[go: up one dir, main page]

CN109613610B - 微震信号到时差的自动拾取方法 - Google Patents

微震信号到时差的自动拾取方法 Download PDF

Info

Publication number
CN109613610B
CN109613610B CN201910044199.0A CN201910044199A CN109613610B CN 109613610 B CN109613610 B CN 109613610B CN 201910044199 A CN201910044199 A CN 201910044199A CN 109613610 B CN109613610 B CN 109613610B
Authority
CN
China
Prior art keywords
microseismic
time difference
arrival time
signal
neural network
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
Application number
CN201910044199.0A
Other languages
English (en)
Other versions
CN109613610A (zh
Inventor
黄麟淇
李夕兵
石英
王少锋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Central South University
Original Assignee
Central South University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Central South University filed Critical Central South University
Priority to CN201910044199.0A priority Critical patent/CN109613610B/zh
Publication of CN109613610A publication Critical patent/CN109613610A/zh
Application granted granted Critical
Publication of CN109613610B publication Critical patent/CN109613610B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
    • G01V1/16—Receiving elements for seismic signals; Arrangements or adaptations of receiving elements
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V2210/00—Details of seismic processing or analysis
    • G01V2210/40—Transforming data representation

Landscapes

  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Remote Sensing (AREA)
  • Environmental & Geological Engineering (AREA)
  • Acoustics & Sound (AREA)
  • Geology (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Geophysics (AREA)
  • Business, Economics & Management (AREA)
  • Emergency Management (AREA)
  • Geophysics And Detection Of Objects (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种微震信号到时差的自动拾取方法，包括采用双传感器采集微震信号；对微震信号进行交叉小波变换；将交叉小波变换结果分解为能量谱和相位谱；对能量谱和相位谱进行自编码；将数据输入到神经网络进行计算，结果即为最终的微震信号到时差的拾取结果。因此本发明方法在计算到时差时，无需单独拾取到时再作差，避免了单独拾取到时的两次误差引入；使用同源信号的相似特性，和深度学习善于提取图像特征信息的优势匹配信号相似度，准确识别同源信号，求取更准确的到时差；而且本发明方法可靠性高、精确度高且简单方便。

Description

微震信号到时差的自动拾取方法
技术领域
本发明具体涉及一种微震信号到时差的自动拾取方法。
背景技术
随着经济技术的发展，人们对于自然的认识和研究也越来越深入。
微震，是指由岩石破裂或流体扰动产生微小的震动。广义上的微震可以分为两大类：工程生产上的微震(microseism)和自然产生的微地震(microearthquake)。对于微震的研究，有助于人们对于地震、人工震动等的理解和研究，因此对于微震的研究就显得额外重要。
微地震记录的特点是频率高、信噪比低，因此微地震事件的自动识别和初至到时拾取对实现海量微地震数据的自动处理有重要意义。对于天然地震事件，已提出了多种自动识别方法。而与天然地震的记录相比，微震的震级更小，通常在1级以下，而且信噪比更低，因此对微地震事件的识别更加困难。
目前常用的微震信号到时差记录方法，记录的精度较差，已经不再适用于目前越来越深入和精确的微震研究。
发明内容
本发明的目的在于提供一种可靠性高、精确度高且简单方便的微震信号到时差的自动拾取方法。
本发明提供的这种微震信号到时差的自动拾取方法，包括如下步骤：
S1.采用双传感器采集微震信号；
S2.对步骤S1获取的两个微震信号进行交叉小波变换；
S3.将步骤S2得到的交叉小波变换结果分解为能量谱和相位谱；
S4.对步骤S3得到的能量谱和相位谱进行自编码，从而降低数据的维度；
S5.将步骤S4得到的降维后的数据输入到神经网络进行计算；
S6.神经网络的计算输出结果即为最终的微震信号到时差的拾取结果。
步骤S1所述的采用双传感器采集微震信号，具体为采用两个同类型传感器A和B，布置在矿山的不同位置L1和L2，传感器A采集L1点的微震信号，传感器B采集L2点的微震信号。
步骤S2所述的对获取的两个微震信号进行交叉小波变换，具体为采用如下算式进行交叉小波变换：
WTxy(u,s)＝WTx(u,s)(WTy(u,s))*
式中WTxy(u,s)为交叉小波变换的结果，WTx(u,s)为对第一微震信号x(t)进行变换，WTy(u,s)为对第二微震信号y(t)进行变换，(WTy(u,s))*为第二对微震信号y(t)的变换结果WTy(u,s)取复数共轭操作；
Figure GDA0002339772620000021
a为x或y，其中δt为常数，s为尺度因子，u为平移参数，N为信号的总采样点数，ψ0(η)为母小波且
Figure GDA0002339772620000022
j为虚数单位。
步骤S3所述的将交叉小波变换结果分解为能量谱和相位谱，具体为采用如下公式计算能量谱和相位谱：
E＝|WTxy(u,s)|2
Figure GDA0002339772620000023
式中E为能量谱，
Figure GDA0002339772620000024
为相位谱，arg()为求取复数辐角的函数。
步骤S4所述的对能量谱和相位谱进行自编码，具体为采用autoencoder算法对能量谱和相位谱进行自编码。
所述的autoencoder算法的隐藏层神经元数据为100。
步骤S5所述的神经网络，为BP神经网络。
所述的BP神经网络的隐含层神经元数据为20。
所述的BP神经网络为经过了采用人工分析得到的数据进行监督学习后的BP神经网络。
本发明提供的这种微震信号到时差的自动拾取方法，通过采用交叉小波变换将两个信号片段转化为图像信息，同时采用autocoder提取图像特征，最后采用BP神经网络做特征到时差的拟合。因此本发明方法在计算到时差时，无需单独拾取到时再作差，避免了单独拾取到时的两次误差引入；使用同源信号的相似特性，和深度学习善于提取图像特征信息的优势匹配信号相似度，准确识别同源信号，求取更准确的到时差；而且本发明方法可靠性高、精确度高且简单方便。
附图说明
图1为本发明方法的方法流程图。
具体实施方式
如图所示为本发明方法的方法流程图：本发明提供的这种微震信号到时差的自动拾取方法，包括如下步骤：
S1.采用双传感器采集微震信号；具体为采用两个同类型传感器A和B，布置在矿山的不同位置L1和L2，传感器A采集L1点的微震信号，传感器B采集L2点的微震信号；
S2.对步骤S1获取的两个微震信号进行交叉小波变换；具体为采用如下算式进行交叉小波变换：
WTxy(u,s)＝WTx(u,s)(WTy(u,s))*
式中WTxy(u,s)为交叉小波变换的结果，WTx(u,s)为对第一微震信号x(t)进行变换，WTy(u,s)为对第二微震信号y(t)进行变换，(WTy(u,s))*为第二对微震信号y(t)的变换结果WTy(u,s)取复数共轭操作；
Figure GDA0002339772620000041
a为x或y，其中δt为常数，s为尺度因子，u为平移参数，N为信号的总采样点数，ψ0(η)为母小波且
Figure GDA0002339772620000042
j为虚数单位；
S3.将步骤S2得到的交叉小波变换结果分解为能量谱和相位谱；具体为采用如下公式计算能量谱和相位谱：
E＝|WTxy(u,s)|2
Figure GDA0002339772620000043
式中E为能量谱，
Figure GDA0002339772620000044
为相位谱，arg()为求取复数辐角的函数；
S4.对步骤S3得到的能量谱和相位谱进行自编码，从而降低数据的维度；
在具体实施时，优选为采用autoencoder算法对能量谱和相位谱进行自编码，同时autoencoder算法的隐藏层神经元数据为100；
S5.将步骤S4得到的降维后的数据输入到神经网络进行计算；
在具体实施时，神经网络优选为BP神经网络，BP神经网络的隐含层神经元数据为20；而且，神经网络在使用前必须采用人工分析得到的数据进行监督学习；
S6.神经网络的计算输出结果即为最终的微震信号到时差的拾取结果。

Claims (9)

1.一种微震信号到时差的自动拾取方法，包括如下步骤：
S1.采用双传感器采集微震信号；
S2.对步骤S1获取的两个微震信号进行交叉小波变换；
S3.将步骤S2得到的交叉小波变换结果分解为能量谱和相位谱；
S4.对步骤S3得到的能量谱和相位谱进行自编码，从而降低数据的维度；
S5.将步骤S4得到的降维后的数据输入到神经网络进行计算；
S6.神经网络的计算输出结果即为最终的微震信号到时差的拾取结果。
2.根据权利要求1所述的微震信号到时差的自动拾取方法，其特征在于步骤S1所述的采用双传感器采集微震信号，具体为采用两个同类型传感器A和B，布置在矿山的不同位置L1和L2，传感器A采集L1点的微震信号，传感器B采集L2点的微震信号。
3.根据权利要求2所述的微震信号到时差的自动拾取方法，其特征在于步骤S2所述的对获取的两个微震信号进行交叉小波变换，具体为采用如下算式进行交叉小波变换：
WTxy(u,s)＝WTx(u,s)(WTy(u,s))*
式中WTxy(u,s)为交叉小波变换的结果，WTx(u,s)为对第一微震信号x(t)进行变换，WTy(u,s)为对第二微震信号y(t)进行变换，(WTy(u,s))*为第二对微震信号y(t)的变换结果WTy(u,s)取复数共轭操作；
Figure FDA0001948610820000011
a为x或y，其中δt为常数，s为尺度因子，u为平移参数，N为信号的总采样点数，ψ0(η)为母小波且
Figure FDA0001948610820000012
j为虚数单位。
4.根据权利要求3所述的微震信号到时差的自动拾取方法，其特征在于步骤S3所述的将交叉小波变换结果分解为能量谱和相位谱，具体为采用如下公式计算能量谱和相位谱：
E＝|WTxy(u,s)|2
Figure FDA0001948610820000021
式中E为能量谱，
Figure FDA0001948610820000022
为相位谱，arg()为求取复数辐角的函数。
5.根据权利要求1～4之一所述的微震信号到时差的自动拾取方法，其特征在于步骤S4所述的对能量谱和相位谱进行自编码，具体为采用autoencoder算法对能量谱和相位谱进行自编码。
6.根据权利要求5所述的微震信号到时差的自动拾取方法，其特征在于所述的autoencoder算法的隐藏层神经元数据为100。
7.根据权利要求1～4之一所述的微震信号到时差的自动拾取方法，其特征在于步骤S5所述的神经网络，为BP神经网络。
8.根据权利要求7所述的微震信号到时差的自动拾取方法，其特征在于所述的BP神经网络的隐含层神经元数据为20。
9.根据权利要求8所述的微震信号到时差的自动拾取方法，其特征在于所述的BP神经网络为经过了采用人工分析得到的数据进行监督学习后的BP神经网络。
CN201910044199.0A 2019-01-17 2019-01-17 微震信号到时差的自动拾取方法 Active CN109613610B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910044199.0A CN109613610B (zh) 2019-01-17 2019-01-17 微震信号到时差的自动拾取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910044199.0A CN109613610B (zh) 2019-01-17 2019-01-17 微震信号到时差的自动拾取方法

Publications (2)

Publication Number Publication Date
CN109613610A CN109613610A (zh) 2019-04-12
CN109613610B true CN109613610B (zh) 2020-04-14

Family

ID=66016885

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910044199.0A Active CN109613610B (zh) 2019-01-17 2019-01-17 微震信号到时差的自动拾取方法

Country Status (1)

Country Link
CN (1) CN109613610B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020220416A1 (zh) * 2019-04-28 2020-11-05 山东科技大学 一种基于深度学习的微震信号分类辨识方法
CN110737023B (zh) * 2019-10-17 2021-04-16 北京矿冶科技集团有限公司 一种矿用微震监测信号的处理方法
CN110954952B (zh) * 2019-12-05 2021-06-18 山东省科学院激光研究所 一种微震信号初至波类型判别和波速校正方法
CN111505705B (zh) * 2020-01-19 2022-08-02 长江大学 基于胶囊神经网络的微地震p波初至拾取方法及系统
CN117056708A (zh) * 2023-10-11 2023-11-14 成都大公博创信息技术有限公司 一种基于多尺度特征融合和cnn-lstm的ais信号识别方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106411829A (zh) * 2015-12-14 2017-02-15 中国民航大学 基于小波能量谱和组合神经网络的LDoS攻击检测方法
CN106405640B (zh) * 2016-08-26 2018-07-10 中国矿业大学(北京) 基于深度信念神经网络的微震信号到时自动拾取方法
CN110800273B (zh) * 2017-04-24 2024-02-13 卡内基梅隆大学 虚拟传感器系统
CN107894564B (zh) * 2017-11-09 2020-02-18 合肥工业大学 一种基于交叉小波特征的模拟电路故障诊断方法
CN108121878B (zh) * 2018-01-05 2022-05-31 吉林大学 自动编码震源信号的脉冲神经网络模型

Also Published As

Publication number Publication date
CN109613610A (zh) 2019-04-12

Similar Documents

Publication Publication Date Title
CN109613610B (zh) 微震信号到时差的自动拾取方法
Mousavi et al. STanford EArthquake Dataset (STEAD): A global data set of seismic signals for AI
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
CN107817527B (zh) 基于块稀疏压缩感知的沙漠地震勘探随机噪声压制方法
CN113568043B (zh) 基于深度卷积神经网络的三阶段震相拾取方法
Shi et al. MALMI: An automated earthquake detection and location workflow based on machine learning and waveform migration
CN110308484A (zh) 一种基于深度学习智能筛选初至的层析反演方法及系统
CN106405640A (zh) 基于深度信念神经网络的微震信号到时自动拾取方法
CN107807387B (zh) 基于神经网络的地震初至波走时获取方法
CN106886044A (zh) 一种基于剪切波与Akaike信息准则的微地震初至拾取方法
CN116299684B (zh) 基于人工神经网络中双模态神经元的新型微震分类方法
CN115290761B (zh) 基于深度学习的声发射数据重构方法及装置
US12123299B2 (en) Quantitative hydraulic fracturing surveillance from fiber optic sensing using machine learning
CN118194246B (zh) 一种地空电磁探测系统运动噪声分离方法及深部找矿方法
CN114218982B (zh) 基于改进WGAN网络和CBDNet的微地震记录去噪方法
Zheng et al. Deep neural networks design and analysis for automatic phase pickers from three-component microseismic recordings
CN115220094A (zh) 基于BiLSTM和注意力机制的微地震事件检测方法
Wang et al. Real‐time detection of volcanic unrest and eruption at axial seamount using machine learning
CN109581504B (zh) 地面微地震记录中直达纵波极性计算方法及系统
CN112346129B (zh) 测井曲线提取及合成地震记录制作方法及装置
Lan et al. Seismic Phase Picking Using a Cross-Attention Network on NVIDIA Jetson Xavier NX
CN117609874A (zh) 基于集成深度学习的岩石断层摩擦微震检测方法和系统
CN114706128A (zh) 一种微地震资料噪声压制方法及系统、存储介质和地震信息处理设备
CN114428276A (zh) 一种基于最佳子波的衰减旅行时提取方法及系统
CN115407405B (zh) 一种实验室内阵列声波慢度计算方法

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