排序方式: 共有25条查询结果,搜索用时 0 毫秒
1.
气枪主动源探测实验需要获得信噪比较优的波形数据,因此实验前很有必要进行不同工况的激发实验。通过综合分析台站记录特征,寻找最优激发效果的工况条件,为后续定点激发奠定重要基础。本文在福建南一水库大容量气枪震源实验时通过单次激发分析、叠加分析、信噪比系数等方法综合研判工况激发效果,确定出最优工况,再利用台网噪声评估对得到的最优工况做进一步验证。结果表明:南一水库最优工况为:水深25m、枪阵沉放深度12 m、枪阵尺寸7 m×7 m。该最优工况激发时段未处在低噪声时刻,说明该工况的激发效果确为优越,结果较为可靠。 相似文献
2.
为了研究背景噪声对长江地学气枪主动源实验激发效果的影响,收集了240个台站激发前72小时的背景噪声数据及20个定点激发的叠加结果进行实验分析.先剔除异常台站,按照国标将台网噪声水平划分为高、中、低3个等级进行评估,从而研究气枪波形信噪比与台站背景噪声的关系.结果表明:① 台站接收能力与背景噪声水平密切相关;② 气枪信号的信噪比在一定范围内受背景噪声的影响大于距离衰减的影响;③ 长江马鞍山—安庆流域段不同定点激发的场地条件基本一致;④ 随气枪信号叠加次数的增加,低噪台站的信噪比增长速度快于中、高噪台站,若想获得同样的叠加效果,高噪台站需要的叠加次数远大于低噪台站. 相似文献
3.
4.
海底地震仪是海上观测天然地震的主要手段,仪器所记录到的噪声分为环境噪声和仪器噪声。本文利用2018年9月3日—2019年7月1日期间浯屿岛海底地震观测台所采集到的数据,对海洋环境下的强震型海底地震采集站和宽频带海底地震采集站进行仪器自噪声分析,利用两道互相关模型,采用加窗平均周期图法计算功率谱,通过1/3倍频程积分作平滑处理,得到仪器自噪声功率谱密度图。对比分析相同型号仪器的自噪声功率谱,发现相同仪器的自噪声变化趋势一致,但自噪声大小有差异,且这种差异对于不同仪器、相同仪器的不同分量也存在不同。 相似文献
5.
6.
利用福建测震台网2008年10月~2015年12月记录的每个事件至少有6个台站测算震级的3069个区域地震事件,进行单台震级与台网平均震级的偏差统计,获得了各台站的总的震级平均偏差为-0.31~0.68,并统计各台站测算震级所量取最大记录振幅相应的周期,获得优势周期为0.06~0.38s;通过Moya方法反演各测震台站的场地响应,获得98个台站对1~20Hz频带的场地响应,结果显示场地对某些频带信息有放大或抑制作用;通过比较Wood-Anderson地震仪摆固有0.8s周期所对应的场地响应、各台样本优势周期所对应场地响应的震级偏差与各台总的震级平均偏差,发现台站测算震级相应优势周期的场地响应的震级偏差与台站震级平均偏差有较好的线性关系,表明单台震级的偏差与测算震级所量取最大记录振幅相应的周期的场地响应有较大关系。 相似文献
7.
随着世界上多个国家和地区的地震预警系统投入运行,误报和漏报等问题逐渐突显,特别是将标定以及强干扰波形误识别为大震事件,快速、精确地区分地震与其他波形是一个难题。针对于此,该研究提出了基于卷积神经网络地震波形智能识别方法。首先收集并处理了2012—2017年中国境内福建以及周边邻省共683个地震和478个爆破事件,并对这些样本筛选、截取和基线校正等预处理,共得到了27 500条三通道波形。在此基础上,构建了3 s波形输入的卷积神经网络模型(SW-CNN)。结果表明:模型对地震、噪声、爆破和异常波形的识别率分别为97.9、99、99.2和99.3%。相比于人工手动分类识别,该模型更省时和更稳定,为地震预警目前所面临的问题提供了一个新的解决方法。 相似文献
8.
9.
选取我国台湾地区2012—2018年期间的浅源地震资料,将台湾气象局与福建地震台网中心测定的ML震级进行对比分析,得出两机构测定的震级之间的差异主要是受地震震级大小、震源深度、震源地理位置等因素的影响,并采用线性回归方法对两机构测定的ML之间的模型关系进行拟合。与此同时,引入反向传播神经网络技术对两机构测定震级之间的偏差进行预测训练,构建4?9?9?9?4的五层网络模型,利用2012—2017年台湾震例作为训练集进行学习训练,2018年数据作为测试集进行预测效果分析。测试结果表明,经过反向传播神经网络修正后,震级偏差较大改善,基本都控制在[?0.4,0.3]之内,预测效果优于传统的线性回归方法,特别是对多震、少震区域震例的修正效果更为显著,进一步验证了反向传播神经网络技术具有较强的非线性拟合能力和泛化能力。 相似文献
10.
本文以福建省85个测震台站2012年全年噪声资料中的垂直向记录作为研究对象,将噪声记录以每5min为单位进行分段,求出每小段的功率谱,应用概率分布函数方法绘出台站的PDF图,之后利用网格概率法确定出台站的高低噪声参照线。另外,以85个台站的PDF图为基础,将噪声异常分成缺数异常、低噪处异常、高噪处异常、中噪处异常等4类。依据4类异常的特征分别找出每一类异常的遴选方法,再将这4种挑选方法相结合形成地震噪声实时监测系统。选取福建省85个测震台站2013年7月份的噪声记录进行验证,结果表明:85个台站应用地震噪声实时监测系统识别出来的异常正确率都达到90%以上,遴选效果很好,可用于对台站噪声实时监测。 相似文献