Wyniki wyszukiwania - BazTech

Ograniczanie wyników

2 Leśniak A.

Znaleziono wyników: 2

Liczba wyników na stronie

Wyniki wyszukiwania

Wyszukiwano:
w słowach kluczowych: multiplets

Sortuj według:

Ogranicz wyniki do:

Identyfikacja sejsmicznych zjawisk podobnych rejestrowanych w kopalniach podziemnych

Leśniak A.

Przegląd Górniczy

2014

T. 70, nr 3

34--40

W opisanej pracy przedstawiono metodę służącą do automatycznego grupowania zjawisk sejsmicznych na podstawie sygnałów zarejestrowanych siecią czujników w kopalniach podziemnych. Algorytm wyznaczania klastrów złożonych z sygnałów podobnych bazuje na parametrach obliczanych z uproszczonej obwiedni zarejestrowanego sygnału. W pracy opisano implementację oraz przykładowe wyniki działania algorytmu dla sygnałów zarejestrowanych siecią sejsmiczną w kopalni miedzi „Rudna". Zauważono, że wyniki klasteryzacji są w dużym stopniu zależne od liczby kanałów rejestracyjnych aparatury sejsmicznej używanych do grupowania oraz wielkości progów wykorzystywanych do grupowania. Pogrupowane sygnały pozwalają na wzrost dokładności lokalizacji źródeł emisji i śledzenia wzrostu pojedynczych szczelin prowadzących do wystąpienia silnych wstrząsów.

This paper presents the method of automated clustering of seismic events recorded by use of seismic network in underground mines. The proposed algorithm uses clusters of similar events (so called multiplets). The degree of similarity between signals is established by use of parameters evaluated from the simplified envelopes of the recorded events. The paper presents a detailed description of the algorithm as well as the example of clustering for signals recorded in "Rudna" copper mine. The analysis shows that the results largely depend on the number of channels of recording equipment used for cluster evaluation, as well as thresholds used during the single link algorithm. The evaluated multiplets allow to significantly increase the accuracy of source location of similar events and the rise in of effectiveness of seismic hazard evaluation.

Grupowanie zjawisk podobnych w sejsmologii inżynierskiej

Leśniak A.

Geoinformatica Polonica

2000

T. 2

25-36

Naturalna emisja sejsmiczna na duże znaczenie w analizie dynamicznych zmian systemu spękań w górotworze. Poprawna lokalizacja źródeł sejsmicznych jest jednym z najbardziej istotnych czynników tej analizy. Spośród sposobów pozwalających na wzrost dokładności lokalizacji źródeł emisji duże nadzieje wiąże się ze względną lokalizacją źródeł tzw. multipletów. Multipletem nazywamy grupę zarejestrowanych zjawisk o bardzo podobnym kształcie sygnału. Jak pokazały wcześniejsze badania, wspomniana metoda przyczynia się w sposób istotny do wzrostu dokładności lokalizacji źródeł emisji. Niebagatelne znaczenie dla tej metody ma opracowanie efektywnego i niezawodnego sposobu wydzielania multipletów z dużych populacji sygnałów. W pracy został przedstawiony algorytm wydzielania grup zjawisk sejsmicznych o wzajemnie podobnych obwiedniach sygnałów. Algorytm ten opiera się na grupowaniu minimalno odległościowym względem szeregu cech określonych na bazie obwiedni sygnału. W pracy zamieszczono ponadto przykłady bazujące na danych polowych, obrazujące efektywność zaproponowanej metody grupowania i wzrost dokładności lokalizacji źródeł.

Natural seismic emission is essential for study the dynamic behaviour of subsurface fractures. Correct location of seismic sources is a most important factor in the precise characterisation of the subsurface crack system. One ofthe most promising techniques to increase the source location precision is a relative source location of multiplets. A multiplet is a group of seismic events with very similar waveforms. This method has been reported to improve remarkably the accuracy of subsurface mapping. An effective and reliable method of picking the multiplets from large data sets is a problem of great importance. The algorithm that categorises the seismic events into clusters with similar envelopes within each cluster is presented in the paper. In order to cluster events the algorithm uses features evaluated from their envelopes. The clustering method is based on a nearest neighbour classification method. The results of performance tests on field data using clustering algorithm are also presented.