基于机器学习和动力学计算融合的地震定位方法与设备技术

本申请涉及地震定位技术领域，更为具体来说，本申请涉及基于机器学习和动力学计算融合的地震定位方法与设备。所述方法包括：获取多源数据，并对所述多源数据进行正则化处理；对正则化处理后的数据进行短时傅里叶变换得到时频图像作为样本，对每个样本依据震源位置按照三维高斯分布生成标签数据，采用交叉验证法生成训练集与测试集；基于训练集进行全卷积神经网络模型训练，基于测试集对训练的模型进行精度评价，得到训练好的模型；将实时监测数据输入到训练好的模型中初步估算震源位置；对初步估算的震源位置，采用动力学计算模型予以修正。所述方法与设备能够快速实现震源的初步定位，然后使用动力学计算模型能够进一步确定精确的震源位置。确的震源位置。确的震源位置。

【技术实现步骤摘要】
基于机器学习和动力学计算融合的地震定位方法与设备


[0001]本申请涉及地震定位
，更为具体来说，本申请涉及基于机器学习和动力学计算融合的地震定位方法与设备。

技术介绍

[0002]我国是地震多发的国家，地震是破坏力极强的自然灾害，对人民生命和财产安全造成极大的威胁。地质构造导致的地震，通过地震波向外传递能量，使地表产生变形与地标建筑结构破坏，并引起一系列次生灾害。地震发生时，快速准确地确定地震震源位置，有助于提高地震预警的时效性和可靠性。
[0003]由于地震场景比较复杂，地震定位技术虽已有很大成果，但仍存在瓶颈。目前常用的地震定位方法有双差定位法、网格搜索法、双曲线法等，这些方法的原理大都是基于不同台站的到时信息，其不足在于需要各台站的精确到时信息，且容易受台站到时延迟和钟差等因素的影响。究其本质，是难以得到准确描述场地土层速度的变化情况的速度模型、噪声及到时判断方法等影响了震相的到时拾取。
[0004]随着我国地震监测台站的建设和地震记录数据的越来越完备，以及大数据和人工智能技术的发展，为解决上述问题提供了新的契机。人工神经网络(Artificial Neural Network)是基于对人脑活动机理的相关研究提出的一种数学统计学习模型。人工神经网络具有自学习、自组织和自适应的能力，具有高度的非线性、良好的容错性、计算的非精确性等特点。人工神经网络目前广泛应用于机器视觉和语音识别等传统方法较难解决的领域。目前，有相关研究将人工神经网络应用于地震定位中，如PreSEIS神经网络法、卷积神经网络法、全卷积神经网络法等。但由于历史数据中的震源位置也并不准确，历史数据量也有限，训练的定位模型获得的定位结果也存在局限性。
[0005]因此，本申请提出一种改进的方法与设备，以至少部分地解决上述技术问题。

技术实现思路

[0006]本专利技术的核心是将机器学习和基于地震波传播原理的动力学计算相结合用于地震震源高精度定位。
[0007]为实现上述技术目的，本申请提供了一种基于机器学习和动力学计算融合的地震定位方法，包括以下步骤：
[0008]获取多源数据，并对所述多源数据进行正则化处理；
[0009]对正则化处理后的数据进行短时傅里叶变换得到时频图像作为样本，对每个样本依据震源位置按照三维高斯分布生成标签数据，采用交叉验证法生成训练集与测试集；
[0010]基于训练集进行全卷积神经网络模型训练，基于测试集对训练的模型进行精度评价，得到训练好的模型；
[0011]将实时监测数据输入到训练好的模型中初步估算震源位置；
[0012]对初步估算的震源位置，采用动力学计算模型予以修正。
[0013]具体地，所述正则化处理后的数据为经度、纬度和深度三分方向数据。
[0014]优选地，所述进行短时傅里叶变换包括：使用步长为3s的滑动时窗自首台P波到时前12s至首台P波到时后12s截取波形，截取40.96s共4096个采样点，对生成的每个台站的三分向记录分别进行短时傅里叶变换，其中窗函数γ(t)采用汉宁窗，窗宽取为1.28s共128个采样点，窗之间重叠的点数取为窗宽的一半。
[0015]进一步地，所述三维高斯分布生成标签数据的方法为：
[0016][0017]其中，(x0，y0，z0)表示真实的地震震源位置，r表示三维高斯分布的半径参数，R
x
，R
y
，R
z
表示区域的范围。
[0018]优选地，所述基于训练集进行全卷积神经网络模型训练包括：图像数据输入、数据规则化、卷积运算、激活、池化、全连接与Softmax分类操作，所述基于训练集进行全卷积神经网络模型训练在训练后还进行初始化权重以及偏置，通过反向传播算法得到优化模型，然后输出该模型。
[0019]优选地，所述动力学计算模型基于地理信息系统获得的地表、地形、地层和地质数据而建立，以反映地形起伏变化和地层地质。
[0020]进一步地，所述对初步估算的震源位置，采用动力学计算模型予以修正，具体包括：
[0021]以初步估算的震源位置为中心，选择附近区域几千米至几十千米范围内的经度、纬度和深度三分方向划分长方体三维网格，并设置1000个虚拟网格位置作为修正震源备选位置；
[0022]对所述修正震源备选位置，采用动力学计算模型计算地震波模拟数据；
[0023]计算各观测站实时监测数据与所述地震波模拟数据之间的相关系数
[0024][0025]其中，X
i
为实时监测数据，Y
i
为地震波模拟数据，实时监测数据的平均值，为地震波模拟数据的平均值，i为步长；
[0026]通过网格搜索，寻找相关系数最大值，得到最优震源位置所在网格；
[0027]在最优震源位置所在网格内部，得到震源精确位置。
[0028]进一步地，所述在最优震源位置所在网格的内部，得到震源精确位置的方法为：
[0029]初始化，设置进化代数计数器t＝0，设置最大进化代数T，在最优震源位置所在网格内部，随机生成M个震源位置作为初始群体P(0)；
[0030]个体评价，依据观测台站数据与动力学模拟数据的相关系数，得到群体P(t)中各个个体的适应度；
[0031]选择操作，将选择算子作用于群体，以把优化的个体直接遗传到下一代或通过配对交叉产生新的个体再遗传到下一代；
[0032]交叉操作，对部分群体实行交叉操作，以把两个父代个体的部分结构加以替换重组而生成两个新个体；
[0033]变异操作，将变异算子作用于群体，以对群体中的个体串的某些基因座上的基因值做变动；
[0034]复制操作，对部分群体实行复制操作，使群体P(t)得到下一代群体P(t+1)；
[0035]终止条件判断，若t＝T，则以进化过程中所得到的具有最大适应度个体作为震源精确位置输出，终止计算。
[0036]本专利技术第二方面提供了一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，使得所述处理器执行如下步骤：
[0037]获取多源数据，并对所述多源数据进行正则化处理；
[0038]对正则化处理后的数据进行短时傅里叶变换得到时频图像作为样本，对每个样本依据震源位置按照三维高斯分布生成标签数据，采用交叉验证法生成训练集与测试集；
[0039]基于训练集进行全卷积神经网络模型训练，基于测试集对训练的模型进行精度评价，得到训练好的模型；
[0040]将实时监测数据输入到训练好的模型中初步估算震源位置；
[0041]对初步估算的震源位置，采用动力学计算模型予以修正。
[0042]本专利技术第三方面提供了一种存储有计算机可读指令的存储介质，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行如下步骤：
[0043]获取多源数据，并对所述多源数据进行正则化处理；本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器学习和动力学计算融合的地震定位方法，其特征在于，包括以下步骤：获取多源数据，并对所述多源数据进行正则化处理；对正则化处理后的数据进行短时傅里叶变换得到时频图像作为样本，对每个样本依据震源位置按照三维高斯分布生成标签数据，采用交叉验证法生成训练集与测试集；基于训练集进行全卷积神经网络模型训练，基于测试集对训练的模型进行精度评价，得到训练好的模型；将实时监测数据输入到训练好的模型中初步估算震源位置；对初步估算的震源位置，采用动力学计算模型予以修正。2.根据权利要求1所述的基于机器学习和动力学计算融合的地震定位方法，其特征在于，所述正则化处理后的数据为经度、纬度和深度三分方向数据。3.根据权利要求2所述的基于机器学习和动力学计算融合的地震定位方法，其特征在于，所述进行短时傅里叶变换包括：使用步长为3s的滑动时窗自首台P波到时前12s至首台P波到时后12s截取波形，截取40.96s共4096个采样点，对生成的每个台站的三分方向记录分别进行短时傅里叶变换，其中窗函数γ(t)采用汉宁窗，窗宽取为1.28s共128个采样点，窗之间重叠的点数取为窗宽的一半。4.根据权利要求3所述的基于机器学习和动力学计算融合的地震定位方法，其特征在于，所述三维高斯分布生成标签数据的方法为：其中，(x0，y0，z0)表示真实的地震震源位置，r表示三维高斯分布的半径参数，R
x
，R
y
，R
z
表示区域的范围。5.根据权利要求4所述的基于机器学习和动力学计算融合的地震定位方法，其特征在于，所述基于训练集进行全卷积神经网络模型训练包括：图像数据输入、数据规则化、卷积运算、激活、池化、全连接与Softmax分类操作，所述基于训练集进行全卷积神经网络模型训练在训练后还进行初始化权重以及偏置，通过反向传播算法得到优化模型，然后输出该模型。6.根据权利要求5所述的基于机器学习和动力学计算融合的地震定位方法，其特征在于，所述动力学计算模型基于地理信息系统获得的地表、地形、地层和地质数据而建立，以反映地形起伏变化和地层地质。7.根据权利要求6所述的基于机器学习和...

【专利技术属性】
技术研发人员：陈永强，吴志鹏，周惟於，
申请(专利权)人：北京大学，
类型：发明
国别省市：