融合电磁和地声特征的地震预测集成学习方法

地震是极具破坏性与不确定性的自然现象,在人们毫无察觉的情况下地震发生在人口稠密区时,将严重危害人们生命财产安全。人们不断努力了解地震的物理特征和物理危害与环境之间的相互作用,以便在地震发生前发出适当的警报。可靠的地震预测应包含对地震信号的分析,但是这些信号在地震发生前不明显;因此使用数据驱动机器学习的方法来分析这些信号与地震的联系并预测地震。通过建立观测台网连续监测与地震发生相关的各种物理量或化学量,据此获取的地震前兆信息是地震预测的研究基础。地震发生前,地球物理场发生显著变化,伴随电磁和地声等多种前兆信号,其中电磁和地声信号具有临震特性,是开展地震临震观测预测研究的重要数据来源;因此对地下的电磁扰动和地声信号进行实时监测,获取长期观测数据用于数据驱动机器学习方法预测地震。该文基于AETA数据的临震模型预报,针对多分量地震监测预测系统(Acoustic and Electromagnetic Testing All in one system,AETA)在川滇地区记录的电磁和地声数据,提取时域和频域特征,采用基于随机森林算法、轻量级梯度提升决策树和极度随机树的集成学习方法共同预测该区域的发震情况,选取发震概率最大的子区域中心位置作为震中预测结果,进一步训练LightGBM回归模型以预测此子区域的震级,按周对地震三要素进行预测。实验结果表明,该方法在川滇地区地震风险预测上,准确率可达0.64,震级预测的平均误差为0.38,最小误差为0.00,具有良好的预测效果。

基于时序卷积神经网络的场地地震效应模拟

场地地震效应模拟作为岩土地震工程学的热点与难点,多基于数学物理方法或观测记录开展研究,需面对动力方程求解、建模不确定性、数据稀疏、泛化能力等问题。针对以上问题,本文构建了物理嵌入的时序卷积神经网络(Phy-TCN)模型,并验证了其与纯数据驱动的时序卷积网络(TCN)的性能差异。针对KiK-net数据库中场地井上/井下强震记录,采用Phy-TCN模型开展了场地地震效应模拟。结果表明:Phy-TCN模型可有效模拟时序型数据;在KiK-net观测记录等含噪信号模拟中,以选取站点的地震事件特定周期点反应谱值为基准,Phy-TCN模型和等效线性化方法所得数据与实测记录的平均相对误差分别为0.067和0.379。基于上述结果认为,Phy-TCN模型可应用于土层剖面信息模糊条件的场地地震效应模拟。

OBN地震数据成像处理基本逻辑与关键方法技术

海洋油气勘探逐渐进入深水深层勘探领域,地下地质构造复杂(横向变速剧烈)、目标油藏复杂(由以构造油气藏为主转向构造与地层岩性油气藏并重),同时还可能伴随海底地形及附近岩性的复杂变化,所有因素促使海洋油气地震勘探技术不断变革。提高海洋油气勘探效益的首要问题是发展尽可能满足高精度地震波成像需求的地震数据采集技术及对应的高精度地震波成像技术。当前,无论海上和陆上油气地震勘探,“两宽一高”地震数据采集技术和全波形反演(FWI)/最小二乘逆时偏移(LS_RTM)为代表的地震波成像技术是标志性的领先技术。海上油气地震勘探中,海底节点(OBN)地震数据采集是目前业界公认的、最有可能真正实现“两宽一高”地震数据采集的技术。与拖缆数据采集相比,OBN数据采集具有宽方位照明、数据信噪比高、无检端鬼波、存在实测的(至少一阶自由表面相关)下行波场、四分量观测等优点。尤其是宽方位照明和存在至少一阶自由表面下行波场的特点,使得OBN数据具备了对中深层复杂构造和近海底介质进行高精度成像的能力。着重讨论了高精度地震波成像对地震数据采集的要求,指出OBN数据采集在海洋油气勘探中的必要性;分析了OBN数据采集的地震波场的特点,据此提出OBN数据地震波成像处理的基本逻辑及相应的关键技术;认为海洋油气勘探中地震波成像处理的特殊问题主要由特征反射层引起,海水面、海底面和地下介质中若干强反射层构成了这些特征反射层,提出了模型驱动波动理论特征反射层相关多次波预测与压制的技术路线,并对比了几种代表性的多次波预测的基础理论;指出对应当前的线性化偏移成像算子叠前数据域与叠前成像域是等价的,据此以成像道集后处理为中心,给出期望成像道集的定义,将弱旁瓣、定量的反射系数作为保真高分辨地震波成像的目标,在两个域中尽可能完美实现地下同一反(绕/散)射点、不同炮检距反(绕/散)射子波的同相位叠加,尽可能好地实现保真高分辨带限反射系数的成像;提出最好把带限反射系数成像推进到宽带波阻抗成像的技术路线;结合OBN数据的特点,给出了OBN数据地震波成像处理的基本技术流程,指出各环节的关键方法技术。最后,针对OBN数据四分量观测的特点,指出是实际观测的多波地震波场中的波现象(主要是P_SV波)与地震波传播及模拟理论不匹配导致了当前多波成像结果达不到预期,建议重点研究实际观测的多波地震波场中的波现象与地震波传播及模拟理论不匹配的物理根源,而不是发展更高端的矢量波成像算法。期望本文的思想观点对OBN地震勘探在海洋油气勘探中的进一步应用产生积极的促进作用。

基于媒体词云与自然语言处理的城市建筑震损评估

地震作用下基础设施工程的损毁会造成区域功能瘫痪,对城市区域的震损评估与救援及重建工作提供重要参考。为了做出快速明智的决策并对重大灾害事件做出快速响应,需要对建筑损坏的空间分布和严重程度进行快速评估。考虑到地震灾情后受灾群体在网络媒体和社交平台的信息要新、要快于专家进行实地评估的速度,而受灾区域的建筑物破坏状态有可能从轻微破坏到完全倒塌,对每一栋建筑逐栋细致评估是复杂且耗时的过程。为此,该研究试图利用自然语言深度学习模型BERT对基于震损破坏的文本描述对建筑物损伤进行分类评估。使用《中国地震烈度表》(GB/T 17742-1999)对受灾区域的单个建筑物的破坏状态进行预分类。为了验证所提方法的有效性,该研究收集了2016年台南地区6.4级地震后的300多座单体建筑物并建立了文本词云数据集。该数据集由343个建筑物(121个轻微破坏标签,128个中度破坏标签,94个严重破坏标签)组成,其中85%作为训练与验证数据集,剩余的15%用于鲁棒性测试。当BERT模型识别测试集的GB/T 17742-1999标签时,整体准确率达到81%。该研究只是试图建立一种新的高效震损评估方法,使用该方法对媒体与社交平台的震损文本描述进行分类评估,能够为应急救援决策提供信息依据并节省一定的战略部署时间。

嵌入傅里叶神经算子的卷积自编码声波速度反演方法

【背景】地震波反演是利用地震波的到达时间、振幅和波形等信息获取地下介质构造、岩性和物性特征的有效手段。基于波动方程的地震反演方法利用正演模拟技术不断迭代更新模型参数,这通常需要大量的数值模拟和优化计算,耗费大量的计算资源和时间。近年来,以傅里叶神经算子(Fourier neural operator,FNO)为代表的神经算子学习引起了广泛关注。然而,在复杂介质地震波反演中,原始FNO结构无法有效学习地质结构变化剧烈的波场信息,导致其反演结果准确性不高。【目的和方法】为了提升FNO在复杂地质模型下学习地震波场信息的准确性和泛化性能,提出了一种新颖的声波速度反演方法-卷积自编码傅里叶神经算子(CAE-FNO)。CAE-FNO利用编码器进行特征提取,并基于FNO进行高效训练,以更好地捕捉波场的细微特征并提高预测精度。CAEFNO在网络训练过程中逐层减小傅立叶模的规模,从而有效减少网络参数的数量,同时增强网络的泛化能力。【结果和结论】通过对均匀、非均匀、层状和Marmousi2等模型进行数值实验验证,结果表明:CAE-FNO的反演精度优于FNO及其变体UFNO和UNO。在均匀介质模型中,CAE-FNO的速度反演结果相对误差为1.3%,而UFNO与UNO的反演结果相对误差分别为1.7%、2.3%,FNO的误差高达10.1%。在非均匀模型中,CAE-FNO准确反演地质结构和速度变化位置,而UFNO和UNO在速度变化剧烈区域的误差相对较大。层状模型中,CAE-FNO能够清晰区分不同层间的微小速度变化,而FNO无法明显区分。在Marmousi2模型的平滑区域和突变区域,CAE-FNO较UFNO和UNO更能准确捕捉不规则的速度变化界面,FNO则无法有效处理这些区域的速度突变与细节变化。CAE-FNO通过更低的损失函数值和更高的反演精度,展示了其在复杂介质反演中的优势,为地震反演技术提供新的研究思路。

褶积神经网络高分辨率地震反演

随着地震勘探精细化要求的提高,薄层及横向变化大的复杂储层反演越来越重要。而当前反演方法大多基于褶积模型,分辨率较低。本文提出了基于褶积神经网络的反演方法,该方法完全由数据驱动,不受褶积模型的限制。褶积神经网络具有层状结构,其输入输出之间的映射关系用褶积算子来描述,而非内积算子。基于褶积神经网络结构,本文给出了映射算子的优化算法,并将其应用到地震反演中。应用结果表明,通过褶积神经网络地震反演,可以获得比常规稀疏脉冲反演分辨率更高的地层波阻抗剖面。

模型约束下的在线字典学习地震弱信号去噪方法

本文针对噪声成分和噪声结构的复杂性及弱信号的特征,发展了最新的在线字典学习去噪方法.在线字典学习去噪方法是以数据驱动的方式,反复进行学习构建字典方式,求得信号的稀疏性解以实现对信号的去噪,在此基础上,提出了数据驱动与模型驱动联合的模型约束下的在线字典学习去噪方法,先通过模型驱动方式获得一个较优质的学习样本以构建字典再进行去噪处理.通过和传统小波变换进行理论地震合成记录的效果对比,在高噪声比例的弱信号情况下远远优于传统的时频域去噪方法.实际数据去噪处理表明,模型约束下的在线字典学习去噪方法是一种有效的去噪方法,这种联合去噪方式能在高噪声背景下有效地提取出弱信号,具有广阔的推广应用前景.

基于深度迁移学习的矿山微震到时精确拾取与自动定位策略

矿山智能化建设大背景下,微震监测作为冲击地压等复杂动力灾害智能预警体系建设的基础保障技术现已得到广泛应用,如何基于微震监测数据实现矿山动力事件的高效精确捕捉与定位是当前研究的重点与难点。为解决矿山低信噪比震动波到时自动拾取不准、定位结果受人为因素干扰等问题,结合大数据与深度学习相关理论与方法,初步尝试建立基于深度迁移学习的矿山微震实时自动定位方法。设计了基于百万条地震波数据的矿山微震到时自动拾取初始模型,为进一步使该模型适用于矿山微震定位与信息解析,结合所建立的一万余条矿山微震到时拾取数据集,构建了矿山震动波到时自动拾取模型,实现矿山震动波P波到时自动精准拾取。在此基础上,设计了微震定位台站自动优选方法,提出定位台站波速自动微调策略,实现了矿山微震事件自动精准定位。以内蒙古某煤矿强开采扰动工作面的顶板爆破数据为验证对象,结果证明自动定位算法在水平空间平均定位误差为27.88 m,三维空间平均定位误差为28.40 m,满足矿山冲击地压等动力灾害的微震定位精度需求,有效降低台站波速标定精度不足对事件定位误差的影响,鲁棒性较强,并将耗时数分钟的人工定位缩短至200 ms内完成,初步实现了矿山微震事件的自动实时定位。研究结果可为矿山动力灾害微震信息准确解析挖掘与智能预警提供可靠技术支撑。

自适应数据驱动的紧框架微地震数据随机噪声压制

地面微地震数据的信噪比很低,严重影响初至拾取的精度及反演结果的可靠性。本文首先采用基于弱纹理块的噪声估计方法求取含噪微地震数据中的噪声方差,然后采用数据驱动紧框架方法去噪,有效地压制实际微地震数据中的随机噪声,提高数据的信噪比。理论模型和实际资料的处理结果表明,该方法可以去除传统方法在低信噪比数据去噪后引入的背景斑块,且去噪后的信噪比得到了极大的提高。因此,相对于传统的方法,本文方法具有显著的优势及较好的应用价值。

地震反演储层描述精度影响因素分析

在油田高效勘探、开发过程中,迫切需要提高储层描述精度。地震反演储层描述是一项综合性强的油气勘探技术,其精度影响因素复杂。为此,首先分类介绍了地震反演方法,明确各种地震反演方法特点和优势,然后利用实际资料和模型分析反演效果,对储层特征分析、测井标准化、井震标定、模型构建以及地震数据品质等技术环节产生的影响进行了分析,得出以下认识:储层特征认识、反演子波提取、约束模型构建及地震资料品质是影响地震反演精度的主要因素;实际应用过程中,需要针对主要影响因素,开展精细研究,减少储层辨识多解性,提高储层描述分辨力,对地震反演技术在油气勘探、开发中高效精细应用具有重要意义。

基于数据驱动的时间序列b值计算新方法(TbDD):以2021年云南漾濞M_(S)6.4地震序列为例

时间序列的b值在天然地震和工业开采诱发地震的危险性分析中具有重要的应用潜力,但长期以来受到计算规则设置的人为主观性、计算结果的可靠性和时序对突变识别精度不高等问题影响,制约了不同结果的可比较性和共识性科学认识的提炼.本文借鉴基于数据驱动(data-driven)的地震活动参数计算思路,采用连续函数形式的OK1993模型、时间轴随机段落划分、贝叶斯信息准则模型选择等技术环节,构建了基于数据驱动的时间序列b值计算新方法TbDD.利用合成地震目录的理论测试,并分别与固定地震数目的窗长和步长、固定地震数目的步长和累积窗长等传统的固定窗口法进行了比较研究.结果表明,TbDD方法可较好地还原合成地震目录的b 0值输入参数,在计算规则设置的客观性和对b值突变过程的准确识别上具有明显优势.此外,我们还对新近发生的2021年5月21日云南漾濞M_(S)6.4地震序列进行了实际案例应用.结果显示,此次序列的b值在M_(S)6.4主震前为0.7左右、震前20 h出现了约0.1幅度的下降,表明在序列发生前震区的差应力水平较高.而b值在M_(S)6.4主震发生后起伏明显、逐渐增加至0.8左右,这一现象可能与震区在主震后早期较为剧烈的应力调整有关.进一步针对随机模型的数量以及时间轴的随机段落划分设置对TbDD方法b值计算结果的影响程度进行了测试,发现b值受随机模型数量影响较小、具备较强的稳定性,时间轴的随机段落划分设置可影响b值时序微观起伏变化的识别.本文发展的TbDD方法在对时间序列b值计算的准确性、余震趋势跟踪的高精度要求,以及工业开采诱发地震风险管控等领域有较好的应用潜力,所获得的2021年云南漾濞M_(S)6.4地震序列的b值计算结果也对理解此次地震序列的孕育过程有参考价值.

利用地震干涉法衰减海底相关层间多次波

在海洋地震勘探中,由于海底面具有较强的波阻抗差,当海底面以下存在高速反射层或散射体时,在海底与高速层(体)间会发育较强的海底相关层间多次波。由于这种相关层间多次波无特定的识别特征而难以去除,增加了地震资料处理的难度。为此,本文提出了基于地震干涉理论的海底相关层间多次波衰减方法和实现流程。首先介绍了基于互易理论的地震干涉法原理,阐述了其在非均匀介质中的近似条件和表达式;在此基础上提出了通过海底一次反射记录和海底以下构造的反射记录来构建海底相关层间多次波。该方法克服了基于共聚焦点(CFP)延拓方法对速度场的依赖性与逆散射级数(ISS)法计算效率低的缺点,是一种数据驱动型层间多次波衰减方法。Sigsbee2B模型测试及实际资料处理结果表明,海底相关层间多次波得到了较好的预测,叠前深度偏移结果中的偏移假象得到了明显压制,证明了文中方法的有效性。

地震油气储层的小样本卷积神经网络学习与预测

地震储层预测是油气勘探的重要组成部分,但完成该项工作往往需要经历多个环节,而多工序或长周期的研究分析降低了勘探效率.基于油气藏分布规律及其在地震响应上所具有的特点,本文引入卷积神经网络深度学习方法,用于智能提取、分类并识别地震油气特征.卷积神经网络所具有的强适用性、强泛化能力,使之可以在小样本条件下,对未解释地震数据体进行全局优化提取特征并加以分类,即利用有限的已知含油气井段信息构建卷积核,以地震数据为驱动,借助卷积神经网络提取、识别蕴藏其中的地震油气特征.将本方案应用于模型数据及实际数据的验算,取得了预期效果.通过与实际钻井信息及基于多波地震数据机器学习所预测结果对比,本方案利用实际数据所演算结果与实际情况有较高的吻合度.表明本方案具有一定的可行性,为缩短相关环节的周期提供了一种新的途径.

线性Radon域地震干涉层间多次波预测方法

为避免时空域地震干涉技术预测层间多次波过程中出现假象干扰,影响地震资料处理。笔者结合线性Radon变换与地震干涉技术,在线性Radon域中利用地震干涉技术预测层间多次波。通过数值模拟验证了线性Radon域地震干涉层间多次波预测方法的有效性,并将该方法应用到复杂速度模型中。结果表明,线性Radon域地震干涉技术可以有效减少时空域地震干涉技术预测层间多次波存在的假象,压缩数据体积大小,提高计算效率,并能够适用于复杂地质环境。

复杂地质目标的2.5次三维地震勘探方法

中国东部成熟油田区现有三维地震资料难以满足局部复杂目标精细勘探需求。为了提高针对富油凹陷局部复杂勘探目标的地震资料品质,充分发挥物探技术在油气勘探开发中的作用,本文提出2.5次三维地震勘探技术,综合考虑了在该类地区实施全方位高密度地震勘探所需设备及施工效率和费用等难题。该技术是在以往三维勘探的基础上,针对难以落实的潜在有利目标区,采取"拼接方位角、增大横纵比、加密采样点、互补炮检距"等四条技术措施进行目标采集和多期次地震数据融合处理,达到全方位高密度均匀采样的目的。在冀中探区推广应用该套技术,取得了令人满意的效果。

基于小样本数据的模型-数据驱动地震反演方法

针对薄互层砂体识别难度大、常规模型驱动和数据驱动等地震预测方法精度较低的难题,提出一种基于空变目标函数的模型-数据驱动地震AVO反演新方法。该方法利用零延迟互相关函数和F范数(Frobenius范数)构建目标函数,以反距离加权理论根据反演目标道所在的位置控制目标函数的变化,进而改变训练样本、初始低频模型和地震数据对反演的约束权重,能够基于小样本数据反演得到较高精度、较高分辨率的速度和密度参数,适用于薄互层砂体的精细识别。薄互层地质模型测试结果表明,针对小样本数据,新方法的反演结果具有较高的精度和分辨率,能够识别约1/30波长厚度的砂岩薄层。丽水凹陷实际应用表明,新方法反演结果与测井数据的相对误差较小,且能够识别约1/15波长厚度的薄互层砂体。

基于监测数据的结构地震损伤追踪与量化评估方法

基于延性的工程抗震设计允许结构在强地震作用下进入非线性,即允许结构产生地震损伤。从物理和力学的角度,抗震行为模拟与性态评估一般考虑地震损伤的峰值效应和累积效应。但是,由于先验性知识(如滞回耗能、承载力与变形能力)的限制,抗震研究中广泛应用的Park-Ang损伤模型较难直接用于大型在役结构的地震损伤评价。受到控制领域模型参考思想的启发,该文提出一类基于数据驱动的损伤评估模型,能自适应于不同的受力状态与破坏模式,实现综合评估震损结构峰值和累积损伤效应。利用美国NEES计划公开的足尺钢筋混凝土(RC)柱动力试验数据,研究了所提出数据驱动损伤指标与RC柱地震损伤发展的相关性与时域追踪效果,验证了评估指标能有效区分RC柱水平侧移与弯曲变形相应损伤的发展与累积差异。此类基于模型参考思想的新型损伤评估指标,不需要提前获知结构非线性特征和计算滞回耗能,可应用于基于强震观测的工程结构抗震性态评估。

井震数据联合驱动下砂体叠置模式构建技术及应用——以WX油田东北部姚家组葡萄花油层为例

葡萄花油层是松辽盆地WX油田重要的含油层系之一,该油层砂体层数多、厚度小(1~2 m);局部井间距较大,井间沉积相变快,砂体展布特征复杂,精细地刻画油层段各小层沉积微相特征难度大,目前砂体叠置模式尚未建立。为此,以测井、录井和三维地震数据为基础,采用优化的随机森林算法和数据挖掘技术建立沉积微相概率预测模型;再通过机器学习和模糊判别方法分别识别WX油田东北部姚家组葡萄花油层各小层的沉积微相类型;最终建立四种砂体叠置模式,即平面连接式、平面分隔式、垂向接触式和垂向分离式。通过钻井验证,该技术具较高的储层预测精度,对于河道沉积微相,样本井的准确率平均值可达88.8%,各小层(除PI11和PI3外)检验井预测准确率均可达80.0%以上。精细刻画的沉积微相和建立的砂体叠置模式可为后期储层综合评价、开发方案优化、调整和井位合理部署等提供依据。

竞赛驱动型课程教学方法探索与实践——以“地震勘探资料数据处理”课程为例

"地震勘探数据处理"是地球物理学专业本科生的专业主干课程,具有理论和实践并重的课程特点,其要求学生既要充分理解难度较高的理论基础知识,也要掌握一定的实际地震数据处理技能。为此,探索和应用以竞赛为驱动力的课程教学方法,使课堂教学、上机实验与学科竞赛协同推进,形成"以赛促学"和"以赛促教"教学氛围具有重要的实际意义。通过竞赛驱动型"地震勘探资料数据处理"课程教学模式的探索与初步实施,学生的学和教师的教两方面均取得了明显的成效。

数据驱动的公路桥梁网络全寿命抗震韧性评估

首先,提出了综合考虑各种因素(网络拓扑结构、桥梁性能退化、地震动等)和不确定性的公路桥梁网络抗震韧性评估框架。然后,分析了网络拓扑结构、桥梁抗震性能和路段功能特点,建立了震后公路桥梁网络时变功能模拟方法。接着,提出了基于人工神经网络的公路桥梁地震易损性快速分析方法。最后,以美国旧金山地区公路桥梁网络为例,采用本文方法分析了地震发生前、后公路桥梁网络的功能变化,据此揭示了全寿命服役期内抗震韧性的演化规律。结果表明,本文建立的数据驱动易损性模型拟合优度可达0.73,可以代替需要大量动力时程分析的易损性分析方法,且公路桥梁网络抗震韧性评估结果准确可靠,可以为防灾减灾提供决策依据。