一种快速自动化产出震源机制解的方法与装置与流程

1.本发明涉及地震信息处理技术领域，特别是涉及一种快速自动化产出震源机制解的方法与装置。


背景技术：

2.随着数字化网络项目的推进，我国已建立了1200多个地震台站，实现了全国数据实时传输和共享。地震发生以后，第一时间对实时监测数据进行处理，确定地震震源参数信息后，对于再交相关部门日常地震监测、应急决策、告警信息发布等相关操作具有十分重要的意义。地震震源参数除了大家耳熟能详的发震时刻、震源位置、震级以外，还包括震源机制解。震源机制解主要由断层走向、倾角、滑动角等节面解参数确定，准确快速的震源机制解对海啸预警、震源深度的确定、矩震级计算、断层方位确定以及监测断层活动都有极为重要的作用。目前，由于人工智能等技术在地震事件和震相自动检测、震相关联、地震定位等方面取得的进展，发震时刻、震源位置、震级等震源参数已经在很大程度上可以实现自动化处理，但在震源机制解的自动产出方面，进展要远远落后。这是因为人工智能方法，例如其中有代表性的深度学习技术实际上只是建立输入与输出之间的映射关系，一般不包含物理机制，而震源机制的求解是一个受物理规律约束的反演问题，其解(输出)往往也不是唯一的。因此，目前地震震源机制解的计算仍然主要通过人工完成，这在很大程度上加重了地震监测部门的日常工作负担，还会严重影响大地震发生时和发生后一段时间的应急处理、信息发布的速度。


技术实现要素：

3.为了克服现有技术的不足，本发明的目的是提供一种应用人工智能技术自动获取全波形、p波初动极性、s/p振幅比等信息，并自动反演震源机制的方法与装置，以解决震源机制解反演效率低，降低解的非唯一性的问题。
4.为实现上述目的，本发明提供了如下方案：
5.一种快速自动化产出震源机制解的方法，包括：
6.获取实时地震监测数据；
7.利用震相识别模型自动对所述实时地震监测数据进行震相拾取得到震相类别；所述震相类别包括p波震相和s波震相；
8.利用初动极性识别模型自动对所述实时地震监测数据的初动极性进行识别得到p波的初动极性；
9.对所述震相类别进行震相关联得到震相关联结果；
10.根据所述震相关联结果得到震中位置；
11.根据所述震相关联结果、震中位置和p波的初动极性对震相机制进行反演得到震源机制解；所述震源机制解包括断层走向、倾角、滑动角。
12.优选的，所述震相识别模型是以三分量地震波形为输入，以震相类别为输出进行
训练得到的；其中，震相识别模型在训练过程中的损失函数为：
[0013][0014]
式中，yi′
为二值化编码的标签，i＝1，2，3分别表示噪音、p波和s波三个类别，n为波形采样点数，yi为u型神经网络模型最后一层的softmax函数计算得到的概率值，zi为u型神经网络模型最后一层的输出张量，y
′
ij
为第j个样本属于类i的真实概率，y
ij
为第j个样本属于类i的预测概率值。
[0015]
优选的，所述初动极性识别模型是以p波到时前后2s的地震垂直分量波形数据为输入，以p波初动的极性为输出进行训练得到的。
[0016]
优选的，所述根据所述震相关联结果、震中位置和p波的初动极性对震相机制进行反演得到震源机制解，包括：
[0017]
利用全波形震源机制反演方法对震相机制进行反演得到震源机制解；其中，反演的目标函数为：
[0018][0019]
其中，表示观测地震图，根据所述震相关联结果进行自动截取，表示理论地震图，根据所述震中位置可计算得到，xcorr表示互相关，c表示地震图三分量，s为台站序号；表示观测的p波初动极性，表示理论的p波初动极性，且当和相同时，g值为0，否则为1；表示观测地震图的s/p振幅比，表示理论地震图的s/p振幅比，threshold为设定的阈值；s0表示观测波形和理论波形进行互相关之后获得的偏移量，α1表示第一权重系数，α2表示第二权重系数，α3表示第三权重系数，α4第四权重系数。
[0020]
本发明还提供了一种快速自动化产出震源机制解的装置，包括：
[0021]
地震监测数据获取模块，用于获取实时地震监测数据；
[0022]
震相拾取模块，用于利用震相识别模型对所述实时地震监测数据进行震相拾取得
到震相类别；所述震相类别包括p波震相和s波震相；
[0023]
初动极性识别模块，用于利用初动极性识别模型对所述实时地震监测数据的初动极性进行识别得到p波的初动极性；
[0024]
震相关联模块，用于对所述震相类别进行震相关联得到震相关联结果；
[0025]
震中位置确定模块，用于根据所述震相关联结果得到震中位置；
[0026]
震源机制解计算模块，用于根据所述震相关联结果、震中位置和p波的初动极性对震相机制进行反演得到震源机制解；所述震源机制解包括断层走向、倾角和滑动角。
[0027]
根据本发明提供的具体实施例，本发明公开了以下技术效果：
[0028]
本发明提供了一种快速自动化产出震源机制解的方法与装置，其中该方法为：利用震相识别模型对实时地震监测数据进行震相拾取得到震相类别；震相类别包括p波震相和s波震相；利用初动极性识别模型对实时地震监测数据的初动极性进行识别得到p波的初动极性；对震相类别进行震相关联得到震相关联结果；根据震相关联结果得到震中位置；根据震相关联结果、震中位置和p波的初动极性对震相机制进行反演得到震源机制解。本发明通过利用震相识别模型和初动极性识别模型高效准确地获取p、s到时以及p波初动极性等信息，并基于此得到震相关联结果和震中位置，可以大幅降低反演震源机制的工作量，提升了震源机制解的反演速度。
附图说明
[0029]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0030]
图1为本发明提供的实施例中的一种快速自动化产出震源机制解的方法流程图；
[0031]
图2为本发明提供的实施例中的u型神经网络算法原理图；
[0032]
图3为本发明提供的实施例中的smart motion神经网络算法原理图。
具体实施方式
[0033]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0034]
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本技术的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
[0035]
本技术的说明书和权利要求书及所述附图中的术语“第一”、“第二”、“第三”和“第四”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤、过程、方法等没有限定于已列出的步骤，而是可选地还包括没有列出的步骤，或可选地还包括对于这些过程、方
法、产品或设备固有的其它步骤元。
[0036]
本发明的目的是提供一种快速自动化产出震源机制解的方法与装置以解决震源机制解反演效率低的问题。
[0037]
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
[0038]
请参阅图1，一种快速自动化产出震源机制解的方法，包括：
[0039]
步骤1：获取实时地震监测数据；
[0040]
进一步的，本发明采用地震数据采集单元来采集实时地震监测数据。地震数据采集单元由一个liss实时流、一个宽频带地震数据采集器和一个加速度传感器组成，其中，liss实时流是架设在野外的台站通过4g网络实时传输并汇聚到数据中心并打包成seed格式的数据流，宽频带地震数据采集器采集的是宽频带地震仪实时记录的数据，加速度传感器记录的是实时三分量加速度数据。
[0041]
步骤2：利用震相识别模型自动对所述实时地震监测数据进行震相拾取得到震相类别；所述震相类别包括p波震相和s波震相；
[0042]
需要说明的是，在利用震相识别模型对所述实时地震监测数据进行震相拾取之前需要对所述实时地震监测数据进行预处理得到miniseed数据格式文件。进一步的，本发明可对获取的实时地震监测数据包按照时间序列生成对应的miniseed数据格式文件；
[0043]
在本发明中，所述震相识别模型是以三分量地震波形为输入，以震相类别为输出进行训练得到的；其中，震相识别模型在训练过程中的损失函数为：
[0044][0045]
式中，yi′
为二值化编码的标签，i＝1,2,3分别表示噪音、p波和s波三个类别，n为波形采样点数，yi为u型神经网络模型最后一层的softmax函数计算得到的概率值，zi为u型神经网络模型最后一层的输出张量，y
′
ij
为第j个样本属于类i的真实概率，y
ij
为第j个样本属于类i的预测概率值。
[0046]
请参阅图2，在实际应用中，本发明的震相识别模型是基于u型神经网络构建的。u型网络的基本组件可分为增采样层和降采样层，其中降采样层由两个一维卷积层、一个池化层组成，中间会随机加入一些dropout层来防止过拟合；增采样层由一个转置卷积层、一个裁切层、一个卷积层组成，同样也可根据情况适当加入dropout层。网络输入为截取后的地震波形，其中，降采样层执行卷积和池化操作，用于提取震相的抽象特征，以解决震相定位问题，增采样层用于逐步恢复震相的细节特征，以解决震相分类的问题。最后通过激活函数计算p、s或噪音概率值，并与预设阈值比对即可确定该采样点的类别。
[0047]
步骤3：利用初动极性识别模型自动对所述实时地震监测数据的初动极性进行识别得到p波的初动极性；具体的，所述初动极性识别模型是以p波到时前后2s的地震垂直分量波形数据为输入，以p波初动的极性为输出进行训练得到的。
[0048]
请参阅图3，进一步的，本发明的初动极性识别模型是通过smart motion神经网络构建的。smart motion神经网络的网络输入为p波到时前后2s的地震垂直分量波形数据，其基本组件为5个依次相连的block，前两个block各包含2个一维卷积层，后3个block各包含3个一维卷积层，每个block的最后一个卷积层后面加上一个side layer层之后引出“侧输出”，一共得到5个尺度不同的“侧输出”(o1-o5)，本发明将这些侧输出聚合成最终输出(fuse)，最后通过sigmoid激活函数计算分类概率值，并与预设阈值比较确定p波初动的极性为“up”、“down”或是待定。
[0049]
步骤4：对所述震相类别进行震相关联得到震相关联结果；
[0050]
在实际应用中，本发明可利用real进行自动震相关联，real是一种三维网格搜索算法，其功能是将按时间顺序排列的多台p波、s波到时与特定事件相关联，同时通过震相到时计数和与理论到时的走时残差来粗略定位地震位置。real算法首先需要将待研究区域划分为三维均匀网格，并以p波最早到达的台站为中心开始向四周逐网格搜索，当关联到的p波、s波到时个数达到预设阈值就认为是找到一个事件，同时到时计数最多的网格所在位置作为该事件的初步定位结果；如果有多个网格拥有着共同最大数目关联震相，则其中走时残差最小的网格为最优位置。
[0051]
其具体的实现步骤为：
[0052]
1.利用待研究区域的一维速度结构模型，根据研究区域的大小和最大定位深度，计算待研究区域内的参考走时表。
[0053]
2.设置合理的real参数，包括搜索范围、网格尺寸大小，关联p波、s波个数阈值等。
[0054]
3.以观测台站经纬度列表，震相识别模型拾取的各台站p、s波到时列表，以及参考走时表作为输入，运行real程序即可得到震相关联初步定位结果。
[0055]
步骤5：根据所述震相关联结果得到震中位置；
[0056]
本发明可给定台站位置，利用上述real的震相关联初步定位结果，以及一维速度参考模型，使用velest算法反演得到更加准确的事件位置(震中位置)，包括经纬度和深度。
[0057]
步骤6：根据所述震相关联结果、震中位置和p波的初动极性对震相机制进行反演得到震源机制解；所述震源机制解包括断层走向、倾角、滑动角。
[0058]
进一步的，所述步骤6具体包括：
[0059]
利用全波形震源机制反演方法对震相机制进行反演得到震源机制解；其中，反演的目标函数为：
[0060]
[0061][0062]
其中，表示观测地震图，可根据所述震相关联结果进行自动截取获得，表示理论地震图，可根据velest定位结果计算得到，即根据所述震中位置可计算得到，xcorr表示互相关，c表示地震图三分量(东西、南北、垂直)，s为台站序号；表示观测的p波初动极性，表示理论的p波初动极性，且当和相同时，g值为0，否则为1，可由smart motion网络预测得到，可通过对理论p波到时附近的一小段窗的数据进行求和得到求和值，并根据求和值的正负判断极性；表示观测地震图的s/p振幅比，可根据预测的p、s波到时所计算的平均振幅得到，表示理论地震图的s/p振幅比，threshold为设定的阈值；s0表示观测波形和理论波形进行互相关之后获得的偏移量，α1表示第一权重系数，α2表示第二权重系数，α3表示第三权重系数，α4第四权重系数。通过求解目标函数f的最小值即可得到最佳断层参数(走向、倾角、滑动角)。
[0063]
最后本发明还需要对结果进行质量评级；进一步的，质量评级可根据反演波形匹配相关度(可计算得到一个相关系数)、反演残差(一个值)、结果参数分布、台站数目及分布情况进行评价，并对以上每一项结合实际应用人为设定阈值，将质量评级分为a(非常好，三个以上条件达到阈值)，b(好，两个以上)，c(一般，一个以上)，d(差，均低于阈值)四个质量等级，当出现c和d评级时，需要重新选取训练样本对震相识别模型和初动极性识别模块进行训练，以提高后续反演精度。
[0064]
本发明公开了一种快速自动化产出震源机制解的方法，包括：获取实时地震监测数据。对所述实时地震监测数据进行预处理得到miniseed数据格式文件。利用u型神经网络模型对所述miniseed数据格式文件进行震相拾取得到震相类别；利用smart motion神经网络模型对所述p波的初动极性进行识别得到p波的初动极性；利用real对所述p、s波震相进行自动震相关联与初步事件定位；利用震相关联结果、台站经纬度、给定的一维速度参考模型等信息，反演得到地震的震中位置；利用全波形震源机制反演方法自动反演震源机制解。本发明通过引入了u型神经网络、smart motion神经网络、real自动震相关联等先进技术，可以在30s左右就完成反演震源机制的所有数据准备，再自动调用全波形匹配反演算法，总共在2～10分钟就可反演出震源机制解。
[0065]
本发明还提供了一种快速自动化产出震源机制解的装置，包括：
[0066]
地震监测数据获取模块，用于获取实时地震监测数据；
[0067]
震相拾取模块，用于利用震相识别模型对所述实时地震监测数据进行震相拾取得到震相类别；所述震相类别包括p波震相和s波震相；
[0068]
初动极性识别模块，用于利用初动极性识别模型对所述实时地震监测数据的初动极性进行识别得到p波的初动极性；
[0069]
震相关联模块，用于对所述震相类别进行震相关联得到震相关联结果；
[0070]
震中位置确定模块，用于根据所述震相关联结果得到震中位置；
[0071]
震源机制解计算模块，用于根据所述震相关联结果、震中位置和p波的初动极性对震相机制进行反演得到震源机制解；所述震源机制解包括断层走向、倾角和滑动角。
[0072]
根据本发明提供的具体实施例，本发明公开了以下技术效果：
[0073]
本发明通过利用震相识别模型和初动极性识别模型高效准确地获取p、s到时以及p波初动极性等信息，并基于此得到震相关联结果和震中位置，可以大幅降低反演震源机制的工作量，提升了震源机制解的反演速度。
[0074]
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的方法而言，由于其与实施例公开的装置相对应，所以描述的比较简单，相关之处参见装置部分说明即可。
[0075]
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。