CN117665911A - 基于面波信号加窗分析的土岩界面的识别方法及相关装置 - Google Patents

Abstract

本申请提供一种基于面波信号加窗分析的土岩界面的识别方法及相关设备，该方法获取待检测目标岩土介质对应的多道面波信号；通过空间域的高斯窗口函数对所述多道面波信号进行空间滤波，得到多个子信号片段；对每个所述信号片段进行频散分析，得到每个所述信号片段对应的频散曲线；基于所述频散曲线得到所述目标岩土介质对应的二维横波速度模型；基于所述二维横波速度模型识别所述目标岩土介质的土岩界面，从而通过在空间域加窗的方法提取面波信号的局部特征，使得由此提取的频散曲线能够更好地反映地下介质土岩界面沿水平方向的起伏变化，进一步提高了土岩界面的识别的准确度。

Description

基于面波信号加窗分析的土岩界面的识别方法及相关装置

技术领域

本申请涉及土岩勘察技术领域，尤其涉及一种基于面波信号加窗分析的土岩界面的识别方法及相关装置。

背景技术

获得工程建设场地地表范围内地下空间的土岩界面分布情况对于隧道、基础、地基处理等常见岩土工程的设计施工有着重要意义。准确的土体-岩体界面(土岩界面)识别能够有效帮助工程提升安全可靠度，缩短工期并节约建设成本。目前，相关技术中，对土岩界面的识别的准确度较低，而且无法准确的反映起伏程度较大的土岩界面变化情况。

发明内容

有鉴于此，本申请的目的在于提出一种基于面波信号加窗分析的土岩界面的识别方法及相关装置。

基于上述目的，本申请提供了一种基于面波信号加窗分析的土岩界面的识别方法，包括：

获取待检测目标岩土介质对应的多道面波信号；

通过空间域的高斯窗口函数对所述多道面波信号进行空间滤波，得到多个子信号片段；

对每个所述信号片段进行频散分析，得到每个所述信号片段对应的频散曲线；

基于所述频散曲线得到所述目标岩土介质对应的二维横波速度模型；

基于所述二维横波速度模型识别所述目标岩土介质的土岩界面。

基于同一发明构思，本申请实施例还提供了一种基于面波信号加窗分析的土岩界面的识别装置，包括：

获取模块，获取待检测目标岩土介质对应的多道面波信号；

滤波模块，通过空间域的高斯窗口函数对所述多道面波信号进行空间滤波，得到多个子信号片段；

分析模块，对每个所述信号片段进行频散分析，得到每个所述信号片段对应的频散曲线；

速度模块，基于所述频散曲线得到所述目标岩土介质对应的二维横波速度模型；

识别模块，基于所述二维横波速度模型识别所述目标岩土介质的土岩界面。

基于同一发明构思，本申请示例性实施例还提供了一种电子设备，包括存储器、处理器及存储在所述存储器上并可由所述处理器执行的计算机程序，所述处理器执行所述程序时实现如上所述的基于面波信号加窗分析的土岩界面的识别方法。

基于同一发明构思，本申请实施例还提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使计算机执行如上所述的基于面波信号加窗分析的土岩界面的识别方法。

从上面所述可以看出，本申请提供的基于面波信号加窗分析的土岩界面的识别方法及相关设备，获取待检测目标岩土介质对应的多道面波信号；通过空间域的高斯窗口函数对所述多道面波信号进行空间滤波，得到多个子信号片段；对每个所述信号片段进行频散分析，得到每个所述信号片段对应的频散曲线；基于所述频散曲线得到所述目标岩土介质对应的二维横波速度模型；基于所述二维横波速度模型识别所述目标岩土介质的土岩界面，从而通过在空间域加窗的方法提取面波信号的局部特征，使得由此提取的频散曲线能够更好地反映地下介质土岩界面沿水平方向的起伏变化，进一步提高了土岩界面的识别的准确度。

附图说明

为了更清楚地说明本申请或相关技术中的技术方案，下面将对实施例或相关技术描述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申请的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本申请实施例的一种基于面波信号加窗分析的土岩界面的识别方法的流程示意图；

图2为本申请实施例的一种面波数据采集装置的结构示意图；

图3为本申请实施例的一种高斯窗口函数分布的示意图；

图4为本申请实施例的一种通过高斯窗口函数进行空间滤波的效果示意图；

图5为本申请实施例的一种训练横波速度反演网络模型的流程示意图；

图6为本申请实施例的一种横波速度反演网络模型的结构示意图；

图7为本申请实施例的一种二维样本横波速度模型的示意图；

图8为本申请实施例的一种横波速度反演网络模型输出结果对比的示意图；

图9为本申请实施例的另一种基于面波信号加窗分析的土岩界面的识别方法的流程示意图；

图10为本申请实施例的一种基于面波信号加窗分析的土岩界面的识别装置的结构示意图。

图11为本申请实施例的一种具体的电子设备的结构示意图。

具体实施方式

为使本申请的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本申请进一步详细说明。

需要说明的是，除非另外定义，本申请实施例使用的技术术语或者科学术语应当为本申请所属领域内具有一般技能的人士所理解的通常意义。本申请实施例中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。

如背景技术所述，相关技术中一般通过高频多道面波分析法来识别土岩界面。高频多道面波分析法是地表地球物理探测方法的一种，具有经济、快速、无损等特点。该方法主要通过主动激发震动能量源并在距离震源一定范围外的地表布置多道检波器阵列来接收频率范围在10-80Hz内的面波信号。面波是一种在地表附近传播的地震波类型，在竖向非均匀介质中具有频散特性。高频多道面波分析法就是利用了这一特性对地下介质进行二维成像，成像结果是连续的横波速度剖面，从而能够很好地反映土岩界面的变化情况。

相关技术中的高频多道面波法分析流程一般包括：①获取面波数据；②计算面波频散能量谱并提取频散曲线；③反演频散曲线获取一维横波速度模型并将其置于检波器排列中点；④移动检波器阵列并重复上述流程直至完全覆盖目标探测区域；⑤对一维横波速度模型插值从而形成二维横波速度模型剖面。但由于频散曲线是对于检波器阵列下方地层情况的平均响应，每组检波器阵列对应的频散曲线只能得到位于该组检波器阵列的中点位置的一维横波速度模型，不仅效率较低，而且无法关注到该组检波器阵列中的其他局部位置的横波速度模型，且上述分析方法受限于面波频散理论的横向层状介质假设，无法准确反映起伏程度较大的土岩界面变化情况。

综上所述，为解决上述问题，本申请提出了一种基于面波信号加窗分析的土岩界面的识别方法，先获取待检测目标岩土介质对应的多道面波信号；然后通过空间域的高斯窗口函数对所述多道面波信号进行空间滤波，得到多个子信号片段；接着对每个所述信号片段进行频散分析，得到每个所述信号片段对应的频散曲线；并基于所述频散曲线得到所述目标岩土介质对应的二维横波速度模型；最后基于所述二维横波速度模型识别所述目标岩土介质的土岩界面，通过在空间域加窗的方法提取面波信号的局部特征，使得每组检波器阵列对应的频散曲线能够得到位于该组检波器阵列中的多个位置对应的一维横波速度模型，进一步提高了二维横波速度模型的准确性，并使得由此提取的频散曲线能够更好地反映地下介质土岩界面沿水平方向的起伏变化，进一步提高了土岩界面的识别的准确度。

参考图1，为本申请实施例的一种基于面波信号加窗分析的土岩界面的识别方法的流程示意图，该方法包括以下步骤：

S101，获取待检测目标岩土介质对应的多道面波信号。

具体实施时，待检测目标岩土介质即当前需要识别的地表深度范围以内的地下岩土介质。目标岩土介质对应的多道面波信号可以通过检波器阵列来采集多道面波信号。

参考图2，为本申请实施例中一种高频多道面波观测装置。其中，检波器以线性阵列形式排列于震源一侧并接收地表震动信号的垂直分量。检波器阵列中的检波器数量可以根据需要进行设置，对此不做限定，例如，本实施例中，一共设置了48个检波器，检波器与震源之间最小距离为10米，相邻检波器之间的距离设置为1m。为覆盖较大范围的场地，可以以滚动采集的方式来进行。即每完成一次采集就将检波器阵列以及震源共同沿测线方向移动，开始下一次采集流程。可选的，每次移动的距离可以根据需要进行设置，例如，本实施例中震源以2m的间隔从左到右移动。其中，检波器与现场主机相连，其采集的数据可以在主机上实时查看。当确认采集数据质量较好之后，主机内置的程序将根据算法自动对地震数据进行处理并以二维横波速度剖面的形式呈现处理结果，从而可以通过二维横波速度剖面来进一步识别土岩界面。

在一些实施例中，震源激发选择6-10kg重锤即可满足勘探深度20-30m的要求，可根据场地条件具体选择。检波器应与地面良好耦合以保证采集信号的质量，其传感器响应的自然频率在4.5-6Hz较为合适。检波器的采样间隔设置为4ms即可。

S102，通过空间域的高斯窗口函数对所述多道面波信号进行空间滤波，得到多个子信号片段。

具体实施时，为了能够提取面波信号的局部特征，在获取待检测目标岩土介质对应的多道面波信号后，进一步通过空间域的高斯窗口函数对所述多道面波信号进行空间滤波，得到多个子信号片段。需要说明的是，每个子信号片段包括多道面波信号中的部分面波信号，例如，某实施例中，目标岩土介质一共对应有48道面波信号，则每个子信号片段可以是48道面波信号中的40道面波信号。

在一些实施例中，通过空间域的高斯窗口函数对所述多道面波信号进行空间滤波，得到多个子信号片段，具体包括：

通过以下公式确定每个所述信号片段对应的各道面波信号的权重：

其中，w_i表示高斯窗口函数在第i道面波信号上施加的权重，α表示控制高斯窗口函数宽度的参数，β_j表示第j个所述信号片段对应的控制高斯窗口函数位置的参数，N为所述多道面波信号的数量减1；

对于每个子信号片段，基于所述信号片段对应的各道面波信号的权重对所述多道面波信号进行空间滤波，得到所述子信号片段。

具体实施时，α和β_j的具体数值可以根据需要进行设置，在一些实施例中，α可以设置为5，β_j可以设置为集合{0.2、0.3、0.4、0.5、0.6、0.7、0.8}中的数值，即当前子信号片段的数量为7。当多道面波信号施加一个高斯窗口函数后，每个高斯窗口函数对应宽度范围内的面波信号被提取出来。当施加多个窗函数后，完整的多道面波信号即被分割为对应于高斯窗口函数个数的子信号片段。

参考图3和图4，其中，图3中包括了7个高斯窗口函数对应的曲线，从左到右，高斯窗口函数对应的β值分别为0.2、0.3、0.4、0.5、0.6、0.7、0.8。可以看到不同的高斯窗口函数对应的权重的最大值集中在不同的地震道数附近，从而使得通过高斯窗口函数获得的子信号片段集中分布在不同的检波器的附近。其中，图4表示了某个高斯窗口函数的空间滤波效果，可以看到图4中，经过高斯窗口函数的空间滤波，图4(b)中检波器接收到的面波信号(出现波动的信号)的道数小于图4(a)中检波器接收到的面波信号的道数。

S103，对每个所述信号片段进行频散分析，得到每个所述信号片段对应的频散曲线。

具体实施时，在得到多个所述信号片段后，需要先对每个所述信号片段进行频散分析，得到每个所述信号片段对应的频散曲线。需要说明的是，信号片段只是从多道面波信号中筛选出了部分的面波信号，得到的信号片段依然是面波信号，该面波信息属于地震波的振幅随时间进行变化的信号，通过频散分析需要得到地震波的相速度随频率发生变化的信号。可选的，具体的频散分析过程可以参考相关技术中的频散分析方法，具体实施过程不做限定。

在一些实施例中，可以采用F-K变换法，提取面波信号的频率范围在5-50Hz范围内的频散曲线。

在一些实施例中，F-K变换表达式如下：

其中，p(k,ω)为面波信号d(x,t)对应的频率-波数谱。在获取到频率-波数谱后，可以根据极值点对应的频率以及波数计算出相应相速度后就能形成频散曲线。

S104，基于所述频散曲线得到所述目标岩土介质对应的二维横波速度模型。

具体实施时，在得到每个所述信号片段对应的频散曲线后，可以根据该频散曲线得到所述目标岩土介质对应的二维横波速度模型。

在一些实施例中，基于所述频散曲线得到所述目标岩土介质对应的横波速度模型，具体包括：

对每个所述信号片段对应的频散曲线进行横波速度反演，得到每个所述信号片段对应的一维横波速度模型；

基于多个所述一维横波速度模型得到所述目标岩土介质对应的二维横波速度模型。

具体实施时，在得到多个所述信号片段对应的多个频散曲线后，可以通过横波速度反演来得到每个信号片段对应的一维横波速度模型。可选的，具体横波速度反演的方法，可以参考相关技术中的横波速度反演方法，对此不做限定。在得到多个所述一维横波速度模型后，可以将这些一维横波速度模型按照距离震源的距离拼接到一起，得到二维横波速度模型。

在一些实施例中，基于所述频散曲线得到所述目标岩土介质对应的横波速度模型，具体包括：

将所有所述信号片段对应的频散曲线转化为一个频散矩阵；

将所述频散矩阵输入到训练获得的横波速度反演网络模型中，得到横波速度矩阵；其中，所述横波速度矩阵包括多个一维横波速度模型，每个一维横波速度模型对应一个所述信号片段；

基于所述多个一维横波速度模型得到所述目标岩土介质对应的二维横波速度模型。

具体实施时，为了进一步提高横波速度反演的效率和准确度，可以将所有所述信号片段对应的频散曲线转化为一个频散矩阵，作为训练获得的横波速度反演网络模型的输入，然后由横波速度反演网络模型，对多条频散曲线同时进行反演，并且以频散曲线间相互关系作为约束条件，能够分挖掘频散数据的特征，进一步提高了横波速度反演的准确性。可选的，当多个子信号片段的数量为7个时，可以将7个信号片段对应的频散曲线转化为一个46×7频散矩阵。其中，46表示5-50Hz的频率范围，且每个相邻频率的间隔为1，即46个频率依次为：5Hz、6Hz……50Hz。

需要说明的是，在训练横波速度反演网络模型时，可以先选择一个基准模型，确定横波速度反演网络模型的基本结构，然后以频散曲线构成的二维相速度数据矩阵作为模型的输入，以二维的横波数据矩阵作为模型的输出训练基准模型。具体训练模型的方法可以参考相关技术中对于神经网络模型的训练，对此不做限定。参考图5，为本申请实施例的一种训练横波速度反演网络模型的流程示意图，该横波速度反演网络模型的基准模型包括编码器和解码器，在训练基准模型时，先将样本频散曲线输入到编码器中，以提取样本频散曲线的特征，然后将编码器的输出结果输入到解码器中，通过解码器的输出得到二维的横波数据矩阵，然后将该二维的横波数据矩阵与事先获得的样本频散曲线对应的标签结果计算损失函数，并通过损失函数的结果调节基准模型的参数，以完成横波速度反演网络模型的训练。

在一些实施例中，所述横波速度反演网络模型的基准网络模型为卷积神经网络模型，所述卷积神经网络模型包括编码器和解码器；所述编码器包括多个卷积层，所述解码器包括多个卷积层和多个反卷积层。需要说明的是，具体的卷积层或反卷积层的数量可以根据需要进行设置，对此不做限定。参考图6，为本申请实施例的一种横波速度反演网络模型的结构示意图，其中，图6的输入数据的维度是1×46×7(通道数×长度×宽度)。首先经过包含10层卷积层的编码层，原始数据变成维度为128×1×1的新数据，该过程将原始数据的特征提取了出来，并降低了原始数据的维度。解码器作用在于恢复数据的维度，其中共包含5个反卷积层以及5个卷积层，最终数据被恢复成维度为1×41×7的速度模型。编码器和解码器的组合有效地将相速度矩阵映射为横波速度矩阵。

在一些实施例中，构建训练所述横波速度反演网络模型的样本数据集的过程包括：

随机生成多个二维样本横波速度模型；

对于每个二维样本横波速度模型，进行弹性波波场的数值模拟，得到所述样本横波速度模型对应的面波数据；通过空间域的高斯窗口函数对所述面波数据进行空间滤波，得到多个子数据片段；对每个所述数据片段进行频散分析，得到每个所述数据片段对应的样本频散曲线；将所有所述数据片段对应的样本频散曲线转化为一个样本频散矩阵；从所述二维样本横波速度模型中确定每个所述数据片段对应的一维样本横波速度模型；基于所有所述一维样本横波速度模型得到样本横波速度矩阵；

基于所述样本频散矩阵与所述样本横波速度矩阵构建训练所述横波速度反演网络模型的样本数据集。

具体实施时，为了便于得到大量训练模型的样本数据，可以通过数据模拟来生成样本数据集。可选的，样本数据集的构建过程包括：①建立随机横波速度模型以表征不同的岩土界面起伏情况，如图7所示，图7展示了四种横波速度模型。其中，横波速度模型的大小为40m×100m，20m深度以下为均匀的半无限空间。可选的，随机生成的横波速度模型中地层层数(2-3层)、地(底)层速度值(200m/s-800m/s，从上到下逐渐递增)、地层厚度(5m-20m)、地层界面倾斜角度(0°-9°)、地层界面起伏类型(单个或两个的凸起或凹陷)都是随机赋值的。②基于随机生成的速度模型进行弹性波波场的数值模拟。可选的，具体的数值模拟方法可以采用交错网格有限差分法，人工边界采用PML边界，空间网格大小设置为0.5m×0.5m。模拟过程中的时间步长设置为0.05ms，然后共模拟0.4s长的地震记录(面波信号)。震源是一个中心频率为20Hz的Ricker(雷克)子波。可选的，可以在单个模型中模拟20个连续的震源激励，震源以2m的间隔从左到右移动。为了进一步还原实际检测过程，48个检波器被模拟放置在震源的右侧，检波器与震源之间最小距离为10米，相邻检波器之间的距离设置为1m。③选用空间域的高斯窗函数对地震记录进行空间滤波。在本实施例中，通过高斯窗函数单次震源激发所产生的完整记录就在空间域中被分割为了7个地震记录片段(子信号片段)。④对每个地震记录片段进行频散分析。频散分析方法采用F-K变换法，提取频率范围在5-50Hz范围内的频散曲线，并将同一地震记录产生的7个地震记录片段所对应的频散曲线组装至同一矩阵内，因此该矩阵大小为46×7。⑤生成训练数据-标签对。上述的频散曲线组即为用于训练的输入数据。而其对应的标签是在随机生成的横波速度模型中，由每个高斯窗函数最大值在空间中对应位置处的1维横波速度模型组合形成的，其矩阵形式的大小为46×7。

在一些实施例中，通过以下公式调节所述卷积神经网络模型的参数；

其中，m表示训练样本标签，θ表示所述卷积神经网络模型的参数，d_obs表示所述卷积神经网络模型的输出结果，λ₁、λ₂、λ₃均表示预设权重系数，‖·‖_p表示p范数，P为正整数，表示n维向量集合，n为正整数。

在一些实施例中，在训练所述卷积神经网络模型时，输入数据在输入所述卷积神经网络模型前按列进行标准化以减少训练过程中权重偏置，训练样本数据集部署在GPU上并按批量大小64完成400轮次的训练。优化器选择随机梯度下降优化器，其学习率、动量、权重衰减等超参数分别设置为0.1，0.009以及0.001。

参考图8，为本申请实施例的一种横波速度反演网络模型输出结果对比的示意图，其中，图8(a)展示了一个两层的横波速度模型，上层横波速度为400m/s，下层速度为600m/s。按本实施例中所述的方法将图8(a)展示的横波速度模型对应的频散曲线组输入训练好的横波速度反演网络模型，输出结果如图8(b)所示。可以看到图8(b)相比于真实模型图8(a)来说较为准确地刻画了界面的形状和强烈起伏的特征，反演的横波速度值误差小，成像的横向分辨率较高。

S105，基于所述二维横波速度模型识别所述目标岩土介质的土岩界面。

具体实施时，在得到目标岩土介质对应的二维横波速度模型后，可以根据该二维横波速度模型识别所述目标岩土介质的土岩界面。可选的，可以沿深度方向，将二维横波速度模型中，不同横波速度的交界确定为土岩界面。

参考图9，为本申请实施例的另一种基于面波信号加窗分析的土岩界面的识别方法的流程示意图；其中，目标土岩介质对应的实测面波数据(面波信号)先在空间域施加高斯窗函数，得到多个面波数据片段(即子信号片段)，然后通过F-K变换，将多个面波数据片段转化为局部频散曲线簇，然后将该局部频散曲线簇输入到训练得到的用于频散曲线二维反演的神经网络，由该神经网络输出由多个一维横波速度模型组成的离散的二维横波速度模型，然后将反演结果中每个一维横波速度模型应放置于其对应的高斯窗函数的中间位置点，并根据各检波器阵列以及高斯窗函数的相对空间位置重新排列这些输出结果就能得到连续的二维横波速度剖面。可选的，用于频散曲线二维反演的神经网络是通过合成面波数据训练神经网络模型得到的。需要说明的是，可以通过移动震源来获得多组面波信号对应的多个一维横波速度模型，然后重新排列这些一维横波速度模型，得到连续的二维横波速度剖面。

本申请提供的基于面波信号加窗分析的土岩界面的识别方法，相比于传统面波勘探方法，能够在勘探工作量相同的基础上获得更大水平范围内的成像结果，节省了工作量，显著提升了勘探效率，降低了勘探人工成本。同时，采用本发明，相比于传统面波勘探方法只能获得平滑的成像结果，可以通过对地震记录在空间域加窗的方法提取面波信号的局部特征，使得由此提取的频散曲线能够更好地反映地下介质界面沿水平方向的起伏变化。此外，采用本发明，相比传统面波频散曲线反演方法只能获得一维的横波波速模型，可以对多条频散曲线同时进行反演，以频散曲线间相互关系作为约束条件，通过深度卷积神经网络充分挖掘频散数据的特征，最终反演获得能够反映岩土界面强烈起伏情况下的二维横波波速剖面。最后，采用本发明，相比传统面波频散曲线反演方法基于物理驱动，可以实现基于数据驱动的频散曲线反演。通过依赖深度神经网络对于反演算子的逼近能力以及在大量模拟数据上的训练，无需初始模型，实现从相速度到横波速度的直接映射，在少量已知先验信息的基础上实现快速、智能、可靠的反演流程，不涉及复杂的参数设定和反演迭代，在计算成本和稳定性上有明显优势。

需要说明的是，本申请实施例的方法可以由单个设备执行，例如一台计算机或服务器等。本实施例的方法也可以应用于分布式场景下，由多台设备相互配合来完成。在这种分布式场景的情况下，这多台设备中的一台设备可以只执行本申请实施例的方法中的某一个或多个步骤，这多台设备相互之间会进行交互以完成所述的方法。

需要说明的是，上述对本申请的一些实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于上述实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

基于同一发明构思，与上述任意实施例方法相对应的，本申请还提供了一种基于面波信号加窗分析的土岩界面的识别装置。

参考图10，所述基于面波信号加窗分析的土岩界面的识别装置，包括：

获取模块201，获取待检测目标岩土介质对应的多道面波信号；

滤波模块202，通过空间域的高斯窗口函数对所述多道面波信号进行空间滤波，得到多个子信号片段；

分析模块203，对每个所述信号片段进行频散分析，得到每个所述信号片段对应的频散曲线；

速度模块204，基于所述频散曲线得到所述目标岩土介质对应的二维横波速度模型；

识别模块205，基于所述二维横波速度模型识别所述目标岩土介质的土岩界面。

为了描述的方便，描述以上装置时以功能分为各种模块分别描述。当然，在实施本申请时可以把各模块的功能在同一个或多个软件和/或硬件中实现。

上述实施例的装置用于实现前述任一实施例中相应的基于面波信号加窗分析的土岩界面的识别方法，并且具有相应的方法实施例的有益效果，在此不再赘述。

基于同一发明构思，与上述任意实施例方法相对应的，本申请还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上任意一实施例所述的基于面波信号加窗分析的土岩界面的识别方法。

图11示出了本实施例所提供的一种更为具体的电子设备硬件结构示意图，该设备可以包括：处理器1010、存储器1020、输入/输出接口1030、通信接口1040和总线1050。其中处理器1010、存储器1020、输入/输出接口1030和通信接口1040通过总线1050实现彼此之间在设备内部的通信连接。

处理器1010可以采用通用的CPU(Central Processing Unit，中央处理器)、微处理器、应用专用集成电路(Application Specific Integrated Circuit，ASIC)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本说明书实施例所提供的技术方案。

存储器1020可以采用ROM(Read Only Memory，只读存储器)、RAM(Random AccessMemory，随机存取存储器)、静态存储设备，动态存储设备等形式实现。存储器1020可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器1020中，并由处理器1010来调用执行。

输入/输出接口1030用于连接输入/输出模块，以实现信息输入及输出。输入输出/模块可以作为组件配置在设备中(图中未示出)，也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等，输出设备可以包括显示器、扬声器、振动器、指示灯等。

通信接口1040用于连接通信模块(图中未示出)，以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式(例如USB、网线等)实现通信，也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信。

总线1050包括一通路，在设备的各个组件(例如处理器1010、存储器1020、输入/输出接口1030和通信接口1040)之间传输信息。

需要说明的是，尽管上述设备仅示出了处理器1010、存储器1020、输入/输出接口1030、通信接口1040以及总线1050，但是在具体实施过程中，该设备还可以包括实现正常运行所必需的其他组件。此外，本领域的技术人员可以理解的是，上述设备中也可以仅包含实现本说明书实施例方案所必需的组件，而不必包含图中所示的全部组件。

上述实施例的电子设备用于实现前述任一实施例中相应的基于面波信号加窗分析的土岩界面的识别方法，并且具有相应的方法实施例的有益效果，在此不再赘述。

基于同一发明构思，与上述任意实施例方法相对应的，本申请还提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行如上任一实施例所述的基于面波信号加窗分析的土岩界面的识别方法。

本实施例的计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，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)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。

上述实施例的存储介质存储的计算机指令用于使所述计算机执行如上任一实施例所述的基于面波信号加窗分析的土岩界面的识别方法，并且具有相应的方法实施例的有益效果，在此不再赘述。

所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本申请的范围(包括权利要求)被限于这些例子；在本申请的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本申请实施例的不同方面的许多其它变化，为了简明它们没有在细节中提供。

另外，为简化说明和讨论，并且为了不会使本申请实施例难以理解，在所提供的附图中可以示出或可以不示出与集成电路(IC)芯片和其它部件的公知的电源/接地连接。此外，可以以框图的形式示出装置，以便避免使本申请实施例难以理解，并且这也考虑了以下事实，即关于这些框图装置的实施方式的细节是高度取决于将要实施本申请实施例的平台的(即，这些细节应当完全处于本领域技术人员的理解范围内)。在阐述了具体细节(例如，电路)以描述本申请的示例性实施例的情况下，对本领域技术人员来说显而易见的是，可以在没有这些具体细节的情况下或者这些具体细节有变化的情况下实施本申请实施例。因此，这些描述应被认为是说明性的而不是限制性的。

尽管已经结合了本申请的具体实施例对本申请进行了描述，但是根据前面的描述，这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。例如，其它存储器架构(例如，动态RAM(DRAM))可以使用所讨论的实施例。

本申请实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此，凡在本申请实施例的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (10)

1.一种基于面波信号加窗分析的土岩界面的识别方法，其特征在于，包括：

获取待检测目标岩土介质对应的多道面波信号；

通过空间域的高斯窗口函数对所述多道面波信号进行空间滤波，得到多个子信号片段；

对每个所述信号片段进行频散分析，得到每个所述信号片段对应的频散曲线；

基于所述频散曲线得到所述目标岩土介质对应的二维横波速度模型；

基于所述二维横波速度模型识别所述目标岩土介质的土岩界面。

2.根据权利要求1所述的方法，其特征在于，通过空间域的高斯窗口函数对所述多道面波信号进行空间滤波，得到多个子信号片段，具体包括：

通过以下公式确定每个所述信号片段对应的各道面波信号的权重：

其中，w_i表示高斯窗口函数在第i道面波信号上施加的权重，α表示控制高斯窗口函数宽度的参数，β_j表示第j个所述信号片段对应的控制高斯窗口函数位置的参数，N为所述多道面波信号的数量减1；

对于每个子信号片段，基于所述信号片段对应的各道面波信号的权重对所述多道面波信号进行空间滤波，得到所述子信号片段。

3.根据权利要求1所述的方法，其特征在于，基于所述频散曲线得到所述目标岩土介质对应的横波速度模型，具体包括：

对每个所述信号片段对应的频散曲线进行横波速度反演，得到每个所述信号片段对应的一维横波速度模型；

基于多个所述一维横波速度模型得到所述目标岩土介质对应的二维横波速度模型。

4.根据权利要求1所述的方法，其特征在于，基于所述频散曲线得到所述目标岩土介质对应的横波速度模型，具体包括：

将所有所述信号片段对应的频散曲线转化为一个频散矩阵；

将所述频散矩阵输入到训练获得的横波速度反演网络模型中，得到横波速度矩阵；其中，所述横波速度矩阵包括多个一维横波速度模型，每个一维横波速度模型对应一个所述信号片段；

基于所述多个一维横波速度模型得到所述目标岩土介质对应的二维横波速度模型。

5.根据权利要求4所述的方法，其特征在于，所述横波速度反演网络模型的基准网络模型为卷积神经网络模型，所述卷积神经网络模型包括编码器和解码器；所述编码器包括多个卷积层，所述解码器包括多个卷积层和多个反卷积层。

6.根据权利要求5所述的方法，其特征在于，构建训练所述横波速度反演网络模型的样本数据集的过程包括：

随机生成多个二维样本横波速度模型；

对于每个二维样本横波速度模型，进行弹性波波场的数值模拟，得到所述样本横波速度模型对应的面波数据；通过空间域的高斯窗口函数对所述面波数据进行空间滤波，得到多个子数据片段；对每个所述数据片段进行频散分析，得到每个所述数据片段对应的样本频散曲线；将所有所述数据片段对应的样本频散曲线转化为一个样本频散矩阵；从所述二维样本横波速度模型中确定每个所述数据片段对应的一维样本横波速度模型；基于所有所述一维样本横波速度模型得到样本横波速度矩阵；

基于所述样本频散矩阵与所述样本横波速度矩阵构建训练所述横波速度反演网络模型的样本数据集。

7.根据权利要求4所述的方法，其特征在于，通过以下公式调节所述卷积神经网络模型的参数：

其中，m表示训练样本标签，θ表示所述卷积神经网络模型的参数，d_obs表示所述卷积神经网络模型的输出结果，λ₁、λ₂、λ₃均表示预设权重系数，‖·‖_p表示p范数。

8.一种基于面波信号加窗分析的土岩界面的识别装置，其特征在于，包括：

获取模块，获取待检测目标岩土介质对应的多道面波信号；

滤波模块，通过空间域的高斯窗口函数对所述多道面波信号进行空间滤波，得到多个子信号片段；

分析模块，对每个所述信号片段进行频散分析，得到每个所述信号片段对应的频散曲线；

速度模块，基于所述频散曲线得到所述目标岩土介质对应的二维横波速度模型；

识别模块，基于所述二维横波速度模型识别所述目标岩土介质的土岩界面。

9.一种电子设备，其特征在于，包括存储器、处理器及存储在所述存储器上并可由所述处理器执行的计算机程序，所述处理器执行所述程序时实现如权利要求1至7中任意一项所述的方法。

10.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使计算机执行根据权利要求1至7中任一项所述的方法。