地下淺層微震定位是地下空間目標定位領域的核心技術,是實現(xiàn)煤礦勘察、地質監(jiān)測,工程爆破、文物防盜監(jiān)測等民用需求的關鍵技術。目前地下淺層震源定位主要借鑒深層天然地震定位方法,但是地下淺層震源定位與大區(qū)域、大當量、大深度、長時間的震源定位相比較具有以下特點:1)地下震源深度較淺,一般不超過100m,淺層地質結構復雜且未知,地層速度參量表征難度大;2)地下淺層震動場各種橫波、縱波相互交疊,震源近場頻散現(xiàn)象明顯混疊嚴重,定位特征參數(shù)提取難度大,造成能量聚焦點重建精度低、聚焦點識別難度大,最終導致震源定位精度低。針對上述問題,本文主要通過逆時振幅疊加法構建地下三維能量場,并結合深度學習的優(yōu)越性,實現(xiàn)了地下淺層空間的高精度震源目標定位。首先,通過振幅疊加方法構建地下三維能量場,并通過對各種成像機制分析,在少量傳感器節(jié)點的情況下,通過分組互相關成像方法,提高能量場的分辨率;其次,將上述獲得的大量三維能量場序列輸入至3D-CNN卷積神經網絡中訓練并測試,提高網絡模型的泛化性;最后,與傳統(tǒng)的模擬退火算法進行對比分析,驗證了本文所提出的深度學習方法優(yōu)于模擬退火算法。本文的研究,經過了外場試驗測試驗證,在10... 

【文章來源】：中北大學山西省

【文章頁數(shù)】：68 頁

【學位級別】：碩士

【部分圖文】：

三種網格劃分方式

中北大學學位論文33積層；第3層為2*2*2的池化層；第4層為3*3*3的三維卷積層；第5層為2*2*2的池化層；第6層為3*3*3的三維卷積層；第7層為全連接層，輸出的節(jié)點為150；第8層為輸出層，輸出為3，即定位坐標值x,y,z。如圖3-10所示。input3x3x33DconvolutionC12x2x2subsamplingS23x3x33Dconvolution2x2x2subsamplingC3S4C53x3x33Dconvolution150connection3connection圖3-103D-CNN網絡框架設計圖Fig.3-103D-CNNnetworkframeworkdesign震源定位的網絡框架流程圖如圖3-11所示,帶有形狀信息的3D-CNN模型如圖3-12所示。圖3-11震源定位網絡框架流程圖圖3-12帶有形狀信息的3D-CNN模型圖Fig.3-11FlowchartofnetworkframeworkFig.3-12modeldiagramwithshapeinformation對3D-CNN模型的具體解釋為：輸入的能量場數(shù)據為212111，通道數(shù)為1；第一層卷積層有32個卷積核，卷積核大小為3*3*3，輸入的數(shù)據為2121111，經過第一層卷積后，輸出的數(shù)據大小為19199，通道數(shù)為32；第一層池化層的采樣區(qū)域

中北大學學位論文33積層；第3層為2*2*2的池化層；第4層為3*3*3的三維卷積層；第5層為2*2*2的池化層；第6層為3*3*3的三維卷積層；第7層為全連接層，輸出的節(jié)點為150；第8層為輸出層，輸出為3，即定位坐標值x,y,z。如圖3-10所示。input3x3x33DconvolutionC12x2x2subsamplingS23x3x33Dconvolution2x2x2subsamplingC3S4C53x3x33Dconvolution150connection3connection圖3-103D-CNN網絡框架設計圖Fig.3-103D-CNNnetworkframeworkdesign震源定位的網絡框架流程圖如圖3-11所示,帶有形狀信息的3D-CNN模型如圖3-12所示。圖3-11震源定位網絡框架流程圖圖3-12帶有形狀信息的3D-CNN模型圖Fig.3-11FlowchartofnetworkframeworkFig.3-12modeldiagramwithshapeinformation對3D-CNN模型的具體解釋為：輸入的能量場數(shù)據為212111，通道數(shù)為1；第一層卷積層有32個卷積核，卷積核大小為3*3*3，輸入的數(shù)據為2121111，經過第一層卷積后，輸出的數(shù)據大小為19199，通道數(shù)為32；第一層池化層的采樣區(qū)域

【參考文獻】：
期刊論文
[1]模擬退火算法在地震定位中的應用[J]. 楊波,張炳,隆愛軍,韓成成,周冬瑞,袁勇.  華北地震科學. 2019(04)
[2]基于雙微陣列與卷積神經網絡的語音識別方法[J]. 劉偉波,曾慶寧,卜玉婷,鄭展恒.  計算機應用. 2019(11)
[3]基于非規(guī)則雙重網格的三維聲波方程模擬[J]. 孫輝,張劍鋒.  地球物理學報. 2019(09)
[4]基于卷積神經網絡的自動標注技術的研究[J]. 程冰.  電子世界. 2019(16)
[5]震源逆時定位的成像條件分析[J]. 雷朝陽,劉懷山,張茗.  地球物理學進展. 2019(06)
[6]基于LeNet-5卷積神經網絡的車牌字符識別[J]. 趙艷芹,童朝娣,張恒.  黑龍江科技大學學報. 2019(03)
[7]基于快速模擬退火算法的井中微地震事件定位反演[J]. 尹奇峰,潘冬明,郭全仕,何情.  地球物理學進展. 2019(05)
[8]水力壓裂微地震事件定位方法綜述[J]. 毛慶輝,王鵬,曾雋.  地球物理學進展. 2019(05)
[9]基于差分進化算法的微震定位[J]. 王云宏,王保利,段建華.  煤田地質與勘探. 2019(01)
[10]基于并行模擬退火算法的微地震速度模型校正方法研究[J]. 鐘星宇,孫小科,桂志先,王鵬,龔屹,于曉東.  地球物理學進展. 2019(02)

博士論文
[1]基于逆時成像的被動源定位與識別方法研究[D]. 葛奇鑫.吉林大學 2019
[2]微地震散射波結構成像[D]. 林葉.中國科學技術大學 2018
[3]井下微地震監(jiān)測方法研究[D]. 田宵.中國科學技術大學 2018
[4]基于油田壓裂微地震監(jiān)測的震相識別與震源定位方法研究[D]. 呂昊.吉林大學 2012
[5]礦震震動波波速層析成像原理及其預測煤礦沖擊危險應用實踐[D]. 鞏思園.中國礦業(yè)大學 2010

碩士論文
[1]基于深度學習的分揀機器人目標識別與定位[D]. 解修亮.安徽工程大學 2019
[2]基于3D卷積神經網絡的行為識別方法研究[D]. 吉璐.西安理工大學 2018
[3]基于網格剖分的微地震地面監(jiān)測定位技術研究[D]. 王紀程.吉林大學 2018
[4]震源信息處理與反演定位方法研究[D]. 李月.中國礦業(yè)大學 2018
[5]變網格有限差分波場數(shù)值模擬的研究[D]. 魏妮娜.西安工程大學 2018
[6]爆破震動波傳播特性與盲源分離技術研究[D]. 蘇金娣.山東科技大學 2018
[7]基于卷積神經網絡的電主軸軸承故障診斷方法研究[D]. 王雨桐.沈陽建筑大學 2018
[8]地下震源波束交叉定位算法研究[D]. 李婷.中北大學 2015
[9]基于分布式傳感器網絡的地下淺層定位算法研究[D]. 潘燁煬.中北大學 2015
[10]淺層地震波震源定位算法研究與軟件設計[D]. 趙明.西安石油大學 2014



本文編號：3037829