关键词：
深度学习
地震事件检测
频散曲线提取
地震定位
地震成像
摘要：
天然地震学是一门以数据观测为基础的科学,它需要经过一系列步骤来处理大量观测数据,从而进行地震定位和地震成像等方面的研究。因此,发展可靠且高效的地震数据处理算法显得尤为重要。近年来,深度学习算法取得了显著的进展,并在地震学领域得到了较广泛的应用。在此背景下,本文将深度学习应用于地震体波和面波数据处理以及成像中,旨在提高地震数据处理的效率和准确率,并进一步探索深度学习成像方法的可行性。具体研究内容包括以下四个方面:
(1)基于卷积神经网络的多台站地震事件检测方法
尽管现有的基于深度学习的单台站地震信号检测算法在微弱信号检测方面表现出较强的能力,但其泛化性有待提高,特别是在训练集之外的区域容易出现误检测。利用干扰信号与地震信号在多台站记录中的显著特征差异,本论文发展了基于卷积神经网络的多台站事件检测算法CNNDctector,该网络将来自多台站的地震波形记录作为输入,旨在让网络能够从有标签的数据中学习地震事件和噪声的特征,从而实现对两者的有效区分。本论文通过使用诸如随机排列台站顺序等数据增强策略,提升了 CNNDetector的泛化能力。在实际应用中,尽管东太平洋Gofar数据集和四川长宁数据集的波形特征与训练集的波形特征差异较大,CNNDctector仍然表现良好。测试结果表明,CNNDctector具有较高的检测效率,能够检测到更多的微弱地震信号,同时保持着较低的误检率。
(2)基于深度学习到时拾取的密集台阵地震监测及体波层析成像研究
我们在龙门山断裂带中段及东祁连山北缘断裂带分别布设了两个密集台阵,以监测断裂带的地震活动性,并研究断裂带的浅部精细结构。本论文采用新发展的深度学习地震数据处理算法,对密集台阵数据进行高效且可靠的处理。首先我们使用本文发展的CNNDetector检测地震事件,再使用基于深度学习的到时拾取方法拾取到时,之后使用传统的地震定位方法确定地震位置。在龙门山区域,我们还进行了双差地震成像。结果表明,将深度学习方法用于处理密集台阵数据,极大提升了微地震的监测能力。基于高精度的地震位置和高分辨率的成像结果,本论文进一步探讨了研究区的地震活动性、断层形态以及断裂带的浅部结构等。
(3)基于卷积神经网络的面波频散曲线提取方法
背景噪声成像的关键步骤之一是从背景噪声互相关中提取面波群速度和相速度频散曲线。通常这一步骤需要从频散能量图中手动提取出频散曲线,但随着地震数据量的快速增长,发展一种可靠的频散曲线自动提取方法变得越来越重要。现有的自动提取方法依赖于人工定义的标准来提取频散曲线,但这种方法的可靠性有时并不理想,特别是在提取相速度的时候。本论文发展了一种基于卷积神经网络的面波频散曲线提取算法DisperPicker。我们收集了来自三个密集台阵手动提取的频散曲线来训练神经网络。网络训练完成后,输入频散能量图,网络能够预测出频散曲线概率图。随后我们将预测概率图与频散曲线的先验信息相结合,并进行质量控制,以实现快速且准确的频散曲线提取。我们使用安徽巢湖附近的两个数据集对DisperPicker进行了测试,结果显示,DisperPicker具有强大的泛化能力,无需重新训练即可高效、准确地提取大型数据集的频散曲线。
(4)基于物理信息神经网络的地震成像研究
地震成像是研究地球内部结构最常用的方法之一。传统的地震成像方法存在一定的局限性,其成像结果依赖于初始速度模型和正则化参数的选择。近年来,物理信息神经网络(PINNs)被广泛应用于求解各种偏微分方程,为地震学成像提供了新的思路。基于PINNs的成像网络由两个分支组成,一个分支用于拟合观测走时,另一个分支用于预测台站处的地震波速度。预测走时场的梯度与台站处的速度需要满足程函方程。本论文首先将PINNs用于二维面波各向同性反演,随后考虑到不同方向传播的面波可能具有不同的速度,反演面波的方位各向异性,最后将PINNs用于三维体波走时成像。在大量的合成测试和实际数据测试中,基于PINNs的成像方法展现出自适应分辨率、无需初始速度模型以及无需调整正则化参数的优势。然而,其局限性主要在于计算速度较慢。
欢迎来到三峡大学图书馆！
