-
题名应用残差网络的微地震事件五分类检测方法
- 1
-
-
作者
潘禹行
田宵
甘兆龙
张雄
张伟
-
机构
江西省防震减灾与工程地质灾害探测工程研究中心(东华理工大学)
广东省地球物理高精度成像技术重点实验室(南方科技大学)
上海佘山地球物理国家野外科学观测研究站
-
出处
《石油地球物理勘探》
EI
CSCD
北大核心
2024年第3期392-403,共12页
-
基金
广东省地球物理高精度成像技术重点实验室项目“基于人工智能的地面微地震事件成像方法研究”(2022B1212010002)
江西省自然科学基金项目“基于人工智能的江西地区天然地震和非天然地震事件识别方法研究”(20224BAB213047)及“多台地震实时监测的泛化神经网络及其在赣北地区的应用”(20224BAB211024)
+1 种基金
江西省防震减灾与工程地质灾害探测工程研究中心开放基金项目“基于交叉双差算法的震源位置和三维速度结构联合反演方法研究”(SDGD202210)
上海佘山地球物理国家野外科学观测研究站开放基金项目“基于深度学习的地震监测和预警方法在川滇地区的应用研究”(SSOP202103)联合资助。
-
文摘
常规的微地震事件检测方法通常需要人工选取阈值,在处理大量连续记录数据时效率较低,难以适应实时监测的需求。为此,提出一种基于残差网络的微地震事件五分类检测方法,将样本分为噪声、完整的微震事件、只含有P波、只含有S波以及多个微震事件五类。该方法只需将连续记录的波形数据等分,并通过时窗调整获得完整的微震记录。通过一系列数据增广方法实现小规模实际数据样本集的模型训练,模型精度高达99%。将该方法与二分类方法同时应用于微地震监测数据检测,并通过P波、S波到时拾取和震源定位评估检测效果。研究结果表明,基于残差网络的五分类检测方法检测到了更多数量的微震事件,且具有较高的运算效率,满足实时监测的需求。
-
关键词
微地震监测
事件检测
数据增广
残差网络
深度学习
-
Keywords
microseismic monitoring
event detection
data augmentation
residual network
deep learning
-
分类号
P631
[天文地球—地质矿产勘探]
-
