[发明专利]一种基于深度学习的微震多时窗智能P波到时拾取方法

说明书

一种基于深度学习的微震多时窗智能P波到时拾取方法，步骤为：1)采集用于模型训练与测试的数据集，并根据到时标签将微震波形分为不同种类的微时窗；2)搭建CGAS的P波到时拾取深度学习模型，并对该模型进行训练；3)使用测试集对模型进行测试评估；4)使用CGAS模型对波形进行P波到时拾取；5)当多个台站监测到微震事件后，使用CGAS模型对多个台站监测到的震动波形数据进行多时窗的P波到时拾取；6)记录微震事件和各台站的到时信息。本发明通过上述方法，解决了现有技术中存在的拾取精度低、微震事件漏检或误检等问题，提供了一种高鲁棒、高精度的微震多时窗智能P波到时拾取方法。

技术领域

本发明属于煤矿开采微震监测领域，尤其涉及一种基于深度学习的微震多时窗智能P波到时拾取方法。

背景技术

微震是伴随采矿活动而发生的一种岩体破裂现象，大能量微震事件或冲击地压发生时，井下大范围释放能量，严重时引起井下巷道和支护设备破坏，地面震动、塌陷，建筑物损毁，是采矿活动中面临的重要安全问题之一，也是阻碍煤炭行业安全发展的重要因素之一。微震事件可通过在地面和井下布置多个微震监测台站，当采掘活动造成煤柱压溃、顶板断裂或断层错动时产生震动波向远处传播，传播至微震监测台站被记录下来，通过监测数据即可对微震发生的时间、位置和能量进行监测，进而为煤矿安全生产提供重要的数据支撑。

微震事件的识别和到时拾取是微震定位的关键环节之一，准确拾取微震事件到时时刻对微震事件的识别以及震源的定位具有重要的意义。研究表明微震信号能量弱、信噪比低，传统长短时窗法(STA/LTA法)或其改进等方法自动识别和提取微震事件的方法准确率不高，导致煤矿等微震监测大多仍依靠人工或专家判断，造成微震事件实时监测工作效率低，限制了微震事件的识别和提取，常规单台站或多台站微震数据处理方法容易出现漏检或误检情况，难以为煤矿安全生产提供有效的基础数据。

发明内容

本发明所要解决的技术问题在于提出一种基于深度学习的微震多时窗智能P波到时拾取方法，解决微震能量弱、信噪比低，导致微震事件到时拾取精度低、微震事件漏检或误检等问题，为煤矿微震事件的智能识别和到时拾取提供了一种高效和高精度方法，替代传统长短时窗的P波到时拾取方法。

为了实现上述目的，本发明创造采用的技术方案为：一种基于深度学习的微震多时窗智能P波到时拾取方法，其步骤为：

1)采集用于模型训练与测试的数据集，采用多时窗微震信号到时拾取方法，依据时窗滑过P波到时的不同状态，将微震波形分为不同种类的微时窗。

具体划分方式为：

时间窗口长度为n秒钟，根据台站的采样频率设置采样点数量，将训练集划分成5类序列时窗，时窗数据按照步长向前滑动，设手动拾取的P波到时位置为w，时窗中点位置为m；若m∈[n/2,w-n/2]，则该时窗为第1类时窗；若m∈[w-n/2,w-1]，则该时窗为第2类时窗；若m∈[w-1,w+1]则该时窗为第3类时窗；若m∈[w+1,w+n/2]，则该时窗为第4类时窗；若m∈[w+n/2,l]，则该时窗为第5类时窗，其中l为波形震动部分长度。第3类时窗的中点位置即为要获取的P波到时。

2)搭建CGAS的P波到时拾取模型，对该模型进行训练：

2.1)搭建CGAS的P波到时拾取模型，该模型的层次结构主要包括卷积神经网络CNN、压缩函数Squash、注意力机制Attention、门控单元GRU、等相关网络结构，首先采用4层CNN对波形进行特征提取，每层CNN包括不同大小数量的卷积核、批量标准化层BN、最大池化层MaxPooling、Squash函数、Relu激活函数，其中Squash函数如公式(1)所示：

式中j为卷积核编号，S_j为第j维卷积层的输出，v_j为卷积层经过压缩后CNN层的输入；之后通过Squash函数对一组不同的卷积核进行压缩，在系统模型结构当中，通过不同的卷积核形成胶囊层，再进行压缩；