MFU-Net:用于地震阶段采集的多尺度聚变U-Net

科学领域:

• 地震学 地震学
• 地质物理学 地质物理学
• 机器学习 机器学习

背景情况:

• 对于地震学研究来说,地震阶段采集至关重要,可以识别地震波到达时间 (P波,S波).
• 现有的地震阶段采集深度学习方法在架构设计上往往很复杂.
• 在地震学中需要更高效,更准确的深度学习模型.

研究的目的:

• 提出一个多尺度融合U-Net (MFU-Net) 架构用于地震阶段采集.
• 通过建筑改进,提高地震相位采集的准确性和效率.
• 改进对关键地震特征和少数地震波类别的识别.

主要方法:

• 通过增强传统的U-Net架构,开发了一个多规模的融合U-Net (MFU-Net).
• 在U-Net的跳过连接中集成了一个多尺度的功能融合模块,以更好地整合信息.
• 纳入了瓶层中的多头注意力机制和加权类平衡损失函数.

主要成果:

• 在两个基准数据集上,MFU-Net在两个基准数据集上显示了1.6%和1.4%的提高P波采集精度.
• 与现有方法相比,MFU-Net实现了4.1%和2.7%的S波采集精度.
• 拟议的模型与GPD,SegPhase和SEANet相比显示出更高的性能.

结论:

• MFU-Net提供了一个更直接但更有效的深度学习方法,用于地震相选.
• 建筑上的改进显著提高了识别P波和S波到达的准确性.
• MFU-Net为地震学研究提供了有价值的工具,增强了对地震波形数据的分析.