基于深度卷积神经网络的剪切波分裂质量检测

发布时间：2024-06-27 23:54

　　剪切波分裂是分析地震各向异性的一种重要手段,常规方法是利用网格搜索获取分裂参数,再通过不同方法的测量结果对比测量结果进行质量检测,这一过程会耗费大量计算时间。本文针对这一问题提出了一种利用深度卷积神经网络对剪切波分裂进行质量检测的新方法,对使用了Resnet残差结构的深度神经网络进行训练,直接对二分量剪切波波形数据的质量进行分类。整个过程为:神经网络通过卷积层提取波形特征,计算损失函数后反向传播训练模型参数,完成迭代训练后的模型对输入波形数据正向计算自动输出类型。本文利用川西台站接收到的实际数据以及随机生成的合成数据分别对该网络进行训练,均可以获得准确的分类结果。相比于通过多种剪切波分裂方法对比测量结果的质量检测方法,基于神经网络的方法可以省略网格搜索的计算过程直接判断质量类型,在运算速度上的优势明显,并可继续通过训练提高模型的精度,为提升剪切波分裂方法在数据处理过程中的操作效率提供帮助。

【文章页数】：11 页

【部分图文】：

图1剪切波分裂质量检测方法示意图

上述质量检测方法的基本流程均需要先使用多种方法通过网格搜索计算出结果，之后按照一定规则进行对比，才能判断相应的质量类型(图1(a))。剪切波分裂需要处理大量的波形数据，基于单层各向异性介质的假设，考虑到波形信噪比和地球内部构造的复杂性，在实际分析中只有少数的波形数据可以获得满足要....

图2神经网络一维卷积示意图

其中，Ct表示长度为t的时间序列X与长度为l的滤波器ω卷积后的输出向量，*为点乘求和，b为偏置参数。1个卷积层中需要设置多个滤波器来提取波形中更多的特征，图2展示了时间序列通过含有n个卷积核大小为1×3的滤波器的卷积层的计算过程。在进行一维卷积时，为了尽可能保留时间序列边界上的信....

图3深度神经网络结构示意图

本文所构建的深度神经网络主要含有3个卷积块，采用残差结构相连，卷积块内的滤波器个数依次为32、64、128;每个卷积块内均含有3个卷积层，卷积核大小均设为1×3，如图3所示。网络中还包含一些其他的操作层:激活函数层选择了ReLU(线性整流函数)ReLU层可以为神经网络引入非线....

图4测试集(1500条数据)的标签分布及测试结果

合成波形的参数在一定范围内随机选择，如表1所示。随机生成二分量的SKS剪切波波形，每条时间序列有100个采样点，采样间隔为0.2s，均进行了0.02～1Hz的带通滤波。通过互相关法和能量最小化法进行网格搜索，对时间延迟和快轴方向的搜索步长分别为0.1s和1°。测量得到2种方法的结....

本文编号：3996129