基于深度学习的地下浅层震源定位方法

辛伟瑶,李 剑,王小亮,李禹剑

(中北大学 信息探测与处理山西省重点实验室,太原 030051)

0 概述

地下浅层空间震源被动定位是一种集传感、组网、传输、定位于一体的位置测量方法,该方法是解决高价值弹药地下炸点定位以及引信作用位置测量等军事问题的主要途径,也是实现岩爆、突水、突泥等超前预报以及地下硐室爆破监测等民用事件的重要手段[1]。由于地下浅层地质结构复杂且未知,震动波波群混叠复杂,爆炸近场的土壤本构特性呈弹塑性,弹性波受地面反射、折射影响较大,震相特征不明显。因此,深层地震定位方法中如GEIGER提出的走时反演定位模型,以波场偏振理论为核心的DOA(Direct of Arrive)定位模型,以及CROSS提出的多震源与速度结构联合迭代反演定位(SSH)模型均无法直接适用于浅层震源定位[2-3]。而随着地震波场延拓与成像技术的不断发展,逆时能量场聚焦定位方法逐渐应用于地下震源定位领域,如文献[4]在偏移思路的基础上,提出一种震源扫描算法。文献[5]沿着绕射旅行时曲线方向叠加每一个接收道的平方振幅,提出绕射叠加微地震事件定位方法。文献[6]提出利用典型微地震事件波形叠加方法对震源位置进行定位,并在理论模型和实际资料应用中对该方法进行验证,取得了一定效果。文献[7]对传统震源扫描算法进行改进,提出一种联合震源扫描算法。该类方法不依赖于震相特征参数的提取精度,并且对速度场重建精度要求较低,是解决浅层空间震源定位问题的最优方法。基于上述建立的能量场基础,在能量聚焦点识别方面,国内外学者主要通过多尺度网格搜索法[8]、模拟退火法以及遗传算法等[9]提高全局寻优搜索能力,克服陷入局部极值及传统算法中的“早熟”现象,但是该类方法在搜索时存在盲目性、随机性,导致搜索到最优解的效率与聚焦点识别率均较低等问题。

针对上述问题,本文研究基于深度学习的能量场聚焦点识别方法,通过逆时振幅叠加方法建立基于能量聚焦的震源定位模型,并充分利用深度学习在图像识别领域的独特优势,形成其端到端的一体化解算模式,以提高能量场聚焦度的识别准确率,缩短震源定位时间。

1 地下震源能量场聚焦原理

由于地下震动波的数据群波混叠严重,而基于振幅叠加的偏移类定位算法不需对初至时间进行拾取,以波形信息为基础是现阶段新兴起的震源定位方法[10-11]。该方法的原理是对区域网格进行划分,再次遍历区域内的每一个网格,把每一个传感器数据按照相对应的时间偏移量ti(i=1,2,…,n)进行偏移。同时,将所有传感器数据进行叠加,若某网格点为实际微震震源点,则偏移后将各传感器数据相叠加,振幅达到最大,而非震源点时,各个传感器数据叠加后会出现振幅相互抵消的情况[12-13],振幅叠加定位原理如图1所示。

图1 振幅叠加定位原理示意图

将监测区域划分为大小相同的网格,网格尺寸L为λ/6,其中,λ为地下波场最大频率对应的波长。以区域内的某个网格为例,将每个传感器采集到的震动信号按照各自对应的时间偏移量tij进行逆向偏移[9-10],将偏移后的传感器数据以初始采样时刻m进行振幅叠加,以其得到的能量总和E(hi,li,ki,m)作为该网格所对应的能量值,对循环遍历区域内的所有网格依次进行能量填充,得到该采样时刻对应的三维能量图。能量场聚焦原理示意图如图2所示。

图2 能量场聚焦原理示意图

在图2中,假设第i个网格的中心坐标为(hi,li,ki),ti为地震波从第i个网格点至第j个传感器需要的时间,将所有传感器数据按其所对应的tij进行偏移,Aj=(aj(1),aj(2),…,aj(T))为第j个传感器接收到的T时刻窗内的震动波场信息进行偏移之后的数据。在采样时刻m对应的叠加能量总和E(hi,li,ki)为:

(1)

其中,aj(m)为第j个传感器在m时刻的振幅大小,n为传感器数量。

在时间域内,对于传感器阵列获取的信号,采用网格能量填充法[14-15]依次重建每一个采样时刻每个网格点对应的瞬时能量场,得到一张三维能量场图像。遍历整个时间域,从初至波到达时刻至信号尾震相结束时刻,得到对应包含震源信息的三维能量场图像序列,形成基于能量聚焦的定位模型。

2 基于深度学习的能量场聚焦点识别方法

震源定位过程可看作是随机过程,利用深度学习的方法进行震源定位,3D-CNN网络能够更好地捕捉时间-空间的特征信息,因此,通过3D-CNN卷积网络构建深度学习框架,利用能量场图像序列的连续性,使用三维卷积核对时间-空间场进行特征提取,从而形成端到端的学习模型[16-18]。深度学习网络架构主要分为训练和测试两大模块,训练时使用标记的训练集对3D-CNN深度学习网络中的权值参数进行更新,测试时利用固定权值参数对测试集的三维能量场图像进行预测,并输出聚焦点坐标,其总体流程如图3所示。

图3 深度学习的总体流程

2.1 样本输入及标签制作

采用逆时振幅叠加方法得到三维矢量数据,一张三维能量场图像大小为101×101×51,即对应520 251个能量点,通过计算震动信号对应的首震相和尾震相时间,得出有效信号的时间段为0.4 s～1.0 s。当采样率为20 kHz时,有效采样点数为12 000,遍历整个时间域得到四维矢量数据,且大小为12 000×101×101×51,将12 000张三维能量场图像作为训练数据,并将每张三维能量场图像对应的震源坐标作为输入标签,对深度神经网络进行训练。

2.2 网络框架搭建及训练

整个训练过程选择采用基于梯度下降的Adam优化算法,根据相应的误差项,通过计算每个权重的梯度来调整模型参数,使预测结果向优化目标靠近[14]。通过上述迭代,直至训练得到符合要求的优化目标,从而建立满足误差要求的网络模型。

图4为设计的深度学习网络,该网络框架总共8层,包括3个卷积层、2个池化层与2个全连接层[19-20]。其中,第1层为输入层,输入完整的能量场数据,第2层是卷积核为7×7×7的三维卷积层,第3层为2×2×2的池化层,第4层为5×5×5的三维卷积层,第5层为2×2×2的池化层,第6层为3×3×3的三维卷积层,第7层为全连接层,输出的节点为128,第8层为输出层,输出为3,即定位坐标值X、Y、Z。3D-CNN网络对能量场数据的X、Y和Z方向上的采样点进行关联,在该结构中,卷积层中的每一个特征图都会与上一层中多张连续图片相连,用来提取能量聚焦点的时空分布特征,实现对能量聚焦点的准确识别和定位。

图4 3D-CNN网络框架设计

3 实验验证

为验证本文方法的可行性,本文建立了地下震源定位模型,具体如图5所示。图6为一次爆炸后回传的部分原始信号。

图5 传感器布设图

图6 传感器回传的部分信号图

以原点为中心,将35个三轴传感器等间距布设在地表,形成震动传感器探测阵列,并进行3次爆炸实验,起爆点位置信息如表1所示。设置多路数据采集系统的采样率为100 kHz,采样时间为10 s,实验结束后,将数据回传至控制主站进行定位处理。

表1 起爆点位置信息

爆炸实验总共进行了3次,将第1次、第2次爆炸实验结果作为深度学习模型的训练数据,将第3次爆炸实验结果作为深度学习模型的测试数据。对于每次实验而言,随机选取16个传感器信号作为一组,生成4 000张三维能量场图像,35个传感器将生成超过10万个样本。

以第一次爆炸为例,采用逆时振幅叠加的方法生成三维能量场图像序列,如图7所示。抽取能量聚焦情况不同的图像作为训练数据,用来增加模型的泛化性,其中包括:1)能量聚焦区域不完整;2)能量聚焦区域发散;3)能量聚焦区域信噪比低;4)能量聚焦点强度较弱。

图7 能量场图像序列图

实验将前2次爆炸生成的每张三维能量场图像作为输入数据,以其对应的震源位置作为标签,并分别加载至深度神经网络中,设置迭代次数为2 000次。本文实验以Tensorflow为后端框架,与Keras深度学习环境相结合,采用Intel Core i3-6100处理器,4.0 GB内存,并使用2个1080 Ti GPU,结合并行计算架构CUDA对图像处理流程进行加速,迭代2 000次,一次迭代耗时10 s,得到相应的损失函数与精确度曲线,具体如图8所示。从图8可以看出,训练损失值在迭代训练1 000次左右时达到收敛,并不断趋近于0,测试准确度最终达到92%左右,达到了预设的效果。因此,采用本文设计的深度学习网络能够有效识别能量场聚焦点。

图8 深度训练结果曲线

将第3次爆炸实验对应的能量场图像作为测试数据,随机选取10 000个样本加载至训练好的神经网络中,图9(a)为深度学习模型对聚焦点扫描定位过程。由于地下介质较为复杂,因此能量聚焦区不明显,聚焦点的搜索远比仿真阶段复杂,同时采用网格搜索法对震源目标进行搜索,如图9(b)所示,在搜索过程中,将监测区域分为等间隔的4个搜索区域,以能流目标函数作为适应度值,以量子粒子群优化(Quantum Particle Swarm Optimization,QPSO)算法的方式进行震源搜索。同时,建立TDOA定位模型,采用QPSO算法与本文算法进行搜索方式对比,得到定位结果如表2所示。由表2可知,从定位精度、运行时间等技术指标方面进行考量,基于深度学习的震源定位算法优于基于网格搜索的定位算法。虽然利用本文算法在实际震源定位中,计算时间较快,但本文算法需要利用前2次实验数据建立深度学习模型,其中,制作样本和标签、搭建网络和训练网络的总时间接近4 h。

图9 震源搜索定位图

表2 定位结果对比

4 结束语

针对地下浅层震源定位中能量聚焦点难以识别的问题,本文采用逆时振幅叠加的方法,生成深度学习的四维输入信息,建立基于能量聚焦的定位模型。利用3D-CNN网络搭建深度学习框架,将震源位置作为输出信息,形成能量场图像到震源坐标的端到端解算方法。实验结果表明,本文方法能够有效识别并定位三维能量场聚焦点位置,即震源位置。由于地下介质较为复杂,数据处理速度慢,如何提高能量场的分辨率以及在训练过程中对软件进行加速,将是下一步的研究方向。