基于深度学习的余震P和S震相拾取研究

论文摘要

随着地震处理数字化的快速发展和地震台站的大量建设,震相到时拾取在地震科学领域扮演着越来越重要的角色。然而地震波记录是一种伴随复杂噪声干扰的类随机波形,同时随着地震记录数据量的指数级增加,对震相自动拾取技术提出了更高的要求和挑战。近些年以来,深度学习技术被广泛应用于震相拾取等领域,它突破了传统拾取方法固有的局限性,为震相到时拾取提供了新方法。本文主要对高效率、高精度的拾取震相到时问题进行研究和分析,在简要分析了已有的自动震相拾取方法以及研究卷积神经网络与长短时记忆网络后,构建了基于卷积神经网络的震相定位器与基于长短时记忆网络的震相拾取器,在此基础上提出了一种新的到时拾取方法。本文提出的到时拾取方法分为震相定位与震相拾取两个阶段。震相定位阶段采用40秒滑动窗口将待拾取地震波分解为无重叠的若干片段波,通过震相定位器对片段波进行二分类,从而在大段待拾取地震波中快速地提取出事件波。震相拾取阶段将到时拾取问题看作三分类问题,将40秒事件波划分成400帧,利用震相拾取器将每一个0.1秒的帧分类为P波、S波或非P波S波,同时构建P波与S波各自的信噪比序列。以第一个被分类为P波或S波的帧所在时刻为标准,在P波或S波信噪比序列中的对应标准时刻寻找局部信噪比最大值,最终将最大值对应的时刻作为P波或S波的到时。本文对提出的神经网络拾取方法与传统方法AR picker进行了命中率与精度两方面的对比,在较容易拾取的P波上,神经网络方法与AR picker方法在命中率与精度上都达到了较高水平,而在较难拾取的S波上,神经网络方法在命中率和精度上都优于AR Picker方法。

论文目录

• 摘要
• Abstract
• 第1章 引言
•   1.1 课题研究的背景及意义
•   1.2 深度学习概述
•   1.3 国内外研究现状
•     1.3.1 长短窗平均比值法
•     1.3.2 自回归方法
•     1.3.3 偏振分析方法
•     1.3.4 偏态/峰态方法
•     1.3.5 互相关方法
•     1.3.6 机器学习和神经网络方法
•   1.4 现有震相拾取方法的优势和不足
•   1.5 本文主要研究内容和创新点
•   1.6 本文结构安排
• 第2章 相关理论与技术
•   2.1 震相与到时基础理论
•     2.1.1 UTC时间
•     2.1.2 采样频率
•     2.1.3 地震记录
•     2.1.4 震相与到时
•     2.1.5 地震事件与事件波
•   2.2 地震处理工具库Obspy
•     2.2.1 地震波形文件读取
•     2.2.2 地震波形处理
•     2.2.3 震相拾取方法（AR picker）
•   2.3 卷积神经网络
•     2.3.1 卷积层
•     2.3.2 池化层
•     2.3.3 全连接层
•     2.3.4 激活函数
•     2.3.5 CNN训练算法
•   2.4 长短时记忆网络
•     2.4.1 RNN
•     2.4.2 LSTM
•     2.4.3 标准RNN与 LSTM训练算法
•     2.4.4 多层RNN
•   2.5 梯度下降算法
•     2.5.1 随机梯度下降
•     2.5.2 批量与小批量梯度下降
•     2.5.3 Adam算法
• 第3章 震相到时拾取方法研究
•   3.1 方法流程介绍
•   3.2 震相定位
•     3.2.1 分类问题
•     3.2.2 滑动时窗机制
•     3.2.3 具体步骤与依据
•   3.3 震相拾取
•     3.3.1 时序问题
•     3.3.2 分类问题
•     3.3.3 具体步骤及依据
• 第4章 CNN震相定位器设计
•   4.1 数据集构建
•     4.1.1 构建样本
•     4.1.2 样本均衡
•     4.1.3 数据集概况
•   4.2 CNN网络构建
•     4.2.1 AlexNet
•     4.2.2 CNN震相定位器
•   4.3 模型参数与训练
•     4.3.1 归一化处理
•     4.3.2 模型训练与选择
• 第5章 LSTM到时拾取器设计
•   5.1 数据集构建
•     5.1.1 构建样本
•     5.1.2 样本均衡
•     5.1.3 数据集概况
•   5.2 LSTM网络构建
•   5.3 模型训练与选择
• 第6章 实验验证及实验结果分析与讨论
•   6.1 地震记录数据分析与处理
•     6.1.1 地震记录数据
•     6.1.2 地震文件处理
•   6.2 实验平台
•   6.3 神经网络的各项实验
•     6.3.1 CNN滑动时窗大小
•     6.3.2 LSTM隐含层细胞神经元个数
•   6.4 对比实验与结果分析
•     6.4.1 对比数据
•     6.4.2 命中率对比与分析
•     6.4.3 拾取精度对比与分析
•     6.4.4 实验结果与分析
• 结论
• 致谢
• 参考文献

文章来源

类型: 硕士论文

作者: 孙亚松

导师: 李军,严静

关键词: 震相拾取,深度学习,卷积神经网络,长短时记忆网络

来源: 成都理工大学

年度: 2019

分类: 基础科学,信息科技

专业: 地质学,地球物理学,自动化技术

单位: 成都理工大学

分类号: TP18;P315.7

DOI: 10.26986/d.cnki.gcdlc.2019.000958

总页数: 82

文件大小: 4237K

下载量: 82