CN118095666B - 一种台网监测能力评估方法 - Google Patents
一种台网监测能力评估方法 Download PDFInfo
- Publication number
- CN118095666B CN118095666B CN202410523958.2A CN202410523958A CN118095666B CN 118095666 B CN118095666 B CN 118095666B CN 202410523958 A CN202410523958 A CN 202410523958A CN 118095666 B CN118095666 B CN 118095666B
- Authority
- CN
- China
- Prior art keywords
- station
- error
- travel time
- monitoring
- monitoring capability
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 101
- 238000000034 method Methods 0.000 title claims abstract description 88
- 238000004364 calculation method Methods 0.000 claims abstract description 46
- 230000006870 function Effects 0.000 claims description 38
- 238000011156 evaluation Methods 0.000 claims description 12
- 230000005284 excitation Effects 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 238000013135 deep learning Methods 0.000 claims description 6
- 238000013136 deep learning model Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 230000000644 propagated effect Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 230000001537 neural effect Effects 0.000 claims description 2
- 238000001514 detection method Methods 0.000 abstract description 4
- 238000005065 mining Methods 0.000 abstract description 4
- 238000011835 investigation Methods 0.000 abstract description 2
- 238000005457 optimization Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 15
- 230000002238 attenuated effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 239000011435 rock Substances 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000002817 coal dust Substances 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000002243 precursor Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明提供了一种台网监测能力评估方法,属于矿用检测技术领域,所述方法基于走时误差和波形质量误差,根据台站布设位置、波形数据以及监测范围,计算得到单台站的监测能力得分,再将各单台站监测能力得分叠加并归一化,得到台网监测能力评估值。本发明提供了评价矿震监测台网监测能力,并给出了从计算走时误差,计算波形质量误差,再综合赋分,这样的一套完整的方法计算流程。本发明方法依据已有的矿震台网布局,从台站记录数据入手,方便且数据好获取,从原理层面对台网监测能力进行客观评估,为设备排查和台网优化提供了一个可靠的数值依据。
Description
技术领域
本发明涉及矿用检测技术领域,具体提供一种台网监测能力评估方法。
背景技术
由于地下矿井开采活动,可能会引起急剧释放能量的事件,这些灾害通常具有突发性,可能导致人员伤亡、财产损失和对环境的影响。其中包括:岩爆,瓦斯(甲烷)爆炸,煤尘爆炸,冲击地压,顶板事故。
为减少矿井动力灾害造成的影响,需要加强矿井的震动监测。震动监测是预测和预防动力灾害事故的重要工具,通过收集事故发生的前兆信息进行灾害预警,从而避免人员伤亡和减少财产损失。
目前,针对矿震台网监测能力评估的方法,基本上是利用矿震目录进行分析,或是计算最小完备性震级(PMC),或是根据目录中震源位置和台站位置信息计算各台站的置信空间,亦或是将监测区分区计算震相拾取概率作为监测能力的指标,数据量大,计算繁琐。而对台站记录到的波形数据中提取监测能力未有涉及,无法满足现场从根本上对矿震一体化台网监测能力评估的要求。
发明内容
震动监测的能力可以通过台网监测能力评估进行评价,由于矿震台网中的每个台站都能记录到一系列矿震波形,这些波形蕴含着矿震事件的能量和走时。通过不同台站的走时误差和能量衰减,可以评估台网的震动监测能力。因此,台网监测能力评估是矿震研究中非常基础且重要的一项内容。
本发明的技术任务是针对上述存在的问题,基于统计学的监测能力评估方法,提供一种台网监测能力评估方法。
一种台网监测能力评估方法,所述方法基于走时误差和波形质量误差,根据台站布设位置、波形数据以及监测范围,计算得到单台站的监测能力得分,再将各单台站监测能力得分叠加并归一化,得到台网监测能力评估值;
所述方法的实现包括:
步骤一:通过深度学习模型NES计算数值解,通过有限差分计算解析解,计算走时误差;
步骤二:根据波形数据的振幅衰减和射线追踪,计算波形质量误差;
步骤三:综合能力评估;
其中,射线追踪等效为走时问题,对于每次计算,给定任意台站的位置并将其作为射线追踪初始点,利用快速行进法正演得到走时场梯度信息,然后从初始点开始,沿走时梯度方向,按固定步长迭代追踪求取射线路径,直至射线追踪到激发点位置处。
更进一步的,所述方法在已知台站位置和震源位置,给定速度模型的前提下,计算得到地震波传播到各台站的走时ti;
根据互易定理,将台站位置作为震源,在监测范围内以台站为中心,地震波传播相同走时ti的范围看作单台站监测范围;
根据实际台站定位存在的误差,确定走时ti+Δt的范围是矿震事件高发点的可能性位置,通过求解三维程函方程,求解到所述可能性位置。
更进一步的,所述三维程函方程的求解公式为:
其中,为欧几里得范数,和表示相对于震源和台站坐标的梯度运算符,是速度模型, 为
边界条件;
所述方程定义了所有源-台站对的走时,并受边界条件的约束。
更进一步的,所述三维程函方程的求解过程如下:
首先建立一个层状速度模型,将监测范围划分40*40*40的网格,参考台网的定位误差划分,将网格步长分别为90m*90m*30m;
设定监测区8个台站坐标作为模拟震源,监测范围内每个网格节点作为台站坐标,以有限差分计算得到的走时为解析解,以深度学习模型-NES计算得到的走时为数值解;
其中,解析解无误差,数值解有误差;
将所述数值解与解析解差的绝对值作为每个节点的绝对误差,其定义公式为:
式中,为第i个节点处的误差,和分别是第i个节点处的数值解和解析解;
将所述绝对误差作为衡量台网监测能力评估的指标,其中,绝对误差小,监测能力强,绝对误差高,监测能力低。
更进一步的,所述方法以深度学习模型-NES计算数值解的过程包括:
所述通过基于PINN概念的神经程函求解器NES模型求解得到数值解,其中,NES
模型的输入是台站坐标和速度模型,求解过程如下:
首先经过一个坐标缩放层,将输入的和映射到[-1,1];
经过一个4层,每层75个神经元,激活函数选用高斯函数,初始权重以随
机方法初始化的全连接神经网络来求解偏微分方程,输出震源到台站的走时场,其中,θ
代表权重。
更进一步的,所述NES模型依据互易定理采用改进的因式分解,公式如下:
其中,为距离函数,是神经网络输出,是边界函数或者激活函数,是Sigmoid函数。
更进一步的,所述NES模型选择基于哈密顿量的L1范数作为损失函数,反向传播通
过调整权重达到最小值,此时网络输出的是精确度最高的,计算公式如下:
其中,表示任意台站和任意震源的衰减函数,表示震源-台站对的数量,
是哈密顿算子,损失函数基于哈密顿量的L1范数,通过测试得到最优解为;
其中基于哈密顿算子的损失函数是无量纲的,由实际速度模型控制。
更进一步的,所述方法以有限差分计算解析解过程包括:
所述是基于有限差分方法得到的解析解,将三维速度模型部分划分为若干正方
体网格,求解三维程函方程,求解过程包括:
A点可设为震源点,走时为0,各个网格点的慢度为s,网格间距为h,则有:
上式中TB、TC、TG分别是一维、二维、三维有限差分算子,使用以上算子对划分的40*40*40的网格点进行计算,得到整个计算区域的解析走时;
将各个台站的走时误差叠加并归一化后得到总的走时误差图。
更进一步的,所述步骤二波形质量误差的计算过程包括:
根据前期大量数据收集,拟合监测区矿震台站振幅幅值与距离之间的关系,波形质量误差计算式如下:
其中R代表振幅,表征波形质量误差,r代表距离,表征波形质量误差,来求取射线路径;
求解射线路径的过程是解程函方程的过程;
在各向同性介质,初至波前向传播的方向与射线的方向垂直,走时梯度的方向为射线的方向;
将射线追踪等效为走时问题,对于每次计算,给定任意台站的位置并将其作为射线追踪初始点,利用快速行进法正演得到走时场梯度信息,然后从初始点开始,沿走时梯度方向,按固定步长迭代追踪求取射线路径,直至射线追踪到激发点位置处;
以代表追踪点的当前位置,初始值为台站位置,h代表追踪补偿,下一追点的位
置可表示为:
其中,走时场通过所述步骤一过程计算获得,采用中心差分公式计算网格各节点走时梯度在三个不同方向上的分量,所述中心差分公式如下:
对于计算区域中的非网格节点,所述速度模型中任意一点的梯度通过三线性插值公式近似,所述三线性插值公式如下:
其中,∆x,∆y,∆z分别代表x,y,z方向上的网格间距,∇t1∽∇t8代表包含该点长方体网格八个顶点处对应的网格节点走时梯度,通过计算四次一阶导数来近似射线方程的Taylor展开,取多个预估点处的走时梯度加权平均作为rn处的梯度值,即:
其中:
进行迭代计算,当与激发点之间的距离小于给定误差的阈值,或者追踪路径的
长度远小于追踪补偿时,则结束追踪计算;
通过上述的计算得到一系列的射线路径点的坐标;
射线路径距离的计算如下:
把射线路径计算得到的结果代入到所述波形质量误差计算式中,得到最后的波形质量误差。
更进一步的,所述步骤三中能力评估的过程如下:
将台网走时误差进行叠加归一化后,监测区域的平均走时误差为:
Scorett=100-100e
其中,e为归一化后的监测区平均走时误差,为走时误差得分;
将台网波形质量误差进行归一化,监测区域的平均波形衰减误差为:
Scoreat=100-100a
其中a为归一化后的监测区平均波形质量误差,Scoreat为波形质量误差得分;
联合走时误差和波形质量误差评估台网监测能力需要给相同的权重进行综合赋分,所以,台网的监测能力综合赋分为:
。
与现有技术相比,本发明提供了评价矿震监测台网监测能力,并给出了从计算走时误差,计算波形质量误差,再综合赋分,这样的一套完整的方法计算流程。本发明方法依据已有的矿震台网布局,从台站记录数据入手,方便且数据好获取,从原理层面对台网监测能力进行客观评估,为设备排查和台网优化提供了一个可靠的数值依据,具有以下突出的有益效果:
1、数据易获取
本发明方法从最原始的数据记录,找到衡量监测能力的要点。相较于已有的方法需要大量的波形事件,震相文件,矿震目录等,只需要台网的布设位置,速度模型,监测范围即可实施评估。对于走时误差利用互易定理,利用解析解和数值解的误差作为评估指标,对于波形质量误差,利用能量随距离的衰减作为评估指标。本发明方法可融入现有的绝大多数矿震一体化监测系统。
2、对台网定位能力的指导性强
通过对台网监测能力进行评估,能够确定台网定位矿震事件低误差区域和高误差区域,这种评估通常涉及分析台网的空间布局、台站之间的距离、检测设备的灵敏度,以及地质结构对波传播的影响等多个因素。通过这些信息,可以绘制出台网在不同地区定位准确度的空间分布图,从而明确指出哪些区域的矿震事件可以被较为精确地定位,哪些区域可能会面临较大的定位误差。进一步地,通过识别定位误差较大的区域,研究人员和工程师可以有针对性地增设台站,调整台站的位置,或者升级检测设备,以提高这些区域的监测和定位精度。
3、方法新颖
本发明首次采用走时误差和波形质量误差联合评估台网监测能力。在走时误差计
算中提出衡量走时误差的标准“绝对误差”,在波形质量误差计算中,拟合波形
质量误差的标准“R=0.5206ln(r)+0.0481”,综合赋分中根据重要性分别赋予1:1的权重。
附图说明
图1是本发明方法实现过程示意图;
图2是台站分布和监测范围示意图;
图3是速度模型示意图;
图4是三维差分网格示意图;
图5是台站BDS走时误差散点图;
图6是台站CCH走时误差散点图;
图7是台站HDS走时误差散点图;
图8是台站PDX走时误差散点图;
图9是台站SCJ走时误差散点图;
图10是台站TXL走时误差散点图;
图11是台站XFJ走时误差散点图;
图12是台站ZCH走时误差散点图;
图13是DT台网叠加归一化走势误差图;
图14是三线性插值示意图;
图15是台站BDS的射线路径数据质量误差图;
图16是台站HDS的射线路径数据质量误差图;
图17是台站ZCH的射线路径数据质量误差图;
图18是台站PDX的射线路径数据质量误差图;
图19是台站SCJ的射线路径数据质量误差图;
图20是台站XFJ的射线路径数据质量误差图;
图21是台站CCH的射线路径数据质量误差图;
图22是台站TXL的射线路径数据质量误差图;
图23是DT台网叠加归一化波形质量误差图。
具体实施方式
下面将结合附图和实施例,对本发明作进一步详细说明。
实施例1
如图1所示,一种台网监测能力评估的方法,所述方法基于走时误差和波形质量误差,根据台站布设位置、波形数据以及监测范围,计算得到单台站的监测能力得分,再将各单台站监测能力得分叠加并归一化,得到台网监测能力评估值;
所述方法的实现包括:
步骤一:通过深度学习模型NES计算数值解,通过有限差分计算解析解,计算走时误差;
步骤二:根据波形数据的振幅衰减和射线追踪,计算波形质量误差;
步骤三:综合能力评估;
其中,射线追踪等效为走时问题,对于每次计算,给定任意台站的位置并将其作为射线追踪初始点,利用快速行进法正演得到走时场梯度信息,然后从初始点开始,沿走时梯度方向,按固定步长迭代追踪求取射线路径,直至射线追踪到激发点位置处。
所述方法在已知台站位置和震源位置,给定速度模型的前提下,计算得到地震波传播到各台站的走时ti;
根据互易定理,将台站位置作为震源,在监测范围内以台站为中心,地震波传播相同走时ti的范围看作单台站监测范围;
根据实际台站定位存在的误差,确定走时ti+Δt的范围是矿震事件高发点的可能性位置,通过求解三维程函方程,求解到所述可能性位置。
所述三维程函方程的求解公式为:
其中,为欧几里得范数,和表示相对于震源和台站坐标的梯度运算符,是速度模型, 为
边界条件
所述方程定义了所有源-台站对的走时,并受边界条件的约束。
所述三维程函方程的求解过程如下:
首先建立一个层状速度模型,将监测范围划分40*40*40的网格,参考台网的定位误差划分,将网格步长分别为90m*90m*30m;
设定监测区8个台站坐标作为模拟震源,监测范围内每个网格节点作为台站坐标,以有限差分计算得到的走时为解析解,以深度学习模型-NES计算得到的走时为数值解;
其中,解析解无误差,数值解有误差;
将所述数值解与解析解差的绝对值作为每个节点的绝对误差,其定义公式为:
式中,为第i个节点处的误差,和分别是第i个节点处的数值解和解析解;
将所述绝对误差作为衡量台网监测能力评估的指标,其中,绝对误差小,监测能力强,绝对误差高,监测能力低。
所述方法以深度学习模型-NES计算数值解的过程包括:
所述通过基于PINN概念的神经程函求解器NES模型求解得到数值解,其中,NES
模型的输入是台站坐标如表1所示,为台站震源信息;
表1 台站坐标
台站名称 | X坐标 | Y坐标 | Z坐标 |
BDS | 38 | 3 | 12 |
HDS | 35 | 29 | 14 |
ZCH | 9 | 39 | 14 |
PDX | 17 | 18 | 14 |
SCJ | 38 | 16 | 14 |
XFJ | 13 | 19 | 31 |
CCH | 21 | 3 | 34 |
TXL | 35 | 34 | 38 |
台站的分布和监测范围如图2所示;
速度模型为两层速度模型,第一层P波速度为3950m/s,第二层速度P波速度为3160m/s,如图3所示;
求解过程如下:
首先经过一个坐标缩放层,将输入的和映射到[-1,1];
经过一个4层,每层75个神经元,激活函数选用高斯函数,初始权重以随
机方法初始化的全连接神经网络(Fully Connected Neural Network,FCNN)来求解偏微分
方程,输出震源到台站的走时场,其中,θ代表权重;
所述NES模型依据互易定理采用改进的因式分解,公式如下:
其中,为距离函数,是神经网络输出,是边界函数或者激活函数,是Sigmoid函数,通过以上设置,可使模型发挥最佳性能,解决程函方程在震源点处的奇
异性(震源点,波速为0)。
所述NES模型选择基于哈密顿量的L1范数作为损失函数,反向传播通过调整权重
达到最小值,此时网络输出的是精确度最高的,计算公式如下:
其中,表示任意台站和任意震源的衰减函数,表示震源-台站对的数量,
是哈密顿算子,损失函数基于哈密顿量的L1范数,通过测试得到最优解为,其中基于
哈密顿算子的损失函数是无量纲的,由实际速度模型控制,如图3所述。
所述方法以有限差分计算解析解过程包括:
所述是基于有限差分方法得到的解析解,将三维速度模型部分划分为若干正方
体网格,求解三维程函方程,如图4所示,过程包括:
已知A点走时(A点设为震源点,走时为0)和各个网格点的慢度(s,速度的倒数),且网格间距为h,则有:
上式中TB、TC、TG分别是一维、二维、三维有限差分算子,使用以上算子对划分的40*40*40的网格点进行计算,速度模型如图3所示,得到整个计算区域的解析走时。
如图5-12所示,8个台站的走时误差图,叠加并归一化后得到总的走时误差图,如图13所示。
所述步骤二波形质量误差的计算过程包括:
根据前期大量数据收集,拟合监测区矿震台站振幅幅值与距离之间的关系,波形质量误差计算式如下:
其中R代表振幅,表征波形质量误差,r代表距离,
本方法中我们用上式来表征波形质量误差,射线路径的求取是波形质量误差的关键。
在地震学中,地震波由于受到波前扩散、吸收衰减等因素会导致地震波蕴含的能量随距离衰减,这种衰减现象对应到矿震台网表现为矿震波形振幅随距离减小。
程函方程是射线追踪和走时计算的基础,求解射线路径的过程也是解程函方程的过程。在各向同性介质,初至波前向传播的方向与射线的方向垂直,这表明:走时梯度的方向实质上为射线的方向。
根据这个思路,将射线追踪等效为走时问题,对于每次计算,给定任意台站的位置并将其作为射线追踪初始点,利用快速行进法正演得到走时场梯度信息,然后从初始点开始,沿走时梯度方向,按固定步长迭代追踪求取射线路径,直至射线追踪到激发点位置处;
以代表追踪点的当前位置,初始值为台站位置,h代表追踪补偿,下一追点的位
置可表示为:
其中,走时场已由步骤一计算获得,采用中心差分公式计算网格各节点走时梯度在三个不同方向上的分量,所述中心差分公式如下:
对于计算区域中的非网格节点,所述速度模型中任意一点的梯度可通过三线性插值公式近似,如图14所示,所述三线性插值公式如下:
其中,∆x,∆y,∆z分别代表x,y,z方向上的网格间距,∇t1∽∇t8代表包含该点长方体网格八个顶点处对应的网格节点走时梯度,通过计算四次一阶导数来近似射线方程的Taylor展开,取多个预估点处的走时梯度加权平均作为rn处的梯度值,即:
其中:
迭代计算,当与激发点之间的距离小于给定误差的阈值,或者追踪路径的长度
远小于追踪补偿时,则结束追踪计算;
通过上述的计算得到一系列的射线路径点的坐标;
射线路径距离的计算如下:
最后把射线路径计算得到的结果代入到所述波形质量误差计算式中,得到最后的波形质量误差。
实施例2
步骤一,分别以8个台站的位置为震源,计算震源到每个网格的射线路径数据质量误差,得到DT矿8个台站的数据质量误差散点图,如图15-图22所示,图中深色点表示震源位置,由图中可知,数据质量误差以震源为球心,随距离增大呈指数衰减,质量越高的区域颜色越深,质量越低的区域颜色越浅,低于0.5不显示。
步骤二,我们把8个震源的数据质量误差进行叠加和归一化,得到总体的数据质量误差,如图23所示,图中的深色点表示震源位置,总体波形质量高的区域在8个台站的包络以内,包络以外波形质量较低。
步骤三,能力评估的过程包括:
将台网走时误差进行叠加归一化后,监测区域的平均走时误差为:
Scorett=100-100e
其中,e为归一化后的监测区平均走时误差,为走时误差得分;
归一化后的平均走时误差为0.32,得到DT台网走时误差监测能力评估赋分
=68;
将台网波形质量误差进行归一化,监测区域的平均波形衰减误差为:
Scoreat=100-100a
其中a为归一化后的监测区平均波形质量误差,Scoreat为波形质量误差得分;
归一化后的平均波形质量误差约为0.28,得Scoreat=82;
走时和波形对于矿震台站均属基础要素,所以同等重要,因此联合走时误差和波形质量误差评估台网监测能力需要给相同的权重进行综合赋分,所以,以DT台网为例,DT台网的监测能力综合赋分为:
。
以上所述的实施例,只是本发明较优选的具体实施方式,本领域的技术人员在本发明技术方案范围内进行的通常变化和替换都应包含在本发明的保护范围内。
Claims (10)
1.一种台网监测能力评估方法,其特征在于,所述方法基于走时误差和波形质量误差,根据台站布设位置、波形数据以及监测范围,计算得到单台站的监测能力得分,再将各单台站监测能力得分叠加并归一化,得到台网监测能力评估值;
所述方法的实现包括:
步骤一:通过深度学习模型NES计算数值解,通过有限差分计算解析解,计算走时误差;
步骤二:根据波形数据的振幅衰减和射线追踪,计算波形质量误差;
步骤三:综合能力评估;
其中,射线追踪等效为走时问题,对于每次计算,给定任意台站的位置并将其作为射线追踪初始点,利用快速行进法正演得到走时场梯度信息,然后从初始点开始,沿走时梯度方向,按固定步长迭代追踪求取射线路径,直至射线追踪到激发点位置处。
2.根据权利要求1所述的一种台网监测能力评估方法,其特征在于,
所述方法在已知台站位置和震源位置,给定速度模型的前提下,计算得到地震波传播到各台站的走时ti;
根据互易定理,将台站位置作为震源,在监测范围内以台站为中心,地震波传播相同走时ti的范围看作单台站监测范围;
根据实际台站定位存在的误差,确定走时ti+Δt的范围是矿震事件高发点的可能性位置,通过求解三维程函方程,求解到所述可能性位置。
3.根据权利要求2所述的一种台网监测能力评估方法,其特征在于,所述三维程函方程的求解公式为:
;
其中,为欧几里得范数,/>和/>表示相对于震源和台站坐标/>的梯度运算符,/>是速度模型, />为边界条件;
所述方程定义了所有源-台站对的走时,并受边界条件的约束。
4.根据权利要求2或3所述的一种台网监测能力评估方法,其特征在于,
所述三维程函方程的求解过程如下:
首先建立一个层状速度模型,将监测范围划分40*40*40的网格,参考台网的定位误差划分,将网格步长分别为90m*90m*30m;
设定监测区8个台站坐标作为模拟震源,监测范围内每个网格节点作为台站坐标,以有限差分计算得到的走时为解析解,以深度学习模型-NES计算得到的走时为数值解;
其中,解析解无误差,数值解有误差;
将所述数值解与解析解差的绝对值作为每个节点的绝对误差,其定义公式为:
式中,为第i个节点处的误差,/>和/>分别是第i个节点处的数值解和解析解;
将所述绝对误差作为衡量台网监测能力评估的指标,其中,绝对误差小,监测能力强,绝对误差高,监测能力低。
5.根据权利要求4所述的一种台网监测能力评估方法,其特征在于,
所述方法以深度学习模型-NES计算数值解的过程包括:
所述通过基于PINN概念的神经程函求解器NES模型求解得到数值解,其中,NES模型的输入是台站坐标和速度模型,求解过程如下:
首先经过一个坐标缩放层,将输入的和/>映射到[-1,1];
经过一个4层,每层75个神经元,激活函数选用高斯函数,初始权重以随机方法初始化的全连接神经网络来求解偏微分方程,输出震源到台站的走时场/>,其中,θ代表权重。
6.根据权利要求5所述的一种台网监测能力评估方法,其特征在于,
所述NES模型依据互易定理采用改进的因式分解,公式如下:
;
其中,为距离函数,/>是神经网络输出,/>是边界函数或者激活函数,/>是Sigmoid函数。
7.根据权利要求5所述的一种台网监测能力评估方法,其特征在于,
所述NES模型选择基于哈密顿量的L1范数作为损失函数,反向传播通过调整权重达到最小值,此时网络输出的是精确度最高的,计算公式如下:
;
;
其中,表示任意台站和任意震源的衰减函数,/>表示震源-台站对的数量,/>是哈密顿算子,损失函数基于哈密顿量的L1范数,通过测试得到最优解为/>;
其中基于哈密顿算子的损失函数是无量纲的,由实际速度模型控制。
8.根据权利要求5所述的一种台网监测能力评估方法,其特征在于,所述方法以有限差分计算解析解过程包括:
所述是基于有限差分方法得到的解析解,将三维速度模型部分划分为若干正方体网格,求解三维程函方程,求解过程包括:
A点可设为震源点,走时为0,各个网格点的慢度为s,网格间距为h,则有:
;
;
;
;
上式中TB、TC、TG分别是一维、二维、三维有限差分算子,使用以上算子对划分的40*40*40的网格点进行计算,得到整个计算区域的解析走时;
将各个台站的走时误差叠加并归一化后得到总的走时误差图。
9.根据权利要求3所述的一种台网监测能力评估方法,其特征在于,所述步骤二波形质量误差的计算过程包括:
根据前期大量数据收集,拟合监测区矿震台站振幅幅值与距离之间的关系,波形质量误差计算式如下:
;
其中R代表振幅,表征波形质量误差,r代表距离,表征波形质量误差,来求取射线路径;
求解射线路径的过程是解程函方程的过程;
在各向同性介质,初至波前向传播的方向与射线的方向垂直,走时梯度的方向为射线的方向;
将射线追踪等效为走时问题,对于每次计算,给定任意台站的位置并将其作为射线追踪初始点,利用快速行进法正演得到走时场梯度信息,然后从初始点开始,沿走时梯度方向,按固定步长迭代追踪求取射线路径,直至射线追踪到激发点位置处;
以代表追踪点的当前位置,初始值为台站位置,h代表追踪补偿,下一追点的位置可表示为:
;
其中,走时场通过所述步骤一过程计算获得,采用中心差分公式计算网格各节点走时梯度在三个不同方向上的分量,所述中心差分公式如下:
;
对于计算区域中的非网格节点,所述速度模型中任意一点的梯度通过三线性插值公式近似,所述三线性插值公式如下:
;
其中,∆x,∆y,∆z分别代表x,y,z方向上的网格间距,∇t1∽∇t8代表包含该点长方体网格八个顶点处对应的网格节点走时梯度,通过计算四次一阶导数来近似射线方程的Taylor展开,取多个预估点处的走时梯度加权平均作为rn处的梯度值,即:
;
其中:
;
;
;
;
进行迭代计算,当与激发点之间的距离小于给定误差的阈值,或者追踪路径的长度远小于追踪补偿时,则结束追踪计算;
通过上述的计算得到一系列的射线路径点的坐标/>;
射线路径距离的计算如下:
;
把射线路径计算得到的结果代入到所述波形质量误差计算式中,得到最后的波形质量误差。
10.根据权利要求9所述的一种台网监测能力评估方法,其特征在于,所述步骤三中能力评估的过程如下:
将台网走时误差进行叠加归一化后,监测区域的平均走时误差为:
Scorett=100-100e;
其中,e为归一化后的监测区平均走时误差,为走时误差得分;
将台网波形质量误差进行归一化,监测区域的平均波形衰减误差为:
Scoreat=100-100a;
其中a为归一化后的监测区平均波形质量误差,Scoreat为波形质量误差得分;
联合走时误差和波形质量误差评估台网监测能力需要给相同的权重进行综合赋分,所以,台网的监测能力综合赋分为:
。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410523958.2A CN118095666B (zh) | 2024-04-29 | 2024-04-29 | 一种台网监测能力评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410523958.2A CN118095666B (zh) | 2024-04-29 | 2024-04-29 | 一种台网监测能力评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN118095666A CN118095666A (zh) | 2024-05-28 |
CN118095666B true CN118095666B (zh) | 2024-06-21 |
Family
ID=91149423
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410523958.2A Active CN118095666B (zh) | 2024-04-29 | 2024-04-29 | 一种台网监测能力评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118095666B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108064348A (zh) * | 2017-10-12 | 2018-05-22 | 南方科技大学 | 一种基于两点射线追踪的地震走时层析反演方法 |
CN113655543A (zh) * | 2021-08-18 | 2021-11-16 | 西北核技术研究所 | 一种地震台网定位能力评估方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5671136A (en) * | 1995-12-11 | 1997-09-23 | Willhoit, Jr.; Louis E. | Process for seismic imaging measurement and evaluation of three-dimensional subterranean common-impedance objects |
US11474267B2 (en) * | 2020-06-11 | 2022-10-18 | China Petroleum & Chemical Corporation | Computer-implemented method and system employing compress-sensing model for migrating seismic-over-land cross-spreads |
CN117075224B (zh) * | 2023-10-18 | 2024-01-09 | 山东科岳科技有限公司 | 一种用于评价矿震监测台站检测能力的方法 |
CN117250670B (zh) * | 2023-11-15 | 2024-02-02 | 山东科岳科技有限公司 | 矿震一体化监测台网的检测能力评估方法、系统及设备 |
-
2024
- 2024-04-29 CN CN202410523958.2A patent/CN118095666B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108064348A (zh) * | 2017-10-12 | 2018-05-22 | 南方科技大学 | 一种基于两点射线追踪的地震走时层析反演方法 |
CN113655543A (zh) * | 2021-08-18 | 2021-11-16 | 西北核技术研究所 | 一种地震台网定位能力评估方法 |
Also Published As
Publication number | Publication date |
---|---|
CN118095666A (zh) | 2024-05-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10962437B1 (en) | Aggregate leak indicator display systems and methods | |
US20180321208A1 (en) | Determining the net emissions of air pollutants | |
CN102937721B (zh) | 利用初至波走时的有限频层析成像方法 | |
CN104237940B (zh) | 一种基于动力学特征的绕射波成像方法及装置 | |
CN112883564B (zh) | 一种基于随机森林的水体温度预测方法及预测系统 | |
CN103513270A (zh) | 一种基于岩石声学特性的气层识别评价方法及装置 | |
CN106249297A (zh) | 基于信号估计的水力压裂微地震震源定位方法及系统 | |
van den Ende et al. | Deep deconvolution for traffic analysis with distributed acoustic sensing data | |
CN117250670B (zh) | 矿震一体化监测台网的检测能力评估方法、系统及设备 | |
CN105022091B (zh) | 一种无预测速的远场震源快速定位方法 | |
CN118095666B (zh) | 一种台网监测能力评估方法 | |
CN114563826A (zh) | 基于深度学习融合驱动的微震稀疏台网定位方法 | |
Vietinghoff et al. | Visual analysis of spatio-temporal trends in time-dependent ensemble data sets on the example of the North Atlantic Oscillation | |
CN103513279B (zh) | 一种基于地震波波动方程的照明分析计算方法及计算装置 | |
Zhu et al. | The effect of P-and S-phase arrivals on the accuracy of microseismic source location | |
CN116660980A (zh) | 一种基于改进程函方程的微地震定位方法 | |
CN105223630B (zh) | 基于地质模型的全方位观测系统参数论证方法 | |
Berg et al. | Inversion of infrasound time series for seismoacoustic source parameters produced by a buried chemical explosion at the source physics experiment phase II: Dry alluvium geology | |
CN110687598A (zh) | 一种加速微震数值模拟的方法及装置 | |
CN115906669A (zh) | 一种顾及负样本选取策略的密集残差网络滑坡易发性评价方法 | |
CN109933921B (zh) | 一种滚石灾害风险评估方法、装置、系统及存储介质 | |
Cañón-Tapia | Volcano clustering determination: Bivariate Gauss vs. Fisher kernels | |
CN114879251A (zh) | 一种基于射线追踪技术的地震定位图形方法及系统 | |
CN116449117B (zh) | 一种适用于复杂地形的三维闪电定位方法 | |
CN110954956B (zh) | 观测系统的采集痕迹评价方法及计算机可读存储介质 |
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 |