买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉东北石油大学申请的专利一种基于卷积神经网络的微地震震源定位方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN117075191B 。

龙图腾网通过国家知识产权局官网在2026-04-28发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202310864206.8，技术领域涉及：G01V1/28；该发明授权一种基于卷积神经网络的微地震震源定位方法是由张岩;崔淋淇;魏子心;张一鸣;张弛;孟德聪设计研发完成，并于2023-07-14向国家知识产权局提交的专利申请。

本一种基于卷积神经网络的微地震震源定位方法在说明书摘要公布了：本发明属于地球科学与人工智能交叉领域，具体涉及一种基于卷积神经网络的微地震震源定位方法，1、训练数据集准备；2、样本标签准备；3、网络输入与标签设定；4、深度学习网络模型G结构设定；5、损失函数设定；6、网络模型训练；7：震源定位精度测试。利用卷积神经网络强大的函数拟合关系，将求解震源位置的反演问题转化为构建由微震数据到震源位置分布概率的映射问题。以U型结构网络为骨干特征提取网络，融合注意力机制与空间空洞多尺度池化模块，加强特征提取与融合过程，减轻噪声因素干扰的同时有效利用网络的高级语义信息，有较好的鲁棒性能，对速度模型误差、噪声干扰等因素不敏感，能够以较高的计算效率提供准确的震源位置。

本发明授权一种基于卷积神经网络的微地震震源定位方法在权利要求书中公布了：1.一种基于卷积神经网络的微地震震源定位方法，其特征在于：微地震震源定位方法包括以下步骤： 步骤一、训练数据集准备 在二维微震数据中延时间方向按照一定的比例取样，采样点数为速度模型z方向网格点数，使用高斯平滑算子在原始速度模型的x方向与z方向进行平滑处理，使用平滑后的速度模型为初始速度模型生成训练数据集，使用原始速度模型生成测试数据集；在微震数据中添加等级为r的高斯噪声来模拟实际应用中微地震数据易受噪声干扰的情况，等级r为高斯噪声与地震数据的比值，得到若干受到不同程度噪声干扰的微震数据y； 步骤二：样本标签准备 标签为震源位置的概率分布图像，概率的峰值位置即为微震数据所对应的震源位置；以监测区域中的网格点数来表示监测区域的大小，每一个像素代表震源在相应网格位置上的概率值；使用高斯分布来描述震源的概率分布，震源概率分布最大值点即为震源位置，将震源位置的概率分布图像设为l； 步骤三：网络输入与标签设定 以步骤一中得到的微震波形数据y作为输入，以步骤二中的相对应的震源位置概率分布图像l作为标签，训练定位网络模型G； 步骤四：深度学习网络模型G结构设定 深度学习网络模型G以U型网络为基础架构，结合注意力机制和空间空洞金字塔池化模块，加强由微震数据至震源分布图像的映射关系；网络输入为微震数据，在编码网络中微震数据通过卷积、池化操作降低特征维度；编码网络最终输出的特征传递给空间空洞多尺度池化模块，将经过信息挖掘与复用后的特征传至解码网络，注意力模块通过特征加权的方式在上采样过程中凸显有效特征，反卷积操作使得低分辨率震源映射图谱逐层恢复至与输入数据空间尺寸相同的高分辨率震源的位置概率分布图像；网络学习到微震波形与震源位置间的映射关系，利用训练好的网络预测未参与训练过程的微震震源位置； 网络模型设定为 1、微地震有效信号特征提取主干网络 特征提取主干网络的作用为完成由微震数据至震源位置概率分布的映射，网络模型设定为n层编-解码结构，使用ReLU作为编码网络与解码网络的激活函数，并在网络各层中应用批处理归一化模块对每层的输出特征进行归一化处理，以增加训练的稳定性；在网络的最后一层中使用Sigmoid激活函数将输出范围映射至0～1之间，用来表示震源位置的分布概率； 2、微地震数据有效特征提取强化模块 为强化有效信号特征的提取效果，结合空间注意力机制对地震道中不同特征赋予不同权重；任务聚焦的过程体现在权重系数的分配上，编码部分特征图通过ReLU激活函数并归一化得到注意力权重，解码器中特征与该权重相乘后得到最终输出的激活特征，即权重代表了信息的重要性，以实现关键特征的筛选与聚焦； 3、微地震数据有效特征融合模块 使用空间空洞多尺度池化模块代替U-Net网络底层原有的桥接模块，来自编码器的特征图经过空间空洞多尺度池化模块特征提取后，提供给网络的解码器部分；将三个并行卷积层的扩张率分别为k1、k2、k3，其中，全局平均池化层用来获取全局特征信息，使用1×1大小的卷积层将所得特征进行融合并传入至解码网络中； 步骤五：损失函数设定 使用MSE损失函数来度量预测位置与真实震源位置之间的差异，损失函数表达式为： N为训练样本总数，li表示网络预测的第i个微震数据震源位置信息，表示与之对应的真实震源位置标签；损失函数越小，网络输出结果越接近于样本标签的特征，其定位精度越高； 步骤六：网络模型训练 将上述步骤一至步骤五得到的微震波形特征输入y，标签震源位置概率分布图像l输入至网络中进行训练，使用Adam优化器更新网络对损失函数进行最小化学习，当模型训练至收敛时，将训练好的网络参数保存； 步骤七：震源定位精度测试 使用原始速度模型正演建模生成微震数据，经过采样、加噪处理后得到测试数据集y′，输入至经训练调整好参数的卷积神经网络模型G中，得到震源位置概率分布图像其中概率最大值即为网络预测的震源位置。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人东北石油大学，其通讯地址为：163000 黑龙江省大庆市大庆高新技术产业开发区学府街99号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。