[发明专利]一种基于GRU网络的钻孔应变数据异常提取方法

说明书

本发明公开了一种基于GRU网络的钻孔应变数据异常提取方法，所述方法包括以下步骤：录入四分量钻孔应变数据，并进行应变换算；通过SVMD法将换算后的应变数据进行分解，并去除干扰因素分量，获得数据剩余分量；采用主成分分析方法计算所述数据剩余分量的特征值和特征向量，并通过第一特征值和第一特征向量重构数据；通过GRU‑LUBE网络对重构后的数据进行训练、预测和异常提取；通过异常判断规则判断异常天，并采用异常累计法表征异常变化规律。本方法利用深度学习网络实现钻孔应变数据预测，极大提高了预测精度，并采用新提出的异常判断规则有效的将地壳的微弱变化表征出来；实现了在有较强背景干扰的情况下对钻孔应变数据异常的精确提取。

技术领域

本发明属于地震前兆观测技术领域，特别是涉及一种基于GRU网络的钻孔应变数据异常提取方法。

背景技术

地震是全球性的重大灾害之一，与其他灾害不同的是，地震预报没有特别的机制，且更具破坏性。大地震是由不断变化的构造应力驱动的，这些应力主要发生在由地震活动演化的不同阶段所组成的长期准备阶段之后。地震前兆的研究还有很长的路要走。目前，各国学者对地震前兆异常尚无定义。然而，地震震前异常提取研究是地震前兆分析的必要前提。我国已经建成了一个覆盖全国、涉及多个学科、智能化控制的地面监测系统，到2021年为止已累计运行超过十年，积累了海量的地面观测数据，为我国的地震前兆研究提供了坚实的数据基础。在地面监测系统中，地壳形变观测是最重要的前兆观测项目之一。钻孔应变观测是研究地壳变形和地应力场变化的一种重要手段，可以观测区域应力场作用下的地壳变形。钻孔应变观测以精度高、频带宽、仪器安装受地形限制少等优点，成为了主要地壳形变观测手段。

应变异常提取方面，多采用传统的信号处理方法和“经验法”来对异常进行辨认；地震相关性分析方面，一般采用排除法，即根据实地考察、日志信息、辅助观测数据对比分析，排除异常的非地震因素影响。随着观测数据的数据量不断增大，导致传统的信号处理方法已经不能快速有效的处理观测数据，深度学习方法可以有效解决这一难题。

到目前为止，尚未见运用GRU网络的方法对钻孔应变数据进行异常提取的报道。

发明内容

为了能够快速有效的处理观测数据提高预测精度，本发明提出一种基于GRU网络的钻孔应变数据异常提取方法，实现了在有较强背景干扰的情况下对钻孔应变数据异常的精确提取。

为实现上述目的，本发明提供了如下方案：一种基于GRU网络的钻孔应变数据异常提取方法，所述方法包括以下步骤：

录入四分量钻孔应变数据，并进行应变换算；

通过SVMD法将换算后的应变数据进行分解，并去除干扰因素分量，获得数据剩余分量；

采用主成分分析方法计算所述数据剩余分量的特征值和特征向量，并通过第一特征值和第一特征向量重构数据；

通过GRU-LUBE网络对重构后的数据进行训练、预测和异常提取；

通过异常判断规则判断异常天，并采用异常累计法表征异常变化规律。

优选地，所述应变换算的方法包括：选取一个台站的四分量钻孔应变数据，数据表示为S₁,S₂,S₃,S₄；将四分量钻孔应变数据换算成两个剪应变S₁₃、S₂₄和一个面应变S_a，其表达式如下：

优选地，所述获得数据剩余分量的方法包括：通过SVMD分别对S₁₃、S₂₄和S_a进行分解，去除第一、二分量并重构其余分量，得到重构后的数据剩余分量分别为M₁₃,M₂₄,M_a。