一种基于卷积神经网络的P波捡拾算法制造技术

本发明专利技术公开了一种基于卷积神经网络的P波捡拾算法，包括以下步骤：步骤一，井下地震记录的筛选，在保证数据集高质量性的同时具备工程意义；步骤二，数据的划分与样本集的制作，通过合理配置训练、验证和测试集的样本数据使得模型最大化学习P波到时特征；步骤三，神经网络模型DPick的搭建，通过超参优化和训练策略的调整来获取结构较优解；步骤四，泛化性能测试，将训练完毕的DPick模型应用于新的台站记录来测试模型在未知事件中的性能表现。本发明专利技术，将深度学习算法应用于P波检测程序中，以此来改善传统P波捡拾算法存在的误、漏捡拾等问题，提升了P波到时拾取工作的时效性、准确性以及鲁棒性，为EEW系统的高精度地震预警信息预报提供重要基础和保障。重要基础和保障。重要基础和保障。

【技术实现步骤摘要】
一种基于卷积神经网络的P波捡拾算法


[0001]本专利技术涉及地震预测
，具体为一种基于卷积神经网络的P波捡拾算法。

技术介绍

[0002]地震预警系统是地震工程实践中的分支之一，其作用是在地震发生后，破坏性S波到来之前的几秒至几十秒的时间内向目标区域快速发送预警信号，其中准确快速的拾取P波信号是地震预警系统中各模块的计算基础，很大程度上决定了预警效果的优劣。现行地震预警系统中的广泛应用信号特征函数STA/LTA、AIC修正，AR自回归算法来进行P波拾取工作，但存在误(漏)捡拾率较高，具体表现为将信号噪声判别为地震波、P波到时估计不准确、时效性差等缺陷。这些方法存在共同缺点，即它们都需要某种形式的经验参数。近年来，深度学习算法在地震学领域应用越来越广泛，在非线性关系的映射中取得了较为优异的表现，通过引入神经网络算法，以未经处理的加速度时许数据进行输入，做到端到端输出P波到时点数据，避免了人工定义经验参数带来的缺陷，提高拾取精度的同时能够将计算时间控制在毫秒级别，确保了方法的时效性，可以作为提高地震预警系统性能的可靠方法。

技术实现思路

[0003]本专利技术的目的在于提供一种基于卷积神经网络的P波捡拾算法，以解决上述
技术介绍
中提出的问题。
[0004]为实现上述目的，本专利技术提供如下技术方案：一种基于卷积神经网络的P波捡拾算法，其特征在于，包括以下步骤：
[0005]步骤一，选择日本Kiban
‑
Kyoshin Net(Kik
‑
Net)台网井下基岩的地震记录并进行条件筛选；
[0006]步骤二，数据的划分与样本集的制作，通过合理配置训练、验证和测试集的样本数据使得模型最大化学习P波到时特征；
[0007]步骤三，卷积神经网络模型DPick的搭建，通过超参优化和训练策略的调整来确定神经网络内部参数值、隐藏层结构和神经元个数，从而使得DPick模型性能较优；
[0008]步骤四，DPick泛化性能测试，将训练完毕的DPick模型应用于新的地表台站记录来测试模型在未知事件中的性能表现。
[0009]在步骤一中，所述数据源来自日本Kiban
‑
Kyoshin Net(Kik
‑
Net)台网的井下基岩的台站记录，采样频率100Hz；为保证数据集的高质量性并同时具备实际工程意义，对井下基岩的加速度时程数据的筛选遵循以下原则：
[0010]a、震级M≥4.0，地震预警系统注重大于4级地震的信息预报工作；
[0011]b、震源距介于25km与200km之间，这样一方面能保证所筛选的地震记录至少有3s初至P波信息，另一方面200km的震源距上限可包含破坏性的日本近海地震；
[0012]d、三分量井上地震波合成后的地震动峰值加速度大于等于2gal；
[0013]d、信噪比(signal noise ration,SNR)大于等于10dB(SNR＝10
·
log(As/An))，其
中As是P波到达后3s数据的信号功率，An是P波到达前3s数据的噪声功率；在数据筛选后，进行人工检查以确保数据中没有出现P波到时点未被记录、基线漂移或一个记录中出现多次地震时间的情况，经上述处理后，得到了一份高质量的加速度时序信号集。
[0014]在步骤二中，数据可以被分成训练、验证和测试数据集，训练和验证数据集用于模型的训练、模型架构选择以及内部超参数的调整；测试数据集用于评估所提方法的性能；当应用深度学习来拾取P波到达时，需要考虑计算P波到达时间的过程的特点来设置三个数据集。
[0015]设定P波检测的时间窗长度为521个样本，考虑到震级估计需要1
‑
3s的P波信息，限定P波的检测时间最多不超过3s；定义t0时刻是在P波到达之前，数据窗口中只有噪声，下一秒为t0+1s时刻，此时P波第一次出现在数据窗口内，P波的总长度在0.01
‑
1s之间。在t0+2s时刻，随着100个P波数据样本移入数据窗口，其总长度在1.01
‑
2s之间。同样，在t0+3s时，P波数据的长度在2.01
‑
3s之间。
[0016]制作训练数据时将P波到达时间随机设置在212至512之间的样本点，模拟从t0+1s到t0+3s。
[0017]在步骤三中，DPick是在一维卷积神经网络开发的，DPick层的输入是一个具有512个垂直加速图样本的数据窗口；DPick的输出是一个数字，如果输出数字大于0，则认为数据窗口中出现了P波；否则，窗口中只有噪声。
[0018]DPick由一个输入层、九个隐藏层、一个全连接层和一个输出层组成，每个隐藏层都由一个标准的卷积运算构成，每个隐藏层包括滤波器和池化运算。
[0019]在步骤四中，测试数据集用于测试DPick在实时EEW模拟中这四个方面的性能，并将结果与STA/LTA得到的结果进行比较。
[0020]在步骤四中，为进一步验证DPick的适用性，STA/LTA和DPick均被用来估计地表台站的P波到达时间。
[0021]与现有技术相比，本专利技术的有益效果是：本专利技术，将深度学习算法应用于P波检测程序中，以此来改善传统P波捡拾算法存在的误、漏捡拾等问题，提升了P波到时拾取工作的时效性、准确性以及鲁棒性，为EEW系统的高精度地震预警信息预报提供重要基础和保障。
附图说明
[0022]图1为本专利技术的算法流程图；
[0023]图2为本专利技术的实时拾取P波的示意图；
[0024]图3为本专利技术的训练数据P波到达时间间隔的样本示意图；
[0025]图4为本专利技术的验证和测试数据在P波到达前和到达后的样本示意图；
[0026]图5为本专利技术的DPick的隐藏层的的示意图；
[0027]图6为本专利技术的测试数据集与STA/LTA得到的结果的对比示意图；
[0028]图7为本专利技术的DPick和STA/LTA估计P到达时间的对比示意图。
具体实施方式
[0029]下面将结合本专利技术实施例中的附图，对本专利技术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专利技术一部分实施例，而不是全部的实施例。基于
本专利技术中的实施例，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，都属于本专利技术保护的范围。
[0030]请参阅图1，本专利技术提供的一种实施例：一种基于卷积神经网络的P波捡拾算法，其用于地震预警系统的初始地震到时检测模块中，包括以下步骤：
[0031]步骤一，选择日本Kiban
‑
Kyoshin Net(Kik
‑
Net)台网井下基岩的地震记录并进行条件筛选，在保证数据集高质量性的同时具备工程意义；
[0032]步骤二，数据的划分与样本集的制作，通过合理配置训练、验证和测试集的样本数据使得模型最大化学习P波到时特征；
[本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于卷积神经网络的P波捡拾算法，其特征在于，包括以下步骤：步骤一，数据收集与筛选，选择日本Kiban
‑
Kyoshin Net(Kik
‑
Net)台网井下基岩的地震记录并进行条件筛选；步骤二，数据的划分与样本集的制作，通过合理配置训练、验证和测试集的样本数据使得模型最大化学习P波到时特征；步骤三，卷积神经网络模型DPick的搭建，通过超参优化和训练策略的调整来确定神经网络内部参数值、隐藏层结构和神经元个数，从而使得DPick模型性能较优；步骤四，DPick泛化性能测试，将训练完毕的DPick模型应用于新的地表台站记录来测试模型在未知事件中的性能表现。2.根据权利要求1所述的一种基于卷积神经网络的P波捡拾算法，其特征在于，在步骤一中，所述数据源来自日本Kiban
‑
Kyoshin Net(Kik
‑
Net)台网的井下基岩的台站记录，采样频率100Hz；为保证数据集的高质量性并同时具备实际工程意义，对井下基岩的加速度时程数据的筛选遵循以下原则：a、震级M≥4.0，地震预警系统注重大于4级地震的信息预报工作；b、震源距介于25km与200km之间，这样一方面能保证所筛选的地震记录至少有3s初至P波信息，另一方面200km的震源距上限可包含破坏性的日本近海地震；c、三分量井上地震波合成后的地震动峰值加速度大于等于2gal；d、信噪比(signal noise ration,SNR)大于等于10dB(SNR＝10
·
log(As/An))，其中As是P波到达后3s数据的信号功率，An是P波到达前3s数据的噪声功率；在数据筛选后，进行人工检查以确保数据中没有出现P波到时点未被记录、基线漂移或一个记录中出现多次地震时间的情况，经上述处理后，得到了一份高质量的加速度时序信号集。3.根据权利要求1所述的一种基于卷积神经网络的P波捡拾算法，其特征在于，在步骤二中，数据可以被分成训练、验证和测试数据集，训练和验证数据集用于模型的训练、模型架...

【专利技术属性】
技术研发人员：王自法，王延伟，廖吉安，位栋梁，
申请(专利权)人：中震科建广东防灾减灾研究院有限公司，
类型：发明
国别省市：