CN115963548B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN115963548B CN115963548B CN202310065948.4A CN202310065948A CN115963548B CN 115963548 B CN115963548 B CN 115963548B CN 202310065948 A CN202310065948 A CN 202310065948A CN 115963548 B CN115963548 B CN 115963548B
- Authority
- CN
- China
- Prior art keywords
- data
- standard wave
- wave
- mine
- deduction
- 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
- 238000010276 construction Methods 0.000 title claims abstract description 6
- 238000000034 method Methods 0.000 claims abstract description 93
- 238000003062 neural network model Methods 0.000 claims abstract description 11
- 238000012549 training Methods 0.000 claims abstract description 9
- 230000008569 process Effects 0.000 claims description 27
- 238000005070 sampling Methods 0.000 claims description 16
- 230000000694 effects Effects 0.000 claims description 7
- 230000001351 cycling effect Effects 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 6
- 238000010801 machine learning Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 5
- 238000013136 deep learning model Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 230000007547 defect Effects 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000001615 p wave Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
Classifications
-
- 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
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开了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，使用未标记的矿山微震数据集，进入地震深度神经网络模型训练，通过逻辑推理中的反绎学习结构，利用知识库中的专家知识，对模型进行更新，最终获得基于反绎学习的矿山微震P波到时拾取模型，利用最终结果模型对数据进行筛选，替换不符合知识库的台站数据，最终将选出的数据作为矿井微震P波到时拾取的数据，进一步提升模型对矿井微震相位拾取的正确率。本发明克服了现有地震识别模型不适用于矿井环境的缺点，解决了矿山微震波噪声大的问题，在有限的且未标记的数据集基础上，提升了模型准确度，鲁棒性强。
Description
技术领域
本发明涉及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，具体是一种利用专家知识与数据驱动协同的矿井微震标波方法，属于矿山智能感知技术领域。
背景技术
矿震是矿井中局部力场变化发生的地震事件，其发生在矿井大面积空洞处，出现局部力场变化。矿震因其特点，救援活动不易开展，人员伤亡严重，采矿设备故障等经济损失大。在进行矿井微震识别时，P波波动速度快，到达传感器时间早，相对S波，其到时更易识别，对其自动拾取是微震信息智能处理的基础。
目前类似的地震波拾取工作，有学者从30多年的地震记录中提取的70多万个波形样本训练深度学习模型；还有学者考虑了不同分布台站的空间相关性，提升了相位到时拾取的正确率；另外一些学者使用分层关注机制，以地震信号的相位和全波形组合信息，提高了每个单独任务中的模型性能。但是以上模型并不适用于矿山微震识别，因为矿山工程环境复杂，微震波噪声多，波形复杂的特点，导致到时拾取稳定性很差。现有的深度学习地震识别模型，虽然标波正确率高，但其应用范围窄，仅适用于训练数据集足够大，并且需要采用已经人工标注后的地震数据集。由于矿井微震数据一般均为未标记且数量有限，导致现有地震模型如果直接在矿井微震识别任务上应用，最终模型标波结果错误率高。另外这些现有模型往往专注于提升机器学习方法标波的正确率，而忽视了已有的专家经验知识，得出结果不可靠，偶发的错误结果与正确结果偏差大。因此如何提供一种新的方法，能将专家知识与采集的数据相协同，构建基于反绎学习的矿山微震p波到时拾取模型，从而克服现有地震识别模型不适用于矿井环境的缺点，解决了矿山微震波噪声大的问题，在有限的数据集基础上，提升模型准确度，鲁棒性强，是本行业所需解决的问题。
发明内容
针对上述现有技术存在的问题，本发明提供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，能将专家知识与采集的数据相协同，通过逻辑推理+机器学习的方式，构建基于反绎学习的矿山微震P波到时拾取模型，从而克服现有地震识别模型不适用于矿井环境的缺点，解决了矿山微震波噪声大的问题，在有限的数据集基础上，提升模型准确度，鲁棒性强。
为了实现上述目的，本发明采用的技术方案是：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，具体步骤为：
步骤一、从矿井中采集的未标记矿震数据形成数据集，并将数据集输入地震深度神经网络模型进行训练，得到每个数据的标波结果，该结果正确率未知，称为标波伪结果；
步骤二、设定阈值A，将步骤一获得的每个数据标波伪结果均与专家知识方法获得的结果进行比较，若步骤一得到的其中一个数据标波点与专家知识得到的标波点差值绝对值大于阈值A，则以专家知识标波点为准，重新在数据集中进行标记，通过此反绎学习过程，得到该数据的反绎标记，若步骤一得到的其中一个数据标波点与专家知识得到的标波点差值绝对值小于等于阈值A，则保留步骤一获得的该数据标波点；完成一次处理后，将反绎标记数据和保留的数据形成新的数据集；
步骤三、将步骤二中新的数据集再次输入地震深度神经网络模型中进行训练，输出结果后再重复步骤二的过程，并对模型参数进行更新；
步骤四、持续循环步骤三的过程，直到某次输出的各个数据标波点与专家知识得到的标波点差值均小于等于阈值A时，即数据的伪标记与反绎后的标记一致，或者机器学习模型不再更新，则停止循环，形成最终的数据集和最终的矿井微震标波模型；
步骤五、设定阈值B，将步骤四的最终数据集输入由步骤四反绎学习得到的最终矿井微震标波模型，输出结果和专家知识方法获得的结果进行比对，若其中一个数据标波点与专家知识得到的标波点差值绝对值大于阈值B，则将该数据所属台站剔除，若其中一个数据标波点与专家知识得到的标波点差值绝对值小于等于阈值B，则将该数据保留，最后采用保留的数据作为矿井微震P波到时拾取的数据。
上述反绎学习主要目的为通过已知领域知识，对一组不完备的观察事实进行最有可能的解释。模仿人类决策过程，同时利用数据事实和规则知识有选择地推断某些事实和假设以解释现象和观察的过程。在矿井微震识别任务中引入，主要目的为平衡机器学习和专家知识在波形识别中的权重，提升模型总体的可解释性，解决矿井微震波形数据少的问题。在反绎学习中，给定m个训练数据{x1,x2,...,xm}，逻辑规则组成的知识库KB以及初始分类器c，学习任务希望构建出f:x→y以对未见的新数据能够做出正确判断，同时希望{(x1，f(x1))，(x2，f(x2))，…，(xm，f(xm))}所对应的逻辑事实与知识库相容，不存在冲突。
如公式所示，给定{x1,x2,...,xi}、c和知识库KB，反绎学习任务为求得f满足下面条件
第一个公式表示由示例{x1,x2,...,xi}以及分类器f确定逻辑事实O。如果O与知识库相容，即第二个公式成立，则返回当前的f以及相应的O；否则，通过逻辑反绎对O进行修正，得到与知识库相容的△(O)，再以此为基础通过ψ过程更新f。如果O与KB不相容，即第二个公式不成立，且不存在任何△能够使则学习过程结束，返回“失败”。
进一步，所述步骤一的地震深度神经网络模型分为上、下采样两部分，其中下采样过程有四个阶段，其作用是从原始采集数据提取能用于拾取微震波到时的波形特征，上采样过程也有四个阶段，其作用是将已提取的波形特征转换为P波、S波和噪声的三种概率分布；上、下采样阶段间均存在着跳跃连接。
进一步，所述步骤二中专家知识方法由STA\LTA(Short-Term to Long-TermAverage)方法和MER方法组成，其中STA\LTA方法为：
设置一短一长共两个滑动时间窗口，得出短时间窗和长时间窗内的能量比值，由于地震能量变化起伏大，当比值最大时标注为P波到时；
其中，X(i)表示短时间窗内地震信号振幅数据，i＝1，2…，N，Y(j)表示长时间窗内地震信号振幅数据，j＝1，2…，M，M和N分别表示长、短时间窗内的样本数；
MER方法，既修正能量比法，在能量比方法上进一步改进，使得波形变化更为明显，如下式：mer(i)值最大时间点，即为P波到时；
mer(i)＝er(i)3*abs(grm(i))
其中，abs(grm(i))是grm(i)的绝对值；
P波的标波伪结果与STA\LTA方法和Mer方法的两个标波结果分别进行比较，若标波伪结果与二者结果都不同时，取其差的绝对值的和，如下式：
error＝abs(R-Output)+abs(mer-Output)
其中，Output代表深度学习模型分类器得出的标波结果；
若error大于阈值A，为了不一致最小化，改变该波形的标波结果为STA\LTA方法结果，即对数据进行反绎学习中的反绎标记；否则，该波形的标波伪结果不变。
进一步，所述步骤五中输出结果和专家知识方法获得的结果进行比对，具体过程为：若其中一个数据标波点与STA\LTA方法和Mer方法各自标波点的差值绝对值之和大于阈值B，则将该数据剔除，若其中一个STA\LTA方法和Mer方法各自标波点的差值绝对值之和小于等于阈值B，则将该数据保留，从而完成比对过程。
与现有技术相比，本发明包括数据集、知识库与初始分类器，其中初始分类器选用地震深度神经网络模型，用分类器对输入数据集进行初步相位拾取，得到伪标记结果。将这些伪标记转换为相应的逻辑伪事实，然后通过逻辑推理来检验其与知识库(即STA\LTA方法和Mer方法)的相容性；若不相容，就对该条数据进行修正，使得修正后的伪事实与知识库的不一致性最小化。该修正后的新标记为对伪标记的修正，即为反绎标记，继续进入分类器，以此训练新的分类器。淘汰原有分类器，使用新分类器。不断循环该过程，直到分类器停止更新，或所有伪事实都与知识库不冲突为止，此时采用最终的模型对数据集进行分析处理后，获得输出结果，最后对输出结果通过设定阈值进行筛选，获得最终的矿井微震P波到时拾取的数据，本发明克服了现有地震识别模型不适用于矿井环境的缺点，解决了矿山微震波噪声大的问题，在有限的数据集基础上，提升模型准确度，鲁棒性强。
附图说明
图1是本发明的整体处理过程图。
具体实施方式
下面将对本发明作进一步说明。
如图1所示，本发明的具体步骤为：
步骤一、从矿井中采集的未标记矿震数据形成数据集，并将数据集输入地震深度神经网络模型进行训练，得到每个数据的标波结果，该结果正确率未知，称为标波伪结果；所述地震深度神经网络模型分为上、下采样两部分，其中下采样过程有四个阶段，其作用是从原始采集数据提取能用于拾取微震波到时的波形特征，上采样过程也有四个阶段，其作用是将已提取的波形特征转换为P波、S波和噪声的三种概率分布；上、下采样阶段间均存在着跳跃连接，本实施例中，设置卷积神经网络的核大小为7，步长为4；为保证卷积操作的输入、输出序列具有相同长度，卷积操作时，对每一层都进行填充。在该模型的最后一层使用Softmax归一化指数函数，既公式(2)，最后输出P波、S波和噪声的到时概率，概率峰值为标波伪结果。
本模型在训练时，使用公式(1)，保证损失函数最小，Softmax使用交叉熵损失函数；
其中，p(x)为真实概率分布，q(x)为预测分布；
其中，噪声、P波、S波到时分别由i为1、2、3表示，Z(x)代表最后一层的未缩放值；
步骤二、设定阈值A为200ms，将步骤一获得的每个数据标波伪结果均与专家知识方法获得的结果进行比较，若步骤一得到的其中一个数据标波点与专家知识得到的标波点差值绝对值大于阈值A，则以专家知识标波点为准，重新在数据集中进行标记，通过此反绎学习过程，得到该数据的反绎标记，若步骤一得到的其中一个数据标波点与专家知识得到的标波点差值绝对值小于等于阈值A，则保留步骤一获得的该数据标波点；专家知识方法由STA\LTA(Short-Term to Long-Term Average)方法和MER方法组成，其中STA\LTA方法为：
设置一短一长共两个滑动时间窗口，得出短时间窗和长时间窗内的能量比值，由于地震能量变化起伏大，当比值最大时标注为P波到时；本实施例中短时间窗和长时间窗分别取100ms和200ms。
其中，X(i)表示短时间窗内地震信号振幅数据，i＝1，2…，N，Y(j)表示长时间窗内地震信号振幅数据，j＝1，2…，M，M和N分别表示长、短时间窗内的样本数；
MER方法，既修正能量比法，在能量比方法上进一步改进，使得波形变化更为明显，本实施例中能量窗口长度均取32。公式(4)为原有的能量比方法，定义为下一个窗口内的能量除以前一个窗口的能量。er(i)值最大时间点，即为P波到时：
其中，其中grm(j)和grm(k)分别表示索引j和索引k处的地震记录值。
由于原有的能量比法不能很好处理噪声强烈干扰第一次到达的情况，于是本实施例中使用修正能量比法，如下式：mer(i)值最大时间点，即为P波到时；
mer(i)＝er(i)3*abs(grm(i)) (5)
其中，abs(grm(i))是grm(i)的绝对值；
P波的标波伪结果与STA\LTA方法和Mer方法的两个标波结果分别进行比较，若标波伪结果与二者结果都不同时，取其差的绝对值的和，如下式：
error＝abs(R-Output)+abs(mer-Output) (6)
其中，Output代表深度学习模型分类器得出的标波结果；
若error大于阈值A，为了不一致最小化，改变该波形的标波结果为STA\LTA方法结果，即对数据进行反绎学习中的反绎标记；否则，该波形的标波伪结果不变。完成一次处理后，将反绎标记数据和保留的数据形成新的数据集；
步骤三、将步骤二中新的数据集再次输入地震深度神经网络模型中进行训练，输出结果后再重复步骤二的过程，并对模型参数进行更新；
步骤四、持续循环步骤三的过程，直到某次输出的各个数据标波点与专家知识得到的标波点差值均小于等于阈值A时，即数据的伪标记与反绎后的标记一致，或者机器学习模型不再更新，则停止循环，形成最终的数据集和最终的矿井微震标波模型；
步骤五、设定阈值B为200ms，将步骤四的最终数据集输入由步骤四反绎学习得到的最终矿井微震标波模型，输出结果和专家知识方法获得的结果进行比对，若其中一个数据标波点与STA\LTA方法和Mer方法各自标波点的差值绝对值之和大于阈值B，则将该数据所属台站剔除，替换为其他台站数据，以保证本次微震标注的正确率，若其中一个STA\LTA方法和Mer方法各自标波点的差值绝对值之和小于等于阈值B，则将该数据保留，从而完成比对过程，最后采用保留的数据作为矿井微震P波到时拾取的数据。在一般情况下，矿井中都会设置有16个矿井微震监测台站，在本实施例中对P波到时拾取仅需要4个就可以定位，因此通过本实施例的方法能将不可靠的拾取结果去除，保留正确率更高的数据。
以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (4)
1.一种基于反绎学习的矿井微震P波到时拾取模型构建方法，其特征在于，具体步骤为：
步骤一、从矿井中采集的未标记矿震数据形成数据集，并将数据集输入地震深度神经网络模型进行训练，得到每个数据的标波结果，该结果正确率未知，称为标波伪结果；
步骤二、设定阈值A，将步骤一获得的每个数据标波伪结果均与专家知识方法获得的结果进行比较，若步骤一得到的其中一个数据标波点与专家知识得到的标波点差值绝对值大于阈值A，则以专家知识标波点为准，重新在数据集中进行标记，通过此反绎学习过程，得到该数据的反绎标记，若步骤一得到的其中一个数据标波点与专家知识得到的标波点差值绝对值小于等于阈值A，则保留步骤一获得的该数据标波点；完成一次处理后，将反绎标记数据和保留的数据形成新的数据集；
步骤三、将步骤二中新的数据集再次输入地震深度神经网络模型中进行训练，输出结果后再重复步骤二的过程，并对模型参数进行更新；
步骤四、持续循环步骤三的过程，直到某次输出的各个数据标波点与专家知识得到的标波点差值均小于等于阈值A时，即数据的伪标记与反绎后的标记一致，或者机器学习模型不再更新，则停止循环，形成最终的数据集和最终的矿井微震标波模型；
步骤五、设定阈值B，将步骤四的最终数据集输入由步骤四反绎学习得到的最终矿井微震标波模型，输出结果和专家知识方法获得的结果进行比对，若其中一个数据标波点与专家知识得到的标波点差值绝对值大于阈值B，则将该数据剔除，若其中一个数据标波点与专家知识得到的标波点差值绝对值小于等于阈值B，则将该数据保留，最后采用保留的数据作为矿井微震P波到时拾取的数据。
2.根据权利要求1所述的基于反绎学习的矿井微震P波到时拾取模型构建方法，其特征在于，所述步骤一的地震深度神经网络模型分为上、下采样两部分，其中下采样过程有四个阶段，其作用是从原始采集数据提取能用于拾取微震波到时的波形特征，上采样过程也有四个阶段，其作用是将已提取的波形特征转换为P波、S波和噪声的三种概率分布；上、下采样阶段间均存在着跳跃连接。
3.根据权利要求1所述的基于反绎学习的矿井微震P波到时拾取模型构建方法，其特征在于，所述步骤二中专家知识方法由STA\LTA方法和MER方法组成，其中STA\LTA方法为：
设置一短一长共两个滑动时间窗口，得出短时间窗和长时间窗内的能量比值，由于地震能量变化起伏大，当比值最大时标注为P波到时；
其中，X(i)表示短时间窗内地震信号振幅数据，i＝1，2…，N，Y(j)表示长时间窗内地震信号振幅数据，j＝1，2…，M，M和N分别表示长、短时间窗内的样本数；
MER方法，既修正能量比法，在能量比方法上进一步改进，使得波形变化更为明显，如下式：mer(i)值最大时间点，即为P波到时；
mer(i)＝er(i)3*abs(grm(i))
其中，abs(grm(i))是grm(i)的绝对值，er(i)是下一个窗口内能量除以前一个窗口内能量的比值；
P波的标波伪结果与STA\LTA方法和Mer方法的两个标波结果分别进行比较，若标波伪结果与二者结果都不同时，取其差的绝对值的和，如下式：
error＝abs(R-Output)+abs(mer-Output)
其中，Output代表深度学习模型分类器得出的标波结果；
若error大于阈值A，为了不一致最小化，改变该波形的标波结果为STA\LTA方法结果，即对数据进行反绎学习中的反绎标记；否则，该波形的标波伪结果不变。
4.根据权利要求3所述的基于反绎学习的矿井微震P波到时拾取模型构建方法，其特征在于，所述步骤五中输出结果和专家知识方法获得的结果进行比对，具体过程为：若其中一个数据标波点与STA\LTA方法和Mer方法各自标波点的差值绝对值之和大于阈值B，则将该数据剔除，若其中一个STA\LTA方法和Mer方法各自标波点的差值绝对值之和小于等于阈值B，则将该数据保留，从而完成比对过程。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310065948.4A CN115963548B (zh) | 2023-01-16 | 2023-01-16 | 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 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310065948.4A CN115963548B (zh) | 2023-01-16 | 2023-01-16 | 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 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115963548A CN115963548A (zh) | 2023-04-14 |
| CN115963548B true CN115963548B (zh) | 2024-01-23 |
Family
ID=87358223
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310065948.4A Active CN115963548B (zh) | 2023-01-16 | 2023-01-16 | 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 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115963548B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117035424B (zh) * | 2023-08-23 | 2024-09-27 | 中国矿业大学 | 一种基于反绎学习的矿井安全态势协作感知系统及方法 |
| CN117991349A (zh) * | 2024-04-07 | 2024-05-07 | 吉林大学 | 一种基于改进蚁狮优化算法的微震定位方法 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20150029397A (ko) * | 2013-09-10 | 2015-03-18 | (주)에이케이지씨 | 배경잡음에 강인한 지진파 자동 검출 장치 및 그 방법 |
| CN108805269A (zh) * | 2018-06-28 | 2018-11-13 | 杭州叙简科技股份有限公司 | 一种基于lstm循环神经网络拾取震相到时的方法 |
| CN108919353A (zh) * | 2018-07-03 | 2018-11-30 | 华北科技学院 | 一种微震波形初至到时的自动分级拾取与优选方法 |
| 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 |
| CN111505713A (zh) * | 2020-01-21 | 2020-08-07 | 长江大学 | 基于多点地质统计的叠前地震反演方法 |
| WO2021027026A1 (zh) * | 2019-08-15 | 2021-02-18 | 东北大学 | 基于机器学习的地震波震动性质识别方法 |
| US11226423B1 (en) * | 2020-08-06 | 2022-01-18 | Xi'an Jiaotong University | Model-driven deep learning-based seismic super-resolution inversion method |
| CN114757266A (zh) * | 2022-03-27 | 2022-07-15 | 中国矿业大学 | 专家知识与数据融合驱动的冲击地压预测模型构建方法 |
| CN114841210A (zh) * | 2022-05-16 | 2022-08-02 | 辽宁大学 | 一种基于深度学习的微震多时窗智能p波到时拾取方法 |
| 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 |
-
2023
- 2023-01-16 CN CN202310065948.4A patent/CN115963548B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20150029397A (ko) * | 2013-09-10 | 2015-03-18 | (주)에이케이지씨 | 배경잡음에 강인한 지진파 자동 검출 장치 및 그 방법 |
| CN108805269A (zh) * | 2018-06-28 | 2018-11-13 | 杭州叙简科技股份有限公司 | 一种基于lstm循环神经网络拾取震相到时的方法 |
| CN108919353A (zh) * | 2018-07-03 | 2018-11-30 | 华北科技学院 | 一种微震波形初至到时的自动分级拾取与优选方法 |
| WO2021027026A1 (zh) * | 2019-08-15 | 2021-02-18 | 东北大学 | 基于机器学习的地震波震动性质识别方法 |
| CN111505713A (zh) * | 2020-01-21 | 2020-08-07 | 长江大学 | 基于多点地质统计的叠前地震反演方法 |
| 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 |
| US11226423B1 (en) * | 2020-08-06 | 2022-01-18 | Xi'an Jiaotong University | Model-driven deep learning-based seismic super-resolution inversion method |
| CN114757266A (zh) * | 2022-03-27 | 2022-07-15 | 中国矿业大学 | 专家知识与数据融合驱动的冲击地压预测模型构建方法 |
| CN114841210A (zh) * | 2022-05-16 | 2022-08-02 | 辽宁大学 | 一种基于深度学习的微震多时窗智能p波到时拾取方法 |
| 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 |
Non-Patent Citations (4)
| Title |
|---|
| AEnet: automatic picking of P-Wave first arrivals using deep learning;Guo C et al;IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING;第59卷(第06期);5293-5303 * |
| Bridging Machine Learning and Logical Reasoning by Abductive Learning;Dai wz et al;Advances in Neural Information Processing System;第32卷;1-12 * |
| 基于深度学习的地震事件检测及波形初至拾取方法研究;余杨;中国优秀硕士学位论文全文数据库;第基础科学辑卷(第09期);A011-230 * |
| 微震源定位的两步反演方法研究;李绍红;吴礼舟;杨戒;王少阳;;岩石力学与工程学报(第07期) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115963548A (zh) | 2023-04-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115963548B (zh) | 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 | |
| CN106405640B (zh) | 基于深度信念神经网络的微震信号到时自动拾取方法 | |
| CN106407649B (zh) | 基于时间递归神经网络的微震信号到时自动拾取方法 | |
| US11016214B2 (en) | Dolomite reservoir prediction method and system based on well and seismic combination, and storage medium | |
| CN104570083B (zh) | 基于多维地震属性的地质体自动识别方法 | |
| CN111027452B (zh) | 基于深度神经网络的微震信号到时和震相识别方法及系统 | |
| CN112989708B (zh) | 一种基于lstm神经网络的测井岩性识别方法及系统 | |
| CN113568043B (zh) | 基于深度卷积神经网络的三阶段震相拾取方法 | |
| CN108921285A (zh) | 基于双向门控循环神经网络的序列中单一元素分类方法 | |
| CN111126434B (zh) | 基于随机森林的微震初至波到时自动拾取方法及系统 | |
| CN115327616B (zh) | 一种海量数据驱动的矿山微震震源自动定位方法 | |
| CN113850161B (zh) | 基于lstm深度降噪自编码器的飞轮故障识别方法 | |
| CN117272841B (zh) | 一种基于混合神经网络的页岩气甜点预测方法 | |
| CN114492521A (zh) | 一种基于声振信号的随钻岩性智能识别方法与系统 | |
| CN111242131B (zh) | 一种智能阅卷中图像识别的方法、存储介质及装置 | |
| CN113283467B (zh) | 一种基于平均损失和逐类选择的弱监督图片分类方法 | |
| CN117912457A (zh) | 一种针对语音互动装置的训练和测试方法及系统 | |
| CN113657520A (zh) | 一种基于深度置信网络和长短时记忆网络的入侵检测方法 | |
| CN115952410B (zh) | 一种基于深度学习的滑坡灾害检测系统 | |
| CN112348922B (zh) | 一种测井曲线自动绘制方法、系统、装置及存储介质 | |
| CN115147432A (zh) | 一种基于深度残差语义分割网络的初至拾取方法 | |
| CN115456040A (zh) | 一种基于卷积神经网络的p波捡拾算法 | |
| CN113592028A (zh) | 多专家分类委员会机器测井流体识别的方法及系统 | |
| CN113642772A (zh) | 基于机器学习的测井储层识别预测方法 | |
| CN117590471A (zh) | 一种用于判别泥页岩亮晶的智能识别方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |