波形事件分类模块、波形特征提取模块、基于神经网 络的微地震事事件识别模块以及基于深度神经网络分类器模型的微地震事件 识别模块。从而具有自动、实时地识别微震事件和提取微震事件的到时的功 能,能够为微震监测数据的自动化监测和相关工程地质灾害的预警信息的实时获取和发布提供技术支撑。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要 使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施 例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不 付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。在附 图中:
图1为本发明的提出的识别系统的整体架构图;
图2为本发明的波形预处理模块传感器监测到的X轴方向上的标准波形 信号;
图3为本发明的图1为本发明的波形预处理模块传感器监测到的Y轴方 向上的标准波形信号;
图4为本发明的图1为本发明的波形预处理模块传感器监测到的Z轴方 向上的标准波形信号;
图5为本发明的经过AIC算法前后搜索精确的P波到时点的触发位置;
图6到时前1s至到时后1s的滤波过后的X轴方向上的波形信号,其中 虚线为P波到时;
图7到时前1s至到时后1s的滤波过后的Y轴方向上的波形信号,其中 虚线为P波到时
图8到时前1s至到时后1s的滤波过后的Z轴方向上的波形信号,其中 虚线为P波到时;
图9为本发明的特征提取模块提取的到时前1s至到时后1s的滤波过后 的X轴方向上的原始波形信号。
图10为本发明的特征提取模块提取的到时前1s至到时后1s的滤波过后 的X轴方向上的振幅取绝对值后的波形信号;
图11为本发明的特征提取模块提取的到时前1s至到时后1s的滤波过后 的Y轴方向上的原始波形信号。
图12为本发明的特征提取模块提取的到时前1s至到时后1s的滤波过后 的Y轴方向上的振幅取绝对值后的波形信号;
图13为本发明的特征提取模块提取的到时前1s至到时后1s的滤波过后 的Z轴方向上的原始波形信号。
图14为本发明的特征提取模块提取的到时前1s至到时后1s的滤波过后 的Z轴方向上的振幅取绝对值后的波形信号;
图15为本发明的深度神经网络分类器模型的示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申 请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述, 显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。通常 在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布 置和设计。
因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制 要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请 中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所 有其他实施例,都属于本申请保护的范围。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特 征可以相互组合。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦 某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义 和解释。
在本申请实施例的描述中,需要说明的是,指示方位或位置关系为基于 附图所示的方位或位置关系,或者是该申请产品使用时惯常摆放的方位或位置关系,或者是本领域技术人员惯常理解的方位或位置关系,或者是该申请 产品使用时惯常摆放的方位或位置关系,仅是为了便于描述本申请和简化描 述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方 位构造和操作,因此不能理解为对本申请的限制。此外,术语“第一”、“第 二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
在本申请实施例的描述中,还需要说明的是,除非另有明确的规定和限 定,术语“设置”、“安装”、“连接”应做广义理解,例如,可以是固定连接, 也可以是可拆卸连接,或一体地连接;可以是直接连接,也可以通过中间媒 介间接连接。对于本领域的普通技术人员而言,可以具体情况理解上述术语 在本申请中的具体含义。
实施例
本方案提出的基于人工智能的微地震事件实时识别系统,包括波形预处 理模块、波形过滤、波形事件触发及到时提取模块、波形事件分类模块、波 形特征提取模块、基于神经网络的微地震事事件识别模块以及基于深度神经 网络分类器模型的微地震事件识别模块;
波形预处理模块,用于对地表数据服务器实时存储的波形数据进行预处 理,将预处理的波形数据作为识别系统的输入;所述波形预处理主要包括删 除实时波形文件中的空行及无用信息、读取采集取波形数据的传感器的坐标 信息及名称、读取波形数据的起止时间、采样率及长度;波形预处理还包括波形数据的可视化,将波形数据格式按照Python地震数据处理框架进行标准 化。从而为后面的功能模块提供基础数据。ObsPy对地震学界内通常使用的几 乎所有文件格式提供读写支持,它取代了大量的文件格式转换工具;在这样广泛的输入、输出支持的基础上,它用地震学家之间交流的专业术语提供信 号处理程序;第三个里程碑即整合了获取由世界范围的地震数据中心发布数 据的方法。最后,它集成了大量地震学界所用的专有库,并用易用的接口统 一了所有功能的调用。在ObsPy内部,波形数据是用一个Stream对象来表示 的,它的行为如一个可以容纳任意数量Trace对象的容器。ObsPy定义一条Trace为包括一个单一的连续的在一个时窗内等间隔采样的波形数据,以及与 之相伴的必要的元信息。每个Trace对象具有一个data属性,即一个一维的 NumPy数组。其他更多的信息都放到一个字典式的states属性中。
波形过滤、波形事件触发及到时提取模块;用于对实时监测到的波形数 据进行过滤,滤掉低频信号(10Hz以下的波形信息)对原始波形信号的干扰, 然后,采用STA/LTA算法对实时波形信号是否触发进行判断,一旦实时波形 信号发生触发,通过AIC准则(赤池消息准则)对波形信号到时进行拾取, 根据波形信号到时的到时信息,选取到时前1s至到时的到时后1s的滤波过 后的波形信号,用于波形特征提取模块进行波形特征提取;
采用的STA/LTA算法的原理为:用STA/LTA之比来反映信号幅度、频率 等特征的变化;当地震信号到达时,STA/LTA值会有一个突变,当其比值大 于某一设定阈值时,则判定为有效信号。
STA/LTA算法主要原理是通过特征参数短时平均变化快,用于表示瞬时变 化情况,长时平均变化缓慢,用于表示长时间背景幅值情况,采用短平均和 长平均比值可以简单有效计算事件的触发。
利用公式CF[n]=Acc[n]2+(Acc[n]-Acc[n-1])2,计算短时窗振幅平均值与长 时窗振幅平均值之比;
利用滑动平均的方式计算,得到长平均的特征参量和短平均的特征参量, 具体公式如下:
然后,利用公式计算短平均的特征参量与长平均的特征参量 的比值,最后通过设定的SLta的阈值可以判定实时波形是否触发。
其中,CF[n]表示当前点的特征参数,Acc是滤波以后的加速度值,Stai是 当前短平均值,Stai-1是上一个短平均值,Ltai-1是当前长平均值,Ltai-1是上一 个短平均值,CF[i]是最新一个特征值,Nlta是长平均计算的数据长度,Nsta是 短平均计算的数据长度。
上述的STA/LTA算法采用3个轴向分别判定的方式,对实时波形进行判 断,如果有1个轴的SLta超过阈值,则认为实时波形发生了触发。
一旦实时波形信号发生触发,通过AIC准则(赤池消息准则)对波形信 号到时进行拾取。根据波形信号到时的到时信息,选取到时前1s至到时的到 时后1s的滤波过后的波形信号,用于波形特征提取模块进行波形特征提取。
由于STA/LTA算法获得的触发点是一个初略的触发位置,往往是比实际P 波到时点滞后,P波到时运算是在STA/LTA算法触发判定之后再通过精细运算 获得更精确的触发点,即通过AIC准则,AIC准则的算法进行震相识别的原理是通过求解背景噪声与信号最佳划分点,这个最佳点与AIC曲线最小值对应, 即需要获取的P波到时点,计算每个点的AIC公式,如下所示:
AIC(k)=k×log{var(x[1,k])}+(L-k-1)×log{var(x[k+1,L])}
其中,AIC(k)是计算滑动位置为k对应的AIC结果,L是用于AIC运算缓 冲区的总长度,是缓冲区内特征值的平均值,var是某个数据段的一个权重 计算,上述算法的原理相当于对判断点前后两个数据段分别运算并乘以对应 长度求和,这样滑动肯定有一个最小值点,这个最小值点就是对应实际P波 到时点。具体参照图5,能够看出经过AI算法前后搜索精确的触发位置。最 后,根据波形信号到时的到时信息,选取到时前1s至到时的到时后1s的滤波过后的波形信号(参见图6、图7和图8),用于波形特征提取模块进行波 形特征提取。
在本方案中,波形过滤时的滤波器采用MATLAB滤波器设计工具箱进行设 计,滤波器的结构为直接型有限的冲激响应滤波器,滤波器的阶数为50,滤 波器的响应方式为高通滤波,即对频率小于10Hz的波形进行过滤,而频率大 于10Hz的波形进行保留。
本方案提出的波形事件分类模块;用于人工对采用已经触发的波形信号 进行分类,将其分为微地震事件和噪声事件,为用于基于神经网络的微地震事件识别模块训练的微地震事件和噪声事件的波形特征的提取提供波形数 据,并将触发事件分为3类,分别为:微地震事、低噪声事件、高噪声事件;
在具体操作时,波形事件分类模块要求将待分类微地震事件放置于目录A 下(例如:G:/wave),通过波形预处理模块对这些波形进行预处理和显示。 在显示的过程中,并伴随弹出对话框(见图9)。基于对微地震地震事件波形的认识,操作人员根据显示的波形的特征,对显示的波形进行分类。如果显 示的波形为微地震事件,则勾选图9中微地震事件前方的圆圈,则系统会在 界面显示“微地震事件拷贝完毕”,将波形文件自动拷贝纸B目录下(G:/microseismic)。如果显示的波形为噪声事件(信噪比低),则勾选图9 中噪声事件(信噪比低)前方的圆圈,则系统会在界面显示“噪声事件(信 噪比低)拷贝完毕”,将波形文件自动拷贝纸C目录下(G:/noise/low)。如 果显示的波形为噪声事件(信噪比高),则勾选图9中噪声事件(信噪比高) 前方的圆圈,则系统会在界面显示“噪声事件(信噪比高)拷贝完毕”,将波 形文件自动拷贝纸D目录下(G:/noise/high)。
波形特征提取模块;基于到时前0.5s至到时的到时后0.5s的滤波过后 的原始波形信号和振幅取绝对值后的波形信号,提取触发后波形的波形特征, 从而为神经网络的训练和实时识别微地震事件提供数据输入,所述波形特征 提取模块用于提取触发后波形的如下3个方面特征;即原始波形信号的频率 特征、振幅取绝对值后的波形信号的震动特征以及波形触发后1s内的振幅取 绝对值后的波形信号的增幅变化特征。
具体的,原始波形信号的频率特征提取:通过快速傅里叶变换可以对时 前1s至到时的到时后1s的滤波过后的原始波形信号开展频谱分析,从而获 得时前1s至到时的到时后1s的滤波过后的原始波形信号的频谱曲线。选取 频谱曲线中,信号的振幅强度最大的值对应的频率即为原始波形信号的主频。
具体的,振幅取绝对值后的波形信号的震动特征提取:通过分析到波形 触发前1s的振幅取绝对值后的波形信号特征,获取噪声信号的平均振幅和方 差。通过分析到波形触发后1s的振幅取绝对值后的波形信号特征,获取触发 后波形信号的平均振幅和方差。计算触发后波形信号的平均振幅与方差之和 与噪声信号的平均振幅与方差之和的比值,即为原始波形信号的信噪比。通 过分析到波形触发后1s的振幅取绝对值后的波形信号特征,可以获得波形触 发时波形的振幅和振幅最大值。
具体的,波形触发后1s内的振幅取绝对值后的波形信号的增幅变化特征 提取:通过分析到波形触发后1s的振幅取绝对值后的波形信号特征,可以获 得波形从触发至振幅最大值所花费的时间和速度。
综上,通过波形特征提取模块可以获取上述三个方面的六个特征。因此, 传感器一般以三轴传感器为主,这样对每一个触发的波形即可提取包含六个 特征的18维向量。具体参照图9-14可知,经过特征提取后X、Y、Z轴方向 上的波形图。
本方案提出的神经网络分类器模型训练模块;用于构建深度神经网络分 类器模型,并对分类器模型进行训练,从而使分类器模型具有实时、有效区 分微地震事件和噪声事件的功能;训练模块包括深度神经网络分类器模型的 构建、深度学习中的波形数据增强技术、深度神经网络分类器模型与验证;
所述深度神经网络分类器含有6层架构,其中,第1层为输入层,由于 从每一个传感器接收到的波形提取包含六个特征的18维向量,因此输入层的 神经元个数为18,第2层至第5层为隐藏层,其中第2层的神经元个数为36, 第3层的神经元个数为18,第4层的神经元个数为9,第5层的神经元个数 为9。为了防止训练深度神经网络的时候,深度神经网络容易过拟合或者费时,采用dropout机制对在隐藏层中的每一层的神经进行随机丢弃,在隐藏层中 的每一层的dropout概率皆为0.2。在隐藏层中,每一层的激活函数采用relu。 第6层为输出层,由于微地震事件的识别是一个二分类的问题,因此在输出 层神经元个数为1,且输出层激活函数采用sigmoid,输出层输出的数据在0 至1之间,表征被深度神经网络分类器模型认定为微地震事件的概率,当输 出层输出的数据小于0.5即认为输入数据对应的波形为噪声事件,反之则认 为输入数据对应的波形为微地震事件;具体的,在隐藏层的第1层含有需要 训练的参数684,在隐藏层的第2层含有需要训练的参数666,在隐藏层的第 3层含有需要训练的参数171,在隐藏层的第4层含有需要训练的参数60,在 输出层含有需要训练的参数7,整个模型含有需要训练的参数1588。模型的 损失函数为binary_crossentropy,模型的优化器adam,评价模型参数为准 确性。具体参照图15,图15为深度神经网络(DNN)分类器模型的示意图。
将上述分类器分类出地震事件的标签贴为1,噪声事件的标签贴为0,并 将提取的地震波形和噪声事件的波形特征和标签输入构建的深度神经网络分 类器模型进行训练。当深度神经网络(DNN)分类器模型训练500步后,可以认为模型已经收敛,并对模型进行保存。
关于深度学习中的波形数据增强技术:在本方案中,采用对已有 的数据进行数据增强,数据增强称作数据扩增,意思是在不实质性的 增加数据的情况下,让有限的数据产生等价于更多数据的价值。常用 的数据增强方法有:翻转、旋转、缩放比例、裁剪、移位、高斯噪声 等其他一些高级增强技术。波形数据增强主要从两个方面进行考虑。第一,考虑STA/LTA算法和AIC算法确定波形到时可能产生的误差; 第二,考虑用于提取特征的波形长度。
本方案的基于深度神经网络分类器模型的微地震事件识别模块;其用于 对实时监测到的波形是否为微地震事件进行实时检测和判别。
基于深度神经网络分类器模型的微地震事件识别模块的主要目的:对实 时监测到的波形是否为微地震事件进行实时检测和判别。基于深度神经网络 分类器模型的微地震事件识别模块,在判别时首先,建立一个长度为2s的动 态时间窗口(到时前1s加到时后1s,因此动态时间窗口的长度为2s),用于 实时动态存储2s中的波形数据,时间窗口在无特需说明的情况下每次向前滑动1个数据点;然后,对这些存储的波形进行实时的波形预处理、波形过滤, 判断存储的波形是否发生触发,如果存储的波形没有触发,则时间窗口继续向前滑动1个数据点,如果存储的波形发生触发,对触发的波形进行到时提 取、波形特征提取,将提取好的波形特征丢入训练好的深度神经网络(DNN) 分类器模型进行判断,如果判断的结果为微地震事件,则对该事件的波形和 到时进行存储,并且在到时后的1s内停止上述计算过程,但时间窗口继续向 前滑动。在1s过去后,伴随时间窗口继续向前滑动计算过程重新恢复。
本发明还提出了一种基于人工智能的微地震事件实时识别方法,利用上 述的微地震事件实时识别系统进行识别,包括以下步骤:首先对波形进行预 处理;然后对波形过滤、对波形事件触发及到时进行提取,同时对触发的波 形信号进行分类,之后对触发的原始波形进行特征提取,通过提取的波形特 征数据构建深度神经网络分类器模型,最终基于构建的所述分类器模型判断实时监测到的波形,判断触发事件种类。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而 言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行 多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限 定。
Claims (7)
1.基于人工智能的微地震事件实时识别系统,其特征在于:包括波形预处理模块、波形过滤、波形事件触发及到时提取模块、波形事件分类模块、波形特征提取模块、基于神经网络的微地震事件识别模块以及基于深度神经网络分类器模型的微地震事件识别模块;
波形预处理模块,用于对地表数据服务器实时存储的波形数据进行预处理,将预处理的波形数据作为系统的输入数据;
波形过滤、波形事件触发及到时提取模块;用于对实时监测到的波形数据进行过滤,滤掉低频信号对原始波形信号的干扰,然后,采用STA/LTA算法对实时波形信号是否触发进行判断,一旦实时波形信号发生触发,通过AIC准则对波形信号到时进行拾取,根据波形信号到时的到时信息,选取到时前1s至到时的到时后1s的滤波过后的波形信号,获取的波形用于所述波形特征提取模块进行波形特征提取;
波形事件分类模块;用于人工对采用已经触发的波形信号进行分类,将其分为微地震事件和噪声事件,为用于基于神经网络的微地震事件识别模块训练提供波形数据,并将触发事件分为3类,分别为:微地震事、低噪声事件、高噪声事件;
波形特征提取模块;基于到时前0.5s至到时的到时后0.5s的滤波过后的原始波形信号和振幅取绝对值后的波形信号,提取触发后波形的波形特征,从而为神经网络的训练和实时识别微地震事件提供数据输入;
神经网络分类器模型训练模块;用于构建深度神经网络分类器模型,并对分类器模型进行训练;训练模块用于深度神经网络分类器模型的构建、深度学习中的波形数据增强技术、深度神经网络分类器模型与验证;
基于深度神经网络分类器模型的微地震事件识别模块;对实时监测到的波形是否为微地震事件进行实时检测和判别;
所述波形特征提取模块用于提取触发后波形的如下3个方面特征;即原始波形信号的频率特征、振幅取绝对值后的波形信号的震动特征以及波形触发后1s内的振幅取绝对值后的波形信号的增幅变化特征;
波形预处理主要包括删除实时波形文件中的空行及无用信息、读取采集取波形数据的传感器的坐标信息及名称、读取波形数据的起止时间、采样率及长度;波形预处理还包括波形数据的可视化,将波形数据格式按照Python地震数据处理框架进行标准化;
波形过滤时的滤波器采用MATLAB滤波器设计工具箱进行设计,滤波器的结构为直接型有限的冲激响应滤波器,滤波器的阶数为50,滤波器的响应方式为高通滤波,即对频率小于10Hz的波形进行过滤,而频率大于10Hz的波形进行保留。
2.根据权利要求1所述的基于人工智能的微地震事件实时识别系统,其特征在于:采用的STA/LTA算法的原理为:用STA/LTA之比来反映信号幅度、频率的变化;当地震信号到达时,STA/LTA值会有一个突变,当其比值大于某一设定阈值时,则判定为有效信号;
STA/LTA算法主要原理是通过特征参数短时平均变化快,用于表示瞬时变化情况,长时平均变化缓慢,则用于表示长时间背景幅值情况,采用短平均和长平均比值可以简单有效计算事件的触发;
利用公式CF[n]=Acc[n]2+(Acc[n]-Acc[n-1])2,计算当前点的特征参数;
利用滑动平均的方式计算,得到长平均的特征参量、短平均的特征参量,具体公式如下:
然后,利用公式计算短平均的特征参量与长平均的特征参量的比值,最后通过设定的SLta的阈值可以判定实时波形是否触发;
其中,CF[n]表示当前点的特征参数,Acc是滤波以后的加速度值,Stai是当前短平均值,Stai-1是上一个短平均值,Ltai-1是当前长平均值,Ltai-1是上一个短平均值,CF[i]是最新一个特征值,Nlta是长平均计算的数据长度,Nsta是短平均计算的数据长度。
3.根据权利要求2所述的基于人工智能的微地震事件实时识别系统,其特征在于:所述的STA/LTA算法采用3个轴向分别判定的方式,对实时波形进行判断,当其中有不少于1个轴的SLta超过阈值,则认为实时波形发生了触发。
4.根据权利要求1所述的基于人工智能的微地震事件实时识别系统,其特征在于:通过AIC准则用于获得更精确的触发点,AIC准则进行震相识别的原理是通过求解背景噪声与信号最佳划分点,最佳划分点与AIC曲线最小值对应,即需要获取的P波到时点,且计算每个点的AIC公式,如下所示:
AIC(k)=k×log{var(x[1,k])}+(L-k-1)×log{var(x[k+1,L])}
其中,AIC(k)是计算滑动位置为k对应的AIC结果,L是用于AIC运算缓冲区的总长度,是缓冲区内特征值的平均值,var是某个数据段的一个权重计算。
5.根据权利要求1所述的基于人工智能的微地震事件实时识别系统,其特征在于:所述深度神经网络分类器含有6层架构,其中,第1层为输入层,输入层的神经元个数为18,第2层至第5层为隐藏层,其中第2层的神经元个数为36,第3层的神经元个数为18,第4层的神经元个数为9,第5层的神经元个数为9,在隐藏层中,每一层的激活函数均采用relu,第6层为输出层,输出层神经元个数为1,且输出层激活函数采用sigmoid,输出层输出的数据在0至1之间,表征被深度神经网络分类器模型认定为微地震事件的概率,当输出层输出的数据小于0.5即认为输入数据对应的波形为噪声事件,反之则认为输入数据对应的波形为微地震事件;
将上述分类器分类出地震事件的标签贴为1,噪声事件的标签贴为0,并将提取的地震波形和噪声事件的波形特征和标签输入构建的深度神经网络分类器模型进行训练。
6.根据权利要求1所述的基于人工智能的微地震事件实时识别系统,其特征在于:基于深度神经网络分类器模型的微地震事件识别模块在判别时,首先,建立一个长度为1s的动态时间窗口,用于实时动态存储1s中的波形数据,时间窗口在无特需说明的情况下每次向前滑动50个数据点;然后,对这些存储的波形进行实时的波形预处理、波形过滤,判断存储的波形是否发生触发,如果存储的波形没有触发,则时间窗口继续向前滑动1个数据点,如果存储的波形发生触发,对触发的波形进行到时提取、波形特征提取,将提取好的波形特征丢入训练好的深度神经网络分类器模型进行判断,如果判断的结果为微地震事件,则对该事件的波形和到时进行存储,并且在到时后的1s内停止上述计算过程,但时间窗口继续向前滑动,在1s过去后,伴随时间窗口继续向前滑动计算过程重新恢复。
7.一种基于人工智能的微地震事件实时识别方法,其特征在于:利用如权利要求1-6任一所述的微地震事件实时识别系统进行识别,包括以下步骤:首先对波形进行预处理;然后对波形过滤、对波形事件触发及到时进行提取,同时对触发的波形信号进行分类,之后对触发的原始波形进行特征提取,通过提取的波形特征数据构建深度神经网络分类器模型,最终基于构建的所述分类器模型判断实时监测到的波形,判断触发事件种类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211012389.2A CN115421188B (zh) | 2022-08-23 | 2022-08-23 | 基于人工智能的微地震事件实时识别系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211012389.2A CN115421188B (zh) | 2022-08-23 | 2022-08-23 | 基于人工智能的微地震事件实时识别系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115421188A CN115421188A (zh) | 2022-12-02 |
CN115421188B true CN115421188B (zh) | 2024-02-20 |
Family
ID=84199353
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211012389.2A Active CN115421188B (zh) | 2022-08-23 | 2022-08-23 | 基于人工智能的微地震事件实时识别系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115421188B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110058294A (zh) * | 2019-05-10 | 2019-07-26 | 东北大学 | 一种隧道微震监测岩石破裂事件自动识别方法 |
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 |
CN111060965A (zh) * | 2019-12-05 | 2020-04-24 | 禁核试北京国家数据中心 | 一种基于卷积神经网络的地震震相拾取及事件检测方法 |
CN111458746A (zh) * | 2020-05-29 | 2020-07-28 | 东北大学 | 一种基于U-Net神经网络的隧道微震波形到时拾取方法 |
WO2020163040A1 (en) * | 2019-02-08 | 2020-08-13 | Exxonmobil Upstream Research Company | Enhanced surveillance of subsurface operation integrity using neural network analysis of microseismic data |
CN112799130A (zh) * | 2021-02-03 | 2021-05-14 | 东北大学 | 一种基于深度学习的地震波振幅预测方法 |
CN112884134A (zh) * | 2021-04-01 | 2021-06-01 | 山西云芯新一代信息技术研究院有限公司 | 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 |
CN113792685A (zh) * | 2021-09-17 | 2021-12-14 | 东北石油大学 | 一种基于多尺度卷积神经网络的微地震事件检测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10317549B2 (en) * | 2014-10-29 | 2019-06-11 | Wisconsin Alumni Research Foundation | Systems and methods for non-parametric autopicking of seismic wave features from seismic data |
CN109212597B (zh) * | 2018-10-16 | 2020-04-17 | 中国矿业大学(北京) | 基于深度信念网络和扫描叠加的微震源自动定位方法 |
-
2022
- 2022-08-23 CN CN202211012389.2A patent/CN115421188B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020163040A1 (en) * | 2019-02-08 | 2020-08-13 | Exxonmobil Upstream Research Company | Enhanced surveillance of subsurface operation integrity using neural network analysis of microseismic data |
CN110058294A (zh) * | 2019-05-10 | 2019-07-26 | 东北大学 | 一种隧道微震监测岩石破裂事件自动识别方法 |
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 |
CN111060965A (zh) * | 2019-12-05 | 2020-04-24 | 禁核试北京国家数据中心 | 一种基于卷积神经网络的地震震相拾取及事件检测方法 |
CN111458746A (zh) * | 2020-05-29 | 2020-07-28 | 东北大学 | 一种基于U-Net神经网络的隧道微震波形到时拾取方法 |
CN112799130A (zh) * | 2021-02-03 | 2021-05-14 | 东北大学 | 一种基于深度学习的地震波振幅预测方法 |
CN112884134A (zh) * | 2021-04-01 | 2021-06-01 | 山西云芯新一代信息技术研究院有限公司 | 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 |
CN113792685A (zh) * | 2021-09-17 | 2021-12-14 | 东北石油大学 | 一种基于多尺度卷积神经网络的微地震事件检测方法 |
Non-Patent Citations (4)
Title |
---|
Lei Liu等.Microseismic event detection and classification based on convolutional neural network.Journal of Applied Geophysics .2021,全文. * |
张唤兰 ; 朱光明 ; 王云宏 ; .基于时窗能量比和AIC的两步法微震初至自动拾取.物探与化探.2013,(第02期),全文. * |
段建华 ; 程建远 ; 王云宏 ; 陆斌 ; 朱红娟 ; .基于STA/LTA方法的微地震事件自动识别技术.煤田地质与勘探.2015,(第01期),全文. * |
赵洪宝等.基于深度学习模式的微震信号 p波自动拾取 方法研究.岩石力学与工程学报.2021,全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN115421188A (zh) | 2022-12-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Mousavi et al. | STanford EArthquake Dataset (STEAD): A global data set of seismic signals for AI | |
Meier et al. | Reliable real‐time seismic signal/noise discrimination with machine learning | |
Stork et al. | Application of machine learning to microseismic event detection in distributed acoustic sensing data | |
US5373486A (en) | Seismic event classification system | |
Hernández et al. | Deep-learning-based earthquake detection for fiber-optic distributed acoustic sensing | |
EP2669814A1 (en) | Method and system for obtaining earthquake parameter estimates, and earthquake search engine | |
CN109613610B (zh) | 微震信号到时差的自动拾取方法 | |
CN114152980B (zh) | 一种快速自动化产出震源机制解的方法与装置 | |
Joshi et al. | Application of XGBoost model for early prediction of earthquake magnitude from waveform data | |
US11789173B1 (en) | Real-time microseismic magnitude calculation method and device based on deep learning | |
Peng et al. | Automatic classification of microseismic records in underground mining: a deep learning approach | |
US20130261982A1 (en) | Method and system of determining earthquake parameters, earthquake search engine | |
Yano et al. | Graph‐partitioning based convolutional neural network for earthquake detection using a seismic array | |
CN114063153A (zh) | 一种自动反演震源机制解的方法与装置 | |
Carratù et al. | A deep learning approach for the development of an Early Earthquake Warning system | |
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 | |
Johnson et al. | Application of a convolutional neural network for seismic phase picking of mining-induced seismicity | |
Lv et al. | ADE-Net: A deep neural network for DAS earthquake detection trained with a limited number of positive samples | |
CN112782762A (zh) | 一种基于深度学习的地震震级判定方法 | |
Ni et al. | Curated Pacific Northwest AI-ready seismic dataset | |
CN115826042A (zh) | 一种边云端结合的分布式地震数据处理方法与装置 | |
CN113985479A (zh) | 一种基于边缘计算的地震信息处理方法与装置 | |
CN115421188B (zh) | 基于人工智能的微地震事件实时识别系统及方法 | |
Jiang et al. | Microseismic event classification with time-, frequency-, and wavelet-domain convolutional neural networks | |
Mesimeri et al. | A frequency‐domain‐based algorithm for detecting microseismicity using dense surface seismic arrays |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20240116 Address after: 234111 Er Pu Cun, Zhu Xian Zhuang Zhen, Yongqiao District, Suzhou City, Anhui Province Applicant after: SUZHOU University Address before: 230088 B39, Floor 2, Building A4, Zhong'an Chuanggu Science Park, No. 900, Wangjiang West Road, High tech Zone, Hefei, Anhui Applicant before: Anhui Neogene Disaster Prevention Technology Co.,Ltd. |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |