一种人工智能实时微地震监测节点制造技术

本申请公开了一种人工智能实时微地震监测节点，包括：处理器以及与处理器连接的数据采集模块、人工智能计算模块和通信模块，其中人工智能计算模块设置有预先训练的微地震数据分析模型，处理器配置用于执行以下操作：控制数据采集设备采集微地震数据；开启人工智能计算模块，通过微地震数据分析模型对采集的微地震数据进行计算，确定与微地震相关的有效事件数据；以及通过通信模块将有效事件数据发送至远程的数据中心。

【技术实现步骤摘要】
一种人工智能实时微地震监测节点
本申请涉及地震采集设备
，特别是涉及一种人工智能实时微地震监测节点。
技术介绍
微地震、微动节点（或称微地震、微动检波器）广泛的应用于非常规油气开发、诱发地震监测、深部地质工程监测、背景噪声监测以及城市地下空间探测等被动源地球物理响应监测场景中。常规的微地震监测节点通常采用人工布设台站，长时间被动源监测，人工收取台站，集中读取数据并分析数据结果，这一套监测处理流程。但随着监测要求的提高，越来越需要能进行实时的监测处理分析，实时监测处理分析将帮助更好的了解实时地下改造情况，动态调整施工方案或者采取应急处理手段。近些年来，随着高速移动网络快速发展，微地震监测节点也开始向实时传输进行尝试，目前已经实现了基于无线WIFI网络的微地震压裂实时监测系统及监测方法。然而，这些微震节点都仅实现了对数据的回传，计算还是在数据中心进行。随着微地震监测网建设的持续推进，大量的微震节点将接入到监测系统中，获取的数据是海量级的。以Smartsolo目前通用微地震监测节点为例，200个三分量微地震节点一个月的监测数据量有几十将达到45TB，常规的数据回传将导致系统传输压力大、数据中台计算负荷过重实时处理将变得遥不可及，同时海量的数据常规的处理方法也遇到了人工干预过多效率低下的问题。针对上述的现有技术中存在的海量的微地震数据分析都是在数据中心进行的，因此存在数据传输压力大、数据中心计算负荷过重并且人工干预过多效率低下的技术问题，目前尚未提出有效的解决方案。
技术实现思路
本公开的实施例提供了一种人工智能实时微地震监测节点，以至少解决现有技术中存在的海量的微地震数据分析都是在数据中心进行的，因此存在数据传输压力大、数据中心计算负荷过重并且人工干预过多造成效率低下的技术问题。根据本公开实施例的一个方面，提供了一种人工智能实时微地震监测节点，包括：处理器以及与处理器连接的数据采集模块、人工智能计算模块和通信模块，其中人工智能计算模块设置有预先训练的微地震数据分析模型，处理器配置用于执行以下操作：控制数据采集设备采集微地震数据；开启人工智能计算模块，通过微地震数据分析模型对采集的微地震数据进行计算，确定与微地震相关的有效事件数据；以及通过通信模块将有效事件数据发送至远程的数据中心。可选地，通过微地震数据分析模型对采集的微地震数据进行计算，确定与微地震相关的有效事件数据的操作，包括：通过微地震数据分析模型对采集的微地震数据进行计算，确定与微地震相关的微地震发生概率；和/或通过微地震数据分析模型对采集的微地震数据进行计算，确定微地震的初至波位置的概率。可选地，微地震数据分析模型包括：输入层、特征提取层、线性层、三层Bi-LSTM层、全连接层以及输出层，其中特征提取层包括四层卷积层：第一卷积层的卷积核为(9,9)，第二卷积层的卷积核为(7,7)，第三卷积层的卷积核为(5,5)，第四卷积层的卷积核为(3,3)，并且相邻两层卷积层之间含1个池化核为3的池化层。可选地，处理器为基于STM32的微控制器单元。可选地，基于STM32的微控制器单元还设置有微地震数据的触发阈值，并且在判断微地震数据达到触发阈值的情况下，开启人工智能计算模块。可选地，还包括：定位模块，定位模块为GPS模块或者北斗模块，并且在判断微地震数据达到触发阈值的情况下，开启定位模块。可选地，微地震数据分析模型是基于TensorFlowLite的简化深度学习训练框架训练得到的。可选地，人工智能计算模块基于RISC-V架构。可选地，通信模块为以下任意一项：4G模块、5G模块、NB-IOT模块。可选地，人工智能实时微地震监测节点与基站连接，并且通过通信模块将有效事件数据发送至远程的数据中心，包括：通过通信模块将有效事件数据发送至基站，通过基站将有效事件数据发送至数据中心。可选地，基站与人工智能实时微地震监测节点之间还设置有中继网关，并且通过通信模块将有效事件数据发送至远程的数据中心，包括：通过通信模块将有效事件数据发送至中继网关，通过中继网关将有效事件数据发送至基站，通过基站将有效事件数据发送至数据中心。可选地，数据采集模块至少包括：模拟通道前置放大和AD信号采集单元、FPGA逻辑控制单元、采集通道管理单元、时钟模拟单元以及采集信号控制单元，其中采集通道管理单元与模拟通道前置放大和AD信号采集单元、采集信号控制单元、FPGA逻辑控制单元连接，采集信号控制单元和FPGA逻辑控制单元与人工智能计算模块连接，时钟模拟单元与FPGA逻辑控制单元连接。在本公开实施例中，人工智能实时微地震监测节点首先采集微地震数据，然后利用人工智能计算模块的微地震数据分析模型对采集的数据进行处理得到有效事件数据，最终将有效事件数据发送至远程的数据中心。与现有技术相比，本方案可以在数据采集端（即人工智能实时微地震监测节点）对微地震数据进行处理，向数据中心发送的是经过计算的有效事件数据，因此可以显著的减少发送的数据量，并且数据中心只需要对有效事件数据进行分析。从而达到了减轻数据传输压力以及数据中心的计算负担的技术效果。此外，人工智能实时微地震监测节点是利用微地震数据分析模型对微地震数据进行计算，因此可以减少人工干预并且能够提升效率。进而解决了现有技术中存在的海量的微地震数据分析都是在数据中心进行的，因此存在数据传输压力大、数据中心计算负荷过重并且人工干预过多造成效率低下的技术问题。附图说明此处所说明的附图用来提供对本公开的进一步理解，构成本申请的一部分，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。在附图中：图1是用于实现根据本公开实施例1所述的人工智能实时微地震监测节点整体结构示意图；方法的计算设备的硬件结构框图；图2A是根据本公开实施例所述的人工智能实时微地震监测节点的结构示意图；图2B是根据本公开实施例所述的人工智能实时微地震监测节点的硬件结构框图；图2C是根据本公开实施例所述的人工智能实时微地震监测节点的主板的示意图；图3是根据本公开实施例所述的人工智能芯片的结构示意图；图4是根据本公开实施例所述的微地震数据分析模型结构示意图；图5是根据本公开实施例所述的有效事件数据的表示图；图6是根据本公开实施例所述的基于STM32的结构示意图；图7是根据本公开实施例所述的电源管理系统框架示意图；图8是根据本公开实施例所述的有基站情况下的通信传输模式的示意图；以及图9是根据本公开实施例所述的没有基站情况下的自组网通信传输模式的示意图。具体实施方式为了使本
的人员更好地理解本公开的技术方案，下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例仅仅是本公开一部分的实施例，而不是全部的实施例。基于本公开中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本公开保护的本文档来自技高网...

【技术保护点】
1.一种人工智能实时微地震监测节点，其特征在于，包括：处理器以及与所述处理器连接的数据采集模块、人工智能计算模块和通信模块，其中所述人工智能计算模块设置有预先训练的微地震数据分析模型，所述处理器配置用于执行以下操作：/n控制所述数据采集设备采集微地震数据；/n开启所述人工智能计算模块，通过所述微地震数据分析模型对采集的所述微地震数据进行计算，确定与微地震相关的有效事件数据；以及/n通过所述通信模块将所述有效事件数据发送至远程的数据中心。/n

【技术特征摘要】
1.一种人工智能实时微地震监测节点，其特征在于，包括：处理器以及与所述处理器连接的数据采集模块、人工智能计算模块和通信模块，其中所述人工智能计算模块设置有预先训练的微地震数据分析模型，所述处理器配置用于执行以下操作：
控制所述数据采集设备采集微地震数据；
开启所述人工智能计算模块，通过所述微地震数据分析模型对采集的所述微地震数据进行计算，确定与微地震相关的有效事件数据；以及
通过所述通信模块将所述有效事件数据发送至远程的数据中心。


2.根据权利要求1所述的人工智能实时微地震监测节点，其特征在于，通过所述微地震数据分析模型对采集的所述微地震数据进行计算，确定与微地震相关的有效事件数据的操作，包括：
通过所述微地震数据分析模型对采集的所述微地震数据进行计算，确定与所述微地震相关的微地震发生概率；和/或
通过所述微地震数据分析模型对采集的所述微地震数据进行计算，确定所述微地震的初至波位置的概率。


3.根据权利要求1所述的人工智能实时微地震监测节点，其特征在于，所述微地震数据分析模型包括：输入层、特征提取层、线性层、三层Bi-LSTM层、全连接层以及输出层，其中所述特征提取层包括四层卷积层：第一卷积层的卷积核为(9,9)，第二卷积层的卷积核为(7,7)，第三卷积层的卷积核为(5,5)，第四卷积层的卷积核为(3,3)，并且相邻两层卷积层之间含1个池化核为3的池化层。


4.根据权利...

【专利技术属性】
技术研发人员：王一博，薛清峰，郑忆康，姚艺，
申请(专利权)人：中国科学院地质与地球物理研究所，
类型：发明
国别省市：北京;11