基于改进支持向量机的微震初至波到时自动拾取方法

微震初至波到时拾取是实现微震震源高精度定位的重要前提。传统的人工拾取方法效率低,而自动拾取方法在低信噪比条件下难以准确拾取初至波到时。针对上述问题,提出了一种基于改进支持向量机(SVM)的微震初至波到时自动拾取方法。首先,对原始微震数据进行归一化处理、线性校正和适当裁剪,将微震数据的振幅、能量和相邻时刻的能量比作为特征对数据标记不同类别;然后采用粒子群优化(PSO)算法和网格搜索法优化SVM的惩罚参数和核函数参数,即先利用PSO算法对参数进行大范围的快速定位,得到初步最优解,再以该解为初始位置重新构建参数搜索区间,设置小步长的网格搜索法对参数进行精细搜寻,得到最优参数,并将该最优参数代入SVM模型进行训练,得到改进SVM模型;最后根据改进的SVM模型对微震数据进行分类识别,定义微震波第1个采样点对应的时刻为初至波到时。采用某矿井下微震监测数据进行实验,结果表明:该方法对微震初至波到时的拾取准确率达96.5%,平均拾取误差为3.8 ms,在低信噪比情况下仍可对微震初至波到时进行准确拾取,拾取精度高于自动拾取方法中常用的长短时窗能量比(STA/LTA)法。

微震初至波到时自动拾取研究

微震初至波到时准确拾取是实现震源定位的前提,传统的人工拾取方法效率低、耗时长,而自动拾取方法中常用的长短时窗能量比值(STA/LTA)法对低信噪比信号的拾取准确率较低。针对上述问题,提出了一种基于随机森林的微震初至波到时自动拾取方法。首先,提取微震数据的振幅、能量及相邻时刻振幅比作为特征,并对每个样本进行特征类别标记;然后,构建随机森林模型以识别微震初至波;最后,采用随机森林模型计算每个测试样本属于某一类别的概率,将概率不小于0.5的第1个数据采样点判定为微震初至波到时采样点。采用煤矿井下巷道深孔中的微震监测数据进行实验,结果表明当随机森林算法中决策树的数量和最大深度分别为137,6时,该方法对微震数据样本分类的准确率达98.5%,对微震初至波到时的平均拾取误差为23.1ms,拾取精度优于STA/LTA方法。

基于改进小波阈值去噪与分形盒维数的矿山微震初至波到时拾取研究

微震初至波到时精确拾取是提高震源定位精度的关键因素。针对传统初至波到时拾取算法易受信噪比影响而检测不准的问题,基于小波变换多尺度分析与分形盒维数描述信号复杂性和不规则性的特点,提出了一种改进型小波阈值去噪与分形盒维数拾取相结合的微震初至波到时高精度拾取算法。该算法通过构造一个可调参数阈值函数来确定阈值和选取自适应阈值规则,对微震信号进行有效降噪,在计算盒维数曲线提取到时,实现了初至波到时的精确检测。试验结果表明,所提算法在低信噪比条件下,微震初至波到时拾取精度优于3.6 ms,拾取精度相比传统能量比法和赤池信息准则法有明显提高。