【技术实现步骤摘要】
本专利技术属于地震前兆数据观测与分析的，特别是涉及一种基于图神经网络的钻孔应变数据多台站分析方法。
技术介绍
1、地震是自然界中一种常见而又具有巨大破坏力的自然灾害，给人类社会带来了巨大的损失和影响，与其他灾害不同的是，地震没有特别的机制，且更具破坏性。多年来，各国学者针对“地震前是否会出现前兆现象的问题”争论不休。由于地震孕育机理十分复杂，地震预测仍然是一个需要通过长期探索方能解决的世界性科学难题。目前，各国学者对地震前兆异常尚无定义，地震震前的数据研究是地震前兆分析的必要前提。各国学者从多方面对地震震前异常进行探索，钻孔应变仪由于其具有精度高、频带宽、稳定性好等特点，成为了地壳形变观测重要的手段之一。
2、我国部署的钻孔应变仪积累的数据不断增大，传统的信号处理方法对于海量数据的处理已经显现出了很多不足，采用深度学习的方法能够有效解决这一难题。由于地震监测台站部署位置的特性，相邻台站甚至是相同地区的台站之间都会存在一定的相关性，然而，现有针对钻孔应变数据处理的方法绝大多数只是针对单一台站进行分析，忽略了各台站之间位置上隐藏的相关性，图神经网络能够根据节点数据及其邻居节点的边提取潜在信息。因此，本专利技术提出了一种基于图神经网络的钻孔应变数据多台站分析方法。
技术实现思路
1、本专利技术的目的是提供一种基于图神经网络的钻孔应变数据多台站分析方法，以解决上述现有技术存在的问题。
2、为实现上述目的，本专利技术提供了一种基于图神经网络的钻孔应变数据多台站分析方法
3、获取各个台站钻孔应变数据并进行应变换，获得对应的第一剪应变数据、第二剪应变数据和面应变数据；
4、分别对所述第一剪应变数据、第二剪应变数据和面应变数据进行分解、重构以及融合；
5、基于1d卷积层和图卷积层构建图神经网络，基于融合后的数据对所述图神经网络进行训练；
6、基于训练后的图神经网络对多台站钻孔应变数据进行分析和预测。
7、可选地，对多台站钻孔应变数据进行应变换之前还包括：基于自洽方程对各个台站钻孔应变数据进行验证。
8、可选地，对所述第一剪应变数据、第二剪应变数据和面应变数据进行分解、重构以及融合的过程包括：基于变分模式分解方法分别对各个台站的第一剪应变数据、第二剪应变数据和面应变数据进行分解，去除年趋势和固体潮响应分量，然后对剩余分量进行重构，获得各个台站的第一重构剪应变数据、第二重构剪应变数据和重构面应变数据；最后将各个台站的第一重构剪应变数据进行数据融合，将各个台站的第二重构剪应变数据进行数据融合，将各个台站的重构面应变数据进行数据融合。
9、可选地，所述图神经网络的构建过程包括：基于1d卷积层和图卷积层构建时空网络层，然后将若干个时空网络层进行堆叠，将输入层、线性层、堆叠的时空网络层以及输出层依次连接，搭建成图神经网络。
10、可选地，所述1d卷积层采用因果空洞卷积对输入数据进行1d卷积操作，捕获输入数据的时间依赖。
11、可选地，对输入的数据进行1d卷积操作的过程包括：所述1d卷积层包括第一tcn层和第二tcn层，所述第一tcn层采用tanh作为激活函数，输入数据，所述第二tcn层采用sigmod作为激活函数，对输入数据进行判断；然后将输入数据与判断后的输入数据按照元素进行相乘，将相乘结果作为1d卷积层的输出。
12、可选地，所述因果空洞卷积中增加了扩张因子，所述扩张因子与1d卷积层数存在如下约束：
13、
14、其中，seq是输入层的序列长度，d是扩张因子的大小，k是时空层的层数，out是输出的序列长度。
15、可选地，所述图卷积层引入扩散卷积对输入数据进行图卷积，捕获输入数据的空间依赖。
16、可选地，对输入数据进行图卷积的过程包括：构建台站的节点图结构，获取所述节点图结构的邻接矩阵，基于所述邻接矩阵和模型参数矩阵进行图卷积操作。
17、本专利技术的技术效果为：
18、本专利技术充分利用相邻区域多台站数据之间的关联与制约，使各台站钻孔应变数据预测结果更加精确合理；同时能够有效的融合不同台站的数据，实现了区域性多台站数据联合分析。
本文档来自技高网...【技术保护点】
1.一种基于图神经网络的钻孔应变数据多台站分析方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于图神经网络的钻孔应变数据多台站分析方法，其特征在于，
3.根据权利要求1所述的基于图神经网络的钻孔应变数据多台站分析方法，其特征在于，
4.根据权利要求1所述的基于图神经网络的钻孔应变数据多台站分析方法，其特征在于，
5.根据权利要求4所述的基于图神经网络的钻孔应变数据多台站分析方法，其特征在于，
6.根据权利要求5所述的基于图神经网络的钻孔应变数据多台站分析方法，其特征在于，
7.根据权利要求5所述的基于图神经网络的钻孔应变数据多台站分析方法，其特征在于，
8.根据权利要求4所述的基于图神经网络的钻孔应变数据多台站分析方法，其特征在于，
9.根据权利要求8所述的基于图神经网络的钻孔应变数据多台站分析方法，其特征在于，
【技术特征摘要】
1.一种基于图神经网络的钻孔应变数据多台站分析方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于图神经网络的钻孔应变数据多台站分析方法，其特征在于，
3.根据权利要求1所述的基于图神经网络的钻孔应变数据多台站分析方法，其特征在于，
4.根据权利要求1所述的基于图神经网络的钻孔应变数据多台站分析方法，其特征在于，
5.根据权利要求4所述的基于图神经网络的钻...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。