[发明专利]基于深度卷积神经网络的三阶段震相拾取方法

说明书

基于深度卷积神经网络的三阶段震相拾取方法，它为了解决目前震相拾取方法依赖于初始时窗选取、无法直接应用于连续地震动记录的问题。拾取方法：建立第一阶段的数据集；二、建立第一阶段的时窗检测网络，包括9层卷积层和1层全连接层；三、时窗检测网络训练；四、提取包含P波的时窗；五、建立第二阶段的数据集；六、建立第二阶段的P波震相拾取网络；七、P波震相拾取网络训练；八、P波到时预测；九、提取包含S波的时窗；十、建立第三阶段的数据集；十一、建立第三阶段的S波震相拾取网络；十二、S波震相拾取网络训练；十三、S波到时预测。本发明采用三阶段的方式，在每个阶段内单独训练深度卷积网络模型，提高了震相拾取的精度。

技术领域

本发明属于地震工程领域，具体涉及一种基于深度卷积神经网络的三阶段震相拾取方法。

背景技术

构造地震是由于地壳运动引起地壳岩层断裂错动而发生的地壳震动，世界上几乎所有的破坏性地震均为构造地震。地震在直接造成人员伤亡的同时还伴随着山体滑坡、海啸、泥石流等各种次生灾害，每年由于破坏性地震造成的人员伤亡与经济损失都极为惨重。震后应急响应可以有效减轻震害造成的人员伤亡，简单快速的震源参数估计可以在震后短时间内为震后应急响应提供科学指导。而震源参数估计需要进行震相拾取以获取P波、S波等震相信息。

最初，震相拾取依靠经验丰富的专业人员进行人工拾取，人工震相拾取虽然精度较高但是花费时间也较长，而且拾取精度受拾取人员的主观因素影响较大。随着地震事件的增多，地震动记录数量飞速增加，人工震相拾取已经无法满足工作需求，于是学者们提出了STA/LTA等基于特征计算的自动化震相拾取算法。但此类自动化震相拾取算法往往利用地震动记录的浅层特征来进行震相拾取，此类特征易被噪声干扰，普遍存在对低信噪比地震动记录震相拾取鲁棒性不足、召回率与精确率相对较低等问题。

近年来随着计算机技术和深度学习的发展，深度卷积神经网络在特征提取领域内取得了优异的成绩，因此有学者利用深度卷积神经网络提取地震动记录中震相拾取相关的深层特征，大大提高了对低信噪比地震动记录震相拾取的鲁棒性，震相拾取的精确率与召回率实现较大提升。但此类方法往往高度依赖于初始时窗的选取，应用时需要预先给定包含震相到时的时窗，无法直接用于连续地震动记录。

发明内容

本发明的目的是为了解决目前震相拾取方法依赖于初始时窗选取、无法直接应用于连续地震动记录的技术问题，而提供一种新型的基于深度卷积神经网络的三阶段震相拾取方法。

本发明基于深度卷积神经网络的三阶段震相拾取方法按照以下步骤实现：

步骤一、收集地震动记录和相同数量的噪声记录，建立第一阶段的数据集：

收集地震动记录和对应的P波到时标签值和S波到时标签值，对收集到的地震动记录进行长度截取，随机抽取P波到时标签值与S波到时标签值前3-7s为起始截取点，分别截取P波起始截取点和S波起始截取点后10.24s地震动记录(分别称为P波到时时窗和S波到时时窗)，作为输入数据；对收集到的噪声记录随机截取10.24s记录(称为噪声时窗)，保证输入数据的长度一致；输出数据为one-hot向量，得到地震动数据集；

步骤二、建立第一阶段的时窗检测网络：

时窗检测网络包括9层卷积层和1层全连接层，全连接层使用归一化指数函数(softmax)进行激活；前6层卷积层使用64个大小为3(一维卷积)的卷积核进行卷积运算，后3层卷积层使用128个大小为3的卷积核进行卷积运算，得到时窗检测网络模型；

步骤三、时窗检测网络训练：

对时窗检测网络模型进行训练，通过交叉熵损失函数(CategoricalCrossentropy)和Adam自适应优化函数进行反向传播，以分类的精度作为评价指标，得到训练后的时窗检测网络模型；

步骤四、提取包含P波的时窗：