地震波的形态特征属性与智能识别方法研究

Seismic waveform generally has significant feature. The human eyes can easily recognize a signal from a seismic profile utilizing the morphological feature (two-dimensional morphological feature in general) of the signal. However, this shape information of the seismic waveform can be only described qualitatively, i.e., sensory description, and thus is hardly to use in seismic data processing. This project defines a new seismic signal attribute, the morphological attribute. With the help of mathematical morphology, the shape information of the seismic waveform can be calculated and described quantitatively. In addition, inspired by human eyes’ recognition of seismic signal, this project conducts a morphological attribute-based machine learning for the intelligent recognition of seismic signal to obtain its arrivaling time, lasting time and position information.

地震波波形通常具有显著的特征。人眼能很容易地从地震剖面上识别出有效信号利用的正是地震波的形态特征（通常是二维形态）。但是，目前对于地震波形态的描述仍然停留在定性程度上，即人眼对地震波形的感官认知，因此无法对其进行具体地利用。鉴于此，本项目提出地震波形态特征属性的概念，并将借助于数学形态学中的一些思想和方法，来对地震波的形态特征进行描述，将波形信息定量化。此外，受人眼识别地震信号的启发，本项目借助于机器学习技术，使计算机模仿人类来利用地震波的形态特征对有效信号进行智能识别，以获取信号的到达时间、持续时间、相对位置等多方面的信息。

为了描述地震波的形态特征，将波形信息定量化，分析了实际地震/微地震信号波形特征，形成了任意维度形态特征分析与提取方法，并构建了任意维度波形库。进一步研究分析了任意维度形态腐蚀、膨胀、开启和闭合运算的作用效果，并形成了基于多尺度地震/微地震信号识别技术流程与方法，丰富了对地震波形的认识。重点研究了波形库中椭圆形结构元素在地震/微地震信号形态特征分析与信号识别中的效果。通过白帽变换和黑帽变换，构建了一种高帽变换道集，来提取信号的波形特征。研究表明椭圆型结构元素在提取细节特征与操作便利性方面更有优势，符合理论分析结果。利用基于椭圆结构元素的多尺度高帽变换道集来进行模型和实际地震信号识别，结果表明：在较高信噪比数据上，所识别的地震信号连续性较好，识别准确率在92%左右；在较低信噪比数据上，少数地震道会出现较大误差，识别准确率在80%左右。由于微地震信号信噪比低，波形特征差异大，为进一步提高信号识别在微地震数据上的准确率，利用基于信号波形特征的凝聚式层次聚类分析方法，在波形特征域对不同信号进行聚类分析，实现了信号波形的无监督自动聚类。分析比较了Euclidean、Mahalanobis、Chebyshev三种距离度量方法以及在不同信号识别上的应用效果，结果表明Chebyshev距离在波形尺度差异较大，分布不均衡时具有较好的度量效果。在上述基础上，通过比较分析，确定了一个八层的U-net深度学习网络模型来进行微地震信号识别。利用天然地震数据作为迁移学习源域数据集，结合聚类分析结果，对网络进行迁移学习。模型和实际数值实验结果表明，该方法能有效提高不同微地震信号的识别准确率。最后将地震波识别进行拓展性应用研究，形成了地震斜率谱估计、连续性检测、地震信号规则化三项技术，拓展了研究成果的实际应用。

内容获取失败，请点击重试