剪切波分裂是分析地震各向異性的一種重要手段,常規(guī)方法是利用網(wǎng)格搜索獲取分裂參數(shù),再通過不同方法的測(cè)量結(jié)果對(duì)比測(cè)量結(jié)果進(jìn)行質(zhì)量檢測(cè),這一過程會(huì)耗費(fèi)大量計(jì)算時(shí)間。本文針對(duì)這一問題提出了一種利用深度卷積神經(jīng)網(wǎng)絡(luò)對(duì)剪切波分裂進(jìn)行質(zhì)量檢測(cè)的新方法,對(duì)使用了Resnet殘差結(jié)構(gòu)的深度神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練,直接對(duì)二分量剪切波波形數(shù)據(jù)的質(zhì)量進(jìn)行分類。整個(gè)過程為:神經(jīng)網(wǎng)絡(luò)通過卷積層提取波形特征,計(jì)算損失函數(shù)后反向傳播訓(xùn)練模型參數(shù),完成迭代訓(xùn)練后的模型對(duì)輸入波形數(shù)據(jù)正向計(jì)算自動(dòng)輸出類型。本文利用川西臺(tái)站接收到的實(shí)際數(shù)據(jù)以及隨機(jī)生成的合成數(shù)據(jù)分別對(duì)該網(wǎng)絡(luò)進(jìn)行訓(xùn)練,均可以獲得準(zhǔn)確的分類結(jié)果。相比于通過多種剪切波分裂方法對(duì)比測(cè)量結(jié)果的質(zhì)量檢測(cè)方法,基于神經(jīng)網(wǎng)絡(luò)的方法可以省略網(wǎng)格搜索的計(jì)算過程直接判斷質(zhì)量類型,在運(yùn)算速度上的優(yōu)勢(shì)明顯,并可繼續(xù)通過訓(xùn)練提高模型的精度,為提升剪切波分裂方法在數(shù)據(jù)處理過程中的操作效率提供幫助。

【文章頁(yè)數(shù)】：11 頁(yè)

【部分圖文】：

圖1剪切波分裂質(zhì)量檢測(cè)方法示意圖

上述質(zhì)量檢測(cè)方法的基本流程均需要先使用多種方法通過網(wǎng)格搜索計(jì)算出結(jié)果，之后按照一定規(guī)則進(jìn)行對(duì)比，才能判斷相應(yīng)的質(zhì)量類型(圖1(a))。剪切波分裂需要處理大量的波形數(shù)據(jù)，基于單層各向異性介質(zhì)的假設(shè)，考慮到波形信噪比和地球內(nèi)部構(gòu)造的復(fù)雜性，在實(shí)際分析中只有少數(shù)的波形數(shù)據(jù)可以獲得滿足要....

圖2神經(jīng)網(wǎng)絡(luò)一維卷積示意圖

其中，Ct表示長(zhǎng)度為t的時(shí)間序列X與長(zhǎng)度為l的濾波器ω卷積后的輸出向量，*為點(diǎn)乘求和，b為偏置參數(shù)。1個(gè)卷積層中需要設(shè)置多個(gè)濾波器來提取波形中更多的特征，圖2展示了時(shí)間序列通過含有n個(gè)卷積核大小為1×3的濾波器的卷積層的計(jì)算過程。在進(jìn)行一維卷積時(shí)，為了盡可能保留時(shí)間序列邊界上的信....

圖3深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖

本文所構(gòu)建的深度神經(jīng)網(wǎng)絡(luò)主要含有3個(gè)卷積塊，采用殘差結(jié)構(gòu)相連，卷積塊內(nèi)的濾波器個(gè)數(shù)依次為32、64、128;每個(gè)卷積塊內(nèi)均含有3個(gè)卷積層，卷積核大小均設(shè)為1×3，如圖3所示。網(wǎng)絡(luò)中還包含一些其他的操作層:激活函數(shù)層選擇了ReLU(線性整流函數(shù))ReLU層可以為神經(jīng)網(wǎng)絡(luò)引入非線....

圖4測(cè)試集(1500條數(shù)據(jù))的標(biāo)簽分布及測(cè)試結(jié)果

合成波形的參數(shù)在一定范圍內(nèi)隨機(jī)選擇，如表1所示。隨機(jī)生成二分量的SKS剪切波波形，每條時(shí)間序列有100個(gè)采樣點(diǎn)，采樣間隔為0.2s，均進(jìn)行了0.02～1Hz的帶通濾波。通過互相關(guān)法和能量最小化法進(jìn)行網(wǎng)格搜索，對(duì)時(shí)間延遲和快軸方向的搜索步長(zhǎng)分別為0.1s和1°。測(cè)量得到2種方法的結(jié)....

本文編號(hào)：3996129