[发明专利]一种基于深度学习的P波到时自动拾取方法

说明书

本发明提供一种基于深度学习的P波到时自动拾取方法，首先收集矿山现场微震事件，对微震事件的波形进行预处理；然后通过MSSA方法进行分析，获取波形的第1主重构分量RC 1；其次构建LSTM深度学习网络模型，进行噪声段、信号段和尾波段的区分，确定信号段初始点位置，即为P波到时；最后利用验证数据进行P波到时拾取的结果检验，评价P波到时拾取精度。本发明在进行P波到时拾取时准确度更高，与人工拾取之间的误差更小，且具有鲁棒性，提升了矿山开采微震信号P波到时的拾取效率和精度，为微震自动、高精定位计算提供重要基础和保障。

技术领域

本发明涉及矿山微震信号处理技术领域，具体涉及一种基于深度学习的P波到时自动拾取方法。

背景技术

震源定位是岩体破裂失稳的微震活动性分析中最基础且最重要的参数，而良好的定位很大程度上取决于P波到时拾取的准确性。P波到时拾取通常由分析人员根据个人经验判断得出。然而，对于矿山微震监测而言，往往在监测区域布置数十个微震传感器，可监测到万条以上的波形数目，海量的波形数据远超人工所能处理的范围。

近些年，学者们一直致力于研究P波到时的自动拾取方法，其中长短时均值比法(简称STA/LTA法)在矿山微震监测中应用广泛。STA/LTA法采用固定阈值拾取，阈值的选取在P波到时拾取过程中至关重要，不同信噪比的信号所选阈值也不同。当信噪比较低时，为确保P波到时拾取的准确性，阈值应设置低值，反之阈值设置高值。然而，阈值设置过高，会忽略掉微震信号，阈值设置过低，则会得到不准确的P波到时。对于矿山微震监测而言，恶劣的井下环境产生的复杂噪声信号和微震信号并行存在，设置固定触发阈值显然不能满足实际矿山需要。

同时，尽管在P波自动拾取方面学者们进行了大量的工作，但由于多种因素(震源机制、波形散射、场地效应、相位转换及多种噪声源)的干扰，依旧很难与人工拾取效果相匹配。P波人工拾取时，往往会根据分析师的经验做出一些变通，常规的P波自动提取方法很难匹配人的思维。由此可见，需要提出一种新的精度更高的P波到时自动拾取方法。

发明内容

针对现有技术的不足，本发明提出一种基于深度学习的P波到时自动拾取方法，包括以下步骤：

步骤1：收集矿山现场的微震事件，对微震波形进行预处理，构建波形数据库，包括：

步骤1.1：对每条波形按照预设频率区间进行滤波处理，剔除噪声频率；

步骤1.2：对每个微震事件中所有滤波处理后的波形进行波形对齐处理，包括：

步骤1.2.1：从同一个微震事件的所有波形中选择出信噪比最大的波形，作为参照波形，其余波形为待处理波形；

步骤1.2.2：将待处理波形通过波形平移实现与参照波形的最大相关性；

步骤1.3：采用人工方法对滤波处理后的波形进行P波到时拾取，并做好到时标记；

步骤1.4：将每条对齐处理后的波形及相应的P波到时标记作为样本数据，构建波形数据库；

步骤2：对波形数据库中的所有波形，通过MSSA方法进行分析，筛选出样本集；

步骤3：提取样本集中每条波形的时间-幅值信号，构建每条波形不同频率段下的特征序列；

步骤4：将样本集按照预设比例划分为训练集和验证集；

步骤5：设置长短时记忆网络单元，构建长短时记忆网络模型；

步骤6：将训练集中每条波形对应的特征序列作为输入，输入时为波形的每个采样点赋予一个标签；

步骤7：通过训练集对长短时记忆网络模型进行训练，得到训练后的模型；