一、利用小波变换提高地震波初至拾取的精确度（论文文献综述）
吴娜[1]（2021）在《低信噪比下地震初至波智能拾取方法的研究》文中进行了进一步梳理地震勘探作为最有效的油气勘探方法之一,一般包括地震资料采集、地震资料处理、地震资料解释三个阶段。在实际采集工作中,存在由于地表起伏和低降速带的变化而造成的信号干扰,为此,首先需要对地震资料进行静校正。初至拾取是得到合理静校正结果的先决条件,它为静校正过程提供了进行后续计算所需的静校正量。现有初至拾取方法主要分为自动化和半自动化方法。一般而言,对于数据单一、噪声干扰小的资料,现有自动方法多数可以快速有效的拾取初至。然而,由于大量复杂工区的存在,因此所采集到的低信噪比地震资料与日增多,从而导致现有全自动方法无法保证初至拾取的质量,亦即,结果存在大量异常初至。为此,需要人工一定的介入和修改才能满足需要,这种机器加人工的做法称为半自动化方法。不过,半自动方法的处理过程相当繁琐耗时,且人工干预存在较大主观性,因此在精度和效率难以满足要求,严重制约了静校正过程。有鉴于此,本研究旨在探索针对低信噪比地震资料下的自动初至拾取方法。同时,考虑到能量比算法计算简单、精度稳定的优点,本研究采用该算法的输出作为初步初至拾取的结果,在此结果上,进行自动异常初至检测与校正。具体研究内容如下:（1）针对能量比算法初步拾取产生的异常初至,提出基于CN-Fit的异常初至检测算法。首先,考虑到现有的数据处理方法导致上下文信息的缺失,本研究通过融合地震信息和初至信息来改进数据处理方法;其次,考虑到异常初至多呈现聚集性的特点,利用CN网络采用多道异常初至标签共享的方式,检测连续性的异常初至;再次,针对残留的非连续性异常初至,利用非线性回归的手段（Fitting）的方法进一步甄别。最后,针对上述组合算法输出的异常初至进一步进行筛选,获得最终正确初至。（2）剔除异常初至后的连续道集需进行补拾取。考虑到在一张地震图像中,初至波往往表现为一条分界线,因而本研究将拾取问题等价为图像分割问题,提出基于轻量编解码网络ED-Light进行补拾取。首先,采用ED-Light对剔除道进行重新拾取;其次,考虑到近炮数据量有限的问题,采用数据增强进行模型优化;最后,针对拾取后的噪点和多值问题,采用一系列后处理方法进一步优化拾取结果。通过真实地震数据验证,对于异常初至检测任务,CN-Fit算法与现有算法相比,F1 score提高了3.91%,检测效率提高了5.78倍;对于异常初至校正任务,ED-Light与现有网络相比,在准确率上提高了2.6%,且与其他经典网络对比,边缘细节处理更优;总体异常初至检测与校正流程比现有人机交互方式效率提高了约24倍。综上,本文算法用于自动异常初至校正具备可行性和有效性,在一定程度上可以替代人工进行检测和校正,从而提高地震资料处理的效率。
朱玉琴[2]（2021）在《基于智能手机惯性传感器采样的环境异常震动检测方法》文中研究指明地理环境的异常震动通常预示着地质灾害等事件的发生,对异常震动事件的检测也成为降低人员伤亡和财产损失的有效手段。现有常见的地质震动监测设备通常为内含加速度传感器的传统测振仪,其识别准确率较高,但因为价格高、体积大等缺点无法进行大面积的部署。随着电子技术的飞速发展以及智能手机的全面普及,智能手机加速度传感器成为环境震动实践监测的新基础设施,利用普通用户的智能手机等电子设备实现异常事件的检测也成为新的研究热点。但是,使用智能手机进行环境震动监测通常面临着使用人日常活动的影响,从而导致监测误警率高、漏警率低等不足。本文主要对如何区分人为活动和环境异常震动事件以及异常震动事件的P波到时的精确拾取进行研究,为以后采用普通智能手机实现环境异常震动事件的精确监测提供有效依据。本文的主要工作和贡献如下:首先,针对智能手机受用户状态影响导致采集的加速度数据受动作污染这一误差来源,使用四元数法实现智能手机采样数据坐标系到地理坐标系之间的转换。并且根据智能手机内置加速度传感器因为品牌以及制作工序不同等原因导致的器件误差,构建多姿态模型对手机加速度传感器采样值进行系统误差校正。在采样过程中针对智能手机传感器采样噪声较大的问题,采用中值滤波进行信号去噪并提取样本特征,实验证明了本文提出的方法具有较好的去噪效果。随后,根据智能手机容易受手机用户人为行动的影响这一问题,使用在智能手机识别分类问题中使用较为广泛的支持向量机进行人为行动事件和异常震动事件的识别,模拟生成了数据集对于支持向量机模型进行训练,得到最优的分类标签,随后使用测试集进行测试,得出了识别精度较高的人为活动事件和异常震动事件区分方法,为下一步的应用提供有效保障。最后,对经过上述处理后的智能手机采样数据进行P波到时的精确拾取,首先对传统的STA/LTA法和AIC法的基本原理进行了分析,对STA/LTA-AIC法提出改进的基于小波包分解的STA/LTA-AIC综合方法,对传统的3种P波震相捡拾方法以及本文提出的方法进行实验比对分析,结果显示本文提出的基于小波包分解的STA/LTA-AIC方法的P波准确捡拾优于3种传统的对比捡拾方法,验证了本文提出的基于智能手机进行异常震动事件预警的可能性。
高煜[3]（2021）在《矿山光纤微震信号自动识别与定位技术研究与应用》文中研究指明微震监测技术是矿山安全监测的有效技术手段之一。震源定位是微震监测技术的核心,而初至波到时自动拾取是实现震源定位的重要前提,因此,在低信噪比环境下精确且快速拾取初至波到时是实现震源定位的关键。其中,震源定位的准确性直接决定了微震监测系统的效果,但是在矿山实际开采工程中,由于环境恶劣等因素,会导致微震监测系统震源定位不准确、效率低等一系列问题,因此,实现震源的高精度定位在矿山安全监测中具有重要意义。同时,海量微震数据需要实现信息化管理,但传统的信息化管理方法效率不高且工作量较大,并且信息的及时性与共享性并不能满足实际需求,因此亟需开发一套基于Web的微震事件信息管理系统。本文以光纤微震监测系统为研究对象,针对光纤微震信号的初至波自动拾取、震源高精度定位以及基于Web的微震事件信息管理系统三个方面展开研究。主要完成以下工作:（1）针对低信噪比条件下,传统STA/LTA法存在初至波拾取准确率低的问题,提出了一种基于随机森林的初至波到时自动拾取方法。首先提取微震数据的特征,并对每个特征样本进行特征类别标记,然后通过随机森林分类器对微震波进行判别,最后结合每个特征样本对应输出概率值准确地拾取初至波到时。实验结果表明,随机森林方法具有更高的初至波拾取精度,对微震特征样本分类的准确率达98.5%,最小拾取误差为3.2ms。（2）针对震源定位过程中的求解不稳定、误差较大的问题,确定了粒子群和牛顿迭代的定位方法。首先利用粒子群算法求取震源定位的初始解,然后将该解作为牛顿迭代算法的初始值进行精确迭代运算,最后直至结果收敛求得最终定位结果。经实验验证,结果表明该方法在后期求解过程不易发散较为稳定,所求得的震源位置与真实爆破位置相近,平均误差为12.8m。（3）针对传统的微震事件信息化管理效率不高等问题,设计了基于Web的微震事件信息管理系统。系统以B/S架构为基础,前端采用j Query+Ajax框架实现微震信息展示,后端采用Spring Boot+My Batis Plus+SQL Server实现微震数据管理,通过实验测试,结果表明该系统的可用性和稳定性达到使用要求。（4）以柠条塔煤矿实际测试数据为例,对提出的初至波拾取和震源定位两种方法进行应用验证,并利用基于Web的微震事件信息管理系统实现对微震数据的信息化管理,结果验证了研究内容的可行性和可靠性。
姚梦柔[4]（2021）在《基于卷积神经网络的地震波初至到时拾取研究》文中进行了进一步梳理精确地对地震波P波和S波的初至到时进行拾取,对于地震的精确定位、地震孕震机制的解释等具有很大的意义。单纯地依靠地震学专家进行分析会耗费大量的人力和时间,因此迫切需要一种自动化的方法来进行地震波初至到时的识别与拾取。近年来,深度学习被广泛应用到了各行各业,其中,卷积神经网络在地震波初至到时拾取中的应用研究受到了研究人员的广泛关注。相较于传统方法,卷积神经网络不需要人工提取特征,可以自动进行特征提取并得到最优解,并且卷积神经网络可以解决传统方法的拾取误差大和模型泛化性不好的问题,因此本文基于此进行深入研究。本文以2020微软“创新杯”中国赛区地震主题竞赛数据和山西台站地震数据为研究数据,利用卷积神经网络对地震波P波和S波初至到时进行拾取,将预处理后的三分量地震波形数据输入到卷积神经网络中进行训练和测试,使用查全率、查准率和F1分数对模型进行评估,并与传统的STA/LTA和U-Net模型进行对比,最后使用山西台站地震数据对模型进行泛化性验证。本文的主要研究结论如下:（1）利用卷积神经网络进行地震波P波和S波初至到时拾取,与传统的STA/LTA相比,卷积神经网络的方法不用人工设定阈值和人工选取特征函数,只依靠卷积神经网络自动提取波形特征,并且模型具有很好的泛化性。（2）结合Residual Unit和U-Net的优点,提出了R-Unet模型。R-Unet模型将传统的U-Net的下采样部分与残差单元相结合,利用卷积操作替换下采样过程中的池化层以减少地震波形高频信息的损失,并且使用长连接和残差连接将低层信息特征和高层信息特征有效结合起来,降低网络在进行特征提取和特征还原时带来的信息丢失。使用R-Unet模型对地震波P波和S波的初至到时进行拾取,将R-Unet模型与传统的STA/LTA和U-Net进行对比分析,R-Unet的P波查准率为91.4%,S波的查准率为84.5%,P波查全率为87.4%,S波查全率为79.6%,均高于传统的STA/LTA和U-Net模型。（3）对Unet++模型进行改进,提出了Unet PP模型。Unet PP模型将传统的U-Net的中心进行填充,综合1至4层的1D U-Net,将长连接与短连接进行结合,可以更好的提取地震波P波和S波中不同层次和不同尺度的地震波形特征,降低下采样所来的地震信息损失。调整噪声、P波和S波的权重,分配给S波更高的权重,以增加S波初至到时的识别精确率。将Unet PP模型与传统的STA/LTA、U-Net和R-Unet模型进行对比分析,Unet PP模型的P波查准率为97.7%,S波的查准率为96.4%,P波查全率为95.3%,S波查全率为90.4%,均高于传统的STA/LTA和U-Net模型。虽然Unet PP相较于R-Unet增加了训练时间,但是模型进行地震波P波和S波初至拾取的精度增加了,其中P波增加了6.3%,S波增加了11.9%。（4）使用来自山西8个台站的179条地震数据进行模型泛化性验证。结果表明,本文提出的R-Unet模型和Unet PP模型都有较小的拾取误差,其中R-Unet模型的P波初至到时拾取误差为0.58s,S波初至到时拾取误差为0.91s;Unet PP模型的P波初至到时拾取误差为0.39s,S波初至到时拾取误差为0.46s,与地震学专家标注的P波初至到时和S波的初至到时误差均小于1s,本文的模型在山西台站数据上有良好的泛化性。本文的研究成果可以为以后地震波P波和S波的初至到时拾取提供一种新思路,从而更加准确地对P波和S波的初至到时进行拾取,有望对地震的定位,地震孕震机制的解释提供技术支持。
张冲冲[5]（2021）在《煤矿复杂噪声背景下微震信号降噪与初至拾取方法研究》文中研究指明煤矿井下岩石破裂过程中会产生大量的微震事件,微震监测系统通过记录和分析微震信号可以获得岩石破裂的众多信息,对矿山的安全开采发挥了积极作用。但是,由于井下工作环境复杂,众多设备工作会产生大量的噪声,污染检波器采集到的微震信号,给微震事件的初至拾取工作带来较大影响,而微震信号初至拾取的精确度直接影响到微震事件的准确定位。因此,为了提高定位精度,本文对微震信号的降噪方法及初至拾取方法展开研究。首先,分析了煤矿复杂噪声,并对微震信号的几种降噪方法存在问题进行了说明,提出了一种新型自适应集合经验模态分解（NAEEMD）与频率约束奇异值分解（SVD）联合的降噪方法。该方法首先通过NAEEMD法将含噪微震信号分解为阶数由高到底的多个本征模态函数（IMF）,以信号主导的IMF分量为向导,使用SVD分解提取噪声主导的IMF分量及过渡分量中的有用信号,最后重组由SVD分解后的IMF分量,即为降噪后的微震信号。实验结果表明,本文方法较其他方法的信噪比均高出5d B以上,且信号的能量百分比高达94.8625%,信号标准差达到了0.0216,各项定量评价指标均优于其他降噪方法。然后,针对常用P波初至拾取方法抗干扰能力弱,拾取效果不好的情况,在传统方法的基础上,提出了改进的长短时窗法（STA/LTA）和赤池信息准则（AIC）法联合方法。该方法首先使用改进的STA/LTA法确定微震信号初至点的大致位置,然后选取包含微震信号的时窗,最后使用AIC法确定微震信号初至点的精确位置。与STA/LTA、AIC方法的初至拾取结果进行对比,同时,选择一段煤矿强噪声微震信号进行实验,实验结果证明:该方法对微震信号的初至点拾取更加精准,也能对煤矿复杂噪声下微震信号初至点精准拾取。最后,设计了一套微震信号采集与处理系统,系统由数据采集部分和人机交互部分构成。数据采集部分由STM32F107主控芯片为核心,实现对信号的采集、处理、储存和传输;人机交互部分是在Lab VIEW平台搭建,实现了信号的接收、显示、储存、回放及信号的降噪与初至点拾取。系统试验效果表明,能够采集宽动态范围的微震信号,并实时的以波形显示,且能够对采集到的信号进行降噪及P波初至拾取处理,系统的开发为微震事件的准确定位奠定了基础。
彭桂力[6]（2021）在《主动震源探测岩石微破裂信号识别与定位研究》文中认为深埋隧道工程中的岩爆事件具有突发性、猛烈性等特点,会给高速公路、铁路中的隧道施工建设带来严重的安全隐患。岩爆事件的实时监测、预报已成为深埋地下工程建设和岩爆机理研究的共同课题。微地震监测是岩爆监测预警的方法之一,通过监测微地震信号反演岩石破裂位置,但其定位精度受到多种因素影响,可以通过加入主动震源技术去提高岩石破裂定位精度,利用已知的主动震源作为标准,探测未知岩石破裂位置定位方法中是必不可少的,然而加入主动震源信号会带来微地震监测信号更加复杂的问题。本论文围绕如何从复杂微地震混合信号中有效分解、识别微地震信号这一问题,在国内外研究学者的基础上,加入主动震源探测技术,观测岩石微破裂的现象,重点针对在主动震源与噪声干扰下的微地震信号的分解和识别算法展开研究,并利用识别的微地震与主动震源信号进行精准定位。论文主要工作和取得的成果如下:1.针对基于主动震源技术探测岩石微破裂的研究中,增加了复杂微地震混合信号分解困难的问题,提出了基于奇异值经验模态分解（Singular Value Empirical Mode Decomposition,SVEMD）算法,对于含有主动震源信号、微地震信号和噪声信号的复杂混合信号进行有效分解。该算法具有分解精度高,残差功率低,可以得到较高信噪比的特点,对混合信号在频域范围内进行有效分解,依次得到噪声、主动震源与微地震信号。2.针对复杂微地震混合信号中含有大量微地震、主动震源和噪声等信号,存在人工识别效率低下,精度不高的问题,提出将信号识别转化为图像识别,将卷积神经网络（Convolutional Neural Network,CNN）应用于微地震信号识别中,改进现有CNN算法,加入迁移（Inception）结构,形成深度迁移卷积神经网络（Deep Convolutional Neural Network-Inception,DCNN-Inception）,利用该网络实现微地震信号的自动识别。利用测试集对该算法进行测试,获得信号的识别准确率达到92.4%,同现有的CNN网络相比,识别精度提高7.1%,同时得到信号的损失率为17.4%,比现有CNN网络降低了13%。DCNN-Inception网络微地震数据特征拟合能力明显强于CNN网络,特征提取能力强,准确率高。3.针对岩石微破裂中微地震事件的定位和精细描绘问题,提出引入主动震源技术,优化速度模型,利用主动震源技术反演得到初至时间和位置信息。同时提出了基于主动震源技术的定位方法,改进了传统到时差定位算法的求解方法,建立线性数学方程组,改善了岩石微破裂的刻画精度,避免了的传统Geiger求解方法中受初值影响较大的问题,优化Geiger算法,为进一步实现微地震事件精确定位,分析岩爆提供可靠的数据支持。借助计算机中的MATLAB数值仿真工具构造微地震信号数据,西南科技大学土木实验室进行主动震源实验采集的主动震源数据和白鹤滩水电站岩爆监测工作获得的有效微地震数据,加载本论文提出的SVEMD算法,通过算法验证和仿真结果分析对比,验证SVEMD算法的可行性和有效性。将白鹤滩监测的大量微地震数据构建数据集,用于训练及验证本文的DCNN-Inception算法,通过算法可以有效识别出微地震信号。将计算机仿真软件构造数据与主动震源实验采集数据加载本文中提出的基于主动震源的岩石破裂定位算法,通过算法验证和定位结果对比,证明该算法可以提高现有Geiger算法的计算效率,提高定位精度。
贾向阳[7]（2020）在《基于小波分析的地震走时反演成像方法研究》文中认为地震勘探技术在未来对于能源勘探、海洋物探等领域有着重大的意义。在地震勘探技术中,基于走时的地下探测方法应用也很普遍,其中走时信息是否精确严重影响后期的反演结果的可靠性,因此如何拾取到准确的走时信息极其重要。本文针对地震反演时所采集的数据中常夹杂干扰信息导致走时数据难以解读的问题展开研究,主要的工作如下:（1）本文提出一种基于小波分析的地震走时反演成像方法,将一种改进的小波阈值去噪算法运用到地震走时反演中,提高了走时数据的准确度,使得反演结果更加客观可靠。其中算法主要在两个方面做出改进,一个是阈值的选取,另一个是阈值量化处理方法。算法中我们通过GCV（Generalized Cross-validation）阈值选取函数来获取阈值,具体做法是采用人工蜂群算法对该函数不断地进行迭代优化,通过计算得出符合实际的最优阈值。本算法可以避免对噪声方差的估计问题,提升最后的去噪性能。在进行阈值量化时,使用了一种改进的软硬阈值改良折衷法,提高了重构后的信号的保真度。结合以上两点,可以有效地压制时空数据中的噪声,辅助我们拾取走时信息,提高了走时数据的精确性,进而得出更加客观清晰的反演结果图像。（2）本文研究了不同频率下的地震走时反演成像方法,针对初始模型我们选择用恰当的不同频率进行正演计算。分别对不同频率下去噪后以及去噪前的数据进行拾取走时信息,最后通过迭代反演得出结果图像,同时分析不同频率对反演质量的影响。本文通过波动方程有限差分法进行正演计算得出地震数据,随后将本文改进算法和针对性选取的对比算法对含噪的地震数据进行处理,从不同的加噪方式上来看,在地震走时反演成像的各个阶段的结果都验证了本文算法在地震走时反演中产生的效果要明显优于其他对比算法,证明了本文算法的有效性。
张一林[8]（2020）在《振动法测量岩体纵波波速》文中研究说明岩体波速测试是通过分析弹性波在岩体内部或表面的传播时间及距离,得到岩体纵波波速或横波波速的现场测试方法,可为水电、道桥、隧道等领域的勘察工作提供岩体的动力特性。在现行规范中岩体纵波波速测试方法主要有地震勘探技术和岩体超声检测技术。地震勘探技术受场地钻孔条件的制约,超声检测技术的超声波信号受岩体高频滤波作用明显,因而上述两种方法并不适用于破碎或较破碎岩体的测试。本文针对破碎或较破碎岩体提出了一种波速测试方法—振动法,制定了测试方案,将该方法应用于工程实测中,并对测试结果进行了处理分析,论文主要研究了以下内容:（1）提出了一种适用于破碎或较破碎岩体的纵波波速测试方法—振动法。该方法在浅层钻孔中锤击激振,因岩体破碎,激发的弹性波低频成分较丰富,利用布设在岩体表面的多个低频传感器接受振动信号,完成纵波的波速测试。该方法无需深层钻孔,对岩体的扰动小;锤击激振产生的能量较高,激发的地震波传播距离远,可增加岩体的测试距离;利用多个传感器接收信号,实现了岩体的分段波速测量。（2）编制了振动法纵波波速测试方案,进行了工程实测和数据处理分析,将测试结果同超声波测试结果和数值模拟结果进行了对比。基于小波变换将高频段的信号进行滤波处理后重新组合,实现了信号的降噪处理;通过编写MATLAB程序,根据互相关原理计算得到了纵波波速。振动法测试结果与超声波测试结果的相对误差为-2.10%,与数值模拟结果相对误差为-6.87%。（3）利用振动法的测量结果对岩体的完整性进行了定量评价,结合室内岩块波速试验,完成了对岩体完整性系数Kv值的分段定量计算。将定量评价结果与定性评价结果进行了对比,两种评价的结果一致,验证了采用该方法定量评价岩体完整程度的准确性。
冯叶磊[9]（2020）在《地下爆破振动信号降噪及初至到时拾取方法的研究》文中研究指明在煤矿开采、地铁修建等地下开采活动中的爆破作业极易引起微震事件的发生。一直以来,对微震事件的实时监控都是国内外学者研究的热门课题。爆破振动信号初至到时的准确拾取是整个微震事件监控的关键环节,也是实现爆破震源定位的前提和基础。但地下爆破作业环境复杂,传感器采集的爆破振动信号会掺杂强烈的噪声,信号的有用特征较弱,导致传统算法不能准确拾取信号的初至到时。本文为满足地下煤矿爆破开采活动震源定位系统实时性强、准确度高的监控需要,针对低信噪比爆破振动信号初至到时难以准确拾取的问题,对爆破振动信号降噪方法以及初至到时拾取算法进行深入研究,为实际应用提供理论支持。（1）根据爆破振动信号衰减快、持续时间短等特性建立数学模型,并选用小波阈值降噪算法对含噪爆破振动信号进行降噪处理。在分解层数的选取中引入奇异谱分析,根据爆破振动信号降噪过程中各层小波分解系数表现的奇异谱斜率特性,设计出一种爆破振动信号最优分解层数确定算法,实现了对爆破振动信号最优分解层数的自适应选取。分析软、硬阈值函数的优劣,设计出一种基于调节因子的阈值函数,通过调节参数α的大小,可在软、硬阈值函数之间实现灵活调节,并通过仿真验证了基于调节因子的阈值函数对爆破振动信号的降噪效果最好。（2）为获取精确的爆破振动信号初至到时,分析STA/LTA（Short-Term to Long-Term Average）算法和AIC（Akaike information criterion）算法拾取信号初至到时的优缺点,根据STA/LTA算法能大致拾取信号初至到时和AIC算法拾取结果准确但易受时窗局限的特征,提出一种基于多特征函数的S/L-AIC初至到时拾取算法。该算法以STA/LTA算法的4个特征函数拾取初至到时的最小值和最大值为基准,根据信号的长度L向前、向后扩充L/10个采样点,形成新时窗[min（ti）-L/10,max（ti）+L/10],利用AIC算法在新时窗下拾取准确的初至到时,并验证了所提算法在高、低信噪比两种情况下均能准确拾取爆破振动信号的初至到时。（3）为验证基于多特征函数的S/L-AIC算法在震源定位算法中的可行性和初至到时拾取的准确性,分析对比了 5种震源定位算法,选用基于走时理论的线性震源定位算法进行仿真验证。利用MATLAB模拟微震事件,分别用AIC算法和基于多特征函数的S/L-AIC算法对模拟的低信噪比爆破振动信号拾取初至到时,并根据线性震源定位算法对两种算法拾取的到时进行震源反演定位与精度分析,结果验证了基于多特征函数的S/L-AIC算法在震源定位中的可行性及拾取初至到时的准确性高。
徐震[10]（2020）在《基于深度学习的主动源P波初至自动拾取研究》文中研究表明在走时成像过程中,震相到时拾取占用了大量的人力与机时,其准确性也是地震波速结构成像的关键所在。过去的几十年中地震学家发展了各种各样的震相到时自动拾取方法,这些方法在一定程度上减少了地震数据处理的工作量,然而传统自动拾取方法都各有其局限性。近些年来,地震数据量呈指数级增长,而走时成像精细度要求越来越高,因此需要发展新的震相自动拾取技术。近些年人工智能尤其是深度学习技术在数据挖掘,图像和语音识别,目标检测等多领域都取得了引人注目的成果。深度学习在提取数据特征方面有着得天独厚的优势,地震学家也开始将其引入并应用到地震学的各项研究。基于深度学习,本文分别从波形分类和图像分割两方面提出两种主动源P波初至的自动拾取方法。首先,基于噪声和地震信号在波形上的差异,建立并训练卷积神经网络（Convolutional Neural Network,CNN）进行分类,进而根据输出为地震事件的概率进行P波初至自动拾取。利用江西景德镇实验中由可控震源车产生的地震波信号被短周期地震仪记录到的垂向道分量数据,人工拾取了7242条P波初动到时,通过数据增强生成25290条地震样本和710616条噪声样本（时窗长度均为2s）。利用这些样本,训练得到一个对地震和噪声进行自动分类的卷积神经网络。本研究将训练所得的卷积神经网络扫描连续地震记录,输出不同时间窗波形为地震信号的概率,并将概率最大处对应的时刻作为P波初动到时。测试结果显示,CNN方法对地震和噪声的检测正确率均达到了99%以上,且具有P波初至高精度的自动拾取能力（平均拾取误差:<0.10 s）。同时,与传统的短长时窗比方法（STA/LTA）相比,在对信噪比较低的记录CNN能达到更好的自动拾取效果。其次,将单炮记录作为整体图像,构建U-Net进行图像边界提取,从而实现P波初至到时的自动拾取。利用中石油东方地球物理公司提供的1450炮共炮点道集数据,使用预处理过的地震道集和初至标记图像训练U-Net。利用U-Net在图像分割方面的优势将地震道集初至前和初至后的两部分分割开,通过提取边界的方式进行初至到时拾取。本文测试了U-Net对共炮点道集的拾取误差,结果显示误差小于0.02s的样本约占总测试样本的63%。基于本文研究结果,在今后拾取主动源P波初至时,可以根据不同观测系统借鉴这两种方法,从而更加准确高效地进行P波初至到时的自动拾取。
二、利用小波变换提高地震波初至拾取的精确度（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、利用小波变换提高地震波初至拾取的精确度（论文提纲范文）
（1）低信噪比下地震初至波智能拾取方法的研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 名词解释 |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 初至拾取方法研究现状 |
| 1.2.1 初至拾取国内外研究现状 |
| 1.2.2 异常初至检测与校正研究现状 |
| 1.3 论文研究目标和内容 |
| 1.3.1 研究目标 |
| 1.3.2 研究内容 |
| 1.4 论文章节安排 |
| 1.5 本章小结 |
| 第二章 初至拾取与神经网络算法相关理论 |
| 2.1 能量比算法 |
| 2.2 神经网络算法相关理论 |
| 2.2.1 卷积神经网络 |
| 2.2.2 语义分割网络 |
| 2.3 本章小结 |
| 第三章 基于CN-Fit算法的异常初至检测 |
| 3.1 方法概述 |
| 3.2 数据集制作 |
| 3.3 基于CN的 CPFB检测 |
| 3.4 基于Fitting的 DCPFB检测 |
| 3.5 综合实验对比 |
| 3.6 本章小结 |
| 第四章 基于ED-Light的异常初至校正 |
| 4.1 方法概述 |
| 4.2 基于ED-Light的异常初至校正 |
| 4.2.1 数据集制作 |
| 4.2.2 多尺度特征融合 |
| 4.2.3 数据增强(Data Augmentation,DA) |
| 4.2.4 后处理 |
| 4.3 综合实验对比 |
| 4.4 本章小结 |
| 第五章 总结与展望 |
| 5.1 本文总结 |
| 5.2 研究展望 |
| 参考文献 |
| 在学期间的研究成果 |
| 致谢 |
（2）基于智能手机惯性传感器采样的环境异常震动检测方法（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 地震预警及加速度传感器在地震预警中的应用研究现状 |
| 1.2.2 基于智能手机传感器的特征识别分类研究现状 |
| 1.2.3 P波震相自动识别方法研究现状 |
| 1.3 本文的主要研究内容和章节安排 |
| 第二章 智能手机惯性传感器采样的样本采集与预处理 |
| 2.1 引言 |
| 2.2 加速度传感器采样特征 |
| 2.3 坐标系转换 |
| 2.3.1 地理坐标系与手机坐标系 |
| 2.3.2 基于四元数法的坐标系转换 |
| 2.4 加速度传感器系统误差校正 |
| 2.4.1 误差来源 |
| 2.4.2 误差模型构建 |
| 2.4.3 校正结果检验 |
| 2.5 样本采集及数据预处理 |
| 2.5.1 样本采集 |
| 2.5.2 采样信号去噪 |
| 2.5.3 特征提取 |
| 2.6 本章小结 |
| 第三章 基于SVM的智能手机异常震动事件识别方法 |
| 3.1 引言 |
| 3.2 异常震动事件分类算法选择 |
| 3.2.1 支持向量机(SVM) |
| 3.2.2 K最近邻算法(KNN) |
| 3.2.3 决策树(DT) |
| 3.2.4 三种分类算法的实验对比 |
| 3.3 基于SVM的智能手机异常震动事件识别方法 |
| 3.3.1 SVM识别模型的构建 |
| 3.3.2 核函数以及相关参数的选取 |
| 3.4 实验结果与分析 |
| 3.5 本章小结 |
| 第四章 智能手机惯性传感器异常震动检测的精确P波到时捡拾方法 |
| 4.1 引言 |
| 4.2 长短时窗均值比法(STA/LTA法) |
| 4.2.1 STA/LTA法基本原理 |
| 4.2.2 STA/LTA方法的应用 |
| 4.3 赤池信息量准则法(AIC法) |
| 4.3.1 AIC法基本原理 |
| 4.3.2 AIC方法的应用 |
| 4.4 STA/LTA-AIC方法的应用 |
| 4.5 基于小波包分解的STA/LTA-AIC改进方法 |
| 4.5.1 小波包分解的基本原理 |
| 4.5.2 基于小波包分解的STA/LTA-AIC改进方法的应用 |
| 4.6 实验对比 |
| 4.6.1 STA/LTA-AIC方法改进前后实验对比 |
| 4.6.2 数据处理前后实验对比 |
| 4.6.3 几种方法的捡拾结果对比 |
| 4.7 本章小结 |
| 第五章 总结与展望 |
| 5.1 主要贡献总结 |
| 5.2 未来工作展望 |
| 参考文献 |
| 个人简历 |
| 致谢 |
（3）矿山光纤微震信号自动识别与定位技术研究与应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 光纤微震监测技术研究现状 |
| 1.2.2 初至波到时自动拾取技术研究现状 |
| 1.2.3 震源定位技术研究现状 |
| 1.3 论文主要研究内容 |
| 1.4 论文结构安排 |
| 第2章 初至波到时自动拾取方法研究 |
| 2.1 初至波拾取常用方法 |
| 2.1.1 时域分析法 |
| 2.1.2 频域分析法 |
| 2.1.3 时频分析法 |
| 2.1.4 模式识别法 |
| 2.2 随机森林算法 |
| 2.2.1 决策树简介 |
| 2.2.2 决策树属性选择 |
| 2.2.3 随机森林构建过程 |
| 2.2.4 随机森林算法评价 |
| 2.3 基于随机森林的初至波到时自动拾取方法 |
| 2.3.1 初至波到时拾取模型构建 |
| 2.3.2 实验数据与设计 |
| 2.3.3 实验设置 |
| 2.3.4 实验结果与分析 |
| 2.4 本章小结 |
| 第3章 震源定位方法研究 |
| 3.1 震源定位原理 |
| 3.2 震源定位常用方法 |
| 3.2.1 Geiger定位法 |
| 3.2.2 粒子群定位算法 |
| 3.2.3 牛顿迭代法 |
| 3.3 基于粒子群与牛顿迭代的震源定位法 |
| 3.3.1 算法原理 |
| 3.3.2 算法流程 |
| 3.4 震源定位实验 |
| 3.4.1 算法验证 |
| 3.4.2 定位结果及分析 |
| 3.5 本章小结 |
| 第4章 基于Web的微震事件信息管理系统 |
| 4.1 开发技术选型 |
| 4.1.1 Spring Boot简介 |
| 4.1.2 My Batis Plus简介 |
| 4.1.3 Tomcat简介 |
| 4.1.4 j Query Ajax简介 |
| 4.1.5 SVG简介 |
| 4.1.6 SQL Server数据库简介 |
| 4.2 系统设计需求 |
| 4.2.1 设计目标 |
| 4.2.2 系统功能需求分析 |
| 4.2.3 系统非功能性需求分析 |
| 4.3 系统设计概要 |
| 4.3.1 系统总体架构设计 |
| 4.3.2 系统技术架构分析 |
| 4.3.3 系统功能架构设计 |
| 4.4 系统实现与测试 |
| 4.4.1 系统开发与测试环境 |
| 4.4.2 系统各功能模块实现 |
| 4.4.3 系统功能测试 |
| 4.4.4 系统非功能测试 |
| 4.5 本章小结 |
| 第5章 矿山震源实时监测与定位系统应用 |
| 5.1 应用背景 |
| 5.2 选址与监测点设置 |
| 5.2.1 传感器布置 |
| 5.2.2 传感器安装 |
| 5.3 方案设计 |
| 5.3.1 系统组成 |
| 5.3.2 技术指标 |
| 5.4 微震监测数据分析 |
| 5.5 本章小结 |
| 第6章 结论与展望 |
| 6.1 结论 |
| 6.2 研究展望 |
| 参考文献 |
| 致谢 |
| 在学期间主要科研成果 |
| 一、发表学术论文 |
| 二、发表专利 |
| 三、参与的科研项目 |
（4）基于卷积神经网络的地震波初至到时拾取研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究目的与意义 |
| 1.2 国内外研究现状 |
| 1.3 研究内容 |
| 1.4 本文组织结构 |
| 第2章 地震震相识别的方法 |
| 2.1 地震震相识别的传统方法 |
| 2.1.1 长短时窗比 |
| 2.1.2 赤池信息准则 |
| 2.1.3 模板匹配 |
| 2.2 地震震相识别的深度学习方法 |
| 2.2.1 震相识别的方法流程 |
| 2.2.2 浅层神经网络 |
| 2.2.3 卷积神经网络 |
| 2.2.4 循环神经网络 |
| 2.2.5 其他方法 |
| 2.3 本章小结 |
| 第3章 数据及实验环境介绍 |
| 3.1 数据介绍 |
| 3.1.1 2020 微软“创新杯”中国赛区地震主题竞赛数据 |
| 3.1.2 山西台站地震数据 |
| 3.2 数据预处理 |
| 3.3 实验环境介绍 |
| 3.4 本章小结 |
| 第4章 基于改进U-NET模型的地震波初至到时拾取研究 |
| 4.1 R-UNET模型 |
| 4.1.1 U-Net模型原理 |
| 4.1.2 Residual Unit原理 |
| 4.1.3 R-Unet模型构建 |
| 4.2 实验结果分析 |
| 4.2.1 评价标准 |
| 4.2.2 实验参数设置 |
| 4.2.3 实验训练结果 |
| 4.2.4 对比实验分析 |
| 4.3 本章小结 |
| 第5章 基于UNETPP模型的地震波初至到时拾取研究 |
| 5.1 UNETPP模型 |
| 5.1.1 UNet++模型原理 |
| 5.1.2 Unet PP模型建立 |
| 5.2 实验结果分析 |
| 5.2.1 实验参数设置 |
| 5.2.2 实验训练结果 |
| 5.2.3 对比实验分析 |
| 5.3 本章小结 |
| 第6章 模型应用 |
| 6.1 山西台站地震数据应用 |
| 6.2 误差分析 |
| 6.3 本章小结 |
| 第7章 结论与展望 |
| 7.1 结论 |
| 7.2 展望 |
| 参考文献 |
| 攻读学位期间取得的科研成果 |
| 致谢 |
（5）煤矿复杂噪声背景下微震信号降噪与初至拾取方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 选题背景及研究意义 |
| 1.1.1 选题背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 微震监测系统组成及原理 |
| 1.2.2 微震信号降噪方法研究现状 |
| 1.2.3 微震信号P波初至拾取方法研究现状 |
| 1.3 本课题主要研究内容及技术路线 |
| 1.3.1 主要内容 |
| 1.3.2 技术路线图 |
| 1.4 论文各章节安排 |
| 1.5 本章小结 |
| 第2章 微震信号降噪算法研究 |
| 2.1 煤矿复杂噪声分析 |
| 2.2 SVD算法 |
| 2.2.1 SVD算法定义 |
| 2.2.2 SVD算法降噪原理 |
| 2.2.3 Hankel矩阵的SVD性质 |
| 2.3 EMD算法 |
| 2.3.1 EMD算法降噪原理 |
| 2.3.2 EMD算法主要性质 |
| 2.3.3 EMD算法存在的问题 |
| 2.4 EEMD算法原理 |
| 2.5 NAEEMD与频域约束SVD算法 |
| 2.5.1 NAEEMD算法原理 |
| 2.5.2 NAEEMD与频域约束SVD算法流程 |
| 2.6 仿真实验分析 |
| 2.6.1 降噪效果评价指标 |
| 2.6.2 仿真实验与分析 |
| 2.7 本章小结 |
| 第3章 微震信号P波初至拾取方法研究 |
| 3.1 常用初至拾取方法 |
| 3.1.1 STA/LTA法 |
| 3.1.2 AIC法 |
| 3.2 改进的STA/LTA法与AIC法联合初至拾取方法 |
| 3.2.1 改进的STA/LTA法算法 |
| 3.2.2 改进的STA/LTA法与AIC法联合初至拾取方法 |
| 3.3 实验与分析 |
| 3.3.1 改进的STA/LTA法与AIC法联合初至拾取仿真实验分析 |
| 3.3.2 煤矿复杂环境下微震信号初至拾取实验 |
| 3.4 本章小结 |
| 第4章 微震信号采集与处理系统 |
| 4.1 系统总体方案设计 |
| 4.2 系统硬件设计 |
| 4.2.1 STM32F1 主控芯片模块 |
| 4.2.2 信号调理模块 |
| 4.2.3 RS485 通讯模块 |
| 4.2.4 电源模块 |
| 4.3 系统软件设计 |
| 4.3.1 主程序 |
| 4.3.2 通讯程序 |
| 4.3.3 人机交互软件设计 |
| 4.4 微震信号采集与处理系统测试 |
| 4.4.1 系统总体运行效果 |
| 4.4.2 系统降噪及初至拾取效果 |
| 4.5 本章小结 |
| 总结 |
| 参考文献 |
| 攻读硕士学位期间发表的论文和科研成果 |
| 致谢 |
| 作者简介 |
（6）主动震源探测岩石微破裂信号识别与定位研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 选题背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 微地震信号分解研究 |
| 1.2.2 微地震信号识别算法研究 |
| 1.2.3 微地震事件震源定位技术研究 |
| 1.2.4 主动震源技术研究 |
| 1.2.5 课题研究发展趋势 |
| 1.3 研究内容 |
| 1.4 论文组织结构 |
| 1.5 本章小结 |
| 2 微地震信号识别方法与定位原理研究 |
| 2.1 微地震信号数据特征 |
| 2.2 微地震信号分解理论研究 |
| 2.2.1 微地震信号去噪理论 |
| 2.2.2 微地震信号分解理论 |
| 2.3 微地震信号识别理论与算法研究 |
| 2.3.1 微地震信号识别原理研究 |
| 2.3.2 微地震信号识别算法研究 |
| 2.4 微地震事件定位原理与方法研究 |
| 2.4.1 微地震信号定位原理研究 |
| 2.4.2 微地震信号定位算法研究 |
| 2.5 主动震源技术理论研究 |
| 2.5.1 人工主动震源理论原理 |
| 2.5.2 人工主动震源探测岩石微破裂技术 |
| 2.6 本章小结 |
| 3 微地震信号分解算法研究 |
| 3.1 微地震信号时频分析算法综述 |
| 3.1.1 时频分析方法基础——傅里叶变换 |
| 3.1.2 快速傅里叶与连续窗口傅里叶变换 |
| 3.1.3 小波变换 |
| 3.1.4 S变换 |
| 3.1.5 经验模态分解(EMD) |
| 3.2 基于小波变换的分解算法 |
| 3.2.1 小波变换算法的原理研究 |
| 3.2.2 模拟数据分解结果分析 |
| 3.2.3 实测数据分解结果分析 |
| 3.3 经验模态分解(EMD)算法 |
| 3.3.1 EMD算法原理与流程 |
| 3.3.2 模拟数据分解结果分析 |
| 3.3.3 实测数据分解结果分析 |
| 3.4 奇异值经验模态分解(SVEMD)算法 |
| 3.4.1 奇异值经验模态分解(SVEMD)原理和流程 |
| 3.4.2 模拟数据分解结果分析 |
| 3.4.3 实测数据分解去噪结果分析 |
| 3.5 分解算法对比讨论结果 |
| 3.6 本章小结 |
| 4 微地震与主动震源信号识别算法研究 |
| 4.1 传统微地震信号识别算法——时窗能量比法 |
| 4.1.1 时窗能量比法原理 |
| 4.1.2 微地震信号识别结果分析 |
| 4.2 支持向量机(SVM)算法 |
| 4.2.1 支持向量机算法的原理和流程 |
| 4.2.2 微地震信号识别结果分析 |
| 4.3 卷积神经网络(CNN)的识别算法 |
| 4.3.1 卷积神经网络算法的原理 |
| 4.3.2 微地震信号数据集建立 |
| 4.3.3 卷积神经网络建立 |
| 4.3.4 微地震信号识别结果分析 |
| 4.4 深度迁移卷积神经网络(DCNN-Inception)的识别算法 |
| 4.4.1 迁移卷积神经网络的原理与结构 |
| 4.4.2 建立迁移卷积神经网络 |
| 4.4.3 实测微地震信号识别结果分析 |
| 4.5 卷积神经网络微地震识别算法对比 |
| 4.6 本章小结 |
| 5 主动震源探测岩石破裂定位研究 |
| 5.1 主动震源探测岩石破裂定位方法 |
| 5.1.1 主动震源技术定位算法原理 |
| 5.1.2 基于主动震源技术优化到时差算法 |
| 5.1.3 与双差定位方法的对比 |
| 5.2 主动震源探测岩石破裂定位算法正演模拟 |
| 5.2.1 验证的目的和方法 |
| 5.2.2 建立均匀速度的岩石破裂模型 |
| 5.2.3 建立非均匀速度的岩石破裂模型 |
| 5.3 本章小结 |
| 6 实验室与野外测试 |
| 6.1 实验室室内实验验证 |
| 6.1.1 室内实验布置 |
| 6.1.2 实验验证过程 |
| 6.1.3 实验室验证结果与分析 |
| 6.2 白鹤滩水电站尾水洞1#野外测试 |
| 6.2.1 野外监测现场条件概况 |
| 6.2.2 实验室验证结果与分析 |
| 6.2.3 野外实验验证结果与分析 |
| 6.3 本章小结 |
| 7 总结与展望 |
| 7.1 工作总结 |
| 7.2 研究展望 |
| 致谢 |
| 参考文献 |
| 攻读博士学位期间取得的研究成果 |
（7）基于小波分析的地震走时反演成像方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 论文选题的背景及研究意义 |
| 1.2 国内外地震反演成像方法的发展研究现状 |
| 1.3 本文研究内容与组织结构 |
| 第二章 论文相关背景技术介绍 |
| 2.1 正演相关技术 |
| 2.1.1 波与介质 |
| 2.1.2 初始模型 |
| 2.1.3 正演 |
| 2.2 图像反演技术 |
| 2.3 小波变换技术 |
| 2.3.1 常见的几种小波变换 |
| 2.3.2 小波基函数与变换尺度的选择 |
| 2.3.3 阈值获取与阈值函数 |
| 2.4 本章小结 |
| 第三章 基于改进的小波变换的地震走时反演成像方法 |
| 3.1 GCV阈值选取函数 |
| 3.2 人工蜂群小波阈值算法 |
| 3.2.1 人工蜂群算法 |
| 3.2.2 搜索最佳阈值 |
| 3.3 一种改进的软硬阈值改良折衷法 |
| 3.4 改进算法流程 |
| 3.5 仿真实验 |
| 3.5.1 模拟地震数据处理 |
| 3.5.2 不同加噪方式的模拟数据处理 |
| 3.5.3 实际数据的测试分析 |
| 3.6 本章小结 |
| 第四章 不同频率下的地震走时反演成像研究 |
| 4.1 波动方程的正演计算 |
| 4.1.1 二维波场显示差分算法 |
| 4.1.2 解的稳定性 |
| 4.2 走时信息的计算方法 |
| 4.3 反演公式推导 |
| 4.4 不同频率下的走时反演测试 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 全文总结 |
| 5.2 展望 |
| 参考文献 |
| 附录1 攻读硕士学位期间申请的专利 |
| 致谢 |
（8）振动法测量岩体纵波波速（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 引言 |
| 1.2 研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 研究目的及意义 |
| 1.4 研究内容 |
| 2 基本原理及设备 |
| 2.1 引言 |
| 2.2 理论基础 |
| 2.2.1 地震波理论 |
| 2.2.2 地震波的反射和折射 |
| 2.2.3 地震波的衰减 |
| 2.3 纵波波速测试方法分析 |
| 2.3.1 地震勘探技术 |
| 2.3.2 岩体超声检测法 |
| 2.4 振动法测试原理 |
| 2.5 纵波信号时域分析 |
| 2.5.1 STA/LTA法 |
| 2.5.2 AIC法 |
| 2.5.3 能量比法 |
| 2.5.4 互相关函数法 |
| 2.6 测试设备及工程应用 |
| 2.7 本章小结 |
| 3 场地纵波波速测试分析 |
| 3.1 引言 |
| 3.2 测试场地基本条件 |
| 3.2.1 场地基本情况简介 |
| 3.2.2 场地基本资料 |
| 3.3 振动法测试方案 |
| 3.3.1 振动法测试设备 |
| 3.3.2 仪器和测点布置 |
| 3.3.3 测试流程 |
| 3.4 测试成果与数据分析 |
| 3.4.1 时距曲线对比分析 |
| 3.4.2 小波变换阈值去噪 |
| 3.4.3 信号相关性分析 |
| 3.4.4 纵波波速计算 |
| 3.5 本章小结 |
| 4 波速对比测试及分析 |
| 4.1 引言 |
| 4.2 岩体超声检测技术 |
| 4.2.1 测试设备及过程 |
| 4.3 数值计算 |
| 4.3.1 ABAQUS数值模拟 |
| 4.3.2 岩体模型建立 |
| 4.3.3 荷载及边界条件 |
| 4.3.4 网格划分 |
| 4.3.5 数值模拟结果分析 |
| 4.4 本章小结 |
| 5 岩体的完整性测试 |
| 5.1 引言 |
| 5.2 岩体完整性定性评价 |
| 5.3 岩体完整性定量评价 |
| 5.3.1 岩石试件的制备 |
| 5.3.2 岩石试件波速测试 |
| 5.3.3 岩体完整性计算 |
| 5.4 本章小结 |
| 6 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 附录 攻读学位期间的研究成果 |
（9）地下爆破振动信号降噪及初至到时拾取方法的研究（论文提纲范文）
| 摘要 |
| Abstract |
| 变量注释表 |
| 1 绪论 |
| 1.1 引言 |
| 1.2 研究背景及意义 |
| 1.3 国内外研究现状及发展趋势 |
| 1.4 本文研究内容及章节安排 |
| 2 爆破振动信号相关理论 |
| 2.1 引言 |
| 2.2 爆破振动信号与噪声 |
| 2.3 爆破振动信号降噪方法 |
| 2.4 爆破振动信号初至到时拾取方法 |
| 2.5 本章小结 |
| 3 爆破振动信号降噪处理方法研究 |
| 3.1 引言 |
| 3.2 爆破振动信号建模 |
| 3.3 参数选取评价指标 |
| 3.4 分解层数的选取 |
| 3.5 小波函数的选取 |
| 3.6 阈值和阈值函数的选取 |
| 3.7 仿真实验及分析 |
| 3.8 本章小结 |
| 4 爆破振动信号初至到时拾取算法研究 |
| 4.1 引言 |
| 4.2 STA/LTA算法和AIC算法局限性分析 |
| 4.3 基于多特征函数的S/L-AIC初至到时拾取算法 |
| 4.4 仿真实验及分析 |
| 4.5 本章小结 |
| 5 基于震源定位结果的仿真与分析 |
| 5.1 引言 |
| 5.2 震源定位算法的确定 |
| 5.3 仿真实验及分析 |
| 5.4 本章小结 |
| 6 总结与展望 |
| 6.1 本文工作总结 |
| 6.2 工作展望 |
| 参考文献 |
| 作者简历 |
| 致谢 |
| 学位论文数据集 |
（10）基于深度学习的主动源P波初至自动拾取研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 引言 |
| 1.1 研究背景与意义 |
| 1.2 传统震相自动拾取方法 |
| 1.2.1 短长时窗平均比值法(STA/LTA法) |
| 1.2.2 Akaike信息论准则法(AIC法) |
| 1.2.3 偏振分析法 |
| 1.2.4 相关法 |
| 1.2.5 时频分析法 |
| 1.3 本文主要研究内容和创新点 |
| 第二章 深度学习概述 |
| 2.1 深度学习技术发展历程 |
| 2.2 深度学习原理与方法 |
| 2.2.1 反向传播神经网络 |
| 2.2.2 反向传播算法 |
| 2.2.3 卷积神经网络 |
| 2.2.4 常用优化策略 |
| 2.3 深度学习在地震学中的应用 |
| 2.3.1 地震信号识别和拾取 |
| 2.3.2 地震数据去噪 |
| 2.3.3 地震定位 |
| 2.3.4 地震数据重构 |
| 2.3.5 地震预警 |
| 2.3.6 地震预报 |
| 第三章 深度学习拾取P波初至 |
| 3.1 卷积神经网络拾取P波初至 |
| 3.1.1 数据来源与预处理 |
| 3.1.2 卷积神经网络的建立和训练 |
| 3.1.3 卷积神经网络信号识别 |
| 3.1.4 卷积神经网络P波初至拾取 |
| 3.2 U-Net拾取P波初至 |
| 3.2.1 数据预处理 |
| 3.2.2 U-Net的建立和训练 |
| 3.2.3 U-Net的测试 |
| 第四章 不同因素对拾取P波初至的影响 |
| 4.1 样本比例对结果的影响 |
| 4.2 网络结构对结果的影响 |
| 第五章 结论与认识 |
| 致谢 |
| 攻读硕士学位期间发表论文情况 |
| 参考文献(References) |
四、利用小波变换提高地震波初至拾取的精确度（论文参考文献）
- [1]低信噪比下地震初至波智能拾取方法的研究[D]. 吴娜. 北方工业大学, 2021(01)
- [2]基于智能手机惯性传感器采样的环境异常震动检测方法[D]. 朱玉琴. 华东交通大学, 2021(01)
- [3]矿山光纤微震信号自动识别与定位技术研究与应用[D]. 高煜. 齐鲁工业大学, 2021(10)
- [4]基于卷积神经网络的地震波初至到时拾取研究[D]. 姚梦柔. 太原理工大学, 2021(02)
- [5]煤矿复杂噪声背景下微震信号降噪与初至拾取方法研究[D]. 张冲冲. 河北工程大学, 2021
- [6]主动震源探测岩石微破裂信号识别与定位研究[D]. 彭桂力. 西南科技大学, 2021(01)
- [7]基于小波分析的地震走时反演成像方法研究[D]. 贾向阳. 南京邮电大学, 2020(03)
- [8]振动法测量岩体纵波波速[D]. 张一林. 烟台大学, 2020(01)
- [9]地下爆破振动信号降噪及初至到时拾取方法的研究[D]. 冯叶磊. 山东科技大学, 2020(06)
- [10]基于深度学习的主动源P波初至自动拾取研究[D]. 徐震. 南京大学, 2020