[发明专利]一种基于长短期记忆网络的钻孔应变数据异常检测方法

说明书

本发明属于数据为钻孔应变观测数据处理技术领域，具体地而言为一种基于长短期记忆网络的钻孔应变数据异常检测方法，将钻孔应变数据归一化处理，划分合适时间跨度的训练集与测试集，根据研究需要，确定网络的输入应变与输出应变；搭建长短期记忆网络，利用训练集数据迭代训练网络；判断每次训练得到的损失函数，直至损失收敛并基本稳定为零，网络训练完成；选择同样大小的输入与输出，通过评价指标，测试网络的性能；基于训练好的长短期记忆网络，针对任意时间段的钻孔应变数据，预测其正常状态的应变变化；计算真实应变与预测应变的差值，采用3倍标准差原则法，检测应变异常。本发明实现了钻孔应变数据异常的深度挖掘，避免了传统方法的主观性与特殊性，前兆异常检测更加可靠。

技术领域

本发明属于数据为钻孔应变观测数据处理技术领域，具体地而言为一种基于长短期记忆网络的钻孔应变数据异常检测方法。

背景技术

地震是地下岩石受到应力超过其极限而突然破裂的现象，因而以岩石层为主的地面观测与地震有直接关系。近年来，我国逐步建成覆盖全国的数字化地震台网、强震台网、前兆台网及多学科观测台阵等。其中，四分量钻孔应变仪作为地壳形变的重要观测手段，自“十五”期间建立以来，一直运行良好，在数秒至数十年的时间尺度内，连续记录着岩石层应变的变化。随着观测技术的不断发展，台站布设越来越密集，经过多年的积累，钻孔应变观测资料目前已表现出“地震大数据”的4V特征，即Volume(容量大)、Variety(种类多)、Velocity(速度快)及Value(价值密度低)特征。

国内外学者对于钻孔应变数据的地震前兆异常提取研究，一般采用传统时间序列分析等手段，如主成分分析、变分模态分解等；频率域或时频域，如小波分析等；统计方法如高阶累积量、累积分布函数等，将异常信息与背景信息分离。CN111694047B提出了一种基于多通道奇异谱的钻孔应变数据的网络拓扑结构异常检测方法，将多个台站的钻孔应变观测网络化，通过评估网络的拓扑性质，提取观测网络中与地震相关的异常。CN109031403B公开了一种基于S-K特征的钻孔应变数据异常提取方法，利用统计学中偏度和峰度的计算，分析了每一天应变差分数据与正常背景的偏移程度，实现了震前应变观测异常的有效提取。CN106918836A公开了一种基于主成分分析的钻孔应变数据异常提取方法，利用主成分分析法，通过分解后的特征值和特征向量表征地下应变的微小变化，避免了固体潮等较强的背景干扰，实现了异常的精确提取。然而，地震孕育过程的内部物理性质是极其复杂的，传统方法只是对数据孤立特征的分析，特征选择与异常定义往往受限于经验物理模型与特殊方法，缺乏客观性与一般性。

发明内容

本发明所要解决的技术问题在于提供一种基于长短期记忆网络的钻孔应变数据异常检测方法，实现了钻孔应变数据异常的深度挖掘，避免了传统方法的主观性与特殊性，前兆异常检测更加可靠。

本发明是这样实现的，

一种基于长短期记忆网络的钻孔应变数据异常检测方法，该方法包括：

1)采集钻孔应变数据并归一化处理；

2)将划分钻孔应变数据的训练集与测试集；

3)在训练集中确定输入网络和输出网络的数据格式，以规定N天的应变数据作为网络输入，其后的1天应变数据为输出，以此作为一组，每组之间滑动间隔为一天，依次进入网路，实现以N天的钻孔应变数据预测未来1天的应变；

4)采用长短期记忆网络结构，以训练集对网络进行训练，将步骤3)中的每组数据滑动进入步骤长短期记忆网络结构中迭代训练；

5)通过损失函数判断网络是否训练完成，步骤4)中的每组输入数据经长短期记忆网络都会产出输出y′_t，该输出与步骤3)中的实际输出y_t存在的差距通过损失函数判断；

6)采用测试集对训练完成的网络的性能的测试；

7)采用训练好的网络对待研究时间的钻孔应变数据进行预测；