基于深度學(xué)習(xí)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(xué) 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(wǎng)、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(xiàn)巖爆、突水、突泥等超前預(yù)報以及地下硐室爆破監(jiān)測等民用事件的重要手段[1]。由于地下淺層地質(zhì)結(jié)構(gòu)復(fù)雜且未知,震動波波群混疊復(fù)雜,爆炸近場的土壤本構(gòu)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(jié)構(gòu)聯(lián)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(shù)的不斷發(fā)展,逆時能量場聚焦定位方法逐漸應(yīng)用于地下震源定位領(lǐng)域,如文獻[4]在偏移思路的基礎(chǔ)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(yīng)用中對該方法進行驗證,取得了一定效果。文獻[7]對傳統(tǒng)震源掃描算法進行改進,提出一種聯(lián)合震源掃描算法。該類方法不依賴于震相特征參數(shù)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(yōu)方法?；谏鲜鼋⒌哪芰繄龌A(chǔ),在能量聚焦點識別方面,國內(nèi)外學(xué)者主要通過多尺度網(wǎng)格搜索法[8]、模擬退火法以及遺傳算法等[9]提高全局尋優(yōu)搜索能力,克服陷入局部極值及傳統(tǒng)算法中的“早熟”現(xiàn)象,但是該類方法在搜索時存在盲目性、隨機性,導(dǎo)致搜索到最優(yōu)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(xué)習(xí)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(xué)習(xí)在圖像識別領(lǐng)域的獨特優(yōu)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(zhǔn)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(shù)據(jù)群波混疊嚴(yán)重,而基于振幅疊加的偏移類定位算法不需對初至?xí)r間進行拾取,以波形信息為基礎(chǔ)是現(xiàn)階段新興起的震源定位方法[10-11]。該方法的原理是對區(qū)域網(wǎng)格進行劃分,再次遍歷區(qū)域內(nèi)的每一個網(wǎng)格,把每一個傳感器數(shù)據(jù)按照相對應(yīng)的時間偏移量ti(i=1,2,…,n)進行偏移。同時,將所有傳感器數(shù)據(jù)進行疊加,若某網(wǎng)格點為實際微震震源點,則偏移后將各傳感器數(shù)據(jù)相疊加,振幅達到最大,而非震源點時,各個傳感器數(shù)據(jù)疊加后會出現(xiàn)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(jiān)測區(qū)域劃分為大小相同的網(wǎng)格,網(wǎng)格尺寸L為λ/6,其中,λ為地下波場最大頻率對應(yīng)的波長。以區(qū)域內(nèi)的某個網(wǎng)格為例,將每個傳感器采集到的震動信號按照各自對應(yīng)的時間偏移量tij進行逆向偏移[9-10],將偏移后的傳感器數(shù)據(jù)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(wǎng)格所對應(yīng)的能量值,對循環(huán)遍歷區(qū)域內(nèi)的所有網(wǎng)格依次進行能量填充,得到該采樣時刻對應(yīng)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(shè)第i個網(wǎng)格的中心坐標(biāo)為(hi,li,ki),ti為地震波從第i個網(wǎng)格點至第j個傳感器需要的時間,將所有傳感器數(shù)據(jù)按其所對應(yīng)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(nèi)的震動波場信息進行偏移之后的數(shù)據(jù)。在采樣時刻m對應(yīng)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(shù)量。

在時間域內(nèi),對于傳感器陣列獲取的信號,采用網(wǎng)格能量填充法[14-15]依次重建每一個采樣時刻每個網(wǎng)格點對應(yīng)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(jié)束時刻,得到對應(yīng)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(xué)習(xí)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(xué)習(xí)的方法進行震源定位,3D-CNN網(wǎng)絡(luò)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(wǎng)絡(luò)構(gòu)建深度學(xué)習(xí)框架,利用能量場圖像序列的連續(xù)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(xué)習(xí)模型[16-18]。深度學(xué)習(xí)網(wǎng)絡(luò)架構(gòu)主要分為訓(xùn)練和測試兩大模塊,訓(xùn)練時使用標(biāo)記的訓(xùn)練集對3D-CNN深度學(xué)習(xí)網(wǎng)絡(luò)中的權(quán)值參數(shù)進行更新,測試時利用固定權(quán)值參數(shù)對測試集的三維能量場圖像進行預(yù)測,并輸出聚焦點坐標(biāo),其總體流程如圖3所示。

圖3 深度學(xué)習(xí)的總體流程

2.1 樣本輸入及標(biāo)簽制作

采用逆時振幅疊加方法得到三維矢量數(shù)據(jù),一張三維能量場圖像大小為101×101×51,即對應(yīng)520 251個能量點,通過計算震動信號對應(yīng)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(dāng)采樣率為20 kHz時,有效采樣點數(shù)為12 000,遍歷整個時間域得到四維矢量數(shù)據(jù),且大小為12 000×101×101×51,將12 000張三維能量場圖像作為訓(xùn)練數(shù)據(jù),并將每張三維能量場圖像對應(yīng)的震源坐標(biāo)作為輸入標(biāo)簽,對深度神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練。

2.2 網(wǎng)絡(luò)框架搭建及訓(xùn)練

整個訓(xùn)練過程選擇采用基于梯度下降的Adam優(yōu)化算法,根據(jù)相應(yīng)的誤差項,通過計算每個權(quán)重的梯度來調(diào)整模型參數(shù),使預(yù)測結(jié)果向優(yōu)化目標(biāo)靠近[14]。通過上述迭代,直至訓(xùn)練得到符合要求的優(yōu)化目標(biāo),從而建立滿足誤差要求的網(wǎng)絡(luò)模型。

圖4為設(shè)計的深度學(xué)習(xí)網(wǎng)絡(luò),該網(wǎng)絡(luò)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(shù)據(jù),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(jié)點為128,第8層為輸出層,輸出為3,即定位坐標(biāo)值X、Y、Z。3D-CNN網(wǎng)絡(luò)對能量場數(shù)據(jù)的X、Y和Z方向上的采樣點進行關(guān)聯(lián),在該結(jié)構(gòu)中,卷積層中的每一個特征圖都會與上一層中多張連續(xù)圖片相連,用來提取能量聚焦點的時空分布特征,實現(xiàn)對能量聚焦點的準(zhǔn)確識別和定位。

圖4 3D-CNN網(wǎng)絡(luò)框架設(shè)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(shè)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(shè)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(shè)置多路數(shù)據(jù)采集系統(tǒng)的采樣率為100 kHz,采樣時間為10 s,實驗結(jié)束后,將數(shù)據(jù)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(jié)果作為深度學(xué)習(xí)模型的訓(xùn)練數(shù)據(jù),將第3次爆炸實驗結(jié)果作為深度學(xué)習(xí)模型的測試數(shù)據(jù)。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(xùn)練數(shù)據(jù),用來增加模型的泛化性,其中包括:1)能量聚焦區(qū)域不完整;2)能量聚焦區(qū)域發(fā)散;3)能量聚焦區(qū)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(shù)據(jù),以其對應(yīng)的震源位置作為標(biāo)簽,并分別加載至深度神經(jīng)網(wǎng)絡(luò)中,設(shè)置迭代次數(shù)為2 000次。本文實驗以Tensorflow為后端框架,與Keras深度學(xué)習(xí)環(huán)境相結(jié)合,采用Intel Core i3-6100處理器,4.0 GB內(nèi)存,并使用2個1080 Ti GPU,結(jié)合并行計算架構(gòu)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(yīng)的損失函數(shù)與精確度曲線,具體如圖8所示。從圖8可以看出,訓(xùn)練損失值在迭代訓(xùn)練1 000次左右時達到收斂,并不斷趨近于0,測試準(zhǔn)確度最終達到92%左右,達到了預(yù)設(shè)的效果。因此,采用本文設(shè)計的深度學(xué)習(xí)網(wǎng)絡(luò)能夠有效識別能量場聚焦點。

圖8 深度訓(xùn)練結(jié)果曲線

將第3次爆炸實驗對應(yīng)的能量場圖像作為測試數(shù)據(jù),隨機選取10 000個樣本加載至訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)中,圖9(a)為深度學(xué)習(xí)模型對聚焦點掃描定位過程。由于地下介質(zhì)較為復(fù)雜,因此能量聚焦區(qū)不明顯,聚焦點的搜索遠比仿真階段復(fù)雜,同時采用網(wǎng)格搜索法對震源目標(biāo)進行搜索,如圖9(b)所示,在搜索過程中,將監(jiān)測區(qū)域分為等間隔的4個搜索區(qū)域,以能流目標(biāo)函數(shù)作為適應(yīng)度值,以量子粒子群優(yōu)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(jié)果如表2所示。由表2可知,從定位精度、運行時間等技術(shù)指標(biāo)方面進行考量,基于深度學(xué)習(xí)的震源定位算法優(yōu)于基于網(wǎng)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(shù)據(jù)建立深度學(xué)習(xí)模型,其中,制作樣本和標(biāo)簽、搭建網(wǎng)絡(luò)和訓(xùn)練網(wǎng)絡(luò)的總時間接近4 h。

圖9 震源搜索定位圖

表2 定位結(jié)果對比

4 結(jié)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(xué)習(xí)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(wǎng)絡(luò)搭建深度學(xué)習(xí)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(biāo)的端到端解算方法。實驗結(jié)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(zhì)較為復(fù)雜,數(shù)據(jù)處理速度慢,如何提高能量場的分辨率以及在訓(xùn)練過程中對軟件進行加速,將是下一步的研究方向。