基于深度学习卷积神经网络的地震波形自动分类与识别

发展高效、高精度、普适性强的自动波形拾取算法在地震大数据时代背景下显得越来越重要.波形自动拾取算法的主要挑战来自如何适应不同区域的不同类型地震事件的分类与筛选.本文针对地震事件-噪音分类这一问题,使用13839个汶川地震余震事件建立数据集,应用深度学习卷积神经网络(CNN)方法进行训练,并用8900个新的汶川余震事件作为检测数据集,其训练和检测准确率均达到95%以上.在对连续波形的检测中,CNN方法在精度和召回率上优于STA/LTA和Fbpicker传统方法,并能找出大量人工挑选极易遗漏的微震事件.最后,我们应用训练好的最优模型对选自全国台网的441个台站8天的连续波形数据进行了识别、到时挑取及与参考地震目录关联,CNN检出7016段波形,用自动挑选算法拾取到1380对P,S到时,并与540个地震目录事件成功关联,对1级以上事件总体识别准确率为54%,二级以上为80%,证明了CNN模型具有泛化能力,初步展示了CNN在发展兼具效率、精度、普适性算法,实时地震监测等应用上具有巨大潜力.

煤岩试验的声发射全波形自动拾取方法研究

根据煤岩试验中声发射信号特征,提出了一种声发射波形自动拾取方法,以实现加载全过程中声发射波形自动拾取。结果表明:煤岩试验中声发射波形在不同加载阶段表现出不同特点,峰前声发射波形上升时间和持续时间较短,峰后声发射波形上升时间和持续时间略长;峰前弹性阶段声发射波形上升方向多为负方向,峰前塑性阶段和峰后阶段波形上升方向多为负方向。该自动拾取方法基本可以实现声发射全波形自动拾取,且拾取效果较好。