基于深度學習的地下淺層震源定位方法

辛偉瑤,李 劍,王小亮,李禹劍

(中北大學 信息探測與處理山西省重點實驗室,太原 030051)

0 概述

地下淺層空間震源被動定位是一種集傳感、組網、傳輸、定位于一體的位置測量方法,該方法是解決高價值彈藥地下炸點定位以及引信作用位置測量等軍事問題的主要途徑,也是實現巖爆、突水、突泥等超前預報以及地下硐室爆破監測等民用事件的重要手段[1]。由于地下淺層地質結構復雜且未知,震動波波群混疊復雜,爆炸近場的土壤本構特性呈彈塑性,彈性波受地面反射、折射影響較大,震相特征不明顯。因此,深層地震定位方法中如GEIGER提出的走時反演定位模型,以波場偏振理論為核心的DOA(Direct of Arrive)定位模型,以及CROSS提出的多震源與速度結構聯合迭代反演定位(SSH)模型均無法直接適用于淺層震源定位[2-3]。而隨著地震波場延拓與成像技術的不斷發展,逆時能量場聚焦定位方法逐漸應用于地下震源定位領域,如文獻[4]在偏移思路的基礎上,提出一種震源掃描算法。文獻[5]沿著繞射旅行時曲線方向疊加每一個接收道的平方振幅,提出繞射疊加微地震事件定位方法。文獻[6]提出利用典型微地震事件波形疊加方法對震源位置進行定位,并在理論模型和實際資料應用中對該方法進行驗證,取得了一定效果。文獻[7]對傳統震源掃描算法進行改進,提出一種聯合震源掃描算法。該類方法不依賴于震相特征參數的提取精度,并且對速度場重建精度要求較低,是解決淺層空間震源定位問題的最優方法。基于上述建立的能量場基礎,在能量聚焦點識別方面,國內外學者主要通過多尺度網格搜索法[8]、模擬退火法以及遺傳算法等[9]提高全局尋優搜索能力,克服陷入局部極值及傳統算法中的“早熟”現象,但是該類方法在搜索時存在盲目性、隨機性,導致搜索到最優解的效率與聚焦點識別率均較低等問題。

針對上述問題,本文研究基于深度學習的能量場聚焦點識別方法,通過逆時振幅疊加方法建立基于能量聚焦的震源定位模型,并充分利用深度學習在圖像識別領域的獨特優勢,形成其端到端的一體化解算模式,以提高能量場聚焦度的識別準確率,縮短震源定位時間。

1 地下震源能量場聚焦原理

由于地下震動波的數據群波混疊嚴重,而基于振幅疊加的偏移類定位算法不需對初至時間進行拾取,以波形信息為基礎是現階段新興起的震源定位方法[10-11]。該方法的原理是對區域網格進行劃分,再次遍歷區域內的每一個網格,把每一個傳感器數據按照相對應的時間偏移量ti(i=1,2,…,n)進行偏移。同時,將所有傳感器數據進行疊加,若某網格點為實際微震震源點,則偏移后將各傳感器數據相疊加,振幅達到最大,而非震源點時,各個傳感器數據疊加后會出現振幅相互抵消的情況[12-13],振幅疊加定位原理如圖1所示。

圖1 振幅疊加定位原理示意圖

將監測區域劃分為大小相同的網格,網格尺寸L為λ/6,其中,λ為地下波場最大頻率對應的波長。以區域內的某個網格為例,將每個傳感器采集到的震動信號按照各自對應的時間偏移量tij進行逆向偏移[9-10],將偏移后的傳感器數據以初始采樣時刻m進行振幅疊加,以其得到的能量總和E(hi,li,ki,m)作為該網格所對應的能量值,對循環遍歷區域內的所有網格依次進行能量填充,得到該采樣時刻對應的三維能量圖。能量場聚焦原理示意圖如圖2所示。

圖2 能量場聚焦原理示意圖

在圖2中,假設第i個網格的中心坐標為(hi,li,ki),ti為地震波從第i個網格點至第j個傳感器需要的時間,將所有傳感器數據按其所對應的tij進行偏移,Aj=(aj(1),aj(2),…,aj(T))為第j個傳感器接收到的T時刻窗內的震動波場信息進行偏移之后的數據。在采樣時刻m對應的疊加能量總和E(hi,li,ki)為:

(1)

其中,aj(m)為第j個傳感器在m時刻的振幅大小,n為傳感器數量。

在時間域內,對于傳感器陣列獲取的信號,采用網格能量填充法[14-15]依次重建每一個采樣時刻每個網格點對應的瞬時能量場,得到一張三維能量場圖像。遍歷整個時間域,從初至波到達時刻至信號尾震相結束時刻,得到對應包含震源信息的三維能量場圖像序列,形成基于能量聚焦的定位模型。

2 基于深度學習的能量場聚焦點識別方法

震源定位過程可看作是隨機過程,利用深度學習的方法進行震源定位,3D-CNN網絡能夠更好地捕捉時間-空間的特征信息,因此,通過3D-CNN卷積網絡構建深度學習框架,利用能量場圖像序列的連續性,使用三維卷積核對時間-空間場進行特征提取,從而形成端到端的學習模型[16-18]。深度學習網絡架構主要分為訓練和測試兩大模塊,訓練時使用標記的訓練集對3D-CNN深度學習網絡中的權值參數進行更新,測試時利用固定權值參數對測試集的三維能量場圖像進行預測,并輸出聚焦點坐標,其總體流程如圖3所示。

圖3 深度學習的總體流程

2.1 樣本輸入及標簽制作

采用逆時振幅疊加方法得到三維矢量數據,一張三維能量場圖像大小為101×101×51,即對應520 251個能量點,通過計算震動信號對應的首震相和尾震相時間,得出有效信號的時間段為0.4 s～1.0 s。當采樣率為20 kHz時,有效采樣點數為12 000,遍歷整個時間域得到四維矢量數據,且大小為12 000×101×101×51,將12 000張三維能量場圖像作為訓練數據,并將每張三維能量場圖像對應的震源坐標作為輸入標簽,對深度神經網絡進行訓練。

2.2 網絡框架搭建及訓練

整個訓練過程選擇采用基于梯度下降的Adam優化算法,根據相應的誤差項,通過計算每個權重的梯度來調整模型參數,使預測結果向優化目標靠近[14]。通過上述迭代,直至訓練得到符合要求的優化目標,從而建立滿足誤差要求的網絡模型。

圖4為設計的深度學習網絡,該網絡框架總共8層,包括3個卷積層、2個池化層與2個全連接層[19-20]。其中,第1層為輸入層,輸入完整的能量場數據,第2層是卷積核為7×7×7的三維卷積層,第3層為2×2×2的池化層,第4層為5×5×5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,輸出的節點為128,第8層為輸出層,輸出為3,即定位坐標值X、Y、Z。3D-CNN網絡對能量場數據的X、Y和Z方向上的采樣點進行關聯,在該結構中,卷積層中的每一個特征圖都會與上一層中多張連續圖片相連,用來提取能量聚焦點的時空分布特征,實現對能量聚焦點的準確識別和定位。

圖4 3D-CNN網絡框架設計

3 實驗驗證

為驗證本文方法的可行性,本文建立了地下震源定位模型,具體如圖5所示。圖6為一次爆炸后回傳的部分原始信號。

圖5 傳感器布設圖

圖6 傳感器回傳的部分信號圖

以原點為中心,將35個三軸傳感器等間距布設在地表,形成震動傳感器探測陣列,并進行3次爆炸實驗,起爆點位置信息如表1所示。設置多路數據采集系統的采樣率為100 kHz,采樣時間為10 s,實驗結束后,將數據回傳至控制主站進行定位處理。

表1 起爆點位置信息

爆炸實驗總共進行了3次,將第1次、第2次爆炸實驗結果作為深度學習模型的訓練數據,將第3次爆炸實驗結果作為深度學習模型的測試數據。對于每次實驗而言,隨機選取16個傳感器信號作為一組,生成4 000張三維能量場圖像,35個傳感器將生成超過10萬個樣本。

以第一次爆炸為例,采用逆時振幅疊加的方法生成三維能量場圖像序列,如圖7所示。抽取能量聚焦情況不同的圖像作為訓練數據,用來增加模型的泛化性,其中包括:1)能量聚焦區域不完整;2)能量聚焦區域發散;3)能量聚焦區域信噪比低;4)能量聚焦點強度較弱。

圖7 能量場圖像序列圖

實驗將前2次爆炸生成的每張三維能量場圖像作為輸入數據,以其對應的震源位置作為標簽,并分別加載至深度神經網絡中,設置迭代次數為2 000次。本文實驗以Tensorflow為后端框架,與Keras深度學習環境相結合,采用Intel Core i3-6100處理器,4.0 GB內存,并使用2個1080 Ti GPU,結合并行計算架構CUDA對圖像處理流程進行加速,迭代2 000次,一次迭代耗時10 s,得到相應的損失函數與精確度曲線,具體如圖8所示。從圖8可以看出,訓練損失值在迭代訓練1 000次左右時達到收斂,并不斷趨近于0,測試準確度最終達到92%左右,達到了預設的效果。因此,采用本文設計的深度學習網絡能夠有效識別能量場聚焦點。

圖8 深度訓練結果曲線

將第3次爆炸實驗對應的能量場圖像作為測試數據,隨機選取10 000個樣本加載至訓練好的神經網絡中,圖9(a)為深度學習模型對聚焦點掃描定位過程。由于地下介質較為復雜,因此能量聚焦區不明顯,聚焦點的搜索遠比仿真階段復雜,同時采用網格搜索法對震源目標進行搜索,如圖9(b)所示,在搜索過程中,將監測區域分為等間隔的4個搜索區域,以能流目標函數作為適應度值,以量子粒子群優化(Quantum Particle Swarm Optimization,QPSO)算法的方式進行震源搜索。同時,建立TDOA定位模型,采用QPSO算法與本文算法進行搜索方式對比,得到定位結果如表2所示。由表2可知,從定位精度、運行時間等技術指標方面進行考量,基于深度學習的震源定位算法優于基于網格搜索的定位算法。雖然利用本文算法在實際震源定位中,計算時間較快,但本文算法需要利用前2次實驗數據建立深度學習模型,其中,制作樣本和標簽、搭建網絡和訓練網絡的總時間接近4 h。

圖9 震源搜索定位圖

表2 定位結果對比

4 結束語

針對地下淺層震源定位中能量聚焦點難以識別的問題,本文采用逆時振幅疊加的方法,生成深度學習的四維輸入信息,建立基于能量聚焦的定位模型。利用3D-CNN網絡搭建深度學習框架,將震源位置作為輸出信息,形成能量場圖像到震源坐標的端到端解算方法。實驗結果表明,本文方法能夠有效識別并定位三維能量場聚焦點位置,即震源位置。由于地下介質較為復雜,數據處理速度慢,如何提高能量場的分辨率以及在訓練過程中對軟件進行加速,將是下一步的研究方向。