摘要：深度学习的突破性发展及其在地震学领域的初步应用,为有效处理和利用地震资料提供了可能.震相拾取是地震资料处理中的基础性工作,目前已经提出了很多基于深度学习的震相拾取方法,取得了很好的效果.但是,为了满足地震学研究中处理连续地震记录的需要,尚需对方法进行进一步的改进.本研究针对性地设计了结合台阵策略,单独识别P波和S波的长时窗震相拾取深度学习模型PP(phase picker)及其训练方式,提出了具有实用性的震相拾取方法APP(array-assisted phase picker).利用阿里余震AI捕捉大赛和Hi-net数据进行测试的结果表明,模型能够有效地在连续波形上拾取体波震相并具有很好的泛化能力.通过比较该模型与其他模型(较短时窗的模型和同时识别P波、S波的模型)的拾取效果,验证了模型设计的合理性.具体的测试样例显示,该方法能够正确地处理地震密集的波形数据并能避免典型噪声的影响.将该方法运用到内蒙古地区台网的观测数据中,检测到了人工目录中98.1%的地震,地震拾取总数为人工目录数的30倍,进一步表明本研究方法具有很好的实用性.

摘要：深度神经网络虽然在震相拾取中取得了良好效果,但作为高复杂度的机器学习模型,深度神经网络在取得较高精度的同时需要付出较高的计算代价,而且试验研究表明震相拾取中并不需要过高的模型复杂度。为此,本文根据地震波形的特点设计了四种具有不同复杂度的深度神经网络改进模型,可以综合具体的精度和速度需求从中选取合适的模型。在此基础上,将改进模型与现有四种到时拾取的深度学习网络模型进行了对比,结果表明本文中的网络模型在到时拾取上具有较高的速度和精度。同时,本文的深度神经网络通过使用多种深度学习模型压缩手段可将震相拾取模型的大小压缩到2.0 MB以内,从而使得模型可以在低功耗设备上完成高速震相拾取的同时尽可能地减少精度损失。

摘要：由于井下微震信号有着更低的信噪比,导致信号拾取精度降低.现阶段基于小波阈值的信号降噪算法等在面对信噪比较低的信号时存在泛化性差,阈值难以衡量等问题.为解决这一问题,本文研究了一种复小波变换全监督学习的微震波形降噪方法.该方法首先利用复小波变换结合卷积自编器设计一个具有多个卷积和反卷积操作的编码-解码器完成图像的降噪过程.为验证此方法的有效性,首先在Stanford的Earthquake数据集上构建了Earthquake2023进行训练和测试,并有着较好地拟合效果和训练结果.同时基于该方法降噪后信号设计了一种震相拾取方法,并达到了较高的拾取精度.本文设计了多组对比实验,结果表明此降噪方法能有效提高信号的峰值信噪比和均方根误差,两者分别提高了16 dB和24%,P波、S波初至到时拾取的误差相较于STA/LTA减小了0.3 ms.

摘要：地震震相拾取是地震数据自动处理的首要环节,包括了信号检测、到时估计和震相识别等过程,震相拾取的准确性直接影响到后续事件关联处理的性能,影响观测报告的质量.为了提高震相拾取的准确性,进而提高观测报告质量,本文采用深度卷积神经网络方法来解决震相拾取问题,构建了多任务卷积神经网络模型,设计了分类和回归的联合损失函数,定义了基于加权的分类损失函数,以三分量地震台站的波形数据作为输入,同时实现对震相的检测识别和到时的精确估计.利用美国南加州地震台网的200万条震相和噪声数据对模型进行训练、验证和测试,对于测试集中直达波P、S震相识别的查全率达到98%以上,到时估计的标准偏差分别为0.067s,0.082s.利用迁移学习和数据增强,将模型用于对我国东北地区台网的6个台站13000条数据的训练、验证和测试中,对该数据集P、S震相查全率分别达到91.21%、85.65%.基于迁移训练后的模型,设计了用于连续数据的震相拾取方法,利用连续的地震数据对该算法进行了实际应用测试,并与国家数据中心和中国地震局的观测报告进行比对,该方法的震相检测识别率平均可达84.5%,验证了该方法在实际应用中的有效性.本文所提出的方法展示了深度神经网络在地震震相拾取中的优异性能,为地震震相和事件的检测识别提供了新的思路.

摘要：地震预警的基本原理是利用P波比S波速度快的特性,对先至的P波进行快速拾取和分析,以此实现对破坏性较大的S波的提前预警,减少人员伤亡和财产损失,因此地震波震相的高速拾取便显得至关重要。传统的地震震相自动拾取方法费时费力,且误差较大,因此研究和发展新的拾取方法和系统意义十分重大。影响地震识别的因素十分复杂,本课题尝试将LSTM神经网络应用于地震信号处理,利用神经网络的高度非曲线映射功能更好的总结地震识别规律,实现更加高效、精确的P波自动拾取方法。