基于逆时能量聚焦的地下浅层震源定位方法研究

发布时间：2021-02-17 10:05

　　地下浅层微震定位是地下空间目标定位领域的核心技术,是实现煤矿勘察、地质监测,工程爆破、文物防盗监测等民用需求的关键技术。目前地下浅层震源定位主要借鉴深层天然地震定位方法,但是地下浅层震源定位与大区域、大当量、大深度、长时间的震源定位相比较具有以下特点:1)地下震源深度较浅,一般不超过100m,浅层地质结构复杂且未知,地层速度参量表征难度大;2)地下浅层震动场各种横波、纵波相互交叠,震源近场频散现象明显混叠严重,定位特征参数提取难度大,造成能量聚焦点重建精度低、聚焦点识别难度大,最终导致震源定位精度低。针对上述问题,本文主要通过逆时振幅叠加法构建地下三维能量场,并结合深度学习的优越性,实现了地下浅层空间的高精度震源目标定位。首先,通过振幅叠加方法构建地下三维能量场,并通过对各种成像机制分析,在少量传感器节点的情况下,通过分组互相关成像方法,提高能量场的分辨率;其次,将上述获得的大量三维能量场序列输入至3D-CNN卷积神经网络中训练并测试,提高网络模型的泛化性;最后,与传统的模拟退火算法进行对比分析,验证了本文所提出的深度学习方法优于模拟退火算法。本文的研究,经过了外场试验测试验证,在10... 

【文章来源】：中北大学山西省

【文章页数】：68 页

【学位级别】：硕士

【部分图文】：

三种网格划分方式

中北大学学位论文33积层；第3层为2*2*2的池化层；第4层为3*3*3的三维卷积层；第5层为2*2*2的池化层；第6层为3*3*3的三维卷积层；第7层为全连接层，输出的节点为150；第8层为输出层，输出为3，即定位坐标值x,y,z。如图3-10所示。input3x3x33DconvolutionC12x2x2subsamplingS23x3x33Dconvolution2x2x2subsamplingC3S4C53x3x33Dconvolution150connection3connection图3-103D-CNN网络框架设计图Fig.3-103D-CNNnetworkframeworkdesign震源定位的网络框架流程图如图3-11所示,带有形状信息的3D-CNN模型如图3-12所示。图3-11震源定位网络框架流程图图3-12带有形状信息的3D-CNN模型图Fig.3-11FlowchartofnetworkframeworkFig.3-12modeldiagramwithshapeinformation对3D-CNN模型的具体解释为：输入的能量场数据为212111，通道数为1；第一层卷积层有32个卷积核，卷积核大小为3*3*3，输入的数据为2121111，经过第一层卷积后，输出的数据大小为19199，通道数为32；第一层池化层的采样区域

中北大学学位论文33积层；第3层为2*2*2的池化层；第4层为3*3*3的三维卷积层；第5层为2*2*2的池化层；第6层为3*3*3的三维卷积层；第7层为全连接层，输出的节点为150；第8层为输出层，输出为3，即定位坐标值x,y,z。如图3-10所示。input3x3x33DconvolutionC12x2x2subsamplingS23x3x33Dconvolution2x2x2subsamplingC3S4C53x3x33Dconvolution150connection3connection图3-103D-CNN网络框架设计图Fig.3-103D-CNNnetworkframeworkdesign震源定位的网络框架流程图如图3-11所示,带有形状信息的3D-CNN模型如图3-12所示。图3-11震源定位网络框架流程图图3-12带有形状信息的3D-CNN模型图Fig.3-11FlowchartofnetworkframeworkFig.3-12modeldiagramwithshapeinformation对3D-CNN模型的具体解释为：输入的能量场数据为212111，通道数为1；第一层卷积层有32个卷积核，卷积核大小为3*3*3，输入的数据为2121111，经过第一层卷积后，输出的数据大小为19199，通道数为32；第一层池化层的采样区域

【参考文献】：
期刊论文
[1]模拟退火算法在地震定位中的应用[J]. 杨波,张炳,隆爱军,韩成成,周冬瑞,袁勇.  华北地震科学. 2019(04)
[2]基于双微阵列与卷积神经网络的语音识别方法[J]. 刘伟波,曾庆宁,卜玉婷,郑展恒.  计算机应用. 2019(11)
[3]基于非规则双重网格的三维声波方程模拟[J]. 孙辉,张剑锋.  地球物理学报. 2019(09)
[4]基于卷积神经网络的自动标注技术的研究[J]. 程冰.  电子世界. 2019(16)
[5]震源逆时定位的成像条件分析[J]. 雷朝阳,刘怀山,张茗.  地球物理学进展. 2019(06)
[6]基于LeNet-5卷积神经网络的车牌字符识别[J]. 赵艳芹,童朝娣,张恒.  黑龙江科技大学学报. 2019(03)
[7]基于快速模拟退火算法的井中微地震事件定位反演[J]. 尹奇峰,潘冬明,郭全仕,何情.  地球物理学进展. 2019(05)
[8]水力压裂微地震事件定位方法综述[J]. 毛庆辉,王鹏,曾隽.  地球物理学进展. 2019(05)
[9]基于差分进化算法的微震定位[J]. 王云宏,王保利,段建华.  煤田地质与勘探. 2019(01)
[10]基于并行模拟退火算法的微地震速度模型校正方法研究[J]. 钟星宇,孙小科,桂志先,王鹏,龚屹,于晓东.  地球物理学进展. 2019(02)

博士论文
[1]基于逆时成像的被动源定位与识别方法研究[D]. 葛奇鑫.吉林大学 2019
[2]微地震散射波结构成像[D]. 林叶.中国科学技术大学 2018
[3]井下微地震监测方法研究[D]. 田宵.中国科学技术大学 2018
[4]基于油田压裂微地震监测的震相识别与震源定位方法研究[D]. 吕昊.吉林大学 2012
[5]矿震震动波波速层析成像原理及其预测煤矿冲击危险应用实践[D]. 巩思园.中国矿业大学 2010

硕士论文
[1]基于深度学习的分拣机器人目标识别与定位[D]. 解修亮.安徽工程大学 2019
[2]基于3D卷积神经网络的行为识别方法研究[D]. 吉璐.西安理工大学 2018
[3]基于网格剖分的微地震地面监测定位技术研究[D]. 王纪程.吉林大学 2018
[4]震源信息处理与反演定位方法研究[D]. 李月.中国矿业大学 2018
[5]变网格有限差分波场数值模拟的研究[D]. 魏妮娜.西安工程大学 2018
[6]爆破震动波传播特性与盲源分离技术研究[D]. 苏金娣.山东科技大学 2018
[7]基于卷积神经网络的电主轴轴承故障诊断方法研究[D]. 王雨桐.沈阳建筑大学 2018
[8]地下震源波束交叉定位算法研究[D]. 李婷.中北大学 2015
[9]基于分布式传感器网络的地下浅层定位算法研究[D]. 潘烨炀.中北大学 2015
[10]浅层地震波震源定位算法研究与软件设计[D]. 赵明.西安石油大学 2014



本文编号：3037829