CN111458746B - 一种基于U-Net神经网络的隧道微震波形到时拾取方法 - Google Patents
一种基于U-Net神经网络的隧道微震波形到时拾取方法 Download PDFInfo
- Publication number
- CN111458746B CN111458746B CN202010478269.6A CN202010478269A CN111458746B CN 111458746 B CN111458746 B CN 111458746B CN 202010478269 A CN202010478269 A CN 202010478269A CN 111458746 B CN111458746 B CN 111458746B
- Authority
- CN
- China
- Prior art keywords
- arrival time
- wave
- waveform
- arrival
- time
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 6
- 238000012544 monitoring process Methods 0.000 claims abstract description 12
- 238000012549 training Methods 0.000 claims abstract description 10
- 238000003908 quality control method Methods 0.000 claims abstract description 8
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 239000011435 rock Substances 0.000 claims description 28
- 238000005070 sampling Methods 0.000 claims description 18
- 238000011176 pooling Methods 0.000 claims description 7
- 238000005336 cracking Methods 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 230000008602 contraction Effects 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 5
- 238000013135 deep learning Methods 0.000 abstract description 3
- 238000013527 convolutional neural network Methods 0.000 abstract 1
- 238000013136 deep learning model Methods 0.000 abstract 1
- 230000007547 defect Effects 0.000 abstract 1
- 230000006870 function Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000010276 construction Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/28—Processing seismic data, e.g. for interpretation or for event detection
- G01V1/288—Event detection in seismic signals, e.g. microseismics
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Emergency Management (AREA)
- Business, Economics & Management (AREA)
- Acoustics & Sound (AREA)
- Geology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Geophysics (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明提供一种基于U‑Net神经网络的隧道微震波形到时拾取方法,以确定P波、S波到时位置的波形建立样本库;对波形样本进行预处理;建立基于U‑Net结构的深度学习到时拾取模型;建立S波到时质量控制模型,自动识别S波到时质量较高的波形;将待拾取的微震事件输入模型,即可得到质量较高的P波和S波到时,进而进行微震源定位。本发明采用U‑Net卷积神经网络结构的深度学习模型,在训练过程中有效的突出波形特征,避免了传统算法需要过多人工干预的缺点,自动识别S波质量较高的波形,提高了微震源定位的效率和精确度,无需人为操作和拾取,保证了预警的准确性和实时性。本发明可用于隧道微震监测***。
Description
技术领域
本发明涉及隧道微震监测技术领域,尤其涉及一种基于U-Net神经网络的隧道微震波形到时拾取方法。
背景技术
随着隧道工程地质环境的持续恶化,各种地质灾害如岩爆、突水、塌方等动力失稳现象严重威胁了施工安全。微震监测技术由于能够对岩爆、突水进行有效预警,在隧道稳定性监测中的应用越来越广。岩石破裂波形的到时拾取是影响岩石破裂事件定位精度的关键因素,其拾取精度严重影响了监测预警效果,其处理效率直接影响着预警的及时性。
传统的长短时窗能量比法(STA/LTA)及自回归赤池信息准则(AR-AIC)等算法,多依赖于人工干预,需要预设各种阈值和特征函数。尤其是还需要变换不同的特征函数来分别拾取P波及S波到时。如发明“一种高精度微震P波震相初至自动拾取方法”,专利号201410242342.4;“一种低信噪比声发射信号的到时拾取方法”,专利号201811321675.0。上述专利公开的计算方案是通过对波形进行变换,提取其P波及S波到时。另外,隧道工程中,由于S波与P波的叠加,部分S波到时无法拾取,自动拾取的误差较大,若此类S波到时参与定位,必然带来较大的定位误差。所以,到时拾取方法还应能自动识别S波到时质量较高的岩石破裂波形。现有的到时拾取方法缺少此项功能,因而还需要进行人工判断。但是过多的人工干预,降低了到时拾取的效率,影响预警的及时性。
可见现有的隧道岩石破裂微震波形到时拾取方法还存在较大局限,需要建立一种能快速准确拾取波形到时,且能自动识别S波到时拾取质量高的波形的方法,以提高定位精度,实现准确及时预警的目的。
发明内容
根据上述提出的现有方法局限性大,且缺少S波到时质量判断功能的问题,本发明提出了一种隧道岩石破裂微震波形的到时拾取方法,能够同时快速准确地拾取岩石破裂波形的P波及S波到时,并且能够自动识别S波到时拾取质量高的波形,采用S波到时质量高的波形到时进行微震源定位。本方法提高微震定位精度与数据处理效率,实现对岩爆等灾害的快速准确预警。
本发明采用的技术手段如下:
一种基于U-Net神经网络的隧道微震波形到时拾取方法,包括:
步骤1、建立微震波形数据集,并定位P波、S波到时采样点,其中微震波形数据来源于微震监测***采集的单分量波形数据;
步骤2、对所述微震波形数据集中的波形样本进行预处理,包括将微震波形样本截取为包含2048个采样点的一维向量,将到时信息转化为一个输入样本等长的时间序列;
步骤3、建立基于U-net结构的深度神经网络模型,所述的模型包含一个用于寻找序列特征的收缩路径和一个用于精准定位的扩展路径,且其输出的一维序列代表到时点是P波及S波到时的概率;
步骤4、采用波形到时样本库对到时拾取模型进行训练,获得最优化的模型参数;
步骤5、根据S波到时训练结果,依据S波到时质量控制模型提取S波到时;
步骤6、将微震监测***采集的岩石破裂事件输入模型,通过到时拾取模型输出其P波及S波到时的概率,通过S波到时质量控制模型选择准确率高的S波到时进行定位,然后进行岩爆预警或稳定性评估。
较现有技术相比,本发明具有以下优点:
本发明提供的一种基于深度学习的隧道岩石破裂微震波形的到时拾取方法,以已确定P波和S波到时采样点的微震波形原始数据为训练样本,建立基于U-Net结构的深度学习到时拾取模型,以及S波到时质量控制模型。此方法设计的到时拾取模型,无需人工设置参数,同时输出微震波形P波及S波到时。自动识别S波到时拾取质量高的波形,采用S波到时质量高的波形到时进行微震源定位。本方法提高了微震源自动定位的精度和效率。
基于上述理由本发明可在微震源自动定位领域广泛推广。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图做以简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明方法执行流程图
图2为实施例中初步拾取其P波到时示意图。
图3为实施例中拾取其S波到时示意图。
图4为实施例中基于U-Net结构的深度神经网络模型。
图5为实施例中优化后的到时拾取模型。
图6为实施例中采用本方法拾取的50个微震波形到时结果。
图7为实施例中某岩石破裂事件的7个波形。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明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发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,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,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
本发明提供了一种隧道岩石破裂微震波形到时拾取方法,如图1所示,主要包括以下步骤:
步骤1、获取岩石破裂波形原始数据,精确拾取其P波及S波到时采样点,建立微震波形数据集。所述原始数据来自于某微震监测***采集的单分量波形数据,采样频率4000Hz,形成一个数据集。通过STA/LTA与AIC相结合的方法拾取岩石破裂波形的P波到时。如图2所示,采用STA/LTA的方法初步确定其P波到时的大致区域。采用AIC变换进一步拾取其P波到时。如图3所示,通过基于波形能量变化率的STA/LTA变化拾取其S波到时,再通过人工修正其到时拾取值。多重手段结合保证建立样本库的正确性。
步骤2、对所述微震波形数据集进行预处理,规范数据集的数据格式。主要包括一下两个方面:
1、将微震波形样本裁剪为固定长度。微震波形长度的设置主要考虑两个因素:①由于微震***采集到的微震波形样本包含无效信息采样点,在截取微震波形时,需要保证微震波形仍然包含信号初至、增强、衰减的全部过程,以保证能够正确地学习微震波形本身以及到时时刻的特征;②针对本文设计的基于U-net结构的深度到时拾取模型,假设需要经过m次大小为2的下采样与上采样操作,需要将微震波形的长度设置为2k,且有k≥m,k∈N+。
综合考虑上述两个因素,本实施方式中,将每一个原始的微震波形信号截取为包含2048个采样点的一维向量。若微震波形信号长度不足2048,则采用两端补齐策略将该波形信号补齐至2048。由于微震波形信号均值基本保持在0左右,并且为了尽量避免信号前端的补充值影响到对波形到时的判断,因此使用数值0在信号末端进行补齐。
2、将微震波形的维度转化为模型规定的输入维度。使用L2正则化对微震波形样本进行归一化处理,即微震波形的每个采样点除以该微震波形样本的L2范数。将到时信息转化为模型规定的输出格式,即为一个输入样本等长的时间序列。这里,将P波与S波到时转换为长度为2048的时间序列,其中,P波与S波的到时时刻点的数值为1,其余元素全部为0。
步骤3、建立基于U-net结构的深度神经网络模型。如图4所示,U-net神经网络模型包括一维卷积层、卷积层之间的池化层、上采样层、标准化层及全连接层等结构。该模型包含一个用于寻找序列特征的收缩路径和一个用于精准定位的扩展路径,得到的输出是一个与输入等长的一维序列,该序列是到时点是P波及S波到时的概率。
步骤4采用波形到时样本库对到时拾取模型进行训练,获得最优化的模型参数,如图5所示。模型以预处理后的微震波形为输入,以预处理后的到时信息为输出。本实施方式中,以绝对误差小于2个采样点(即到时误差小于0.5ms)作为拾取正确的标准,对模型进行训练,对比获得准确率高的神经网络模型。
本实施方式中,优化后的模型包括10个一维卷积层、4个池化层、4个上采样层、7个批量标准化层以及6个全连接层。
具体来说,10个一维卷积层中,除最后一个一维卷积层外,其余9个一维卷积层的卷积核大小全部为7,移动步长由same-padding策略自动确定,采用elu作为激活函数,he_normal作为初始化器。从第1个一维卷积层开始,前9层的卷积核个数分别为8、16、32、128、128、32、16、8和8个。最后一个一维卷积层则包含1个长度为1的卷积核,卷积核移动步长由same-padding策略,采用sigmoid作为激活函数,he_normal作为初始化器。模型还包括4个池化层,前三个池化层采用平均池化策略,第四个采用最大池化策略,窗口大小全部为2。
4个上采样层中,上采样因子全部为2。上采样层可以精确定位到已经捕捉到的特征的位置。上采样的过程是结合下采样各层信息和上采样的输入信息来还原细节信息,逐步还原数据序列的精度。
7个批量标准化层,其中批量标准层BatchNormalization的计算公式如下:
另外,6个全连接层,全部采用概率为0.2的Dropout策略。
步骤5、根据S波到时训练结果,建立S波到时质量控制模型。根据模型输出的一维序列S波到时质量系数(ATQS),该系数计算公式为
式中,Pmax为输出序列中最大的概率值,P1,P2,…P2048为输出序列中除去Pmax后其他所有概率值,共2047个概率之和。
对于一个有效微震事件(包含4个及以上的岩石破裂波形),当其包含ATQS大于7.5的波形时,拾取ATQS大于7.5的波形的S波到时。当不包含ATQS大于7.5的波形时,拾取ATQS最大的波形的S波到时,如图1所示。
步骤6将微震监测***采集的岩石破裂事件输入模型,通过到时拾取模型输出其P波及S波到时的概率,通过S波到时质量控制模型选择准确率高的S波到时进行定位,然后进行岩爆预警或稳定性评估等活动。
下面通过具体的应用实例,对本发明的技术方案和效果作进一步说明。
实施例1:
选取某深埋隧道微震监测数据,根据上述样本建立方法建立样本库,样本库包括P波到时,S波到时及不可拾取的S波到时。到时样本如表1所列。将样本库按照8:1概率划分为训练样本和测试样本。
表1到时样本库
如表2所示为测试样本的实验结果,由表可知,该模型对于P波和S波的到时拾取平均绝对误差分别是0.4和1.5。如果以绝对误差小于2个采样点(即到时误差小于0.5ms)为拾取正确的标准,那么P波和S波的准确率分别为94.39%和91.59%。图6为采用本方法进行50个波形P波及S波到时的结果。可见使用该模型进行到时拾取是一种快速而准确的微震波P波和S波拾取方法。
表2测试样本结果
以下表3给出了50个波形数据的到时拾取结果,此50个波形均为可准确拾取S波到时的波形。
表3 P波、S波到时拾取结果
实施例2:
为说明本到时拾取方法自动定位效果,图7给出某岩石破裂事件的波形,表4给出了本方法计算的ATQS值及拾取的到时结果。从表3可以看出,自动拾取的P波到时结果与用手工拾取的结果基本一致。仅2#和8#传感器的P波到时出现一个小误差,最大误差为0.5ms。对于2#、5#和8#传感器波形的S波,人工无法拾取到时。这三种波形的ATQS值分别为4.1、2.0和1.5。根据本方法,这些波形的S波到达时间不参与定位,因此虽然误差可能很大,但并不影响微震源的定位结果。3#传感器的S波到时误差为1个采样点。ATQ为6.1,因此3#传感器的S波到时不参与定位(如果没有ATQ大于7.5的波形,则将3#传感器的S波到时应用于定位,其到时误差可以接受)。1#、4#和6#传感器的S波到时误差为0,其ATQ值分别为12.3、10.6和12.7,并参与定位。
因此,虽然本方法不能准确地拾取所有波形中S波的到达时间,但可以拾取容易拾取的S波的到达时间,识别出S波到时拾取质量高的波形。利用误差较小的S波到达时间进行定位,提高自动定位精度。
表4某微震事件波形到时拾取结果
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,可以为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (4)
1.一种基于U-Net神经网络的隧道微震波形到时拾取方法,其特征在于,包括:
步骤1、建立微震波形数据集,并定位P波、S波到时采样点,其中微震波形数据来源于微震监测***采集的单分量波形数据;
步骤2、对所述微震波形数据集中的波形样本进行预处理,包括将微震波形样本截取为包含2048个采样点的一维向量,将到时信息转化为一个输入样本等长的时间序列;
步骤3、建立基于U-net结构的深度神经网络模型,所述的模型包含一个用于寻找序列特征的收缩路径和一个用于精准定位的扩展路径,且其输出的一维序列代表到时点是P波及S波到时的概率;
步骤4、采用波形到时样本库对到时拾取模型进行训练,获得最优化的模型参数;
步骤5、根据S波到时训练结果,依据S波到时质量控制模型提取S波到时,包括:
根据以下计算获取S波到时质量系数:
其中,ATQS为S波到时质量系数,Pmax为输出序列中最大的概率值,P1,P2,…P2048为输出序列中除去Pmax后其他所有概率值;
判断一个有效微震事件包含ATQS大于7.5的波形时,则拾取ATQS大于7.5的波形的S波到时,否则拾取ATQS最大的波形的S波到时;
步骤6、将微震监测***采集的岩石破裂事件输入模型,通过到时拾取模型输出其P波及S波到时的概率,通过S波到时质量控制模型选择准确率高的S波到时进行定位,然后进行岩爆预警或稳定性评估。
2.根据权利要求1所述的隧道微震波形到时拾取方法,其特征在于,步骤1中定位P波、S波到时采样点主要包括:
通过STA/LTA的方法初步确定P波到时的大致区域,再采用AIC变换进一步拾取其P波到时;
通过基于波形能量变化率的STA/LTA变化拾取其S波到时,再通过人工修正其到时拾取值。
3.根据权利要求1所述的隧道微震波形到时拾取方法,其特征在于,步骤4包括:以预处理后的微震波形作为输入、以预处理后的到时信息为输出对到时拾取模型进行训练。
4.根据权利要求3所述的隧道微震波形到时拾取方法,其特征在于,所述到时拾取模型包括:10个一维卷积层、4个池化层、4个上采样层、7个批量标准化层以及6个全连接层。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010478269.6A CN111458746B (zh) | 2020-05-29 | 2020-05-29 | 一种基于U-Net神经网络的隧道微震波形到时拾取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010478269.6A CN111458746B (zh) | 2020-05-29 | 2020-05-29 | 一种基于U-Net神经网络的隧道微震波形到时拾取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111458746A CN111458746A (zh) | 2020-07-28 |
CN111458746B true CN111458746B (zh) | 2021-05-14 |
Family
ID=71684867
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010478269.6A Active CN111458746B (zh) | 2020-05-29 | 2020-05-29 | 一种基于U-Net神经网络的隧道微震波形到时拾取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111458746B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112733425B (zh) * | 2020-12-10 | 2023-01-03 | 东华理工大学 | 神经网络训练方法、装置、计算机设备及存储介质 |
CN112882091A (zh) * | 2021-01-18 | 2021-06-01 | 长安大学 | 一种提高灵敏度的微震监测加速度传感器的装置 |
CN114814940B (zh) * | 2022-06-28 | 2022-09-09 | 矿冶科技集团有限公司 | 微震监测台网评价方法、装置、电子设备及介质 |
CN115421188B (zh) * | 2022-08-23 | 2024-02-20 | 宿州学院 | 基于人工智能的微地震事件实时识别***及方法 |
CN115963548B (zh) * | 2023-01-16 | 2024-01-23 | 中国矿业大学 | 一种基于反绎学习的矿井微震p波到时拾取模型构建方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140334260A1 (en) * | 2013-05-09 | 2014-11-13 | Schlumberger Technology Corporation | Neural Network Signal Processing of Microseismic Events |
CN106405640B (zh) * | 2016-08-26 | 2018-07-10 | 中国矿业大学(北京) | 基于深度信念神经网络的微震信号到时自动拾取方法 |
US20190094397A1 (en) * | 2017-09-25 | 2019-03-28 | Real Time Geomechanics, Llc | Surface detection and location of microseismic events and earthquakes without the use of a velocity model |
WO2019190643A1 (en) * | 2018-03-29 | 2019-10-03 | Exxonmobil Upstream Research Company | Enhanced surveillance of subsurface operation integrity using microseismic data |
CN110058294A (zh) * | 2019-05-10 | 2019-07-26 | 东北大学 | 一种隧道微震监测岩石破裂事件自动识别方法 |
CN111027452B (zh) * | 2019-12-05 | 2023-11-17 | 中国矿业大学(北京) | 基于深度神经网络的微震信号到时和震相识别方法及*** |
-
2020
- 2020-05-29 CN CN202010478269.6A patent/CN111458746B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111458746A (zh) | 2020-07-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111458746B (zh) | 一种基于U-Net神经网络的隧道微震波形到时拾取方法 | |
CN110245608B (zh) | 一种基于半张量积神经网络的水下目标识别方法 | |
CN108648748B (zh) | 医院噪声环境下的声学事件检测方法 | |
CN113568043B (zh) | 基于深度卷积神经网络的三阶段震相拾取方法 | |
CN111983676A (zh) | 一种基于深度学习的地震监测方法及装置 | |
CN111986699B (zh) | 基于全卷积网络的声音事件检测方法 | |
CN112906158A (zh) | 一种基于多传感器多元数据融合的机械故障诊断方法 | |
CN113191178A (zh) | 一种基于听觉感知特征深度学习的水声目标识别方法 | |
CN115826042B (zh) | 一种边云端结合的分布式地震数据处理方法与装置 | |
CN110349593A (zh) | 基于波形时频域分析的语义和声纹双重识别的方法及*** | |
CN118051831B (zh) | 基于CNN-Transformer合作网络模型的水声目标识别方法 | |
CN111882057A (zh) | 一种面向时空序列数据建模的多阶段深度学习方法及应用 | |
CN115436993A (zh) | 一种基于PPNet网络的地震信号P波检测方法 | |
CN116626753B (zh) | 一种基于多模态神经网络的微地震事件识别方法及*** | |
WO2021135281A1 (zh) | 一种基于多层特征融合的端点检测方法、装置、设备及介质 | |
CN116594057A (zh) | 一种基于深度学习和边缘计算的地震预警方法与装置 | |
CN114613384B (zh) | 一种基于深度学习多输入语音信号波束形成信息互补方法 | |
CN113282718B (zh) | 一种基于自适应中心锚的语种识别方法及*** | |
CN110007342B (zh) | 一种用于低信噪比地震信号的时频域直接拾取初至方法及*** | |
CN111354372B (zh) | 一种基于前后端联合训练的音频场景分类方法及*** | |
CN106601234A (zh) | 一种面向货物分拣的地名语音建模***的实现方法 | |
CN113034473A (zh) | 基于Tiny-YOLOv3的肺炎图像目标检测方法 | |
CN112380198A (zh) | 一种基于深度学习的地震接收函数自动挑选方法 | |
CN110095814B (zh) | 一种地壳应力状态检测方法、***及相关组件 | |
Jiang et al. | Research on Seismic Wave First Arrival Picking Based on Improved U-Net3+ |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |