基于MS-ICC的混凝土大坝微破裂信号的去噪和初至拾取算法

本发明涉及混凝土大坝内部微破裂与损伤机理研究，特别是基于ms-icc的混凝土大坝微破裂信号的去噪和初至拾取算法。

背景技术：

1、混凝土大坝是水资源管理和发电等领域的重要基础设施。然而，由于长期受到多种内外力的作用，如地震、水压力、地质构造等，混凝土大坝的损伤或破裂可能导致严重的灾难，包括洪水、生命财产损失以及环境破坏。因此，了解混凝土坝的微破裂活动和损伤机理对于保障人们的生活和财产安全至关重要。为了确保混凝土大坝的安全运行，迫切需要深入研究混凝土大坝内部微破裂与损伤机理。

2、然而，传统的方法存在局限性，即无法确定渗漏通道在混凝土大坝内部的分布情况。因此，基于微破裂智能监测的研究成为了一种创新的解决方案。微破裂监测技术可被应用于监测混凝土大坝内部微小破裂事件的发生和演化。通过分析这些微小破裂事件的时空分布、能量释放特征以及波形数据，可以推断混凝土大坝内部的变化和可能的破裂与损伤机理，从而更好地对混凝土大坝的微破裂位置进行定位，更高效准确地预防潜在危险。

3、但是微破裂信号的初至拾取一直面临着两大挑战，即小样本问题和信噪比低问题，这影响了拾取的效率和准确性。

技术实现思路

1、本发明的目的在于克服上述不足，提供一种基于ms-icc的混凝土大坝微破裂信号的去噪和初至拾取算法，以解决背景技术中提出的问题。

2、为解决上述技术问题，本发明所采用的技术方案是：

3、一种基于ms-icc的混凝土大坝微破裂信号的去噪和初至拾取算法，它包括如下步骤：

4、步骤一：将少量有标签数据和大量无标签数据作为样本集s输入到freematch网络中，利用freematch进行半监督训练，得到大量有标签数据s；

5、步骤二：将有标签数据s输入到模型中，利用blind2unblind进行去噪处理，得到已去噪的标签数据集x；

6、步骤三：将已去噪的标签数据集x转换为训练样本集和测试样本集，把训练样本集输入到lite-mono模型中，得到训练好的模型；

7、步骤四：将待初至拾取的微震信号数据输入到已训练好的模型中，得到初至拾取信号。

8、进一步地，所述步骤一中，标签数据x表示为：

9、x＝f(s)

10、上式中，f(·)为freematch模型；

11、freematch根据模型的学习状态以自适应方式调整置信度阈值，其中自适应阈值可以分为自适应局部阈值和自适应全局阈值；首先估计全局阈值作为模型置信度的ema(指数移动平均)，然后，通过估计模型中每个类别概率的ema的局部特定类别阈值来调整全局阈值；训练开始时，阈值较小，未标记数据利用率较高，伪标签多元化；随着训练的进行，阈值会自适应增加，过滤一些不正确的样本，减小模型偏差；

12、自适应全局阈值与未标记数据的置信度相关，反映整体学习状态，自适应全局阈值定义如下：

13、

14、上式中c表示类的数量，α∈(0,1)是ema的动量衰减，t表示第t个时间步长，μb是未标记样本数，qb是置信度；

15、自适应局部阈值以特定于类的方式调节全局阈值，计算对每个类别c的预测的期望，估计特定于类别的学习状态；自适应局部阈值定义如下：

16、

17、上式中c表示类别，α∈(0,1)是ema的动量衰减，qb(c)表示第c类的置信度；

18、结合自适应局部阈值和全局阈值，得到最终的自适应阈值τt(c)为：

19、

20、上式中maxnorm表示最大归一化。

21、进一步地，所述步骤二中，相关计算公式如下：

22、x＝x+n

23、x＝f(x)

24、上式中，n为噪声，f(·)为blind2unblind模型；

25、采用blind2unblind对样本进行去噪的过程如下：

26、首先，原始数据使用global maskerω操作，ω将样本分为2*2的小块，分别同时对每个小块的四个位置进行掩码操作，得到4组含有盲点的数据，输入到去噪网络中，得到4组去噪结果；然后，经过global mask mapper h操作，将4组数据中去噪前盲点所在位置的数据，其相对位置不发生变化，提取出一组完整数据，即所有盲点的去噪结果；另外，原始数据同时也输入到去噪网络中，得到去噪结果；最后，盲点的去噪结果和原始数据的去噪结果进行加权求和，得到最终的去噪结果。

27、进一步地，所述步骤三中，lite-mono是一种轻量级的架构，同时利用了cnn和transformer，采用连续扩张卷积(cdc)来捕获更大感受野的多尺度局部特征；另外，lgfi模块利用transformer获取全局特征，优化特征提取能力，并且使用交叉协方差注意力，降低计算成本。

28、进一步地，cdc模块具体工作流程为：

29、首先，输入特征经过一个3×3的深度扩张卷积，dilation表示膨胀率，通过使用扩张卷积，可以保持输出特征图的大小固定，同时拥有更大的感受野；然后，经过一个批量归一化层，逐点卷积，gelu激活函数，再通过一个逐点卷积；最后，一个跳层连接得到最终得输出特征；cdc输出如下公式：

30、

31、上式中，x表示输入特征，linearg表示逐点卷积和gelu激活函数，linear表示逐点卷积，bn表示批量归一化，ddwconvr(·)表示膨胀率为r的3×3深度扩张卷积。

32、进一步地，lgfi模块采用交叉协方差注意力，增强输入特征x，捕获全局特征；交叉协方差注意力定义如下公式：

33、

34、attention(q,k,v)＝v·softmax(qt·k)

35、

36、上式中，ln表示层归一化；

37、lgfi模块中输入特征经过交叉协方差注意力后，通过一个层归一化层，逐点卷积，gelu激活函数后，再通过一个逐点卷积，最后经历跳层连接得到输出特征。

38、本发明有益效果：本发明采用联合freematch、blind2unblind和lite-mono的ms-icc方法来完成对微破裂信号的初至拾取工作；通过半监督freematch方法完成对无标签数据的打标签工作，得到大量免费且可靠的伪标签；利用blind2unblind方法完成对样本数据的去噪处理，获得干净的样本数据；lite-mono采用cdc和lgfi结构，cdc模块使用不同膨胀率的扩张卷积，扩大感受野并捕获多尺度局部特征，且不会增加计算量。lgfi模块采用交叉协方差注意力学习全局特征，降低了复杂度，减少了全局信息的计算量；本发明可以在小样本的情境下，获取伪标签并进行去噪处理，更高效精准的完成初至拾取，将极大提高微破裂监测的初至拾取工作。

技术特征：

1.一种基于ms-icc的混凝土大坝微破裂信号的去噪和初至拾取算法，其特征在于：它包括如下步骤：

2.根据权利要求1所述的基于ms-icc的混凝土大坝微破裂信号的去噪和初至拾取算法，其特征在于：所述步骤一中，标签数据x表示为：

3.根据权利要求1所述的基于ms-icc的混凝土大坝微破裂信号的去噪和初至拾取算法，其特征在于：所述步骤二中，相关计算公式如下：

4.根据权利要求1所述的基于ms-icc的混凝土大坝微破裂信号的去噪和初至拾取算法，其特征在于：所述步骤三中，lite-mono是一种轻量级的架构，同时利用了cnn和transformer，采用连续扩张卷积(cdc)来捕获更大感受野的多尺度局部特征；另外，lgfi模块利用transformer获取全局特征，优化特征提取能力，并且使用交叉协方差注意力，降低计算成本。

5.根据权利要求4所述的基于ms-icc的混凝土大坝微破裂信号的去噪和初至拾取算法，其特征在于：cdc模块具体工作流程为：

6.根据权利要求4所述的基于ms-icc的混凝土大坝微破裂信号的去噪和初至拾取算法，其特征在于：

技术总结
本发明公开一种基于MS‑ICC的混凝土大坝微破裂信号的去噪和初至拾取算法，包括：步骤一：将少量有标签数据和大量无标签数据作为样本集s输入到FreeMatch网络中，利用FreeMatch进行半监督训练，得到大量有标签数据S；步骤二：将有标签数据S输入到模型中，利用Blind2UnBlind进行去噪处理，得到已去噪的标签数据集X；步骤三：将已去噪的标签数据集X转换为训练样本集和测试样本集，把训练样本集输入到Lite‑Mono模型中，得到训练好的模型；步骤四：将待初至拾取的微震信号数据输入到已训练好的模型中，得到初至拾取信号；本发明可以在小样本的情境下，获取伪标签并进行去噪处理，更高效精准的完成初至拾取，将极大提高微破裂监测的初至拾取工作。

技术研发人员：盛冠群,张柱卡,谈云志,马凯,明华军,吴军,周彬,孟荣华,汤婧
受保护的技术使用者：三峡大学
技术研发日：
技术公布日：2024/3/31