[发明专利]面向地震震相识别的基于时域的卷积神经网络模型及应用

权利要求书

1.面向地震震相识别的基于时域的卷积神经网络模型的构建方法，其特征在于，所述卷积神经网络模型是通过以下步骤构建而成：

(1)收集地震震相的波形数据，并对波形数据进行预处理，获得地震波形数据集；所述地震震相的波形数据是指地震波形的原始数据，包括P波和S波；

(2)将步骤(1)中的地震波形数据集分成训练集，验证集以及测试集；

(3)构建基于时域的卷积神经网络模型S-TCN，将卷积神经网络CNN与时域神经网络TCN进行结合，将训练集数据先输入到连续的三个卷积块进行特征学习，接着再将特征学习后的数据输入到一个主TCN块中，进行P波和S波的总特征提取，然后再将提取结果分别输入到两个连续的副TCN块中，分别进行P波和S波震相的上下文信息提取，最后连续的两个副TCN块的输出被分别送到GRU模块和TimeDistributed模块的两个并行分支进行震相识别与震相拾取；

(4)使用训练集的数据对构建的基于时域的卷积神经网络模型S-TCN进行训练，即将训练集数据输入到步骤(3)中的基于时域的卷积神经网络模型S-TCN进行迭代；

(5)使用验证集的数据对训练好的基于时域的卷积神经网络模型S-TCN进行验证；

(6)将测试集的数据输入到训练好的基于时域的卷积神经网络模型S-TCN，得到震相识别与拾取结果。

2.根据权利要求1所述的面向地震震相识别的基于时域的卷积神经网络模型的构建方法，其特征在于，所述步骤(1)中地震震相的波形数据的长度为60s。

3.根据权利要求2所述的面向地震震相识别的基于时域的卷积神经网络模型的构建方法，其特征在于，所述步骤(1)中的对波形数据进行预处理是指对地震波形数据进行裁剪、平移、滤波、归一化处理；所述地震波形数据经过裁剪后，长度变为20s，经过平移之后，P波均匀分布在200-600采样点的区间内，其中采样率为100HZ。

4.根据权利要求1所述的面向地震震相识别的基于时域的卷积神经网络模型的构建方法，其特征在于，所述步骤(3)中构建基于时域的卷积神经网络模型的步骤如下：

(3.1)有三个卷积块，每个卷积块包括一个一维卷积，一个Batch_Normalization层，一个ReLu激活层；

(3.2)接下来依次输入到一个主TCN块和两个连续的副TCN块中，每个TCN块包括两次卷积，每次卷积完成后进行一次批量归一化，使用ReLU进行激活，并在之后进行一次DropOut，每个TCN块中包含一个残差连接，使信息可以跨层传递，增强网络性能，一个主TCN块和两个副TCN块的膨胀卷积尺度分别是1，2，4；每个TCN块中的两次DropOut大小分别为0.5和0.2，卷积核大小均为3，通道数分别是64，128，128，卷积步长均为1；

(3.3)TCN块的输出被送到GRU模块和TimeDistributed模块的两个并行分支；每个分支由一个GRU模块和一个TimeDistributed模块组成，进行最后的震相识别与震相拾取。

5.根据权利要求1所述的面向地震震相识别的基于时域的卷积神经网络模型的构建方法，其特征在于，所述步骤(4)使用训练集的数据对构建的基于时域的卷积神经网络模型S-TCN进行训练，在模型训练中采用ADAM梯度优化算法进行优化，损失在连续20个epcho不下降时停止训练，一共训练了302个epcho，训练完后的基于时域的卷积神经网络模型S-TCN的参数不变。

6.一种如权利要求1-5任一项所述的基于时域的卷积神经网络模型的应用方法，其特征在于，所述基于时域的卷积神经网络模型应用于地震震相识别与拾取。

7.根据权利要求6所述的基于时域的卷积神经网络模型的应用方法，其特征在于，所述地震震相识别与拾取是指对地震P波和S波的初至时间进行识别与拾取。