Techno realizmus: Visszhangok a föld alatt: technikák és kihívások az akusztikus és szeizmikus emlékművek észlelésében

Visszhangok a föld alatt: technikák és kihívások az akusztikus és szeizmikus emlékművek észlelésében

(Ferenc Lengyel)

(2024. október)

http://dx.doi.org/10.13140/RG.2.2.16940.88965

Absztrakt:
Ez a könyv feltárja a geofizika, a régészet és a felfedezetlen földalatti műemlékek felderítésére szolgáló számítási módszerek metszéspontját. Az olaj- és gázkutatásban használtakhoz hasonló szeizmikus és akusztikus felmérési technikákra támaszkodva belemerülünk a földfelszín alatt eltemetett ősi struktúrák megtalálásának elméleti alapelveibe és gyakorlati kihívásaiba. A hullámterjedési fizika, a jelfeldolgozás és a fejlett algoritmusok alkalmazásával az olvasók megtanulják, hogyan használhatók fel a szeizmikus vagy akusztikus hullámadatok a nagy felszín alatti struktúrák, például sírok, templomok és paloták jelenlétének azonosítására. A tartalom úgy van felépítve, hogy mind a szakértők, mind a rajongók számára megközelíthető legyen, alapvető ismereteket kínálva a szeizmikus felmérésben és a számítási modellezésben, valamint a fejlett adatértelmezési technikák és alkalmazások felé haladva. Ez a könyv nemcsak geofizikusok és régészek számára jelent forrást, hanem a valós szeizmikus adatok feldolgozása és elemzése iránt érdeklődő programozók számára is.

Tartalomjegyzék

1. Bevezetés a felszín alatti emlékművek észlelésébe

1.1 A földalatti műemlékek jelentősége1.2 A szeizmikus és akusztikai felmérés áttekintése1.3 Alkalmazások a régészetben1.4 A modern műemlékek felderítésének kihívásai

2. A hullámterjedés alapjai és a szeizmikus elmélet

2.1 Az akusztikus és szeizmikus hullámok alapjai2.2 A hullámok típusai: testhullámok és felszíni hullámok2.3 Hullámviselkedés heterogén közegben2.4 Visszaverődés, fénytörés és diffrakció szeizmikus felmérésekben

3. Régészeti lelőhelyek felmérési technikái

3.1 Geofizikai felmérési módszerek: áttekintés3.2 Talajbehatoló radar vs. szeizmikus módszerek3.3 Műszerezés: érzékelők és adatgyűjtés3.4 Helyszíntervezés és előzetes felmérések

4. Adatgyűjtés és jelfeldolgozás

4.1 Szeizmikus adatgyűjtés: terepi technikák4.2 Jelszűrés és zajcsökkentés4.3 Idő- és frekvenciatartomány-elemzések4.4 Akusztikus és szeizmikus hullámformák értelmezése

5. A felszín alatti szerkezetek észlelésének algoritmikus megközelítései

5.1 Jellemzők kinyerése szeizmikus adatokból5.2 Gépi tanulási technikák a mintafelismeréshez5.3 Inverz modellezés és tomográfiai képalkotás5.4 Számítási kihívások és megoldások

6. Esettanulmányok a műemléki észlelésben

6.1 Ősi sírok felfedezése szeizmikus módszerekkel6.2 Rejtett kamrák keresése: piramisok tanulmányozása6.3 Templomészlelés összetett geológiákban6.4 A sikertelen felmérések tanulságai és az adatok félreértelmezése

7. Felszín alatti szerkezetek szimulációja és modellezése

7.1 Végeselemes módszerek a szeizmikus modellezésben7.2 Hullámterjedés szimulálása különböző talajokban7.3 Prediktív modellezés műemlékek felfedezéséhez7.4 Szeizmikus adatok vizualizálása és animálása

8. Szeizmikus adatok programozása és algoritmusfejlesztése

8.1 Bevezetés a szeizmikus adatformátumokba és könyvtárakba8.2 Jelfeldolgozó algoritmusok megvalósítása8.3 Python és Wolfram nyelv szeizmikus adatelemzéshez8.4 Teljesítményoptimalizálás és párhuzamos számítás

9. Fejlett technikák a szeizmikus felmérésben

9.1 Multi-Array felmérések és 3D képalkotás9.2 Fejlett jelfeldolgozás: Wavelet és Fourier transzformációs technikák9.3 Akusztikus emissziós technikák törések és üregek észleléséhez9.4 Valós idejű szeizmikus monitorozás régészeti feltárásokhoz

10. A szeizmikus régészet jövőbeli trendjei

10.1 Drónfelmérések integrálása szeizmikus adatokkal10.2 A mintafelismerés mélytanulásának fejlődése10.3 Nagy felbontású 4D szeizmikus adatok értelmezése10.4 Etikai és gyakorlati megfontolások a műemlékek felfedezésében

11. Függelékek és források

11.1 Fogalomtár a szeizmikus régészetben11.2 Nyílt forráskódú szoftverek és eszközök szeizmikus adatok elemzéséhez11.3 További irodalom: tudományos cikkek és esettanulmányok11.4 Kapcsolatfelvétel szakmai szövetségekkel és felmérési szolgáltatásokkal

1.1 A földalatti műemlékek jelentősége

A földalatti műemlékek rejtélyük és megőrzésük miatt különleges vonzerővel bírnak a régészetben és a történelemben. Ezek az építmények, például sírok, templomok, paloták és egész eltemetett városok kritikus betekintést nyújtanak a múltbeli civilizációkba és kultúrákba. Ezeknek a rejtett kincseknek a feltárása nemcsak az ősi társadalmak jobb megértésére kínál lehetőséget, hanem potenciálisan átírhatja a történelmet is. Ezeket a felfedezéseket azonban gyakran a talaj, a kőzet és néha a városfejlesztés rétegei alá temetik, ami technikai kihívást jelent az invazív ásatások nélküli észlelésükre.

A kulturális örökség megőrzése

A földalatti műemlékek keresésének egyik legnyomósabb oka a kulturális örökség megőrzése. A föld alatti környezet megvédheti a szerkezeteket és a műtárgyakat a természetes időjárástól, a vandalizmustól és a degradáció egyéb formáitól. Például a híres terrakotta hadsereg Kínában szinte tökéletesen megőrződött több mint 2000 évig, mielőtt felfedezték. Ezenkívül Tutanhamon sírja egy másik példa arra, hogy a homokrétegek alatti temetkezés hogyan védheti meg a felbecsülhetetlen értékű tárgyakat.

Ezek a műemlékek gyakran érintetlen és rendkívül informatív régészeti feljegyzéseket szolgáltatnak. Feltárják az elmúlt civilizációk építési technikáit, társadalmi hierarchiáit, vallási hiedelmeit és mindennapi életét, pillanatképet kínálva a történelemről, amely érintetlen marad, amíg fel nem fedezik és tanulmányozzák.

A technológia szerepe a régészeti felfedezésekben

A modern technológia fejlődésével a geofizikai felmérési technikák, különösen azok, amelyek szeizmikus és akusztikus módszereket alkalmaznak, forradalmasították a felszín alatti jellemzők észlelésének és feltérképezésének képességét. A hagyományos ásatásokkal ellentétben, amelyek költségesek, időigényesek és pusztítóak, ezek a technikák nem invazív módot kínálnak a felszín alatti "látásra".

Annak elemzésével, hogy a hanghullámok vagy a szeizmikus energia hogyan haladnak át a különböző földalatti anyagokon, következtetni lehet olyan anomáliák jelenlétére, amelyek olyan struktúrákat jelezhetnek, mint a falak, kamrák vagy nagy kövek. A hullámvisszaverődés és a fénytörés elvei lehetővé teszik az eltemetett tárgyak azonosítását anélkül, hogy megzavarnák őket.

Gazdasági és társadalmi előnyök

A föld alatti emlékművek felderítése nem csak tudományos tevékenység; Jelentős gazdasági és társadalmi előnyökkel is jár. A történelmi helyszínek azonosítása és feltárása fellendítheti a turizmust, hozzájárulhat a helyi gazdaságokhoz, sőt még a nemzeti büszkeséget is erősítheti. Ezenkívül a felszín alatti műemlékek észlelésére kifejlesztett technikák gyakran alkalmazhatók más területeken, például az olajkutatásban, a vízkészlet-gazdálkodásban és a mélyépítésben, szélesebb körű társadalmi hatást kínálva.

Tudományos és technológiai alapok

A földalatti műemlékek észleléséhez szilárd alapokra van szükség a geofizikában, a hullámelméletben és a számítási technikákban. A következő fejezetek mélyebben belemerülnek ezekbe az alapfogalmakba. Mielőtt azonban folytatnánk, röviden érintsünk néhány alapvető tudományos elvet, amelyek lehetővé teszik ezt a kimutatási formát.

Hullámterjedés és anomáliák

Amikor a hullámok, akár akusztikusak, akár szeizmikusak, különböző anyagokon keresztül terjednek, viselkedésük megváltozik az anyagok tulajdonságai (pl. sűrűség, rugalmasság) alapján. A homogén izotróp közegben a hullámterjedést szabályozó alapvető egyenlet a hullámegyenlet:

∇2u−1v2∂2u∂t2=0\nabla^2 u - \frac{1}{v^2} \frac{\partial^2 u}{\partial t^2} = 0∇2u−v21∂t2∂2u=0

hol:

uuu a hullámelmozdulás a tér és az idő függvényében,
vvv a hullámsebesség a közegen keresztül,
∇2\nabla^2∇2 a laplaci operátor (másodrendű térbeli derivált).

A föld alatti szerkezetek esetében az anyagtulajdonságok változásai, például a talajról a kőre vagy a levegőre való áttérés megváltoztatja a hullámsebességet és a visszaverődési mintákat. Az ilyen variációk anomáliákat generálnak az adatokban, amelyeket az algoritmusok lehetséges eltemetett struktúrákként értelmezhetnek.

Szeizmikus adatok vizualizációja

Az anomáliák megjelenítéséhez a szeizmikus adatok szeizmogramokként ábrázolhatók, amelyek a hullámamplitúdót idővel mutató grafikonok. Az alábbiakban egy egyszerű Python-kódrészlet látható a matplotlib használatával egy szintetikus szeizmogram alapvető vizualizációjának szimulálására:

piton

Kód másolása

Numpy importálása NP-ként

Matplotlib.pyplot importálása PLT-ként

# Szintetikus szeizmikus adatok generálása

idő = np.linspace(0; 10; 1000)

wave_amplitude = np.sin(2 * np.pi * idő) * np.exp(-0,2 * idő) # Csökkenő szinuszhullám

# A szeizmogram megjelenítése

plt.ábra(ábra=(10, 5))

plt.plot(idő; wave_amplitude; label='Szintetikus szeizmogram')

plt.xlabel('Idő(s)')

plt.ylabel('Amplitúdó')

plt.title('Minta szeizmogram')

plt.legend()

plt.grid(Igaz)

plt.show()

Ez az egyszerű modell bemutatja, hogyan változnak a hullámamplitúdók az idő múlásával, a lehetséges anomáliákat az amplitúdó hirtelen változásai jelzik.

Szeizmikus visszaverődés és fénytörés

A föld alatti detektálás két kulcsfontosságú jelensége a visszaverődés és a fénytörés. Amikor egy szeizmikus hullám két különböző akusztikai tulajdonságú anyag közötti határral találkozik, a hullám egy része visszaverődik a felszínre, egy része pedig az új közegen keresztül törik meg. Az RRR reflexiós együtthatót a következőképpen kell kiszámítani:

R=Z2−Z1Z2+Z1R = \frac{Z_2 - Z_1}{Z_2 + Z_1}R=Z2+Z1Z2−Z1

hol:

Z1Z_1Z1 és Z2Z_2Z2 a két anyag akusztikus impedanciája, amelyet Z=ρvZ = \rho vZ=ρv-ként definiálnak, ahol ρ\rhoρ az anyag sűrűsége, vvv pedig a hullámsebesség.

A pozitív visszaverődési együttható azonos polaritású hullámvisszaverődést jelez, míg a negatív visszaverődési együttható polaritásváltást mutat. Ez a koncepció segít a geofizikusoknak azonosítani a határokat, például a kőzet és a földalatti szerkezet közötti határfelületet.

Algoritmusok használata az emlékművek észlelésében

Az algoritmusok döntő szerepet játszanak a szeizmikus és akusztikus adatok feldolgozásában. A fejlett technikákat, például a Fourier-transzformációt és a hullámlet-transzformációt alkalmazzák a jelek lebontására és elemzésére, megkönnyítve a háttérzaj és a föld alatti struktúrákat jelző potenciális anomáliák megkülönböztetését. Például a diszkrét Fourier-transzformáció (DFT) egy x[n]x[n]x[n] időtartományjel frekvenciakomponensekké történő átalakítására szolgál:

X[k]=∑n=0N−1x[n]e−j2πkn/NX[k] = \sum_{n=0}^{N-1} x[n] e^{-j 2 \pi k n / N}X[k]=n=0∑N−1x[n]e−j2πkn/N

hol:

NNN a minták száma,
kkk a frekvenciakomponens indexe,
JJJ a képzeletbeli egység.

Ezeknek a frekvenciakomponenseknek az elemzésével a geofizikusok jobban értelmezhetik az adatokat, hogy észleljék a felszín alatti struktúrák jeleit.

Következtetés

A földalatti műemlékek ablakok a múltra, amelyek felbecsülhetetlen betekintést nyújtanak az ősi civilizációk életébe és kultúrájába. A nem invazív technológiák, például a szeizmikus és akusztikus felmérés használata lehetővé teszi a kutatók számára, hogy költséges vagy romboló ásatások nélkül azonosítsák és tanulmányozzák ezeket a szerkezeteket. A fejlett algoritmusok és vizualizációs technikák segítségével ezek a technológiák gyorsan válnak a régészeti felfedezések nélkülözhetetlen eszközévé. Ahogy ez a könyv kibontakozik, az olvasó megismerkedik ezeknek az erőteljes módszereknek a technikai alapjaival, gyakorlati alkalmazásaival és jövőbeli lehetőségeivel a rejtett történelmek feltárására irányuló törekvés során.

Mélyedjünk el mélyebben a földalatti műemlékek jelentőségének néhány kritikus aspektusában, különös tekintettel kulturális, tudományos és technológiai értékükre, valamint a felderítésükre és megőrzésükre használt technikákra.

Kulturális és történelmi jelentőség

A társadalmi narratívák megőrzése
A földalatti műemlékek, például az ősi sírok, a városi maradványok és a temetkezési kamrák időkapszulákként szolgálnak, amelyek megőrzik a múlt társadalmi narratíváit. Ezek az emlékművek feltárják a társadalmak kulturális, politikai és társadalmi aspektusait, amelyek több ezer évvel ezelőtt létezhettek. Például a törökországi Derinkuyu földalatti városa betekintést nyújt az ősi védelmi mechanizmusokba, vallási gyakorlatokba és az ott élő emberek mindennapi életébe.

Vallás, rituálék és temetkezési gyakorlatok Az
eltemetett templomok, katakombák és más rituális struktúrák bizonyítják az elmúlt civilizációk vallási szokásait és hiedelmeit. Például a maja piramisok, amelyeket idővel gyakran a dzsungel és a föld rétegei temettek el, kulcsfontosságú információkat tartalmaztak a maja kozmológiáról, az áldozati rítusokról és az égi együttállásokról. Hasonlóképpen, a Párizs alatti katakombák temetkezési helyek hatalmas hálózatát tartalmazzák, amelyek sokat elárulnak a múlt temetkezési szokásairól és városfejlődéséről.

Építészeti és mérnöki csodák
A földalatti műemlékek felfedezése rávilágít az ősi építészeti találékonyságra és mérnöki készségekre is. Például a földalatti vízvezetékek, tartályok és öntözőrendszerek mutatják koruk technológiai fejlődését és erőforrás-gazdálkodási technikáit. Az ilyen felfedezések közvetlen hatással vannak a modern mérnöki és építészeti helyreállítási projektekre, ahol az ősi technikákat néha újjáélesztik vagy adaptálják.

Tudományos és régészeti jelentőség

A Föld történelmének és éghajlatának megértése
A földalatti műemlékek szintén értékesek a földtudósok számára, mert az idő múlásával a környezeti változások mutatóiként szolgálhatnak. A felhasznált anyagok, a temetkezés mélysége és a környező geológiai rétegek elemzésével a kutatók következtethetnek a múltbeli éghajlati viszonyokra, az üledékképződés arányára és a természeti katasztrófákra (pl. Földrengések, árvizek), amelyek hozzájárulhattak ezeknek a helyeknek a temetéséhez.

Megőrzési és megőrzési technikák
A földalatti műemlékek egyik legfontosabb tudományos érdeklődése megőrzésükben rejlik. A föld alatti környezet egyedülálló környezetet biztosít a megőrzéshez, védve a szerkezeteket a modern emberi tevékenységtől, a hőmérséklet-ingadozásoktól és az időjárástól. Az ásatások során az oxigénnek, nedvességnek és fénynek való kitettség azonban gyorsan lebonthatja ezeket a műemlékeket. Az olyan technikák, mint az ellenőrzött ásatás, a szerkezeti megerősítés és az in-situ megőrzés létfontosságúak ezeknek a finom szerkezeteknek a megőrzésében.

A földalatti műemlékek felderítésének technikái

Vizsgáljuk meg részletesebben a rejtett struktúrák észlelésére és feltérképezésére használt technikákat és módszereket.

Szeizmikus visszaverődés és fénytörés mélyebben

A szeizmikus módszerek alapelve az, hogy hullámokat küldjenek a földbe, és elemezzék, hogy ezek a hullámok hogyan pattannak vissza vagy hajlanak (törnek), amikor különböző anyagokkal találkoznak. Ez nyomokat ad arról, hogy mi van a felszín alatt. Az egyik leggyakrabban használt egyenlet ennek modellezésére a Snell-törvény, amely leírja a hullámok törését két különböző közeg határán:

sinθ1v1=sinθ2v2\frac{\sin \theta_1}{v_1} = \frac{\sin \theta_2}{v_2}v1sinθ1=v2sinθ2

hol:

θ1\theta_1 θ1 és θ2\theta_2 θ2 az előfordulási és törési szögek,
v1v_1v1 és v2v_2v2 a hullámsebességek az adott közegben.

A hullámok törésének megértése segít a föld alatti jellemzők geometriájának és mélységének feltérképezésében. Amikor a hullámok visszaverődnek vagy megtörnek, utazási idejüket rögzítik, és ezeket az időket utazási idő görbe létrehozására használják. Ez a görbe jelezheti a felszín alatti anyagok mélységét és szerkezetét, lehetővé téve a föld alatti szerkezet 2D vagy 3D modelljét.

Földi behatoló radar (GPR) vs. szeizmikus módszerek

A földi behatoló radar (GPR) egy másik értékes eszköz, amely kiegészíti a szeizmikus módszereket. A GPR nagyfrekvenciás elektromágneses hullámokat továbbít a földbe, és visszaverődéseket fogad a felszín alatti szerkezetekből. Ezeknek a hullámoknak a sebessége az általuk áthaladó anyag alapján változik, hasonlóan a szeizmikus hullámokhoz. Az alábbiakban egy egyszerű vizualizáció látható arról, hogyan hasonlíthatók össze a GPR és a szeizmikus módszerek:

GPR előnyei:

Nagyobb felbontású képeket biztosít.
Nagy részletességgel képes felismerni a sekély célokat.

Szeizmikus előnyök:

Jobban megfelel a mélyebb céloknak.
Áthatolhat olyan anyagokon, amelyekkel a GPR küzdhet, például agyagon.

A GPR és a szeizmikus módszerek közötti választás olyan tényezőktől függ, mint a célmélység, a szükséges felbontás és a helyszín körülményei.

Tomográfiás képalkotás

A tomográfiai képalkotás olyan technika, amely magában foglalja a felszín alatti részletes keresztmetszeti kép létrehozását. Koncepciójában hasonló az orvosi CT-vizsgálathoz, de földi anyagokra vonatkozik. A szeizmikus tomográfia számos különböző hullámútból származó adatokat használ fel egy területen, hogy részletes képeket készítsen a felszín alatti struktúrákról. Az alapkoncepció a tomográfiai rekonstrukció alapvető fontosságú radontranszformációjával írható le:

R(θ,s)=∫−∞∞f(xcosθ+ysinθ−s) dsR(\theta, s) = \int_{-\infty}^{\infty} f(x \cos \theta + y \sin \theta - s) \, dsR(θ,s)=∫−∞∞f(xcosθ+ysinθ−s)ds

hol:

R(θ,s)R(\theta, s)R(θ,s) az f(x,y)f(x, y)f(x,y) objektum vetülete a θ\thetaθ szög által megadott irány mentén,
Az SSS az origótól való távolság.

A Radon transzformáció összegyűjti ezeket a vetületeket több szögből, és egy inverz transzformációt használ a felszín alatti eredeti szerkezet rekonstruálására. Ez a folyamat lehetővé teszi az eltemetett műemlékek és építmények rendkívül részletes modelljeit.

Gépi tanulás és adatfeldolgozás

A gépi tanulási algoritmusok egyre fontosabbá válnak a szeizmikus adatokon belüli minták észlelésében, amelyek egy eltemetett szerkezet jelenlétére utalhatnak. A neurális hálózatok és a felügyelet nélküli tanulási technikák betaníthatók olyan jellemzők felismerésére, mint az amplitúdó, a frekvencia vagy a fázis hirtelen változásai, amelyek a felszín alatti struktúrára jellemzőek.

Például egy alapszintű neurális hálózat használható egy szeizmikus adatkészleten belüli minták azonosítására. Íme egy fogalmi kódrészlet a Pythonban a TensorFlow használatával egy egyszerű neurális hálózat beállításához:

piton

Kód másolása

Tensorflow importálása TF-ként

# A neurális hálózati modell meghatározása

modell = tf.keras.Sequential([

tf.keras.layers.Dense(64; activation='relu'; input_shape=(input_shape,)),

tf.keras.layers.Dense(32, activation='relu'),

tf.keras.layers.Dense(1, activation='sigmoid') # Kimeneti réteg bináris osztályozáshoz

])

# Fordítsa le a modellt

modell.compill(optimalizáló='adam',

veszteség='binary_crossentropy',

metrics=['pontosság'])

# A modell betanítása szeizmikus adatokon

modell.illeszt(seismic_data; címkék; korszakok=10; batch_size=32)

Ebben a példában a seismic_data a bemeneti adatkészletet jelöli, míg a címkék azt jelzik, hogy az adatok megfelelnek-e egy struktúra jelenlétének (1) vagy hiányának (0). Ezzel a modelltípussal gyorsan megvizsgálhatja a nagy adatkészleteket a további vizsgálatot igénylő lehetséges rendellenességek után.

Inverziós módszerek a felszín alatti jellemzéshez

A geofizikai inverzió egy matematikai folyamat, amelyet a mért adatok (pl. hullámutazási idők) a felszín alatti modellé alakítanak. A cél egy olyan modell megtalálása, amely a lehető legjobban illeszkedik a megfigyelt adatokhoz. Az inverzió optimalizálási problémája a következőképpen ábrázolható:

minm∥dobs−dpred(m)∥2+λ∥m∥2\min_{\mathbf{m}} \left\| \mathbf{d}_{\text{obs}} - \mathbf{d}_{\text{pred}}(\mathbf{m}) \jobb\|^2 + \lambda \left\| \mathbf{m} \jobb\|^2mmin∥dobs−dpred(m)∥2+λ∥m∥2

hol:

dobs\mathbf{d}_{\text{obs}}dobs a megfigyelt adatvektor,
dpred(m)\mathbf{d}_{\text{pred}}(\mathbf{m})dpred(m) az m\mathbf{m}m modellparamétereken alapuló előrejelzett adatvektor,
λ\lambdaλ egy regularizációs paraméter az inverzió stabilizálására,
∥⋅∥2\left\| \cdot \right\|^2∥⋅∥2 a négyzetes normát jelöli, amely biztosítja, hogy mind az adatok illesztése, mind a modell simasága kiegyensúlyozott legyen.

Ennek az optimalizálási problémának a megoldásával a geofizikusok pontos modelleket hozhatnak létre a felszín alatti anomáliákról, amelyek potenciálisan földalatti műemlékeket képviselnek.

Következtetés

A földalatti műemlékek rengeteg információt és kulturális jelentőséget kínálnak, de felfedezésük fejlett technológiát és technikákat igényel. A geofizikai felmérés, a gépi tanulás és az inverziós modellezés integrációja lehetővé teszi ezen rejtett struktúrák észlelését és elemzését. Ahogy a technológia fejlődik, ezeknek a földalatti kincseknek a felfedezésére, megőrzésére és az azokból való tanulásra való képesség csak javulni fog, új betekintést nyújtva kollektív múltunkba és a felderítés tudományába.

1.2 A szeizmikus és akusztikus felmérés áttekintése

A szeizmikus és akusztikus felmérési technikák a felszín alatti jellemzők nem invazív vizsgálatának alapvető eszközeivé váltak. Ezek a technikák hullámok továbbítását alkalmazzák a talajon keresztül, hogy információkat gyűjtsenek a föld alatti szerkezetekről. A hullámok visszaverődései, fénytörései és átvitelei, amikor különböző felszín alatti anyagokkal találkoznak, nyomokat adnak a rejtett műemlékek vagy jellemzők helyéről, mélységéről és méretéről.

Ez a fejezet áttekintést nyújt a felszín alatti régészeti kutatások szempontjából leginkább releváns szeizmikus és akusztikai felmérési technikákról, részletezve, hogyan működnek, mit tárnak fel, valamint korlátaikat és előnyeiket.

A szeizmikus és akusztikus hullámok alapelvei

Mind a szeizmikus, mind az akusztikus felmérés középpontjában a hullámok állnak – rezgések, amelyek különböző közegeken keresztül haladnak. A szeizmikus és akusztikus hullámok közötti különbség frekvenciájukban és az általuk áthaladó anyagokban rejlik:

Szeizmikus hullámok: Jellemzően alacsonyabb frekvenciájú hullámok, amelyek áthaladnak a földkéregen, és főként a mélyebb felszín alatti jellemzők észlelésére szolgálnak.
Akusztikus hullámok: Magasabb frekvenciájú hullámok, amelyek levegőn vagy vízen haladnak. Elsősorban sekélyebb vizsgálatokhoz vagy vízalapú felmérésekhez használják, például víz alatti szerkezetek lokalizálásához.

Hullám viselkedése és terjedése

A szeizmikus és akusztikus felmérések értelmezéséhez elengedhetetlen annak megértése, hogy a hullámok hogyan haladnak át a különböző közegeken. A hullámok terjedésük során számos fizikai jelenségen mennek keresztül:

Visszaverődés: A hullámok visszapattannak két különböző közeg (pl. talaj és kőzet) határáról.
Fénytörés: A hullámok irányt változtatnak, amikor egyik közegből a másikba haladnak.
Csillapítás: A hullámok energiát veszítenek, amikor áthaladnak a közegen.

Az alaphullámegyenlet szabályozza ezeknek a hullámoknak a terjedését, és alapvető fontosságú annak megértéséhez, hogyan viselkednek, amikor felszín alatti anomáliákkal találkoznak:

∇2u−1v2∂2u∂t2=0\nabla^2 u - \frac{1}{v^2} \frac{\partial^2 u}{\partial t^2} = 0∇2u−v21∂t2∂2u=0

hol:

uuu a hullámelmozdulás a tér és az idő függvényében,
vvv a hullám sebessége a közegben,
∇2\nabla^2∇2 a laplaci operátor (másodrendű térbeli derivált).

Ez a parciális differenciálegyenlet lehetővé teszi számunkra, hogy modellezzük a hullámok terjedését különböző közegeken keresztül, ami kulcsfontosságú lépés annak megértésében, hogy a szeizmikus és akusztikus hullámok hogyan hatnak a potenciális földalatti műemlékekre.

Hullámsebesség és anyagtulajdonságok

A szeizmikus és akusztikus hullámok sebessége attól függően változik, hogy milyen közegen haladnak át. A felmérés során a szeizmikus hullámok két fő típusát veszik figyelembe:

Elsődleges hullámok (P-hullámok): Kompressziós hullámok, amelyek szilárd anyagokon, folyadékokon és gázokon haladnak át. Sebességüket vpv_pvp a következő képlet adja meg:

vp=K+43μρ v_p = \sqrt{\frac{K + \frac{4}{3} \mu}{\rho}}vp=ρK+34μ

hol:

KKK az ömlesztett modulus (az anyag összenyomhatósága),
μ\muμ a nyírási modulus (az anyag merevsége),
ρ\rhoρ az anyag sűrűsége.

Nyíróhullámok (S-hullámok): Keresztirányú hullámok, amelyek csak szilárd anyagokon haladnak át, és sebességük vsv_svs:

vs=μρ v_s = \sqrt{\frac{\mu}{\rho}}vs=ρμ

A hullámsebesség különbségei lehetővé teszik a különböző földalatti rétegek és az általuk készült anyagok azonosítását. Ezeknek a hullámoknak az utazási idejét és amplitúdóját vizsgálva következtethetünk a felszín alatti struktúrák jelenlétére és tulajdonságaira.

Szeizmikus reflexiós és fénytörési felmérések

Szeizmikus reflexiós módszer

A szeizmikus reflexiós felméréseket széles körben használják a föld alatti jellemzők észlelésére és feltérképezésére. Ez a módszer magában foglalja a szeizmikus hullámok küldését a földbe egy ellenőrzött forrás (pl. Kalapácsütés vagy robbanótöltet) segítségével, majd geofonokkal mérik a felszínre visszaverődő hullámokat.

Amikor ezek a hullámok különböző akusztikus impedanciájú anyagok határába ütköznek, a hullám egy része visszaverődik a felületre. A hullámok lehaladásához, visszaverődéséhez és visszatéréséhez szükséges időt (kétirányú utazási időnek nevezik) rögzítik, létrehozva egy szeizmogramot, amely információt nyújt a felszín alatti rétegekről.

Íme egy alapvető vázlat a szeizmikus reflexiós felmérések működéséről:

Hullámforrás: Szeizmikus hullámokat generál, amelyek behatolnak a talajba.
Hullámterjedés: A hullámok felszín alatti anyagokon haladnak keresztül.
Visszaverődés: A hullámok visszaverődnek a felszín alatti határokról.
Geophone Array: Fogadja a visszavert hullámokat és rögzíti azok utazási idejét.

A visszavert hullám utazási ideje (ttt) a határ mélységéhez (ddd) és a hullámsebességhez (vvv) kapcsolódik az egyenlettel:

t=2dvt = \frac{2d}{v}t=v2d

Ez az egyenlet lehetővé teszi a mélység kiszámítását a különböző felszín alatti rétegekbe a rögzített utazási idők és hullámsebességek elemzésével.

Szeizmikus fénytörési módszer

A szeizmikus törésméréseket a felszín alatti rétegek kimutatására használják a szeizmikus hullámok hajlításának (törésének) elemzésével, amikor áthaladnak a különböző anyagok közötti határokon. Amikor egy hullám egy lassabb közegből egy gyorsabb közegbe halad, a határ felé hajlik, végül áthalad rajta, mielőtt visszatörne a felszínre.

A fénytörés felmérésének kulcsa a kritikus szög (θc\theta_c θc), amelyen túl a hullámok megtörnek és haladnak a rétegek közötti határfelületen. Ezt a szöget Snell törvénye határozza meg:

sinθc=v1v2\sin \theta_c = \frac{v_1}{v_2}sinθc=v2v1

hol:

v1v_1v1 és v2v_2v2 az első és a második közeg hullámsebessége.

A megtört hullámok utazási idejének elemzésével a geofizikusok megbecsülhetik a felszín alatti rétegek mélységét és szögét.

Akusztikai felmérések sekély vizsgálatokhoz

Az akusztikai felmérések, különösen a földradar (GPR), rendkívül hatékonyak a sekély, nagy felbontású felszín alatti vizsgálatokhoz. A GPR úgy működik, hogy elektromágneses hullámokat küld a földbe, és méri a felszín alatti struktúrák visszaverődését.

A GPR legfontosabb előnyei a következők:

Nagy felbontás: Képes észlelni az apró jellemzőket és részleteket.
Valós idejű adatgyűjtés: Gyors felméréseket kínál azonnali megjelenítéssel.
Roncsolásmentes módszertan: Ideális a minimális zavarást igénylő, kényes területekhez.

A GPR rendszerek jellemzően a következőkből állnak:

Adó: Nagyfrekvenciás rádióhullámokat bocsát ki a földbe.
Vevő: Érzékeli a visszavert jeleket.
Vezérlőegység: Valós időben dolgozza fel és jeleníti meg az adatokat.

A GPR behatolási mélysége a kibocsátott hullámok frekvenciájától és a talaj vezetőképességétől függ. A magasabb frekvenciák jobb felbontást, de sekélyebb behatolást biztosítanak, míg az alacsonyabb frekvenciák mélyebbre hatolnak, de kevesebb részletet kínálnak.

Gyakorlati példa: régészeti lelőhely felmérése

Tegyük fel, hogy fel akarunk mérni egy helyet, ahol gyaníthatóan egy földalatti templom található. A szeizmikus és akusztikus módszerek kombinációja alkalmazható:

Előzetes akusztikai felmérés: Először GPR felmérést kell végezni a sekély jellemzők, például a lehetséges falak, padlók vagy kamrák azonosítására a felszín közelében.
Szeizmikus refrakciós felmérés: Ezután szeizmikus refrakciós felmérést lehet végezni a mélyebb rétegek feltérképezésére, nagyobb struktúrák, például mély kamrák vagy alapok lokalizálására.
Szeizmikus reflexiós felmérés: Végül a szeizmikus reflexiós felmérés részletes keresztmetszeti képet adna a felszín alatt, betekintést nyújtva az észlelt jellemzők mélységébe és szerkezetébe.

Adatfeldolgozás és értelmezés

A szeizmikus és akusztikai felmérésekből származó nyers adatok jelentős feldolgozást igényelnek a zaj eltávolítása, a jelminőség javítása és az eredmények pontos értelmezése érdekében. Számos technikát alkalmaznak:

Idő-domain jelfeldolgozás: A rögzített jelek elemzése az idő múlásával a zaj szűrése és az értelmes visszaverődések kinyerése érdekében.
Frekvenciatartomány-elemzés: A jel átalakítása frekvenciakomponenseivé Fourier-transzformációval:

X(f)=∫−∞∞x(t)e−j2πftdtX(f) = \int_{-\infty}^{\infty} x(t) e^{-j 2 \pi f t} dtX(f)=∫−∞∞x(t)e−j2πftdt

Ez az átalakulás segít azonosítani a különböző felszín alatti jellemzőkhöz kapcsolódó jellemző frekvenciákat.

Képalkotás és tomográfia: Algoritmusok használata a felszín alatti 2D vagy 3D képek létrehozására a feldolgozott hullámadatokból. A tomográfiai inverzió rekonstruálja a föld alatti rétegek sebességét és anyagtulajdonságait.

Python példa: szeizmikus adatok Fourier-transzformációja

piton

Kód másolása

Numpy importálása NP-ként

Matplotlib.pyplot importálása PLT-ként

# Szintetikus szeizmikus jel generálása (idő-tartomány)

idő = np.linspace(0; 1; 500)

jel = np.sin(2 * np.pi * 10 * idő) + 0,5 * np.sin(2 * np.pi * 20 * idő)

# Fourier-transzformáció alkalmazása (frekvencia-tartomány)

frekvencia = np.fft.fftfreq(len(idő), d=(idő[1] - idő[0]))

signal_fft = np.fft.fft(jel)

# Az eredmények megjelenítése

plt.ábra(ábra=(12, 5))

# Idő-domain jel

plt.részmintatárgy(1, 2, 1)

plt.plot(idő; jel)

plt.title('Szeizmikus jel (időtartomány)')

plt.xlabel('Idő(s)')

plt.ylabel('Amplitúdó')

# Frekvencia-domain jel

plt.részcselekmény(1, 2, 2)

PLT.PLOT(Gyakoriság; Idős.AB(signal_fft))

plt.title('Szeizmikus jel (frekvenciatartomány)')

plt.xlabel('Frekvencia (Hz)')

plt.ylabel('Amplitúdó')

plt.tight_layout()

plt.show()

Ez a kódrészlet egy szeizmikus jel átalakulását szemlélteti az időtartományból a frekvenciatartományba, ami kulcsfontosságú a szeizmikus adatok értelmezésében a felszín alatti jellemzők azonosításához.

Következtetés

A szeizmikus és akusztikus felmérési technikák hatékony, nem invazív módszereket kínálnak a földfelszín alatti területek feltárására.

1.2 A szeizmikus és akusztikus felmérés áttekintése

A szeizmikus és akusztikus felmérés geofizikai technikák, amelyeket a felszín alatti jellemzők közvetlen feltárás nélküli vizsgálatára használnak. Kritikus szerepet játszanak a modern régészeti felfedezésekben, részletes információkat szolgáltatnak az eltemetett szerkezetekről azáltal, hogy értelmezik, hogyan haladnak át a hullámok a talajon. Mindkét technika nélkülözhetetlenné vált a régészek számára, akik rejtett műemlékeket és más felszín alatti tereptárgyakat akarnak feltárni a talaj megzavarása nélkül.

Ez a fejezet átfogó áttekintést nyújt a szeizmikus és akusztikus felmérés mögötti módszerekről, eszközökről és elméletről, megalapozva a régészeti felderítésben való alkalmazásuk megértését.

A szeizmikus és akusztikus hullámok alapelvei

Mind a szeizmikus, mind az akusztikus felmérés alapfeltevése a hullámok továbbítása a talajon keresztül, majd viselkedésük elemzése, amikor különböző felszín alatti anyagokkal találkoznak. Ezeknek a technikáknak a kulcsa annak megértésében rejlik, hogy ezek a hullámok hogyan terjednek, tükröződnek és törnek meg, amikor különböző földalatti jellemzőkkel, például talajjal, kővel, üregekkel vagy eltemetett szerkezetekkel találkoznak.

Hullámmechanika

Amikor a hullámok áthaladnak egy közegen, befolyásolják őket a közeg fizikai tulajdonságai, például sűrűsége, rugalmassága és a különböző anyagok közötti határok jelenléte. A szeizmikus és akusztikus hullámok viselkedését a hullámegyenlet írja le:

∇2u−1v2∂2u∂t2=0\nabla^2 u - \frac{1}{v^2} \frac{\partial^2 u}{\partial t^2} = 0∇2u−v21∂t2∂2u=0

hol:

uuu a hullámelmozdulás (a tér és az idő függvénye),
vvv a hullám sebessége a közegen keresztül,
∇2\nabla^2∇2 a laplaci operátor (második térbeli derivált).

Ennek az egyenletnek a megoldása lehetővé teszi számunkra, hogy megjósoljuk, hogyan haladnak át a hullámok a különböző felszín alatti anyagokon, és hogyan változnak, amikor olyan határokkal találkoznak, mint például egy eltemetett szerkezet széle.

Hullámsebesség és közeg tulajdonságai

A szeizmikus hullámok sebessége a hullám típusától és a közegtől függ. Két fontos szeizmikus hullám:

Elsődleges hullámok (P-hullámok): Kompressziós hullámok, amelyek a leggyorsabbak és szilárd anyagokon, folyadékokon és gázokon haladhatnak át. A P-hullámok sebességét (vpv_pvp) a következő képlet adja meg:

vp=K+43μρ v_p = \sqrt{\frac{K + \frac{4}{3} \mu}{\rho}}vp=ρK+34μ

hol:

KKK: Térfogatmodulus (kompressziós ellenállás),
μ\muμ: nyírási modulus (merevség),
ρ\rhoρ: A közeg sűrűsége.

Másodlagos hullámok (S-hullámok): Olyan nyíróhullámok, amelyek lassabbak, mint a P-hullámok, és csak szilárd anyagokon haladnak át. Az S-hullámok sebességét (vsv_svs) a következő képlet adja meg:

vs=μρ v_s = \sqrt{\frac{\mu}{\rho}}vs=ρμ

A hullámok közötti sebességkülönbségek lehetővé teszik a különböző típusú felszín alatti anyagok és szerkezetek megkülönböztetését.

Hullám viselkedése a határokon

Ahogy a hullámok áthaladnak a talajon, határokba ütközhetnek a különböző anyagok (pl. talaj és kő) között. Ezeken a határokon a hullámok lehetnek:

Visszaverődés: A hullámok visszapattannak a felszínre.
Törés: A hullámok irányt változtatnak, amikor új közegbe lépnek.
Abszorbeált vagy csillapított: A hullámok energiát veszítenek a közeg tulajdonságai miatt.

Ezek a viselkedések kritikusak a szeizmikus és akusztikus felmérésekben, mivel olyan anomáliákat hoznak létre a hullámadatokban, amelyek jelzik a felszín alatti struktúrák jelenlétét.

Szeizmikus felmérési módszerek

A szeizmikus felmérési technikák két fő kategóriába sorolhatók: reflexiós és fénytörési felmérések. Ezeket a módszereket általában a felszín alatti struktúrák különböző mélységekben történő kimutatására használják.

Szeizmikus reflexiós felmérések

A szeizmikus reflexiós felmérések során a szeizmikus hullámokat ellenőrzött források, például kalapácsütés vagy kis robbanótöltet felhasználásával generálják. Ezek a hullámok lefelé haladnak a talajon, és visszaverődnek a felszínre, amikor különböző akusztikai tulajdonságokkal rendelkező anyagok közötti határokkal találkoznak. A felszínen lévő geofonok vagy gyorsulásmérők rögzítik a hullámok visszatéréséhez szükséges időt.

A felszín alatti határvonal mélységének reflexiós adatokból történő meghatározására használt elsődleges képlet a következő:

d=vt2d = \frac{v t}{2}d=2vt

hol:

ddd: A határ mélysége,
vvv: A hullám sebessége a közegben,
ttt: A visszavert hullám kétirányú utazási ideje.

Ezeknek a visszaverődéseknek az érkezési idejének elemzésével függőleges profilt (szeizmogramot) készítenek, amely keresztmetszeti képet nyújt a felszín alatt.

Szemléltető kódrészlet: Egyszerű reflexiós profil ábrázolása

Az alábbi Python-kódrészlet matplotlib használatával szimulálja a visszavert szeizmikus hullámok visszatérését, és megjelenít egy alapszintű reflexiós profilt:

piton

Kód másolása

Numpy importálása NP-ként

Matplotlib.pyplot importálása PLT-ként

# Szimulálja a hullámvisszaverődések idejét

idő = np.linspace(0; 5; 500)

# Szintetikus visszavert hullámjel generálása

reflection_signal = np.sin(2 * np.pi * 5 * idő) * np.exp(-0,5 * idő)

# Ábrázolja a reflexiós profilt

plt.ábra(ábra=(10, 5))

plt.plot(idő; reflection_signal; label='Visszavert hullámjel')

plt.xlabel('Idő(s)')

plt.ylabel('Amplitúdó')

plt.title("Szeizmikus reflexiós profil")

plt.grid(Igaz)

plt.legend()

plt.show()

A kapott ábra bemutatja, hogy a visszavert hullám amplitúdója hogyan változik az idő múlásával, egyszerű példát szolgáltatva a szeizmogramra.

Szeizmikus fénytörési felmérések

A szeizmikus törési felmérések azt elemzik, hogy a szeizmikus hullámok hogyan hajlanak (törnek), amikor különböző sebességű rétegeken haladnak át. Amikor egy hullám lassabb közegből gyorsabb közegbe kerül, meghajlik és a két anyag határán halad, mielőtt visszatörne a felszínre.

Az előfordulási szög (θ1\theta_1 θ1) és a törésszög (θ2\theta_2 θ2) közötti kapcsolatot Snell törvénye írja le:

sinθ1v1=sinθ2v2\frac{\sin \theta_1}{v_1} = \frac{\sin \theta_2}{v_2}v1sinθ1=v2sinθ2

hol:

v1v_1v1 és v2v_2v2: Hullámsebességek az első és a második közegben.

A szeizmikus törési felmérések különösen hasznosak olyan nagyméretű struktúrák feltérképezéséhez, mint az alapkőzet vagy az eltemetett völgyek.

Példa törésprofilra

Egy tipikus törésprofil megmutatja a megtört hullámok utazási idejét, amikor áthaladnak a különböző földalatti rétegeken, felfedve mélységüket és összetételüket. Az előállított utazási idő görbék segítenek meghatározni a rétegek mélységét és szögét.

Akusztikai felmérések sekély felszín alatti szerkezetekhez

Az akusztikai felmérések különösen hatékonyak a sekély tereptárgyak és szerkezetek feltérképezésére, gyakran több méter mélységig. A Ground Penetrating Radar (GPR) egy általánosan használt akusztikus felmérési módszer.

Földi behatoló radar (GPR)

A GPR úgy működik, hogy elektromágneses hullámokat bocsát ki a földbe. Amikor ezek a hullámok különböző anyagokkal találkoznak, a hullám egy része visszaverődik a felszínre. A visszavert jeleket rögzítik és feldolgozzák, hogy képet alkossanak a felszín alatt. A hullámok visszatéréséhez szükséges idő segít meghatározni az eltemetett jellemzők mélységét és méretét.

A GPR előnyei:

Nagy felbontás: A sekély struktúrák finom részleteit biztosítja.
Nem invazív és valós idejű: Nincs szükség ásatásra; az eredmények gyorsan elérhetők.

A GPR korlátai:

Korlátozott mélységi behatolás: Hatékony sekély felmérésekhez (legfeljebb 10 méter).
Jelcsillapítás vezetőképes talajokban: Kevésbé hatékony lehet agyagos vagy nedves talajban.

GPR-adatok megjelenítése

A GPR adatok radargramként jelennek meg, amely megjeleníti a visszavert jel amplitúdóját az idő múlásával. Ezek a vizualizációk segítenek azonosítani a felszín alatti jellemzőket, például falakat, üregeket vagy eltemetett tárgyakat.

GPR adatfeldolgozás: példa Fourier-transzformációra

A GPR adatok elemzéséhez az egyik elsődleges módszer a Fourier-transzformáció, amely a jeleket frekvenciakomponensekre bontja. Íme egy példa kódrészlet egy Fourier-transzformáció szintetikus GPR-adatokra való alkalmazásához Pythonban:

piton

Kód másolása

Numpy importálása NP-ként

Matplotlib.pyplot importálása PLT-ként

# Szintetikus GPR jel szimulálása (idő-tartomány)

idő = np.linspace(0; 1; 500)

gpr_signal = np.sin(2 * np.pi * 15 * idő) + 0,5 * np.sin(2 * np.pi * 25 * idő)

# Fourier-transzformáció alkalmazása (frekvencia-tartomány)

frekvencia = np.fft.fftfreq(len(idő), d=(idő[1] - idő[0]))

gpr_fft = np.fft.fft(gpr_signal)

# Idő-tartomány és frekvencia-tartomány jelek ábrázolása

plt.ábra(ábra=(12, 5))

# Idő-domain jel (GPR)

plt.részmintatárgy(1, 2, 1)

plt.plot(idő; gpr_signal)

plt.title('GPR jel (időtartomány)')

plt.xlabel('Idő(s)')

plt.ylabel('Amplitúdó')

# Frekvenciatartomány-jel (GPR)

plt.részcselekmény(1, 2, 2)

PLT.PLOT(Gyakoriság; Np.AB(gpr_fft))

plt.title('GPR jel (frekvenciatartomány)')

plt.xlabel('Frekvencia (Hz)')

plt.ylabel('Amplitúdó')

plt.tight_layout()

plt.show()

Ez a példa bemutatja, hogyan alakíthatók át és elemezhetők a GPR-adatok a felszín alatti jellemzők azonosításához.

Fejlett akusztikai technikák

Fejlettebb akusztikai technikák alkalmazhatók speciális esetekben vagy nagyobb részletekben, többek között:

Cross-Hole szeizmikus tomográfia: Hullámok küldése fúrólyukak között a felszín alatti nagy felbontású 3D modell létrehozásához.
Akusztikus emissziós felmérések: Kis léptékű törések vagy mikroszeizmikus aktivitás kimutatása, gyakran használják a szerkezeti állapotfelmérésben.

Ezek a technikák kifinomult berendezéseket és szoftvereket igényelnek, és gyakran szeizmikus módszerekkel kombinálják őket, hogy átfogó felszín alatti képalkotást biztosítsanak.

Következtetés

A szeizmikus és akusztikus felmérési technikák kulcsfontosságú eszközök a felszín alatti jellemzők észleléséhez és feltérképezéséhez. A hullámmechanika, a hullámsebesség különböző közegekben és a reflexiós / fénytörési viselkedés alapelveinek megértésével jelentős betekintést nyerhetünk az eltemetett múltba. Ezek a módszerek fejlett adatfeldolgozási technikákkal kombinálva hatékony, nem invazív módszereket kínálnak a régészek és geofizikusok számára a rejtett struktúrák feltárására és megőrzésére.

A könyv további részei mélyebben belemerülnek a hullámterjedés, az adatgyűjtés sajátosságaiba, valamint a szeizmikus és akusztikus adatok feldolgozásának legújabb algoritmikus megközelítéseibe.

1.3 Régészeti alkalmazások

A régészet feltárásban és felfedezésben gazdag terület, amelynek célja a múltbeli emberi civilizációk feltárása tárgyaik, építészetük és egyéb anyagi maradványaik révén. A régészeti gyakorlat egyik legizgalmasabb ágaként a szeizmikus és akusztikus felmérés használata roncsolásmentes eszközt biztosít a felszín alá való betekintéshez és a rejtett struktúrák feltárásához. Ezeknek a geofizikai technikáknak a megjelenése jelentősen előmozdította a területet, lehetővé téve a régészek számára, hogy részletesebben feltárják a helyszíneket az időigényes és potenciálisan pusztító ásatási folyamat nélkül.

Ez a fejezet a szeizmikus és akusztikus felmérés különböző alkalmazásaiba merül a régészeti kutatásokban, arra összpontosítva, hogy ezek a módszerek hogyan forradalmasították a helyszín felfedezését, az ásatási tervezést és a megőrzési erőfeszítéseket.

Régészeti lelőhelyek felszín alatti feltérképezése

A szeizmikus és akusztikus felmérés egyik legfontosabb alkalmazása a régészetben a felszín alatti jellemzők feltérképezése. Annak megértése, hogy mi rejlik a felszín alatt invazív ásatások nélkül, elengedhetetlen a kulturális örökség védelméhez, az ásatások megtervezéséhez és a múltba való betekintéshez.

Esettanulmány: Ősi települések feltérképezése

Vegyünk egy régészeti lelőhelyet, ahol egy gyaníthatóan eltemetett település van – például egy ősi város. A hagyományos régészeti technikák kiterjedt árokásást foglalnának magukban a helyszín elrendezésének feltárására. A szeizmikus visszaverődés vagy a GPR (Ground Penetrating Radar) felmérések alkalmazásával azonban a régészek részletes térképeket készíthetnek a felszín alatt, azonosítva a kulcsfontosságú jellemzőket, például falakat, utakat és alapokat.

Például a szeizmikus felmérések feltárhatják az eltemetett épületek határait a visszavert hullámok sebességének változásainak értelmezésével. Mivel a hullámok gyorsabban haladnak át a kövön, mint a talajon, az ezen anyagok közötti kontraszt azonosítható visszaverődési mintákat hoz létre.

A mélység és az anyaghatárok meghatározásához használt képlet a következő:

d=vt2d = \frac{vt}{2}d=2vt

hol:

ddd: Az eltemetett jellemző mélysége,
vvv: a hullám sebessége a közegben (az anyag tulajdonságai alapján meghatározva),
ttt: A visszavert hullám kétirányú utazási ideje (a forrástól az objektumig és vissza).

A forrás pozíciójának változtatásával és a többszörös kétirányú utazási idő elemzésével a régészek keresztmetszeti nézetet hozhatnak létre a helyszínről.

Felszín alatti térkép megjelenítése

Az alábbiakban egy példa látható arra, hogyan lehet vizualizálni egy szeizmikus felszín alatti térképet a Python használatával, szimulálva több szeizmikus visszaverődést a potenciális falak és üregek azonosításához.

piton

Kód másolása

Numpy importálása NP-ként

Matplotlib.pyplot importálása PLT-ként

# Szimulálja a hullámvisszaverődések idejét különböző mélységekben

idő = np.linspace(0; 5; 500)

# Szintetikus visszavert hullámjelek generálása, amelyek különböző felszín alatti rétegeket képviselnek

reflection_layer1 = np.sin(2 * np.pi * 4 * idő) * np.exp(-0,6 * idő)

reflection_layer2 = np.sin(2 * np.pi * 2 * idő) * np.exp(-0,3 * (idő - 2))

# Ábrázolja a felszín alatti térkép reflexiós profilját

plt.ábra(ábra=(10, 5))

plt.plot(idő; reflection_layer1; label='1. réteg tükröződése')

plt.plot(idő; reflection_layer2; label='2. réteg tükröződése')

plt.xlabel('Idő(s)')

plt.ylabel('Amplitúdó')

plt.title('Szimulált szeizmikus felszín alatti térkép')

plt.grid(Igaz)

plt.legend()

plt.show()

Ez az egyszerű vizualizáció bemutatja, hogy a felszín alatti különböző rétegek hogyan verhetik vissza eltérően a hullámokat, segítve a különböző struktúrák, például az eltemetett falak és padlók megkülönböztetését.

Eltemetett műemlékek és építmények felderítése

Egy másik fontos alkalmazás a nagy, eltemetett szerkezetek, például templomok, sírok és erődök felderítése. Az ilyen felfedezések gyakran átalakítják az ősi civilizációkról és építészeti képességeikről alkotott ismereteinket.

Esettanulmány: Rejtett piramiskamra felfedezése

A szeizmikus felmérés egyik valós alkalmazása a rejtett kamrák keresése monumentális struktúrákban, például piramisokban. A gízai nagy piramis esetében a kutatók müonröntgent (egyfajta részecske-alapú felmérést) és szeizmikus tomográfiát használtak a korábban fel nem fedezett üregeket jelző anomáliák kimutatására. A visszavert szeizmikus hullámok üres kamrák vagy folyosók jelenlétére utalhatnak, amelyek gyakran mélyen a szerkezet belsejében vannak eltemetve.

Ezeknek a kamráknak a mélysége kiszámítható az utazási idő egyenlet segítségével:

d=vt2d = \frac{vt}{2}d=2vt

Az olyan szerkezetek esetében, mint a piramisok vagy az ismert méretekkel és anyagtulajdonságokkal rendelkező sírok, ez a képlet lehetővé teszi a kutatók számára, hogy nagy pontossággal határozzák meg a rejtett kamrák méretét és helyét.

Szeizmikus tomográfia belső képalkotáshoz

A szeizmikus tomográfia hasonló az orvosi CT-vizsgálatokhoz, de földalatti jellemzőkre alkalmazzák. Szeizmikus források és vevők kombinációját használja a szerkezet belsejének vagy a felszín alatti részének 3D-s modelljének létrehozásához. A következő integrál leírja a tomográfiai rekonstrukció alapját, amelyet Radon transzformációnak neveznek:

R(θ,s)=∫−∞∞f(xcosθ+ysinθ−s) dsR(\theta, s) = \int_{-\infty}^{\infty} f(x \cos \theta + y \sin \theta - s) \, dsR(θ,s)=∫−∞∞f(xcosθ+ysinθ−s)ds

hol:

R(θ,s)R(\theta, s)R(θ,s): A föld alatti szerkezet vetülete a θ\thetaθ szög mentén,
sss: Az origó és a mért pont közötti távolság.

Ennek az átalakulásnak az inverze lehetővé teszi a belső szerkezet rekonstrukcióját, lehetővé téve a rejtett kamrák, utak és egyéb építészeti jellemzők megtalálását.

Python szimuláció: Tomográfiai képalkotás

Az alábbiakban egy egyszerűsített szimuláció látható arról, hogyan lehet a szeizmikus tomográfiát vizualizálni több hullámút kombinálásával, hogy egy eltemetett szerkezet 2D-s keresztmetszetét alkossuk.

piton

Kód másolása

Numpy importálása NP-ként

Matplotlib.pyplot importálása PLT-ként

a scipy.ndimage importálási gaussian_filter

# Szimulált rács, amely a belső szerkezetet reprezentálja (eltemetett kamra)

structure_grid = np.nullák((100, 100))

structure_grid[30:70, 40:60] = 1 # Egy egyszerű téglalap alakú kamra

# Gauss-szűrő alkalmazása a hullámterjedési hatás szimulálására

blurred_structure = gaussian_filter(structure_grid; szigma=5)

# A tomográfiai kép ábrázolása

plt.ábra(ábra=(6, 6))

plt.imshow(blurred_structure; cmap='pokol')

plt.title("Eltemetett kamra szimulált tomográfiai képalkotása")

plt.colorbar(label='Hullámintenzitás')

plt.show()

Ez a látvány bemutatja, hogyan értelmezhetők a szeizmikus hullámok az eltemetett kamrák jelenlétének azonosítására egy szerkezeten belül.

Eltemetett utak, csatornák és ösvények megkeresése

A szeizmikus és akusztikus módszerek szintén értékesek az eltemetett utak, csatornák és ösvények feltérképezéséhez. Például az ősi kereskedelmi útvonalakat vagy vízcsatornákat évszázadok során későbbi üledékrétegek boríthatták, ami megnehezíti felfedezésüket kizárólag a hagyományos ásatások használatával.

A szeizmikus visszaverődések következetes lineáris mintáinak elemzésével és mintafelismerő algoritmusok alkalmazásával a régészek megtalálhatják ezeket a felszín alatti jellemzőket. Ezeknek a struktúráknak az azonosítása kritikus betekintést nyújthat az ősi közlekedésbe, kereskedelembe és várostervezésbe.

A szeizmikus linearitás elemzése

A lineáris jellemzők, például az utak azonosításának egyik megközelítése a szeizmikus vonalak elemzése - folytonos vonalak, amelyek a felszín alatti folytonossági hiányokat képviselik. Az ilyen típusú elemzésekhez gyakran használják a Hough-transzformációt:

ρ=xcosθ+ysinθ\rho = x \cos \theta + y \sin \thetaρ=xcosθ+ysinθ

hol:

ρ\rhoρ: Az origó és a vonal közötti távolság,
θ\thetaθ: Az egyenes szöge egy rögzített tengelyhez képest.

Az átalakítás segít felismerni az egyenes vonalakat a szeizmikus adatokban, lehetővé téve a régészek számára, hogy kikövetkeztessék az eltemetett utak vagy ösvények jelenlétét.

Python kód: Linearitás észlelése Hough transzformációval

Az alábbiakban egy példakód látható a szeizmikus kép lineáris jellemzőinek észlelésére a Hough-transzformáció segítségével, megjelenítve egy eltemetett út potenciális felfedezését.

piton

Kód másolása

CV2 importálása

Numpy importálása NP-ként

Matplotlib.pyplot importálása PLT-ként

# Szimuláljon egy szintetikus szeizmikus képet lineáris jellemzőkkel (út)

kép = np.zeros((200, 200), dtype=np.uint8)

CV2.LINE(kép; (50; 150); (150; 50); 255; 2)

# Hough Transform alkalmazása vonalak észleléséhez

Sorok = CV2. HoughLines(kép, 1, np.pi / 180, 100)

# Az eredeti kép és az észlelt vonalak ábrázolása

plt.ábra(ábra=(8, 8))

plt.részmintatárgy(1, 2, 1)

plt.imshow(kép; cmap='szürke')

plt.title("Szeizmikus kép eltemetett úttal")

plt.részcselekmény(1, 2, 2)

plt.imshow(kép; cmap='szürke')

RHO, theta in lines[:, 0]:

a = np.cos(théta)

b = np.sin(théta)

x0 = a * rho

y0 = b * rho

x1 = int(x0 + 1000 * (-b))

y1 = int(y0 + 1000 * (a))

x2 = int(x0 - 1000 * (-b))

y2 = int(y0 - 1000 * (a))

PLT.PLOT([x1, x2]; [y1, y2]; 'r')

plt.title('Észlelt lineáris jellemzők (út)')

plt.show()

Ez a példa a Hough-transzformáció használatát mutatja be az eltemetett lineáris jellemzők, például az utak szeizmikus adatokban való azonosítására és megjelenítésére.

A kulturális örökségi helyszínek megőrzése és védelme

A felfedezésen túl a szeizmikus és akusztikus felmérési módszerek kritikus szerepet játszanak a régészeti lelőhelyek megőrzésében és védelmében. A föld alatti tereptárgyak feltérképezésével ezek a technikák segítenek meghatározni a megőrzésre szoruló területeket, akár az építmények megerősítésével, akár a fosztogatás megakadályozásával, akár a turisztikai hozzáférés megtervezésével a helyszín megzavarása nélkül.

Szeizmikus monitorozás a helyszín stabilitása érdekében

A nagy műemlékek és történelmi épületek stabilitásának felmérésére gyakran alkalmaznak rendszeres szeizmikus megfigyelést. A hullámok viselkedésének elemzésével olyan események előtt és után, mint a földrengések, a kutatók azonosíthatják a szerkezet lehetséges károsodásait vagy gyengeségeit, biztosítva annak védelmét.

Rendellenességek észlelésének figyelési kódja a struktúrákban

Íme egy alapszintű Python-kódrészlet a szeizmikus monitorozás anomáliadetektálásához, amely egy egyszerű küszöbérték-módszert használ a hullámintenzitás változásainak kiemelésére.

piton

Kód másolása

Numpy importálása NP-ként

Matplotlib.pyplot importálása PLT-ként

# Szimulálja a szeizmikus intenzitást az idő múlásával (esemény előtt és után)

idő = np.linspace(0; 10; 500)

pre_event_intensity = np.sin(2 * np.pi * 2 * idő) + 0,2 * np.véletlen.normal(méret=LEN(idő))

post_event_intensity = pre_event_intensity + 0,5 * np.exp(-0,2 * idő) * np.random.normal(méret=LEN(idő))

# Anomáliák észlelése a különbség küszöbértékével

anomaly_threshold = 0,5

anomáliák = np.abs(post_event_intensity - pre_event_intensity) > anomaly_threshold

# Vizualizálja a szeizmikus intenzitásokat és anomáliákat

plt.ábra(ábra=(10, 5))

plt.plot(idő; pre_event_intensity; label='Esemény előtti intenzitás')

plt.plot(idő; post_event_intensity; label='Esemény utáni intenzitás')

plt.scatter(time[anomalies], post_event_intensity[anomalies], color='red', label='anomáliák')

plt.xlabel('Idő(s)')

plt.ylabel('szeizmikus intenzitás')

plt.title("A terület stabilitásának szeizmikus monitorozása")

plt.legend()

plt.grid(Igaz)

plt.show()

Ebben a példában a szeizmikus esemény előtti és utáni hullámintenzitás különbségeit elemezzük, kiemelve azokat az anomáliákat, amelyek strukturális károsodást vagy instabilitást jelezhetnek.

Következtetés

A szeizmikus és akusztikus felmérési technikák átalakították a régészet területét, lehetővé téve a felszín alatti struktúrák nem invazív felfedezését és megőrzését. Az ősi települések feltérképezésétől a rejtett kamrák és ösvények feltárásáig ezek a módszerek erőteljes betekintést nyújtanak a múltba, és eszközöket biztosítanak a kulturális örökség védelméhez. A technológia fejlődésével ezeknek a módszereknek a régészeti alkalmazása csak bővülni fog, új lehetőségeket kínálva a felfedezésre és a megőrzésre.

A könyv további fejezetei a fejlett technikákat, adatfeldolgozási módszereket és esettanulmányokat fedik le, amelyek bemutatják a szeizmikus és akusztikus felmérések teljes potenciálját a régészetben.

1.4 A modern műemlékek észlelésének kihívásai

A föld alatti műemlékek szeizmikus és akusztikus felméréssel történő kimutatása izgalmas, mégis összetett vállalkozás, amely számos kihívással jár. Ezek a kihívások technikai, környezetvédelmi és etikai szempontokat ölelnek fel, így a gyakorlat egyszerre tudomány és művészet. A technológia és a módszertan fejlődése ellenére a felszín alatti műemlékek hatékony felderítéséhez le kell küzdeni az adatok pontossága, a környezeti interferencia és a helyspecifikus feltételek akadályait. Ez a fejezet részletesen megvizsgálja ezeket a kihívásokat és azok kezelésének módjait.

1.4.1 Az adatgyűjtés és -értelmezés technikai kihívásai

Alacsony jel-zaj arány (SNR)

A szeizmikus és akusztikus felmérések összefüggésében kritikus kihívást jelent a magas jel-zaj arány (SNR) fenntartása. Az SNR számszerűsíti a felszín alatti jellemzőről visszavert jel erősségét a háttérzajhoz viszonyítva. Meghatározása a következő:

SNR=10log10(A jel erejeA zaj ereje) dB\text{SNR} = 10 \log_{10} \left( \frac{\text{A jel ereje}}{\text{A zaj ereje}} \jobb) \text{ dB}SNR=10log10(A zaj erejeA jel ereje) dB

Az alacsony SNR azt jelenti, hogy a felszín alatti struktúrákat reprezentáló jeleket nehéz megkülönböztetni a zajtól, ami potenciálisan téves értelmezésekhez vezethet. A zaj különböző forrásokból származhat, például a berendezések rezgéséből, a környezeti zajból és a felmérési terület közelében végzett emberi tevékenységből.

Az SNR javításának technikái:

Jelhalmozás: A mérések megismétlése és az eredmények átlagolása javítja a koherens jeleket, miközben csökkenti a véletlenszerű zajt.
Frekvenciaszűrés: Sáváteresztő szűrők használata a kívánt frekvenciatartomány elkülönítésére, eltávolítva mind az alacsony, mind a magas frekvenciájú zajt.

Példakód: Az SNR javítása halmozással

Az alábbi kódrészlet bemutatja, hogyan javíthatja a jelhalmozás a szeizmikus adatok tisztaságát:

piton

Kód másolása

Numpy importálása NP-ként

Matplotlib.pyplot importálása PLT-ként

# Szimulálja a zajos szeizmikus jeleket (ismételt megfigyelések)

NP.Random.mag(42)

idő = np.linspace(0; 5; 500)

true_signal = np.sin(2 * np.pi * 5 * idő) * np.exp(-0,5 * idő)

noisy_signals = [true_signal + 0,5 * np.random.normal(size=len(time)) for _ in range(20)]

# Verem jelek átlagolással az SNR javítása érdekében

stacked_signal = np.közép(noisy_signals; tengely=0)

# Vizualizálja az egymásra rakási folyamatot

plt.ábra(ábra=(10, 6))

plt.plot(idő; true_signal; label='Igaz jel'; vonalstílus='--')

plt.plot(idő; noisy_signals[0]; label='Zajos jel (egyszeri megfigyelés)', alfa=0,5)

plt.plot(idő; stacked_signal; label='Halmozott jel (javított SNR)'; vonalvastagság=2)

plt.xlabel('Idő(s)')

plt.ylabel('Amplitúdó')

plt.title('Jelhalmozás a továbbfejlesztett SNR-hez')

plt.legend()

plt.grid(Igaz)

plt.show()

Ez a példa bemutatja, hogy több zajos jel egymásra rakása jelentősen javíthatja a jel minőségét, megkönnyítve a felszín alatti jellemzők azonosítását.

A hullámterjedés összetettsége heterogén közegben

A felszín alatti környezet ritkán homogén. A talaj, a kőzet és a műtermékek különböző rétegei befolyásolják a hullámterjedést. Ezek a variációk több hullámviselkedéshez vezethetnek:

Szórás: A hullámok visszaverődnek a kis tárgyakról vagy inhomogenitásokról, összetett hullámformákat hozva létre.
Csillapítás: A hullámok energiát veszítenek, amikor áthaladnak az elnyelő anyagokon, csökkentve azok szilárdságát.
Diszperzió: A hullám különböző frekvenciái különböző sebességgel haladnak, és a hullámot idővel terjesztik.

A heterogén közegben a hullámegyenlet összetettebbé válik, gyakran numerikus megoldásokat igényel:

∇2u−1v2(x,y,z)∂2u∂t2=0\nabla^2 u - \frac{1}{v^2(x, y, z)} \frac{\partial^2 u}{\partial t^2} = 0∇2u−v2(x,y,z)1∂t2∂2u=0

hol:

uuu: Hullámelmozdulás,
v(x,y,z)v(x, y, z)v(x,y,z): A térbeli helyzettől függően változó sebesség,
ttt: Idő.

Véges különbség módszer hullámterjedési szimulációhoz

A véges különbség módszereket (FDM) általában a hullámegyenlet megoldására használják heterogén közegben. Diszkrét különbségekkel közelítik a deriváltakat, lehetővé téve a hullámok viselkedésének számítógépes modellezését összetett anyagokban.

Példakód: Hullámterjedés szimulálása véges különbségek használatával

piton

Kód másolása

Numpy importálása NP-ként

Matplotlib.pyplot importálása PLT-ként

# Véges különbség szimuláció paraméterei

dx, dt = 0,1, 0,01 # Térbeli és időbeli felbontás

x = np.tartomány(0; 50; dx)

t = np.tartomány(0; 5; dt)

c = 1,0 # Hullámsebesség homogén közegben

# Hullámmező tömbök inicializálása

de = np.nullák ((len (t), len (x) )

u[0, int(len(x)/2)] = 1,0 # Kezdeti impulzus a középpontban

# Véges különbségű időléptetés

n esetén a (1) tartományban, len(t)-1:

i esetén a (1) tartományban, len(x)-1:

u[n+1, i] = 2*u[n, i] - u[n-1, i] + (c**2 * dt**2 / dx**2) * (u[n, i+1] - 2*u[n, i] + u[n, i-1])

# Vizualizálja a hullám terjedését

plt.ábra(ábra=(10, 6))

plt.imshow(u; extent=[0; 50; 5; 0]; cmap='viridis'; aspect='auto')

plt.colorbar(label='Hullámamplitúdó')

plt.xlabel('Pozíció')

plt.ylabel('Idő')

plt.title("Hullámterjedés homogén közegben")

plt.show()

Ez a vizualizáció bemutatja, hogy a kezdeti impulzus hogyan terjed egy közegen keresztül az idő múlásával, betekintést nyújtva abba, hogy a hullámok hogyan haladnak át a föld alatti anyagokon.

1.4.2 Környezeti kihívások a felszín alatti felmérésekben

A talaj vezetőképessége és nedvességváltozása

A talaj vezetőképessége és nedvességtartalma közvetlenül befolyásolja az akusztikus és szeizmikus felmérések teljesítményét. A nagy vezetőképességű talajok (például a magas nedvesség- vagy agyagtartalmúak) jelentősen csillapíthatják a GPR-ben használt elektromágneses hullámokat, csökkentve behatolási mélységüket. Hasonlóképpen, a vízzel telített talajok több szeizmikus energiát nyelnek el, csökkentve a visszavert jelerősséget.

Ezekben az esetekben az olyan technikák, mint az elektromos ellenállás tomográfia (ERT) kombinálhatók szeizmikus felmérésekkel, hogy jobban megértsék a talaj elektromos tulajdonságait, javítva a felszín alatti adatok értelmezését.

Mérséklési stratégiák:

A felmérési gyakoriság beállítása: Az alacsonyabb frekvenciákat arra használják, hogy mélyebb behatolást érjenek el a nagy vezetőképességű talajokban, bár csökkentett felbontással.
Többfrekvenciás felmérések: A különböző frekvenciák egyidejű használata kiegyensúlyozhatja a mélységet és a felbontást.

Városi zaj és rendetlenség a talajban

A modern régészeti lelőhelyek, különösen azok, amelyek városi környezetben vagy annak közelében találhatók, kihívásokkal szembesülnek az antropogén zaj és a talaj rendetlensége miatt. A közeli utak, épületek és gépek rezgései olyan zajt okozhatnak, amely elfedi az érdeklődésre számot tartó jeleket. Ezenkívül az eltemetett csövek, kábelek és modern törmelékek olyan tükröződéseket hozhatnak létre, amelyeket nehéz megkülönböztetni az ősi struktúráktól.

Megoldási stratégiák:

Zajszűrés és adaptív algoritmusok: Adaptív szűrők használata a városi zajhoz kapcsolódó bizonyos frekvenciasávok elkülönítésére és eltávolítására.
Nagy felbontású tömbök: Sűrű érzékelőtömbök telepítése több szögből történő adatgyűjtéshez, lehetővé téve a céljelek és a rendetlenség jobb megkülönböztetését.

1.4.3 Adatfeldolgozás, értelmezés és megjelenítés

Az adatok értelmezésének összetettsége

A szeizmikus és akusztikai felmérések hatalmas mennyiségű adatot generálnak, amelyek feldolgozása és értelmezése kihívást jelenthet. A legfontosabb nehézségek a következők:

Komplex hullámformák: A különböző felszín alatti határokról visszavert és megtört többszörös hullámok szuperpozíciója megnehezítheti az értelmezést.
Műtermék eltávolítása: A valós jellemzők megkülönböztetése a zaj vagy a berendezés korlátozásai által okozott tárgyaktól.

Adatjavítási algoritmusok:

Dekonvolúció: A hullámtorzítás hatásainak visszafordítására szolgáló folyamat, amely javítja a visszavert jelek felbontását.
Gépi tanulási technikák: A neurális hálózatok és más AI-eszközök képesek azonosítani a szeizmikus adatok mintáit, amelyeket az emberi értelmezők figyelmen kívül hagyhatnak.

Python-kód: Wavelet-átalakítás a továbbfejlesztett funkcióészleléshez

A wavelet transzformációk hatékony eszközt biztosítanak a szeizmikus jelek elemzéséhez, feltárva mind az idő-, mind a frekvenciainformációkat. Az alábbi Python-példa a pywt kódtárat használja a szintetikus szeizmikus adatok wavelet transzformációjának végrehajtásához:

piton

Kód másolása

Numpy importálása NP-ként

Matplotlib.pyplot importálása PLT-ként

PYWT importálása

# Szintetikus szeizmikus jel szimulálása

idő = np.linspace(0; 5; 1000)

jel = np.sin(2 * np.pi * 5 * idő) * np.exp(-0,5 * idő) + 0,3 * np.sin(2 * np.pi * 10 * idő)

# Folyamatos wavelet transzformáció végrehajtása

Coeffs, freqs = pywt.cwt(jel; np.arange(1, 100), 'morl')

# Az eredeti jel és wavelet transzformáció ábrázolása

plt.ábra(ábra=(10, 8))

# Eredeti jel

PLT.Részcselekmény(2, 1, 1)

plt.plot(idő; jel)

plt.title("Szintetikus szeizmikus jel")

plt.xlabel('Idő(s)')

plt.ylabel('Amplitúdó')

# Wavelet transzformáció

plt.részcselekmény(2, 1, 2)

plt.imshow(np.abs(coeffs), extent=[0, 5, 1, 100], cmap='viridis', aspect='auto')

plt.title('Wavelet transzformáció (idő-frekvencia reprezentáció)')

plt.xlabel('Idő(s)')

plt.ylabel('Gyakoriság')

plt.tight_layout()

plt.show()

Ez a vizualizáció rávilágít arra, hogy a wavelet transzformációk hogyan javíthatják a szeizmikus jelek jellemzőinek észlelését azáltal, hogy mind idő-, mind frekvenciatartomány-információkat szolgáltatnak.

Vizualizáció és tomográfiai képalkotás

A szeizmikus és akusztikai adatok hatékony értelmezéséhez elengedhetetlen a vizualizáció.Tomográfiai képalkotási technikákat alkalmaznak a felszín alatti 2D vagy 3D modellek rekonstruálására. A hullámok különböző utakon történő utazási idejének kombinálásával lehetőség van egy olyan modell felépítésére, amely a földalatti struktúrákat képviseli.

Példa a tomográfiás inverzióra

A tomográfiai kép létrehozásának folyamata gyakran magában foglalja egy olyan egyenletrendszer megoldását, amely a hullám utazási idejét több útvonalon ábrázolja. Az inverziós probléma egyszerű változata a következőképpen ábrázolható:

Am=t\mathbf{A} \mathbf{m} = \mathbf{t}Am=t

hol:

A\mathbf{A}A: A hullámok közegen áthaladó pályáját reprezentáló mátrix.
m\mathbf{m}m: Az ismeretlen modellparaméterek (pl. hullámsebesség).
t\mathbf{t}t: Az utazási idő mérése.

Ennek a rendszernek a megoldásával (pl. a legkisebb négyzetek megközelítésével) megbecsülhetők azok a modellparaméterek, amelyek a legjobban magyarázzák a megfigyelt adatokat, lehetővé téve a felszín alatti rekonstrukciót.

Következtetés

A felszín alatti műemlékek feltárása számos kihívást jelent, amelyek mind műszaki szakértelmet, mind kreatív problémamegoldást igényelnek. Az alacsony jel-zaj arány és a heterogén közegben történő komplex hullámterjedés kezelésétől a környezeti tényezők kezeléséig és az adatok értelmezésének összetettségéig a modern műemléki észlelés multidiszciplináris törekvés. A számítási módszerek, az érzékelőtechnológiák és az adatfeldolgozási algoritmusok fejlődése segít leküzdeni ezeket a kihívásokat, lehetővé téve a régészek számára, hogy nagyobb pontossággal és hatékonysággal tárják fel és őrizzék meg múltunk rejtett kincseit.

A könyv további részei mélyebben belemerülnek a jelfeldolgozás módszereibe, a sikeres műemléki észleléseket bemutató esettanulmányokba és a számítógépes régészet élvonalbeli fejlesztéseibe.

2.1 Az akusztikus és szeizmikus hullámok alapjai

A földalatti műemlékek tanulmányozása nagymértékben támaszkodik az akusztikus és szeizmikus hullámterjedés alapjainak megértésére. Az akusztikus hullámok olyan hanghullámok, amelyek különböző közegeken, például levegőn, vízen és szilárd anyagokon haladnak át, míg a szeizmikus hullámokat olyan források generálják, mint a földrengések vagy a mesterséges rezgések, és a Föld rétegein keresztül terjednek. Mindkét típusú hullám információt hordoz a felszín alatti struktúrákról, amelyekkel találkoznak, kritikus betekintést nyújtva a rejtett műemlékek invazív ásatás nélküli észleléséhez.

Ebben a fejezetben belemerülünk a hullámmozgás fizikájába, az akusztikus és szeizmikus hullámok tulajdonságaiba, és hogy ezek a tulajdonságok hogyan segítenek megérteni a felszín alatti világot.

Hullámtulajdonságok és alapvető terminológia

Ahhoz, hogy megértsük, hogyan működnek az akusztikus és szeizmikus hullámok, elengedhetetlen ismerni alapvető tulajdonságaikat:

Amplitúdó (AAA): A hullám oszcillációjának maximális mértéke egyensúlyi helyzetéből. Ez határozza meg a hullám energiáját.
Hullámhossz (λ\lambdaλ): Két egymást követő taraj vagy vályú közötti távolság. Ez a hullámsebességhez és a frekvenciához kapcsolódik.
Frekvencia (fff): A teljes ciklusok (oszcillációk) száma másodpercenként, Hertzben (Hz) mérve. A frekvencia a hullámhosszhoz kapcsolódik:

f=vλf = \frac{v}{\lambda}f=λv

ahol vvv a hullámsebesség.

Periódus (TTT): A hullám egy teljes ciklusához szükséges idő, a gyakorisághoz viszonyítva:

T=1fT = \frac{1}{f}T=f1

Hullámsebesség (vvv): Az a sebesség, amellyel a hullám áthalad egy közegen:

v=f⋅λv = f \cdot \lambdav=f⋅λ

Ezeknek a tulajdonságoknak a kapcsolata alapvető fontosságú annak megértéséhez, hogy a hullámok hogyan viselkednek a különböző környezetekben.

A hullámegyenlet

Az akusztikus és szeizmikus hullámok viselkedését a hullámegyenlet szabályozza, amely leírja, hogyan terjednek a hullámok egy közegben. Homogén közeg esetében a hullámegyenletet a következőképpen adjuk meg:

∇2u−1v2∂2u∂t2=0\nabla^2 u - \frac{1}{v^2} \frac{\partial^2 u}{\partial t^2} = 0∇2u−v21∂t2∂2u=0

hol:

u(x,t)u(x, t)u(x,t) a hullámfüggvény, amely az elmozdulást a helyzet és az idő függvényében ábrázolja.
VVV a hullám sebessége a közegben.
∇2\nabla^2∇2 a laplaci operátor, amely a térbeli második deriváltat képviseli.

A hullámegyenlet azt jelzi, hogy a hullám elmozdulásának változása mind az időtől, mind a térbeli helyzettől függ. Ennek az egyenletnek a megoldásai leírják a hullám terjedését a közegen keresztül, megmutatva, hogyan változik amplitúdója, hullámhossza és sebessége a hullám mozgásával.

Sík hullámok

A hullámmegoldás gyakori típusa egy síkhullám, amelynek állandó haladási iránya van, és a következőképpen fejezhető ki:

u(x,t)=Asin(kx−ωt+φ)u(x, t) = A \sin(kx - \omega t + \phi)u(x,t)=Asin(kx−ωt+φ)

hol:

AAA az amplitúdó.
KKK a hullámszám, amely a hullámhosszra vonatkoztatva k=2πλk = \frac{2\pi}{\lambda}k=λ2π.
ω\omegaω a szögfrekvencia, amely ω=2πf\omega = 2\pi fω=2πf frekvenciához kapcsolódik.
φ\phiφ a fáziseltolódás.

A síkhullámok alapvető fogalma annak, hogy megértsük, hogyan terjednek mind az akusztikus, mind a szeizmikus hullámok.

Akusztikus hullámok: terjedés különböző közegekben

Az akusztikus hullámok olyan hanghullámok, amelyek hosszanti hullámként haladnak át gázokon, folyadékokon és szilárd anyagokon. A közegben lévő részecskék ugyanabban az irányban oszcillálnak, mint a hullám haladása, összenyomódnak és ritkák, amikor a hullám áthalad. Az akusztikus hullám (vav_ava) sebessége egy közegben a közeg térfogatmodulusától és sűrűségétől függ:

va=Kρ v_a = \sqrt{\frac{K}{\rho}}va=ρK

hol:

A KKK a térfogatmodulus (a közeg összenyomhatóságának mértéke).
ρ\rhoρ a közeg sűrűsége.

Például:

Levegőben a hangsebesség szobahőmérsékleten körülbelül 343 m/s.
Vízben a hang körülbelül 1.480 m/s sebességgel terjed.
Szilárd anyagokban , például acélban, a sebesség meghaladja az 5000 m/s-ot.

Példa: A hullámterjedés összehasonlítása levegőben és vízben

A következő Python-kód vizualizálja, hogyan haladnak a hanghullámok a levegőben és a vízben, bemutatva a hullámsebesség különbségeit:

piton

Kód másolása

Numpy importálása NP-ként

Matplotlib.pyplot importálása PLT-ként

# Paraméterek

idő = np.linspace(0; 0.02; 1000)

frekvencia = 1000 # 1 kHz hanghullám

amplitúdó = 1,0

# Hullámsebesség levegőben és vízben (m / s)

v_air = 343

v_water = 1480

# Akusztikus hullámok generálása levegőben és vízben

wave_air = amplitúdó * np.sin(2 * np.pi * frekvencia * (idő - idő / v_air))

wave_water = amplitúdó * np.sin(2 * np.pi * frekvencia * (idő - idő / v_water))

# A hullámok ábrázolása

plt.ábra(ábra=(10, 5))

plt.plot(idő, wave_air; label='Akusztikus hullám a levegőben')

plt.plot(idő; wave_water; label='Akusztikus hullám a vízben')

plt.xlabel('Idő(s)')

plt.ylabel('Elmozdulás')

plt.title("Akusztikus hullámterjedés levegőben és vízben")

plt.legend()

plt.grid(Igaz)

plt.show()

Az ábra azt szemlélteti, hogy az akusztikus hullámok gyorsabban terjednek vízben, mint levegőben, amint az várható a víz nagyobb térfogatmodulusa és sűrűsége miatt.

Szeizmikus hullámok: a Föld belső felfedezői

A szeizmikus hullámokat mind természeti események, például földrengések, mind mesterséges források, például irányított robbanások generálják. Széles körben használják a geofizikában és a régészetben a földalatti struktúrák és rétegek vizsgálatára.

A szeizmikus hullámoknak két fő típusa van:

Testhullámok: Ezek áthaladnak a Föld belsején, és tovább oszlanak:

P-hullámok (primer hullámok): Az akusztikus hullámokhoz hasonló longitudinális kompressziós hullámok. Leggyorsabban haladnak, és szilárd anyagokon, folyadékokon és gázokon keresztül mozoghatnak. A P-hullámok sebessége:

vp=K+43μρ v_p = \sqrt{\frac{K + \frac{4}{3} \mu}{\rho}}vp=ρK+34μ

hol:

KKK: Térfogatmodulus (összenyomhatóság).
μ\muμ: Nyírási modulus (merevség).
ρ\rhoρ: A közeg sűrűsége.
S-hullámok (másodlagos hullámok): Keresztirányú hullámok, amelyek lassabban haladnak, mint a P-hullámok. Csak szilárd anyagokon keresztül terjednek, mivel mozgásuk nyírószilárdságot igényel. Az S-hullámok sebessége:

vs=μρ v_s = \sqrt{\frac{\mu}{\rho}}vs=ρμ

Felszíni hullámok: Ezek a Föld felszínén haladnak, és lassabban bomlanak a távolsággal, mint a testhullámok. Általában pusztítóbbak a szeizmikus eseményekben, de ritkábban használják őket a régészetben a felszín alatti képalkotáshoz.

Megjelenítés: P-hullámok és S-hullámok

Íme egy Python vizualizáció, amely megmutatja, hogyan különböznek a P-hullámok és az S-hullámok a szilárd közegen keresztüli terjedésben:

piton

Kód másolása

Numpy importálása NP-ként

Matplotlib.pyplot importálása PLT-ként

# Paraméterek

idő = np.linspace(0; 2; 1000)

frekvencia = 5 # Frekvencia Hz-ben

amplitúdó = 1,0

# P-hullám (kompressziós) és S-hullám (nyírás) generálása

p_wave = amplitúdó * np.sin(2 * np.pi * frekvencia * idő)

s_wave = amplitúdó * np.sin(2 * np.pi * frekvencia * idő + np.pi / 2) # Fáziseltolás nyírómozgáshoz

# P-hullám és S-hullám ábrázolása

plt.ábra(ábra=(10, 6))

plt.plot(idő; p_wave; label='P-hullám (hosszirányú)')

plt.plot(idő; s_wave; label='S-hullám (keresztirányú)'; vonalstílus='--')

plt.xlabel('Idő(s)')

plt.ylabel('Elmozdulás')

plt.title("A P-hullám és az S-hullám terjedésének összehasonlítása")

plt.legend()

plt.grid(Igaz)

plt.show()

Ez az ábra megmutatja, hogy a P-hullámok és az S-hullámok hogyan terjednek eltérően egy közegen keresztül, a P-hullámok kompressziós viselkedést, az S-hullámok pedig nyírómozgást mutatnak.

Harmonikus hullámok és szuperpozíció

A valós alkalmazásokban a hullámok ritkán egyfrekvenciás oszcillációk. Ehelyett gyakran több harmonikus hullámból állnak. A harmonikus hullám általános formája:

u(x,t)=Asin(kx−ωt+φ)u(x, t) = A \sin(kx - \omega t + \phi)u(x,t)=Asin(kx−ωt+φ)

hol:

AAA: Amplitúdó.
kkk: Hullámszám k=2πλk = \frac{2\pi}{\lambda}k=λ2π.
ω\omegaω: ω=2πf\omega = 2\pi fω=2πf szögfrekvencia.
φ\phiφ: Fáziseltolódás.

Több hullám kombinálódhat a szuperpozíció elvén keresztül, amely kimondja, hogy a kapott hullám bármely ponton az egyes hullámok elmozdulásainak összege az adott pontban.

Komplex hullámok Fourier-analízise

A komplex hullámformák elemzéséhez a Fourier-analízis a jelet az alkotó frekvenciákra bontja. A Fourier-transzformáció definíciója:

F(ω)=∫−∞∞f(t)e−iωt dtF(\omega) = \int_{-\infty}^{\infty} f(t) e^{-i \omega t} \, dtF(ω)=∫−∞∞f(t)e−iωtdt

hol:

F(ω)F(\omega)F(ω): A jel frekvenciatartomány-reprezentációja.
f(t)f(t)f(t): Időtartomány-jel.

A Fourier-analízis lehetővé teszi a különböző frekvenciakomponensek azonosítását szeizmikus vagy akusztikus jelekben, segítve a felszín alatti szerkezetek értelmezését.

Python kód: szeizmikus jel Fourier-transzformációja

piton

Kód másolása

Numpy importálása NP-ként

Matplotlib.pyplot importálása PLT-ként

# Szintetikus szeizmikus jel generálása (több frekvenciából áll)

idő = np.linspace(0; 1; 1000)

jel = np.sin(2 * np.pi * 10 * idő) + 0,5 * np.sin(2 * np.pi * 20 * idő)

# Fourier-transzformáció végrehajtása

frekvencia = np.fft.fftfreq(len(idő), d=(idő[1] - idő[0]))

signal_fft = np.fft.fft(jel)

# Az eredeti jel és a Fourier-transzformáció ábrázolása

plt.ábra(ábra=(12, 6))

# Idő-domain jel

plt.részmintatárgy(1, 2, 1)

plt.plot(idő; jel)

plt.title('Idő-tartomány szeizmikus jel')

plt.xlabel('Idő(s)')

plt.ylabel('Amplitúdó')

# Frekvencia-domain jel

plt.részcselekmény(1, 2, 2)

PLT.PLOT(Gyakoriság; Idős.AB(signal_fft))

plt.title('Frekvenciatartomány (Fourier-transzformáció)')

plt.xlabel('Frekvencia (Hz)')

plt.ylabel('Amplitúdó')

plt.tight_layout()

plt.show()

Ez a kód megmutatja, hogyan bontható fel egy összetett szeizmikus jel frekvenciakomponenseire, betekintést nyújtva a hullám mögöttes szerkezetébe.

Következtetés

Az akusztikus és szeizmikus hullámok alapjainak megértése az alapja a felszín alatti struktúrák értelmezésének. Fizikai tulajdonságaiktól kezdve matematikai ábrázolásukig és viselkedésükig különböző médiumokban ezek a hullámok hatékony eszközt kínálnak a régészek és geofizikusok számára a rejtett földalatti műemlékek felfedezéséhez. A további szakaszok ezekre az alapokra épülnek, feltárva a hullámok konkrét típusait és kölcsönhatásaikat a különböző felszín alatti jellemzőkkel.

2.2 A hullámok típusai: testhullámok és felszíni hullámok

A szeizmikus hullámokat, amelyeket széles körben használnak a felszín alatti észlelésekben és a régészeti felmérésekben, általában két fő kategóriába sorolják: testhullámok és felszíni hullámok. Tulajdonságaik, viselkedésük és a Földön való terjedésük megértése kulcsfontosságú a szeizmikus felmérési adatok értelmezéséhez és a felszín alatti rejtett struktúrák megtalálásához.

Ez a fejezet feltárja a szeizmikus hullámok különböző típusait, arra összpontosítva, hogy a testhullámok és a felszíni hullámok hogyan különböznek mozgásukban, sebességükben és kölcsönhatásukban a különböző felszín alatti anyagokkal.

Testhullámok: P-hullámok és S-hullámok

A testhullámok áthaladnak a Föld belsején, és a szeizmikus hullámok leggyorsabb típusai, amelyek a felszíni hullámok előtt érik el a szeizmikus detektorokat. Két fő altípusból állnak: elsődleges hullámok (P-hullámok) és másodlagos hullámok (S-hullámok).

Elsődleges hullámok (P-hullámok)

A P-hullámok a leggyorsabb szeizmikus hullámok, és mint kompressziós hullámok, hosszirányban haladnak, ami azt jelenti, hogy a részecskék mozgása ugyanabban az irányban történik, mint a hullám haladása. Szilárd anyagokon, folyadékokon és gázokon keresztül terjedhetnek. A P-hullámok sebessége (vpv_pvp) a közeg térfogat- és nyírási modulusaitól függ:

vp=K+43μρ v_p = \sqrt{\frac{K + \frac{4}{3} \mu}{\rho}}vp=ρK+34μ

hol:

KKK: Térfogatmodulus (összenyomhatóság).
μ\muμ: Nyírási modulus (merevség).
ρ\rhoρ: A közeg sűrűsége.

Az a tény, hogy a P-hullámok szilárd anyagokon és folyadékokon is áthaladnak, hasznossá teszi őket a különböző anyagösszetételű felszín alatti rétegek azonosítására.

Másodlagos hullámok (S-hullámok)

Az S-hullámok nyíróhullámok, ami azt jelenti, hogy keresztirányú hullámokként terjednek. Mozgásuk merőleges a hullám haladási irányára, és a P-hullámokkal ellentétben csak szilárd anyagokon haladhatnak át, mert a folyadékok és gázok nem rendelkeznek a keresztirányú mozgás támogatásához szükséges nyírószilárdsággal. Az S-hullámok sebességét (vsv_svs) a következő képlet adja meg:

vs=μρ v_s = \sqrt{\frac{\mu}{\rho}}vs=ρμ

Mivel a vs<vpv_s < v_pvs<vp miatt az S-hullámok lassabbak, mint a P-hullámok, és utánuk érkeznek a szeizmikus állomásokra. Viselkedésük különösen hasznos a felszín alatti szilárd és folyékony rétegek megkülönböztetésére.

Hullám viselkedése és érkezési ideje

A P- és S-hullámok érkezési idejének különbségét használják a szeizmikus forrás (pl. földrengés epicentruma vagy mesterséges forrás) távolságának becslésére. Ez egy utazási idő görbe formájában jeleníthető meg, amely a P- és S-hullámok érkezési idejét ábrázolja a forrástól való távolság függvényében.

Python kód: P-Wave és S-Wave utazási idő görbék megjelenítése

piton

Kód másolása

Numpy importálása NP-ként

Matplotlib.pyplot importálása PLT-ként

# A P-hullám és az S-hullám sebességének paraméterei (példaértékek km/s-ban)

v_p = 6,0 # P-hullám sebesség

v_s = 3, 5 # S-hullám sebesség

# Távolság a szeizmikus forrástól (km-ben)

távolság = np.linspace(0; 100; 500)

# Számítsa ki a P-hullámok és az S-hullámok utazási idejét

travel_time_p = távolság / v_p

travel_time_s = távolság / v_s

# Utazási idő görbék ábrázolása

plt.ábra(ábra=(10, 6))

plt.plot(távolság; travel_time_p; label='P-hullám utazási ideje'; vonalstílus='--')

plt.plot(távolság; travel_time_s; label='S-hullám utazási ideje'; vonalstílus='-.')

plt.xlabel('Távolság a forrástól (km)')

plt.ylabel('Utazási idő(k)')

plt.title("P-hullámok és S-hullámok utazási idő görbéi")

plt.legend()

plt.grid(Igaz)

plt.show()

Az eredményül kapott ábra kiemeli a P- és az S-hullámok utazási idejének különbségét, illusztrálva, hogyan használhatók fel a felszín alatti jellemzőktől való távolság meghatározására.

Felszíni hullámok: Szerelmi hullámok és Rayleigh-hullámok

Míg a testhullámok áthaladnak a Föld belsején, a felszíni hullámok a Föld felszínén terjednek. Általában hosszabb hullámhosszúak és lassabban haladnak, mint a testhullámok, de gyakran több energiát hordoznak, és szeizmikus eseményekben pusztítóbbak. A felszíni hullámoknak két fő típusa van: a szerelmi hullámok és a Rayleigh-hullámok.

Szerelmi hullámok

A szerelmi hullámok olyan nyíróhullámok, amelyek a hullám haladási irányára merőleges vízszintes mozgásra korlátozódnak, így tisztán keresztirányúak. Nem tartalmaznak függőleges mozgást, és mozgásuk hasonló az S-hullámokhoz, de vízszintes síkra korlátozódik.

A Love hullámok sebessége a Föld felszíni rétegeinek anyagi tulajdonságaitól függ, és jellemzően gyorsabban haladnak, mint a Rayleigh-hullámok. Vízszintes mozgásuk miatt földrengések során jelentős károkat okozhatnak a szerkezetekben.

Rayleigh-hullámok

A Rayleigh-hullámok mind függőleges, mind vízszintes mozgást tartalmaznak gördülő módon, hasonlóan az óceán hullámaihoz. A részecskéket elliptikus úton mozgatják, ami a mélységgel csökken az amplitúdóban. A Rayleigh-hullámok lassabbak, mint a Love hullámok, és nagyobb amplitúdójuk van, ami hozzájárul potenciális romboló hatásukhoz.

A Rayleigh-hullámok (vrv_rvr) sebessége valamivel kisebb, mint az S-hullámoké, és hozzávetőlegesen a következő képlet adja meg:

VR≈0,92⋅vsv_r \kb. 0,92 \CDOT v_svr≈0,92⋅VS

Ez a közelítés a mélységtől és az anyagtulajdonságoktól függően változik, de általános becslést ad a Rayleigh-hullám viselkedéséről.

Megjelenítés: Felületi hullámterjedés

Az alábbiakban egy vizualizáció látható arról, hogyan terjednek a Szerelem és a Rayleigh hullámok a Föld felszínén:

piton

Kód másolása

Numpy importálása NP-ként

Matplotlib.pyplot importálása PLT-ként

# A hullámterjedés paraméterei

idő = np.linspace(0; 2; 1000)

frekvencia = 3 # A hullám frekvenciája (Hz)

amplitúdó = 1,0

# Szerelemhullám (vízszintes nyírómozgás) és Rayleigh-hullám (elliptikus mozgás) generálása

love_wave = amplitúdó * np.sin(2 * np.pi * frekvencia * idő)

rayleigh_wave = amplitúdó * np.exp(-idő) * np.sin(2 * np.pi * frekvencia * idő)

# Rajzolja meg a hullámokat

plt.ábra(ábra=(10, 6))

plt.plot(idő; love_wave; label='Szerelmi hullám (vízszintes nyíró)')

plt.plot(idő; rayleigh_wave; label='Rayleigh-hullám (elliptikus mozgás)'; linestyle='--')

plt.xlabel('Idő(s)')

plt.ylabel('Elmozdulás')

plt.title('Felszíni hullámterjedés: szerelmi hullámok és Rayleigh-hullámok')

plt.legend()

plt.grid(Igaz)

plt.show()

Ez a vizualizáció bemutatja a Love hullámok és a Rayleigh hullámok különböző mozgási jellemzőit, ahol a Love hullámok tisztán vízszintes mozgással rendelkeznek, a Rayleigh hullámok pedig elliptikus mozgást mutatnak.

Hullám diszperzió és csillapítás

A testhullámokkal ellentétben a felszíni hullámok diszperziónak vannak kitéve, ami azt jelenti, hogy sebességük a frekvenciától függően változik. Az alacsonyabb frekvenciájú komponensek általában gyorsabban haladnak, mint a magasabb frekvenciák. Ez a jelenség különösen fontos a szeizmikus adatok értelmezésekor, mivel befolyásolhatja a felszíni hullámjelek alakját és érkezési idejét.

Mind a test, mind a felszíni hullámok gyengülést tapasztalnak, amikor áthaladnak a Földön. A csillapítás a hullámenergia fokozatos elvesztése olyan tényezők miatt, mint a szórás, az abszorpció és a geometriai terjedés. Ezt a minőségi tényező (QQQ) fejezi ki, amely leírja, hogy mennyi energia vész el oszcillációs ciklusonként:

Q=2πTárolt energiaCiklusonként elvesztett energiaQ = 2 \pi \frac{\text{Tárolt energia}}{\text{Ciklusonként elvesztett energia}}Q=2πCiklusonként elvesztett energiaTárolt energia

A magasabb QQQ értékek alacsonyabb csillapítást és jobb hullámterjedést jeleznek, míg az alacsonyabb QQQ értékek azt jelentik, hogy a hullámok gyorsabban veszítenek energiát.

Python kód: szeizmikus hullámok csillapítása

A következő példa bemutatja, hogy a szeizmikus hullám amplitúdója idővel csökken a csillapítás miatt:

piton

Kód másolása

Numpy importálása NP-ként

Matplotlib.pyplot importálása PLT-ként

# Paraméterek

idő = np.linspace(0; 10; 1000)

frekvencia = 5 # A hullám frekvenciája (Hz)

amplitúdó = 1,0

Q = 30 # A csillapítás minőségi tényezője

# Számítsa ki a csillapított hullámot

decay_factor = np.exp(-idő / (2 * N))

attenuated_wave = amplitúdó * decay_factor * np.sin(2 * np.pi * frekvencia * idő)

# A csillapított hullám ábrázolása

plt.ábra(ábra=(10, 5))

plt.plot(idő; attenuated_wave; label='Csillapított hullám')

plt.xlabel('Idő(s)')

plt.ylabel('Amplitúdó')

plt.title("Szeizmikus hullám gyengülése az idő múlásával")

plt.legend()

plt.grid(Igaz)

plt.show()

Ez az ábra azt szemlélteti, hogy a szeizmikus hullám amplitúdója idővel csökken a csillapítás miatt, hangsúlyozva a hullámenergia-veszteség figyelembevételének fontosságát a felszín alatti felmérésben.

A test- és felszíni hullámok összehasonlítása

A testhullámok és a felszíni hullámok közötti elsődleges különbség terjedési közegükben, sebességükben és mozgásukban rejlik:

Ingatlan	Testhullámok (P-hullámok és S-hullámok)	Felszíni hullámok (Love & Rayleigh hullámok)
Terjesztés	Utazás a Föld belsejében	Utazás a Föld felszínén
Sebesség	Gyorsabb (P-hullámok > S-hullámok)	Lassabb, mint a testhullámok
Mozdulat	P-hullámok: kompressziós; S-hullámok: nyírás	Szerelem: vízszintes nyírás; Rayleigh: elliptikus
Rombolás	Kisebb amplitúdó, kevésbé romboló a felületen	Nagyobb amplitúdó, jelentős károkat okozhat

Ezeknek a különbségeknek a megértése kritikus fontosságú a szeizmikus felmérési adatok értelmezésekor, mivel minden hullámtípus egyedi információt nyújt a felszín alatti szerkezetekről és anyagokról.

Következtetés

A testhullámok és a felszíni hullámok közötti különbség alapvető fontosságú a szeizmikus felméréshez és a felszín alatti észleléshez. A P-hullámok, az S-hullámok, a Love-hullámok és a Rayleigh-hullámok viselkedésének elemzésével a régészek és a geofizikusok következtetéseket vonhatnak le a felszín alatti jellemzőkről, az anyagi tulajdonságokról és a lehetséges rejtett struktúrákról. A további fejezetek feltárják, hogy ezek a hullámtípusok hogyan hatnak a különböző médiumokra, és hogyan használhatók fel a gyakorlati felszín alatti vizsgálatokban.

2.3 Hullámviselkedés heterogén közegben

A felszín alatti felmérés során a hullámok ritkán haladnak át egységes anyagokon. A Föld belseje több, különböző összetételű, sűrűségű és rugalmas tulajdonságú rétegből áll. Ez a komplexitás azt eredményezi, hogy a szeizmikus és akusztikus hullámok különböző viselkedést mutatnak, mint például a visszaverődés, a fénytörés, a szórás és a csillapítás, amikor az anyagok közötti átmenetekkel találkoznak. A hullámok viselkedésének megértése heterogén közegekben elengedhetetlen a szeizmikus adatok pontos értelmezéséhez és a felszín alatti struktúrák, például az eltemetett műemlékek lokalizálásához.

Ez a fejezet feltárja a hullámok viselkedésének fizikáját heterogén közegekben, arra összpontosítva, hogy a hullámok hogyan változnak, amikor különböző anyagokkal találkoznak, és ezeknek a változásoknak a felszín alatti felmérésre gyakorolt hatásaira.

A heterogén média fogalma

A heterogén közeg olyan, amelyben az anyag tulajdonságai a helytől függően változnak. A szeizmikus és akusztikus felmérés összefüggésében ez a változás a sűrűség, a rugalmasság vagy más mechanikai tulajdonságok változása formájában történhet. Ezen variációk mindegyike befolyásolja, hogy a hullámok hogyan terjednek a közegben.

Az általános hullámegyenlet heterogén közegben a következőképpen fejezhető ki:

∇2u−1v(x,y,z)2∂2u∂t2=0\nabla^2 u - \frac{1}{v(x, y, z)^2} \frac{\partial^2 u}{\partial t^2} = 0∇2u−v(x,y,z)21∂t2∂2u=0

hol:

U(x,y,z,t)u(x, y, z, t)u(x,y,z,t) a hullámfüggvény, amely az elmozdulást a tér és az idő függvényében ábrázolja.
V(x,y,z)v(x, y, z)v(x,y,z) a hullám térben változó sebessége, amely az egyes pontokban lévő közeg tulajdonságaitól függ.

Mivel a hullámsebesség a közegben változik, a hullámfrontok megváltoztathatják az alakot, a sebességet és az amplitúdót, ami bonyolultabbá teszi az adatok értelmezését.

Hullám viselkedése az anyaghatároknál

Amikor egy szeizmikus vagy akusztikus hullám két különböző tulajdonságú anyag között határt talál, számos jelenség fordul elő, beleértve a visszaverődést, a fénytörést és az átvitelt. Ezek a kölcsönhatások az anyag tulajdonságaitól, különösen az akusztikus impedanciától (ZZZ) függenek, amelyet a következőképpen határoznak meg:

Z=ρvZ = \rho vZ=ρv

hol:

ρ\rhoρ az anyag sűrűsége.
VVV az anyag hullámsebessége.

Visszaverődési és átviteli együtthatók

A két anyag közötti határon visszaverődik és továbbított hullámenergia mennyiségét a reflexiós együttható (RRR) és az átviteli együttható (TTT) szabályozza. Normál előfordulási hullám esetén ezeket az együtthatókat a következő képlet adja meg:

R=Z2−Z1Z2+Z1R = \frac{Z_2 - Z_1}{Z_2 + Z_1}R=Z2+Z1Z2−Z1 T=2Z2Z2+Z1T = \frac{2 Z_2}{Z_2 + Z_1}T=Z2+Z12Z2

hol:

Z1Z_1Z1 és Z2Z_2Z2 az első és a második anyag akusztikus impedanciái.

A nagy kontrasztú impedancia (Z1≠Z2Z_1 \neq Z_2Z1=Z2) erős visszaverődésekhez vezet, amelyek a felszín alatti struktúrák, például falak, üregek vagy különböző geológiai rétegek kulcsfontosságú mutatói.

Példa: A hullámvisszaverődés és -átvitel megjelenítése

A következő Python-kód vizualizálja, hogy egy hullám hogyan tükrözi és továbbítja két különböző impedanciájú anyag határán:

piton

Kód másolása

Numpy importálása NP-ként

Matplotlib.pyplot importálása PLT-ként

# A hullámterjedés paraméterei

idő = np.linspace(0; 2; 1000)

frekvencia = 5 # A hullám frekvenciája (Hz)

amplitúdó = 1,0

# Anyag tulajdonságai

Z1 = 3,0 # Az első anyag impedanciája

Z2 = 5,0 # A második anyag impedanciája

# Számítsa ki a visszaverődési és átviteli együtthatókat

R = (Z2 - Z1) / (Z2 + Z1)

T = 2 * Z2 / (Z2 + Z1)

# Incidens, visszavert és továbbított hullámok generálása

incident_wave = amplitúdó * np.sin(2 * np.pi * frekvencia * idő)

reflected_wave = R * amplitúdó * np.sin(2 * np.pi * frekvencia * idő)

transmitted_wave = T * amplitúdó * np.sin(2 * np.pi * frekvencia * idő)

# Telek hullámok

plt.ábra(ábra=(10, 6))

plt.plot(idő; incident_wave; label='Incidenshullám')

plt.plot(idő; reflected_wave; label='Visszavert hullám'; vonalstílus='--')

plt.plot(idő; transmitted_wave; label='Továbbított hullám'; vonalstílus='-.')

plt.xlabel('Idő(s)')

plt.ylabel('Amplitúdó')

plt.title("Hullámvisszaverődés és -átvitel egy anyagi határon")

plt.legend()

plt.grid(Igaz)

plt.show()

Ez az ábra azt szemlélteti, hogy egy hullám hogyan oszlik meg visszavert és továbbított komponensekre, amikor találkozik egy határral, és hogy amplitúdójuk hogyan függ az anyagok impedanciáitól.

Hullámtörés és Snell törvénye

Amikor egy hullám áthalad a különböző hullámsebességű anyagok határán, megváltoztatja az irányt - ezt a jelenséget törésnek nevezik. Az irányváltást Snell törvénye szabályozza:

sinθ1v1=sinθ2v2\frac{\sin \theta_1}{v_1} = \frac{\sin \theta_2}{v_2}v1sinθ1=v2sinθ2

hol:

θ1\theta_1 θ1 és θ2\theta_2 θ2 az előfordulási szögek és a törésszögek.
v1v_1v1 és v2v_2v2 az első és a második közeg hullámsebessége.

Ha a hullám egy lassabb közegből (v1v_1v1) egy gyorsabb közegbe (v2v_2v2) megy át, akkor elhajlik a normáltól; ha egy gyorsabb közegből egy lassabb közegbe halad, akkor a normál felé hajlik.

Kritikus szög és teljes belső visszaverődés

Bizonyos beesési szögek esetén a fénytörés a teljes belső visszaverődésnek nevezett jelenséget eredményezheti, ahol a hullám teljesen visszaverődik az első közegbe, és nem továbbítódik a második közegbe. Ez akkor fordul elő, ha a beesési szög meghaladja a kritikus szöget (θc\theta_c θc), amelyet a következő képlet ad meg:

θc=arcsin(v1v2)\theta_c = \arcsin\left(\frac{v_1}{v_2}\right)θc=arcsin(v2v1)

Ez a koncepció fontos a felszín alatti felmérésekben, mert meghatározza, hogy mely rétegeket lehet szeizmikus vagy akusztikus hullámokkal vizsgálni.

Megjelenítés: Hullámtörés

Az alábbiakban a hullámtörés vizualizációja látható egy határon, bemutatva, hogyan hajlik a hullám, amikor két különböző hullámsebességű közeg között mozog:

piton

Kód másolása

Numpy importálása NP-ként

Matplotlib.pyplot importálása PLT-ként

# A törés paraméterei

theta_inc = np.linspace(0, np.pi/2, 100) # Incidensszögek (radiánban)

v1 = 2,0 # Hullámsebesség az első közegben

v2 = 4,0 # Hullámsebesség második közegben

# Számítsa ki a törésszögeket Snell törvénye segítségével

theta_refr = NP.Arcsin((v1 / v2) * np.sin(theta_inc))

# Törésszögek ábrázolása

plt.ábra(ábra=(10, 6))

PLT.PLOT(NP.fok(theta_inc); NP.fok(theta_refr))

plt.xlabel('Beesési szög (fok)')

plt.ylabel('Megtört szög (fok)')

plt.title("Hullámtörés Snell törvénye szerint")

plt.grid(Igaz)

plt.show()

Ez az ábra bemutatja, hogy a törésszög hogyan változik a két közeg beesési szögével és hullámsebességével.

Szórás, diszperzió és csillapítás heterogén közegben

A heterogén közegekben a hullámok nemcsak visszaverődnek és megtörnek, hanem szórást, diszperziót és csillapítást is tapasztalnak.

Szórás

A szórás akkor következik be, amikor a hullámok kis léptékű szabálytalanságokkal vagy inhomogenitásokkal találkoznak a közegben, ami miatt a hullám eltér az eredeti útjától. A szórás jelentősen befolyásolhatja a hullámamplitúdókat, és megnehezítheti az adatok értelmezését, különösen nagyon heterogén környezetben, például töredezett kőzetben vagy laza talajban.

Diszperzió

A diszperzió arra a jelenségre utal, amikor a hullám különböző frekvenciái különböző sebességgel haladnak, ami a hullám időbeli terjedését okozza. A diszperzió különösen gyakori a felszíni hullámokban, ahol az alacsonyabb frekvenciájú komponensek gyorsabban haladnak, mint a magasabb frekvenciájú komponensek, ami terjedő hullámcsomagot eredményez.

A diszperzív hullám vpv_pvp fázissebessége és csoportsebessége vgv_gvg a hullám szögfrekvenciájával (ω\omegaω) és hullámszámával (kkk) függ össze:

vp=ω kv_p = \frac{\omega}{k}vp=kω vg=dω dkv_g = \frac{d\omega}{dk}vg=dkdω

Csillapítás

A csillapítás a hullámenergia fokozatos elvesztése az abszorpció, szórás és más mechanizmusok miatt, amikor a hullám áthalad a közegen. Ezt az energiaveszteséget a csillapítási együttható (α\alphaα) jellemzi:

A(x)=A0e−αxA(x) = A_0 e^{-\alpha x}A(x)=A0e−αx

hol:

A(x)A(x)A(x) az amplitúdó xxx távolságban.
A0A_0A0 a kezdeti amplitúdó.

Python kód: hullámdiszperzió és csillapítás szimulálása

Az alábbiakban egy szimuláció látható, amely egyesíti a diszperziós és csillapító hatásokat egy heterogén közegen áthaladó hullámon:

piton

Kód másolása

Numpy importálása NP-ként

Matplotlib.pyplot importálása PLT-ként

# Paraméterek

idő = np.linspace(0; 10; 1000)

frekvencia1 = 5 # 1. frekvenciakomponens (Hz)

frekvencia2 = 8 # 2. frekvenciakomponens (Hz)

amplitúdó = 1,0

alfa = 0,2 # Csillapítási együttható

# Generáljon különböző frekvenciájú hullámkomponenseket (diszperzió) és gyengüljön az idő múlásával

hullám1 = amplitúdó * np.exp(-alfa * idő) * np.sin(2 * np.pi * frekvencia1 * idő)

hullám2 = amplitúdó * np.exp(-alfa * idő) * np.sin(2 * np.pi * frekvencia2 * idő)

# Kombinálja a hullámkomponenseket

combined_wave = hullám1 + hullám2

# Kombinált hullám ábrázolása diszperzióval és csillapítással

plt.ábra(ábra=(10, 6))

plt.plot(idő; combined_wave; label='Diszpergált és csillapított hullám')

plt.xlabel('Idő(s)')

plt.ylabel('Amplitúdó')

plt.title("Hullámdiszperzió és csillapítás heterogén közegben")

plt.grid(Igaz)

plt.show()

Ez az ábra bemutatja, hogyan változik egy hullám az idő múlásával mind a diszperzió (különböző frekvenciakomponensek terjedése), mind a csillapítás (csökkenő amplitúdó) miatt.

Hullámterjedés numerikus modellezése heterogén közegben

A heterogén közegben a hullám viselkedésének összetettsége miatt a hullámegyenlet analitikai megoldásait gyakran nehéz beszerezni. Ehelyett numerikus modellezési technikákat, például a véges különbség módszert (FDM) vagy a végeselemes módszert (FEM) használják a hullámterjedés szimulálására összetett közegen keresztül.

Ezek a módszerek diszkretizálják a közeget kis elemekre vagy rácspontokra, és iteratív módon oldják meg a hullámegyenletet, hogy megjósolják, hogyan terjednek, tükröződnek és gyengülnek a hullámok az idő múlásával.

Python kód: egyszerű numerikus hullámterjedés heterogén közegben

Íme egy példa egy egyszerű véges különbségű megközelítés alkalmazására a hullámterjedés modellezésére 1D heterogén közegben:

piton

Kód másolása

# A hullámterjedés paraméterei

dx = 0,1 # Térbeli felbontás

dt = 0,01 # Időbeli felbontás

x = np.arange(0, 100, dx) # Térbeli tartomány

idő = np.arange(0, 10, dt) # Időbeli tartomány

# Közepes tulajdonságok (a hullámsebesség pozíciónként változik)

v = np.ones_like(x) * 2,0

v[500:] = 3.0 # Gyorsabb közepes a második félidőben

# Hullámmező inicializálása

u = np.zeros((len(idő), len(x)))

# Kezdeti impulzus középen

u[0, hossz(x)//2] = 1,0

# Numerikus véges különbségű hullámterjedés

n esetén a (1) tartományban, len(idő)-1:

i esetén a (1) tartományban, len(x)-1:

u[n+1, i] = 2*u[n, i] - u[n-1, i] + (v[i]**2 * dt**2 / dx**2) * (u[n, i+1] - 2*u[n, i] + u[n, i-1])

# Végső hullámmező ábrázolása

plt.ábra(ábra=(10, 6))

plt.imshow (que, extent=[0, 100, 10, 0], cmap=seismic', aspect=auto)

plt.xlabel('Pozíció (x)')

plt.ylabel('Idő(k)')

plt.title("Hullámterjedés heterogén közegben")

plt.colorbar(label='Hullámamplitúdó')

plt.show()

Ez a vizualizáció megmutatja, hogyan terjednek a hullámok egy változó tulajdonságokkal rendelkező közegben, kiemelve, hogy a hullámsebesség változásai hogyan befolyásolják a hullám viselkedését.

Következtetés

A hullámok viselkedése heterogén közegben összetett és sokrétű, magában foglalja a visszaverődést, a fénytörést, a szórást, a diszperziót és a csillapítást. Annak megértése, hogy a hullámok hogyan hatnak a felszín alatti anyagokra, kulcsfontosságú a szeizmikus adatok értelmezéséhez és az eltemetett struktúrák pontos észleléséhez. Ez a fejezet biztosítja a hullámterjedés komplex közegben történő elemzéséhez és modellezéséhez szükséges alapelveket, előkészítve a terepet a hullámok viselkedésének további feltárásához valós régészeti és geofizikai alkalmazásokban.

2.4 Visszaverődés, fénytörés és diffrakció szeizmikus felmérésekben

A szeizmikus felmérés a hullámok viselkedésére támaszkodik, amikor kölcsönhatásba lépnek a felszín alatti szerkezetekkel. Amikor a szeizmikus hullámok határokkal találkoznak a különböző tulajdonságokkal rendelkező anyagok között, olyan változásokon mennek keresztül, mint a visszaverődés, a fénytörés és a diffrakció. Ezeknek a viselkedéseknek a megértése kulcsfontosságú a szeizmikus adatok értelmezéséhez és a föld alatti jellemzők, például műemlékek, hibák vagy régészeti lelőhelyek hatékony azonosításához.

Ez a fejezet a szeizmikus felmérések összefüggésében a reflexió, a fénytörés és a diffrakció alapjait fedi le, vizualizációkkal, képletekkel és kódolási példákkal alátámasztva.

Tükröződés a szeizmikus felmérésekben

A visszaverődés akkor következik be, amikor egy szeizmikus hullám eléri a határt két különböző akusztikus impedanciájú anyag között, és a hullámenergia egy része visszapattan a felszín felé. Ezt a jelenséget széles körben használják szeizmikus felmérésekben a felszín alatti struktúrák feltérképezésére.

Snell törvénye és a reflexió törvénye

A visszaverődési szög (θr\theta_r θr) megegyezik a beesési szöggel (θi\theta_i θi), amint azt a visszaverődés törvénye kimondja:

θr=θi\theta_r = \theta_i θr=θi

Visszaverődési együttható

A visszavert hullám erőssége a két érintett közeg akusztikus impedanciájától (ZZZ) függ, amelyet a következőképpen határoznak meg:

Z=ρvZ = \rho vZ=ρv

hol:

ρ\rhoρ az anyag sűrűsége.
VVV az anyag hullámsebessége.

A visszaverődési együtthatót (RRR) a következőképpen kell kiszámítani:

R=Z2−Z1Z2+Z1R = \frac{Z_2 - Z_1}{Z_2 + Z_1}R=Z2+Z1Z2−Z1

hol:

Z1Z_1Z1 az első anyag akusztikus impedanciája (az anyag, amelyből a hullám származik).
Z2Z_2Z2 a második anyag akusztikus impedanciája (az anyag, amelybe a hullám részben továbbításra kerül).

Python vizualizáció: hullámvisszaverődés

A következő kód szimulálja egy szeizmikus hullám visszaverődését egy határon, bemutatva, hogy a beeső hullám hogyan oszlik meg visszavert és továbbított összetevőkre:

piton

Kód másolása

Numpy importálása NP-ként

Matplotlib.pyplot importálása PLT-ként

# Paraméterek

idő = np.linspace(0; 5; 1000)

frekvencia = 5 # Frekvencia Hz-ben

amplitúdó = 1,0

# Anyag tulajdonságai

Z1 = 4,0 # Az első anyag impedanciája

Z2 = 8, 0 # A második anyag impedanciája

# Számítsa ki a visszaverődési együtthatót

R = (Z2 - Z1) / (Z2 + Z1)

# Incidens, visszavert és továbbított hullámok generálása

incident_wave = amplitúdó * np.sin(2 * np.pi * frekvencia * idő)

reflected_wave = R * amplitúdó * np.sin(2 * np.pi * frekvencia * idő)

# Telek hullámok

plt.ábra(ábra=(10, 5))

plt.plot(idő; incident_wave; label='Incidenshullám')

plt.plot(idő; reflected_wave; label='Visszavert hullám'; vonalstílus='--')

plt.xlabel('Idő(s)')

plt.ylabel('Amplitúdó')

plt.title("Hullámvisszaverődés egy anyagi határon")

plt.legend()

plt.grid(Igaz)

plt.show()

Ez a vizualizáció megmutatja, hogy a hullám egy része hogyan tükröződik, amikor két anyag közötti határral találkozik, míg a többi továbbított hullámként folytatódik (itt nem látható).

Fénytörés szeizmikus felmérésekben

Amikor egy szeizmikus hullám átlépi a határt két különböző hullámsebességű közeg között, meghajlik – ezt hívják törésnek. A megtört hullám szöge mindkét közeg hullámsebességétől és a beesési szögtől függ, amint azt a Snell-törvény leírja:

sinθ1v1=sinθ2v2\frac{\sin \theta_1}{v_1} = \frac{\sin \theta_2}{v_2}v1sinθ1=v2sinθ2

hol:

θ1\theta_1 θ1 a beesési szög.
θ2\theta_2 θ2 a törésszög.
v1v_1v1 és v2v_2v2 az első és a második közeg hullámsebessége.

Kritikus szög és teljes belső visszaverődés

Ha a hullám egy lassabb közegből (v1v_1v1) egy gyorsabb közegbe (v2v_2v2) halad, van egy kritikus szög (θc\theta_c θc), amelyen túl a hullám teljesen visszaverődik, és nem következik be törés:

θc=arcsin(v1v2)\theta_c = \arcsin\left(\frac{v_1}{v_2}\right)θc=arcsin(v2v1)

Ezen a kritikus szögön túl minden hullámenergia visszaverődik az eredeti közegbe, ezt a jelenséget teljes belső visszaverődésnek nevezik.

Python vizualizáció: fénytörés Snell törvényével

A következő kód bemutatja, hogyan változik a törésszög a két közeg beesési szöge és relatív hullámsebessége alapján:

piton

Kód másolása

Numpy importálása NP-ként

Matplotlib.pyplot importálása PLT-ként

# A törés paraméterei

theta_inc = np.linspace(0, np.pi/2, 100) # Incidensszögek (radiánban)

v1 = 2,0 # Hullámsebesség az első közegben

v2 = 4,0 # Hullámsebesség második közegben

# Számítsa ki a törésszögeket Snell törvénye segítségével

theta_refr = NP.Arcsin((v1 / v2) * np.sin(theta_inc))

# Törésszögek ábrázolása

plt.ábra(ábra=(10, 5))

PLT.PLOT(NP.fok(theta_inc); NP.fok(theta_refr))

plt.xlabel('Beesési szög (fok)')

plt.ylabel('Megtört szög (fok)')

plt.title("Hullámtörés Snell törvénye szerint")

plt.grid(Igaz)

plt.show()

Ez az ábra bemutatja, hogyan hajlanak a hullámok két közeg határán, a hajlítás mértékét az egyes közegek hullámsebessége határozza meg.

Diffrakció a szeizmikus felmérésekben

A diffrakció akkor fordul elő, amikor egy szeizmikus hullám akadályba ütközik, vagy áthalad egy kis nyíláson, ami a hullám terjedését és hajlítását okozza az akadály körül. Ez a viselkedés akkor jelentős, ha a hullámok kölcsönhatásba lépnek kis felszín alatti jellemzőkkel, élekkel vagy üregekkel, mivel szétszórt hullámokat hozhatnak létre, amelyek információkat tartalmaznak ezekről a jellemzőkről.

Huygens elve és diffrakciója

A diffrakció a Huygens-elven keresztül érthető meg, amely kimondja, hogy a hullámfront minden pontja gömb alakú másodlagos hullámok forrásaként működik. Ezeknek a hullámoknak a szuperpozíciója alkotja az új hullámfrontot. Amikor a hullámok áthaladnak egy nyíláson vagy egy akadály körül, ezek a másodlagos hullámok interferálnak és diffrakciós hullámmintát hoznak létre.

Megjelenítés: egy nyíláson áthaladó hullám diffrakciója

Az alábbiakban a hullámdiffrakció vizualizációja látható egy kis nyíláson keresztül, a Huygens-elven alapuló egyszerű közelítéssel:

piton

Kód másolása

Numpy importálása NP-ként

Matplotlib.pyplot importálása PLT-ként

# Paraméterek

x = np.linspace(-5, 5, 1000)

aperture_width = 1,0

hullámhossz = 0,5

# Diffrakciós mintázat szimulálása sinc függvény közelítéssel

diffraction_pattern = np.sinc((x / aperture_width) / hullámhossz)

# Plot diffrakciós minta

plt.ábra(ábra=(10, 5))

PLT.PLOT(x; diffraction_pattern)

plt.xlabel('Pozíció (x)')

plt.ylabel('Amplitúdó')

plt.title("Hullám diffrakciója kis nyíláson keresztül")

plt.grid(Igaz)

plt.show()

Ez a vizualizáció egy hullám terjedését ábrázolja, amikor áthalad egy nyíláson, jellegzetes diffrakciós mintát hozva létre.

Visszaverődés és fénytörés a felszín alatti rétegekben

A szeizmikus felmérések során mind a visszaverődést, mind a fénytörést használják a felszín alatti szerkezetek elemzésére:

Reflexiós szeizmikus felmérések: Mérje meg a felszín alatti rétegekről visszaverődő hullámok utazási idejét és amplitúdóit. Ez a módszer hatékony a felszín alatti jellemzők, például eltemetett falak, üregek és üledékes rétegek feltérképezésére.
Refrakciós szeizmikus felmérések: Elemezze a hullámok hajlítási és utazási idejét, amikor különböző rétegeken törnek át. Ezt a technikát mélyebb struktúrák vizsgálatára használják, és információt szolgáltathat a különböző felszín alatti anyagok hullámsebességéről.

Python példa: réteges média és reflexió

Az alábbi kód egy réteges közegen áthaladó szeizmikus hullámot szimulál, és vizualizálja, hogyan tükröződik az egyes határokon:

piton

Kód másolása

Numpy importálása NP-ként

Matplotlib.pyplot importálása PLT-ként

# Paraméterek

idő = np.linspace(0; 5; 1000)

frekvencia = 3 # Frekvencia Hz-ben

amplitúdó = 1,0

# A rétegek impedanciája

Z1 = 3.0 # Első réteg impedancia

Z2 = 5.0 # Második réteg impedancia

Z3 = 8,0 # Harmadik réteg impedancia

# Számítsa ki a reflexiós együtthatókat minden határon

R12 = (Z2 - Z1) / (Z2 + Z1)

R23 = (Z3 - Z2) / (Z3 + Z2)

# Incidens és visszavert hullámok generálása

incident_wave = amplitúdó * np.sin(2 * np.pi * frekvencia * idő)

reflected_wave_12 = R12 * amplitúdó * np.sin(2 * np.pi * frekvencia * idő)

reflected_wave_23 = R23 * reflected_wave_12

# Telek hullámok

plt.ábra(ábra=(10, 6))

plt.plot(idő; incident_wave; label='Incidenshullám')

plt.plot(idő; reflected_wave_12; label='Visszavert hullám az 1-2. rétegen', vonalstílus='--')

plt.plot(idő; reflected_wave_23; label='Visszavert hullám a 2-3. rétegnél'; vonalstílus='-.')

plt.xlabel('Idő(s)')

plt.ylabel('Amplitúdó')

plt.title("Hullámvisszaverődés réteges közegben")

plt.legend()

plt.grid(Igaz)

plt.show()

Ez a vizualizáció azt mutatja, hogy egy szeizmikus hullám hogyan tükröződik több határon egy réteges közegben, és minden réteg befolyásolja a hullám viselkedését az impedanciája alapján.

Gyakorlati alkalmazás: szeizmikus képalkotás és tomográfia

A szeizmikus felmérések során a visszavert, töredezett és diffrakciós hullámok elemzésével a geofizikusok és a régészek képeket készíthetnek a felszín alatt. Ez a szeizmikus tomográfia néven ismert folyamat magában foglalja a hullámok utazási idejének és amplitúdóinak mérését, hogy kikövetkeztesse a föld alatti jellemzők tulajdonságait és szerkezetét.

Utazási idő tomográfia

Az utazási idő tomográfia olyan technika, amelyben a szeizmikus hullámok különböző érzékelőkhöz való érkezési idejét használják a felszín alatti sebességmodell rekonstruálására. Az eikonális egyenlet megoldásával, amely a hullámok utazási idejét a pozíció függvényében írja le, létrehozható a felszín alatti kép.

Eikonális egyenlet:

∣∇T(x)∣=1v(x)|\nabla T(\mathbf{x})| = \frac{1}{v(\mathbf{x})}∣∇T(x)∣=v(x)1

hol:

T(x)T(\mathbf{x})T(x): Utazási idő az x\mathbf{x}x pozícióban.
v(x)v(\mathbf{x})v(x): Hullámsebesség az x\mathbf{x}x pozícióban.

Ennek az egyenletnek a megoldásával feltérképezhető a hullámsebességek eloszlása, feltárva a felszín alatti szerkezetek elrendezését.

Következtetés

A visszaverődés, a fénytörés és a diffrakció elvei alkotják a szeizmikus felmérés és a felszín alatti képalkotás gerincét. Annak megértése, hogy a hullámok hogyan hatnak a különböző anyagokra és határokra, elengedhetetlen a szeizmikus adatok értelmezéséhez és a föld alatti környezet pontos képeinek megalkotásához. Ezeket a fogalmakat tovább vizsgálják a gyakorlati alkalmazásokban, beleértve a szeizmikus képalkotó technikákat és a valós esettanulmányokat.

3.1 Geofizikai felmérési módszerek: áttekintés

A geofizikai felmérési módszerek a régészeti feltárás alapvető eszközei, amelyek nem invazív eszközöket kínálnak a felszín alatti jellemzők, például eltemetett műemlékek, alapok vagy üregek észlelésére, feltérképezésére és jellemzésére. A talaj fizikai tulajdonságainak változásait - például sűrűségét, mágnesességét vagy vezetőképességét - kihasználva a geofizikai felmérések részletes képeket nyújthatnak a felszín alatti területekről feltárás nélkül. Ezek a módszerek számos tudományágban alkalmazhatók, beleértve a régészetet, a mérnöki tudományokat, a környezeti tanulmányokat és a geológiát.

Ebben a fejezetben feltárjuk a főbb geofizikai felmérési módszereket, különös tekintettel azok alapelveire, alkalmazásaira és előnyeire a régészeti lelőhelyek feltárásában.

A geofizikai felmérési módszerek kategóriái

A geofizikai felmérési módszerek fő kategóriái az általuk mért fizikai tulajdonságok és az általuk használt hullámok típusa alapján oszthatók meg:

Szeizmikus módszerek: Mérje meg a szeizmikus hullámterjedés változásait a felszín alatti szerkezet következtetéséhez.
Ground-Penetrating Radar (GPR): Elektromágneses hullámokat használ a felszín alatti dielektromos tulajdonságok változásainak észlelésére.
Elektromos ellenállási és vezetőképességi módszerek: Vizsgálja meg a felszín alatti elektromos tulajdonságokat áram befecskendezésével és a kapott potenciálmező mérésével.
Magnetometria: Észleli a Föld mágneses mezőjének változásait, amelyeket eltemetett jellemzők okoznak.
Elektromágneses indukció (EMI): Az elektromágneses mezők változásait méri a felszín alatti vezetőképesség és a mágneses szuszceptibilitás tanulmányozására.
Gravimetria: A gravitációs térerősség változásait használja a felszín alatti sűrűségváltozások kikövetkeztetésére.

Ezen módszerek mindegyike egyedi előnyöket és kihívásokat kínál, és együttes alkalmazásuk átfogó képet adhat egy régészeti lelőhelyről.

1. Szeizmikus módszerek

A szeizmikus felmérések rugalmas hullámokat használnak a felszín alatti szondázáshoz. Ezeket a hullámokat szabályozott források (például kalapácsütések vagy robbanások) generálják, és a talajon keresztül terjednek, kölcsönhatásba lépve a felszín alatti szerkezetekkel. Ezeknek a hullámoknak az utazási ideje, amplitúdója és sebessége információt nyújt a felszín alatti anyagtulajdonságokról.

Szeizmikus fénytörési és reflexiós felmérések

Szeizmikus fénytörés: Azt az időt méri, amely alatt a hullámok megtörnek (meghajlanak) a felszín alatti rétegek mentén. Ez a módszer különösen hasznos a mélyebb jellemzők és rétegek azonosítására a szeizmikus hullámok sebessége alapján.
Szeizmikus visszaverődés: A felszín alatti határokról visszaverődő hullámokra összpontosít. Ezeknek a visszaverődéseknek az utazási idejét arra használják, hogy részletes képeket készítsenek a felszín alatt.

Szeizmikus sebesség modellek

A szeizmikus hullámok sebessége (vvv) egy anyagon keresztül kulcsfontosságú a szeizmikus adatok értelmezéséhez. Ezt az anyag rugalmas tulajdonságai határozzák meg, az alábbiak szerint:

vp=K+43μρ v_p = \sqrt{\frac{K + \frac{4}{3} \mu}{\rho}}vp=ρK+34μ

hol:

vpv_pvp: A P-hullámok (kompressziós hullámok) sebessége.
KKK: Térfogatmodulus (összenyomhatóság).
μ\muμ: Nyírási modulus (merevség).
ρ\rhoρ: Az anyag sűrűsége.

Python kód: Szeizmikus fénytörési adatok szimulálása

Az alábbiakban egy kódrészlet látható, amely bemutatja a szeizmikus hullámok utazási idejének alapvető szimulációját réteges közegben:

piton

Kód másolása

Numpy importálása NP-ként

Matplotlib.pyplot importálása PLT-ként

# A szeizmikus hullámterjedés paraméterei

rétegek = [("Topsoil", 1.5), ("Rock", 3.0), ("Alapkőzet", 4.5)] # Rétegnevek és sebességek (km/s)

mélység = [0, 5, 15] # Réteghatárok mélysége (m)

távolság = np.linspace(0, 100, 500) # Távolság a forrástól (m)

# Számítsa ki a rétegeken keresztüli törés utazási idejét

travel_times = []

mélység, (név, sebesség) zip(mélységek, rétegek):

idő = (távolság / sebesség) + (2 * mélység / sebesség)

travel_times.append(idő)

# Utazási idő görbék ábrázolása

plt.ábra(ábra=(10, 5))

az idő (név, _) a zip(travel_times, layers) fájlban:

plt.plot(távolság; idő; címke=f'Fénytörés {név}')

plt.xlabel('Távolság a forrástól (m)')

plt.ylabel('Utazási idő(k)')

plt.title("Szimulált szeizmikus törés utazási idő görbék")

plt.legend()

plt.grid(Igaz)

plt.show()

Ez a példa azt mutatja be, hogy a szeizmikus hullámok hogyan törnek meg a különböző felszín alatti rétegeken, az utazási idő görbék pedig információt szolgáltatnak az egyes rétegek hullámsebességéről.

2. Földradar (GPR)

A földbe hatoló radar (GPR) nagyfrekvenciás elektromágneses hullámokat használ a felszín alatti képek készítéséhez. A GPR rendszer radarimpulzusokat bocsát ki a földbe, amelyek visszaverődnek az eltemetett tárgyakról, az anyagváltozásokról vagy az üregekről. A visszavert jeleket detektálják és rögzítik, felfedve a felszín alatti szerkezetekkel kapcsolatos információkat.

GPR jelsebesség és -mélység kiszámítása

A radarhullámok sebessége (vvv) annak az anyagnak a dielektromos állandójától (ε\epsilonε) függ, amelyen áthaladnak:

V=cεv = \frac{c}{\sqrt{\epsilon}}v=εc

hol:

ccc a fény sebessége vákuumban (≈3×108 m/s\approx 3 \times 10^8 \, \text{m/s}≈3×108m/s).
ε\epsilonε az anyag dielektromos állandója.

A fényvisszaverő tárgy mélysége (ddd) a következő képlettel becsülhető meg:

d=v⋅t2d = \frac{v \cdot t}{2}d=2v⋅t

hol:

TTT a radarimpulzus kétirányú utazási ideje.

Python-kód: GPR-adatok szimulálása

Az alábbi példa kódrészlet egy egyszerű GPR-profilt szimulál két különböző felszín alatti anyagon keresztül:

piton

Kód másolása

Numpy importálása NP-ként

Matplotlib.pyplot importálása PLT-ként

# Paraméterek

idő = np.linspace(0, 100, 1000) # Idő nanoszekundumban (ns)

dielectric_constants = [9, 25] # Dielektromos állandók két anyagra (pl. talaj és kőzet)

amplitúdók = [1,0, 0,5] # A visszaverődések amplitúdói

# Számítsa ki a hullámsebességeket

c = 3e8 # fénysebesség (m/s)

sebességek = [c / np.sqrt(epsilon) az epszilonra dielectric_constants]

# GPR jel szimulálása (amplitúdó az idő múlásával)

gpr_signal = amplitúdók[0] * np.sin(2 * np.pi * idő / sebességek[0]) + amplitúdók[1] * np.sin(2 * np.pi * idő / sebességek[1])

# GPR jel ábrázolása

plt.ábra(ábra=(10, 5))

plt.plot(idő; gpr_signal)

plt.xlabel('Idő (ns)')

plt.ylabel('Amplitúdó')

plt.title('szimulált GPR profil')

plt.grid(Igaz)

plt.show()

Ez a kód egy egyszerű GPR profilt modellez, amely két különböző dielektromos állandójú anyagon alapul, megjelenítve a visszavert jelet az idő múlásával.

3. Elektromos ellenállási és vezetőképességi módszerek

Az elektromos ellenállás felmérések azt mérik, hogy a felszín alatti anyagok mennyire ellenállnak az elektromos áram áramlásának. Elektródákon keresztül elektromos áramot injektálnak a földbe, és mérik a kapott potenciálkülönbséget. A különböző ellenállású felszín alatti anyagok befolyásolják az áramáramlást, feltárva a föld alatti szerkezet változásait.

A látszólagos ellenállást (ρa\rho_a ρa) a következő képlet adja meg:

ρa=K⋅ΔVI\rho_a = K \cdot \frac{\Delta V}{I}ρa=K⋅IΔV

hol:

KKK: Geometriai tényező (az elektróda konfigurációjától függ).
ΔV\Delta VΔV: Mért potenciálkülönbség.
III: Befecskendezett áram.

Az elektromos vezetőképesség az ellenállás reciproka, és elektromágneses felmérésekben használják a felszín alatti anyagok változásainak kimutatására.

Példa: vezetőképességi profilalkotás

Egy egyszerű esetben egy anyag vezetőképessége (σ\sigmaσ) az ellenállásával (ρ\rhoρ) függ össze az alábbiak szerint:

σ=1ρ\szigma = \frac{1}{\rho}σ=ρ1

4. Magnetometria

A magnetometria a Föld mágneses mezőjének változásait méri, amelyeket eltemetett régészeti jellemzők vagy geológiai anomáliák okoznak. Az olyan anyagok, mint a kiégetett tégla, vasműtermékek vagy magmás kőzetek helyi mágneses zavarokat okoznak, amelyeket nagyon érzékeny magnetométerekkel lehet detektálni.

A mágneses tér anomáliája (ΔB\Delta BΔB) függ a mágnesezettségtől (MMM), a forrástól való távolságtól (rrr) és az anyag tulajdonságaitól:

ΔB=μ04πMr3\Delta B = \frac{\mu_0}{4 \pi} \frac{M}{r^3}ΔB=4πμ0r3M

hol:

μ0\mu_0 μ0 a szabad tér permeabilitása.
Az MMM a forrás mágnesezése.

A magnetometria különösen hatékony az eltemetett falak, kemencék vagy fémtárgyak kimutatására.

5. Elektromágneses indukció (EMI)

Az elektromágneses indukciós (EMI) felmérések elsődleges elektromágneses mezőket hoznak létre, amelyek másodlagos mezőket indukálnak a felszín alatt. A vezetőképes vagy mágneses anyagok által generált másodlagos mezőket detektálják és elemzik, hogy kikövetkeztessék a felszín alatti vezetőképességet és a mágneses érzékenységet.

Alapelv

Az adótekercsben lévő váltakozó áram primer elektromágneses mezőt generál, amely örvényáramokat indukál a felszín alatt. Ezek az áramok másodlagos mágneses mezőket hoznak létre, amelyeket egy vevőtekercs érzékel.

6. Gravimetria

A gravimetrikus felmérések a Föld gravitációs mezőjének a felszín alatti sűrűségkülönbségek által okozott változásait mérik. Ezek a különbségek jelezhetik üregek, eltemetett szerkezetek vagy ásványi lerakódások jelenlétét.

A gravitációs anomália (Δg\Delta gΔg) arányos a sűrűségkontraszttal (Δρ\Delta \rhoΔρ) és az anomália térfogatával:

Δg=G⋅Δρ⋅Vr2\Delta g = \frac{G \cdot \Delta \rho \cdot V}{r^2}Δg=r2G⋅Δρ⋅V

hol:

GGG: Gravitációs állandó.
Δρ\Delta \rhoΔρ: Sűrűség kontraszt.
VVV: Az anomália térfogata.
rrr: Távolság az anomáliától.

Következtetés

A geofizikai felmérési módszerek hatékony eszköztárat biztosítanak a felszín alatti kutatásokhoz, nem invazív technikákat kínálva a föld alatti tereptárgyak feltérképezésére és jellemzésére. A szeizmikus hullámoktól az elektromágneses mezőkig és a gravitációig minden módszernek megvannak a maga egyedi előnyei, és a legjobban megfelelnek a különböző típusú régészeti lelőhelyeknek és geológiai feltételeknek. A gyakorlatban több geofizikai technika kombinálása növelheti a felmérés pontosságát és javíthatja a rejtett műemlékek és építmények észlelésének esélyét.

A következő fejezetekben feltárjuk ezeknek a geofizikai felméréseknek a műszerezését, adatgyűjtési technikáit és értelmezési módszereit, hangsúlyozva azok régészeti kontextusban való alkalmazását.

3.2 Talajbehatoló radar vs. szeizmikus módszerek

Mind a földradar (GPR), mind a szeizmikus módszerek hatékony eszközök, amelyeket a geofizikai felmérésekben használnak a felszín alatti jellemzők feltérképezésére közvetlen feltárás nélkül. Bár közös céljuk van – a föld alatti képek készítése –, különböző fizikai elvek alapján működnek, és erősségeik és korlátaik alapján jobban megfelelnek a különböző forgatókönyveknek. Ez a fejezet áttekintést nyújt erről a két módszerről, kiemelve mechanizmusaikat, felhasználási eseteiket, előnyeiket és hátrányaikat a régészeti feltárás és a felszín alatti észlelés összefüggésében.

A talajbehatoló radar (GPR) alapelvei

A Ground Penetrating Radar (GPR) elektromágneses hullámokat alkalmaz a rádiófrekvenciás tartományban a felszín alatti struktúrák észlelésére. A GPR rendszer egy adóantennából áll, amely radarimpulzusokat bocsát ki a földbe, és egy vevőantennából, amely érzékeli ezeknek az impulzusoknak a felszín alatti jellemzőkről való visszaverődését. Ezeknek a visszavert hullámoknak az utazási ideje és amplitúdója információt nyújt az eltemetett jellemzők mélységéről és anyagtulajdonságairól.

GPR hullámterjedés és sebesség

A GPR elektromágneses hullám sebessége (vvv) a felszín alatti anyag dielektromos állandójától (ε\epsilonε) függ:

V=cεv = \frac{c}{\sqrt{\epsilon}}v=εc

hol:

CCC a fény sebessége vákuumban (3×108 m/s3 \times 10^8 \, \text{m/s}3×108m/s).
ε\epsilonε a dielektromos állandó, amely az anyagösszetételtől függően változik.

Az alacsonyabb dielektromos állandó nagyobb hullámsebességet eredményez, és fordítva. A hullámok sebességének és visszaverődési mintáinak elemzésével a GPR részletes képeket tud szolgáltatni a föld alatti szerkezetekről.

A behatolás mélysége és felbontása a GPR-ben

A behatolás mélységét és a GPR felmérés felbontását a radarimpulzusok frekvenciája befolyásolja. A felbontás és a behatolás között kompromisszum van:

Magasabb frekvenciák: Nagyobb felbontást, de korlátozott mélységi behatolást biztosít.
Alacsonyabb frekvenciák: Mélyebb behatolást tesz lehetővé, de alacsonyabb felbontást eredményez.

A behatolás mélységét (ddd) nagyjából a következő képlettel becsüljük meg:

d=λ2d = \frac{\lambda}{2}d=2λ

hol:

λ\lambdaλ a radarimpulzus hullámhossza, amelyet λ=vf\lambda = \frac{v}{f}λ=fv ad meg.
fff az impulzus frekvenciája.

Python vizualizáció: GPR hullámterjedés

A következő kód egy egyszerű GPR hullámterjedési szimulációt mutat be különböző frekvenciákkal, bemutatva, hogy a magasabb frekvenciák jobb felbontást, de sekélyebb behatolást eredményeznek:

piton

Kód másolása

Numpy importálása NP-ként

Matplotlib.pyplot importálása PLT-ként

# Paraméterek

idő = np.linspace(0, 50, 1000) # Idő nanoszekundumban (ns)

frekvenciák = [50, 250] # Frekvenciák MHz-ben

dielectric_constant = 9 # A talaj átlagos dielektromos állandója

# Hullámsebesség számítás

c = 3e8 # fénysebesség (m/s)

sebesség = c / np.sqrt(dielectric_constant)

# GPR jelek generálása különböző frekvenciákhoz

gpr_signals = [np.sin(2 * np.pi * f * idő * 1e6 / sebesség) f frekvencián]

# GPR jelek ábrázolása

plt.ábra(ábra=(10, 5))

jel esetében, f in zip(gpr_signals, frekvenciák):

plt.plot(idő; jel; címke=f'{f} MHz')

plt.xlabel('Idő (ns)')

plt.ylabel('Amplitúdó')

plt.title("GPR hullámterjedés különböző frekvenciákra")

plt.legend()

plt.grid(Igaz)

plt.show()

Ez a vizualizáció azt szemlélteti, hogy a magasabb frekvenciák több oszcillációt hoznak létre (nagyobb felbontás), míg az alacsonyabb frekvenciák hosszabb ideig terjednek (nagyobb mélységi behatolás).

A szeizmikus módszerek alapelvei

A szeizmikus módszerek mechanikus hullámokat használnak a felszín alatti szondázáshoz, mérve az ellenőrzött források (pl. kalapácsütés, robbanóanyagok) által keltett hullámok utazási idejét és sebességét. A hullámok visszaverik, megtörik és elszórják a felszín alatti jellemzőket, információt szolgáltatva ezeknek a jellemzőknek az anyagtulajdonságairól és mélységéről.

A szeizmikus módszerek szeizmikus reflexiós és szeizmikus fénytörési technikákra oszlanak, amint azt a korábbi szakaszokban tárgyaltuk.

Szeizmikus hullámsebesség

A szeizmikus hullámok sebessége (vvv) egy anyagon keresztül függ annak rugalmas tulajdonságaitól:

vp=K+43μρ v_p = \sqrt{\frac{K + \frac{4}{3} \mu}{\rho}}vp=ρK+34μ vs=μρ v_s = \sqrt{\frac{\mu}{\rho}}vs=ρμ

hol:

vpv_pvp a kompressziós hullámok (P-hullámok) sebessége.
vsv_svs a nyíróhullámok (S-hullámok) sebessége.
A KKK az ömlesztett modulus.
μ\muμ a nyírási modulus.
ρ\rhoρ az anyag sűrűsége.

A behatolás mélysége és felbontása szeizmikus módszerekben

A szeizmikus módszerek behatolásának mélysége és felbontása a forrás energiájától és a szeizmikus hullámok frekvenciájától függ:

Nagyobb energiaforrások: Lehetővé teszi a mélyebb behatolást, de alacsonyabb felbontást eredményezhet.
Magasabb frekvenciák: Jobb felbontást, de korlátozott mélységi behatolást biztosít.

A szeizmikus módszerek általában nagyobb mélységi behatolást érnek el, mint a GPR, így alkalmasak mélyebb célpontok kezelésére, de potenciális kompromisszumokkal a felbontásban.

GPR és szeizmikus módszerek összehasonlítása

Bár mind a GPR, mind a szeizmikus módszereket használják a felszín alatti kutatásokhoz, ezeknek külön előnyei és korlátai vannak:

Szempont	Földi behatoló radar (GPR)	Szeizmikus módszerek
Hullám típusa	Elektromágneses hullámok	Mechanikai hullámok (P-hullámok, S-hullámok)
Mélységi behatolás	Sekély (gyakoriságtól függően 10-20 méterig)	Közepestől a mélyig (tíz-száz méter)
Felbontás	Magas (magasabb frekvenciákkal)	Közepes vagy alacsony (a forrás energiájától és frekvenciájától függ)
Sebesség a médiában	Dielektromos állandótól függ	A rugalmassági tulajdonságoktól függ (térfogat/nyírási modulus, sűrűség)
Felderített anyagok	Nemfémes tárgyak, dielektromos tulajdonságok változása	Minden anyag (szilárd, folyékony, gáz)
Ideális felhasználási esetek	Sekély célpontok, kisléptékű régészet, közművek	Mélyebb célpontok, nagyméretű felszín alatti szerkezetek

A GPR és a szeizmikus módszerek közötti választás a felmérés konkrét céljaitól, a célpontok mélységétől és méretétől, valamint a felszín alatti anyagok jellegétől függ.

Esettanulmány: GPR és szeizmikus adatok összehasonlítása régészeti lelőhelyek felderítésében

Annak szemléltetésére, hogy a GPR és a szeizmikus módszerek hogyan egészítik ki egymást, vegyünk egy régészeti lelőhelyet, amely sekély és mély jellemzőkkel is rendelkezik, például egy eltemetett templomalappal a mögöttes üregekkel.

GPR alkalmazás: A GPR felmérés ideális lenne az alapozás elrendezésének feltérképezésére nagy felbontása és nemfémes anyagokra való érzékenysége miatt. Nagyfrekvenciás antenna (pl. 500 MHz) használatával részletes képeket készíthet a sekély szerkezetről, kiemelve az olyan apró jellemzőket, mint a falak vagy a kerámia.
Szeizmikus alkalmazás: A szeizmikus törésvizsgálat hatékony lenne az alapzat alatti mélyebb üregek vagy kamrák azonosítására. Nagyobb mélységi behatolásával és az üregek okozta hullámsebesség-változások észlelésének képességével a szeizmikus felmérés információt szolgáltatna a nagyobb, mélyebb struktúrákról, amelyeket a GPR nem képes észlelni.

A GPR és a szeizmikus adatok integrálásával a felmérés átfogó képet nyújtana mind a sekély, mind a mély felszín alatti jellemzőkről, optimalizálva a rejtett műemlékek felfedezésének esélyét.

Python vizualizáció: szimulált GPR és szeizmikus profilok

A következő kód összehasonlítja a GPR és a szeizmikus módszerek válaszait egy sekély és mélyebb jellemzőre:

piton

Kód másolása

Numpy importálása NP-ként

Matplotlib.pyplot importálása PLT-ként

# Paraméterek

depth_shallow = 2 # Sekély jellemző mélysége (m)

depth_deep = 10 # Mély jellemző mélysége (m)

velocity_gpr = 1e8 # GPR hullámsebesség (m/s)

velocity_seismic = 1500 # Szeizmikus hullámsebesség (m/s)

idő = np.linspace(0, 100, 1000) # Idő (ns a GPR, ms a szeizmikus)

# Számítsa ki a kétirányú utazási időket

twtt_gpr_shallow = (2 * depth_shallow) / velocity_gpr * 1e9 # ns

twtt_gpr_deep = (2 * depth_deep) / velocity_gpr * 1e9 # ns

twtt_seismic_shallow = (2 * depth_shallow) / velocity_seismic * 1e3 # ms

twtt_seismic_deep = (2 * depth_deep) / velocity_seismic * 1e3 # ms

# GPR és szeizmikus jelek

gpr_signal = np.sin(2 * np.pi * idő / twtt_gpr_shallow) + 0,5 * np.sin(2 * np.pi * idő / twtt_gpr_deep)

seismic_signal = np.sin(2 * np.pi * idő / twtt_seismic_shallow) + 0,5 * np.sin(2 * np.pi * idő / twtt_seismic_deep)

# GPR és szeizmikus jelek ábrázolása

plt.ábra(ábra=(10, 5))

plt.részmintatárgy(1, 2, 1)

plt.plot(idő; gpr_signal; label='GPR')

plt.xlabel('Idő (ns)')

plt.ylabel('Amplitúdó')

plt.title('GPR profil')

plt.grid(Igaz)

plt.részcselekmény(1, 2, 2)

plt.plot(idő; seismic_signal; label='Szeizmikus'; szín='r')

plt.xlabel('Idő (ms)')

plt.ylabel('Amplitúdó')

plt.title("Szeizmikus profil")

plt.grid(Igaz)

plt.tight_layout()

plt.show()

Ez a vizualizáció összehasonlítja a GPR és a szeizmikus jeleket, megmutatva, hogy a GPR profil hogyan rögzíti a sekély célpontok nagyobb felbontású visszaverődéseit, míg a szeizmikus profil jobban megfelel a mélyebb jellemzőknek.

Következtetés

Mind a földradar, mind a szeizmikus módszerek értékes képességeket kínálnak a felszín alatti kutatásokhoz régészeti kontextusban. A GPR a sekély célpontok nagy felbontású képalkotására a legalkalmasabb, míg a szeizmikus módszerek a mélyebb struktúrák vizsgálatában és a nagyobb anomáliák észlelésében kiválóak. A két technika együttes használata átfogó megértést nyújthat a felszín alatti jellemzőkről, betekintést nyújtva az eltemetett műemlékek, alapok vagy üregek helyébe és természetébe.

A gyakorlatban a geofizikusoknak és régészeknek egyensúlyba kell hozniuk az érdeklődés mélységét, a felbontási követelményeket és az anyagtulajdonságokat a megfelelő geofizikai felmérési módszer kiválasztásakor. A további szakaszok a műszerek, az adatfeldolgozás és a gyakorlati megfontolások tanulmányozására irányulnak ezen technikák gyakorlati alkalmazásához.

3.3 Műszerezés: érzékelők és adatgyűjtés

A geofizikai felmérések sikere nagymértékben függ az adatgyűjtéshez használt műszerektől. A modern érzékelőket úgy tervezték, hogy a felszín alatti jelek széles skáláját rögzítsék, például szeizmikus hullámokat, elektromágneses visszaverődéseket és mágneses mező anomáliákat. Ez a fejezet áttekintést nyújt a felszín alatti régészeti felmérésekben használt elsődleges műszerekről és érzékelőkről, az alkalmazott adatgyűjtési technikákról, valamint a pontos és hatékony adatgyűjtés legjobb gyakorlatairól.

1. Szeizmikus műszerek

A szeizmikus felmérések speciális berendezéseket igényelnek a szeizmikus hullámok generálásához, rögzítéséhez és elemzéséhez. A kulcsfontosságú komponensek közé tartoznak a szeizmikus források és vevők, valamint az adatgyűjtő rendszerek a keletkező jelek naplózására.

1.1 Szeizmikus források

A szeizmikus források szabályozott energiaimpulzusokat generálnak, amelyek a felszín alatt terjednek. A forrás kiválasztása olyan tényezőktől függ, mint a felmérés mélysége, a felbontási követelmények és a környezet.

Kalapács és lemez: Általában sekély felmérésekben használják. A kalapácsot egy fémlemezre ütik, hogy rövid időtartamú, nagy amplitúdójú impulzust hozzanak létre.
Súlycsökkenés: Nehezebb forrás, mint egy kalapács, amely mélyebb behatolást biztosít több energia felszabadításával. A tömeget leejtik a magasságból, hogy szeizmikus impulzust hozzanak létre.
Robbanóanyagok: Mélyebb felmérésekben használják. A kis robbanótöltetek felrobbanása nagy energiájú szeizmikus hullámokat hoz létre, ami jobb felbontást biztosít a mély szerkezetek számára.

1.2 Szeizmikus vevőkészülékek (geofonok és hidrofonok)

A szeizmikus hullámokat geofonok vagy hidrofonok érzékelik (víz alatti felmérésekhez). Ezek a vevőkészülékek a földmozgást elektromos jelekké alakítják, amelyek rögzíthetők és elemezhetők.

Geofonok: Mérje meg a függőleges vagy vízszintes talajsebességet. Rugóra szerelt mágnest tartalmaznak egy tekercsben, és a föld mozgása elektromos feszültséget indukál. A kimeneti feszültség arányos a földmozgás sebességével, amelyet a következőkkel lehet leírni:

V(t)=−du(t)dtV(t) = -\frac{d u(t)}{dt}V(t)=−dtdu(t)

hol:

V(t)V(t)V(t) a geofon feszültségkimenete.
u(t)u(t)u(t) a talaj elmozdulása az idő múlásával.

Gyorsulásmérők: Mérje a földmozgás gyorsulását, és biztosítson nagyobb dinamikatartományt a geofonokhoz képest, ami nagy zajszintű környezetben hasznos.

Python példa: Szeizmikus hullámra adott geofonválasz szimulálása

piton

Kód másolása

Numpy importálása NP-ként

Matplotlib.pyplot importálása PLT-ként

# A szeizmikus hullám paraméterei

time = np.linspace(0, 1, 1000) # Idő másodpercben

frekvencia = 5 # A szeizmikus hullám frekvenciája (Hz)

amplitúdó = 1,0

# Földelmozdulás generálása szinuszhullámként

elmozdulás = amplitúdó * np.sin(2 * np.pi * frekvencia * idő)

# Szimulálja a geofonválaszt (sebesség az elmozdulás származékaként)

sebesség = np.gradiens(elmozdulás; idő)

# Plot elmozdulás és geophone kimenet

plt.ábra(ábra=(10, 5))

PLT.Részcselekmény(2, 1, 1)

plt.plot(idő; elmozdulás; label='Földelés')

plt.ylabel('Elmozdulás (m)')

plt.grid(Igaz)

plt.legend()

plt.részcselekmény(2, 1, 2)

plt.plot(idő, sebesség; label='Geophone kimenet (sebesség)', color='r')

plt.xlabel('Idő(s)')

plt.ylabel('Sebesség (m/s)')

plt.grid(Igaz)

plt.legend()

plt.suptitle('Szimulált geofonválasz szeizmikus hullámra')

plt.show()

Az ábra azt mutatja, hogy egy szeizmikus hullám elmozdulását egy geofon sebességjellé alakítja.

1.3 Szeizmográfok és adatgyűjtő rendszerek

A szeizmográfok olyan eszközök, amelyek rögzítik a geofonok vagy hidrofonok által észlelt jeleket. Az analóg jeleket digitális formába alakítják további feldolgozás céljából. A szeizmográfok legfontosabb jellemzői:

Mintavételi frekvencia: A jel mintavételezésének és rögzítésének sebessége (pl. 1 kHz). Nagyobb mintavételi sebességre van szükség a nagyfrekvenciás jelekhez az aliasing elkerülése érdekében, amint azt a Nyquist-tétel szabályozza:

FS>2fmaxf_s > 2 f_{\text{max}}fs>2fmax

hol:

fsf_sfs a mintavételi arány.
fmaxf_{\text{max}}fmax a jelben lévő maximális frekvencia.

Csatornák: A modern szeizmográfok egyszerre több csatornát is képesek rögzíteni, lehetővé téve a többérzékelős tömbök használatát, amelyek javítják az adatminőséget és a felbontást.

2. GPR műszerek

A földi behatoló radar (GPR) rendszerek elektromágneses hullámokat használnak a felszín alatti jellemzők leképezésére. A GPR rendszer egy adóból, vevőből és adatgyűjtő egységből áll.

2.1 GPR antennák

Az antenna a GPR rendszer központi eleme, amely felelős a radarhullámok továbbításáért és vételéért. Az antennafrekvencia megválasztása befolyásolja mind a felbontást, mind a mélységi behatolást:

Nagyfrekvenciás antennák (500-1000 MHz): Nagyobb felbontást biztosítanak, de sekély mélységekre korlátozódnak.
Alacsony frekvenciájú antennák (100-500 MHz): Mélyebb behatolást kínálnak, de csökkentett felbontással.

Az antenna sávszélessége (BWBWBW) határozza meg azt a frekvenciatartományt, amelyben működhet:

BW=fmax−fminBW = f_{\text{max}} - f_{\text{min}}BW=fmax−fmin

hol:

fmaxf_{\text{max}}fmax és fminf_{\text{min}}fmin az antenna maximális és minimális frekvenciája.

2.2 GPR adó és vevő

Adó: Rövid időtartamú radarimpulzusokat generál. Az impulzus időtartama és teljesítménye befolyásolja a mélység behatolását és felbontását.
Vevő: Rögzíti a visszavert radarjeleket. A vett jelek információkat tartalmaznak a felszín alatti jellemzőkről a dielektromos tulajdonságok változásai alapján.

A vett jelet a radaregyenlet írja le:

Pr=PtGtGrλ2σ(4π)3R4P_r = \frac{P_t G_t G_r \lambda^2 \sigma}{(4 \pi)^3 R^4}Pr=(4π)3R4PtGtGrλ2σ

hol:

PrP_rPr: Kapott áram.
PtP_tPt: Átvitt teljesítmény.
GtG_tGt, GrG_rGr: Az adó- és vevőantennák nyeresége.
λ\lambdaλ: A radarhullám hullámhossza.
σ\sigmaσ: A cél keresztmetszeti területe.
RRR: A célig terjedő tartomány.

Python-példa: GPR-hullámterjedés szimulálása

Az alábbiakban egy kódrészlet látható, amely egy egyszerű GPR-impulzusválaszt szimulál időben:

piton

Kód másolása

Numpy importálása NP-ként

Matplotlib.pyplot importálása PLT-ként

# A GPR impulzus paraméterei

idő = np.linspace(0, 50, 1000) # Idő nanoszekundumban (ns)

frekvencia = 200 # GPR impulzus frekvenciája (MHz)

amplitúdó = 1,0

# GPR impulzus generálása Gauss-modulált szinuszhullámként

gpr_pulse = amplitúdó * np.sin(2 * np.pi * frekvencia * idő * 1e6) * np.exp(-((idő - 25)**2) / 10)

# GPR impulzus ábrázolása

plt.ábra(ábra=(10, 5))

plt.plot(idő; gpr_pulse; label='GPR impulzus')

plt.xlabel('Idő (ns)')

plt.ylabel('Amplitúdó')

plt.title('Szimulált GPR impulzus')

plt.grid(Igaz)

plt.show()

Ez a kód bemutatja a radarimpulzus továbbítását, bemutatva, hogyan változik az alakja az idő múlásával.

3. Magnetométerek és elektromágneses érzékelők

A magnetometria és az elektromágneses felmérések különböző érzékelőkre támaszkodnak a mágneses mező anomáliáinak és a felszín alatti vezetőképességének mérésére.

3.1 Magnetométerek

A magnetométerek a Föld mágneses mezőjének változásait mérik, amelyeket az eltemetett jellemzők okoznak. Gyakori típusok a következők:

Fluxgate magnetométerek: Mérje meg a mágneses mező erősségét és irányát. Egy ferromágneses magból áll, amelyet tekercsek vesznek körül, amelyek érzékelik a mező változásait.
Proton precessziós magnetométerek: Mérje meg a teljes mágneses tér intenzitását a protonok precessziós frekvenciája alapján mágneses mezőben.

A mágneses tér változása (ΔB\Delta BΔB) az eltemetett tárgy tulajdonságaival függ össze:

ΔB=μ04πMr3\Delta B = \frac{\mu_0}{4 \pi} \frac{M}{r^3}ΔB=4πμ0r3M

hol:

μ0\mu_0 μ0 a szabad tér mágneses permeabilitása.
Az MMM a forrás mágnesezése.
RRR a forrástól való távolság.

3.2 Elektromágneses indukciós (EMI) érzékelők

Az EMI érzékelők elsődleges elektromágneses mezőket hoznak létre, és észlelik a felszín alatti anyagok által indukált másodlagos mezőket. Mérik a talaj látszólagos vezetőképességét és mágneses érzékenységét.

4. Adatgyűjtés és naplózás

A pontos adatgyűjtés kritikus fontosságú a sikeres felmérésekhez. A legfontosabb szempontok a következők:

Mintavételi sebesség és felbontás: Válasszon olyan mintavételi sebességet, amely megfelel a Nyquist-kritériumnak, és elegendő felbontást biztosít az érdeklődésre számot tartó jelek számára.
Érzékelők közötti távolság és tömbök: Használjon megfelelő érzékelőtávolságot a felmérési terület megfelelő lefedésének biztosítása érdekében.
Időszinkronizálás: Több érzékelő pontos szinkronizálása, különösen többcsatornás rendszerek használata esetén.
Adatnaplózás és -tárolás: Használjon robusztus adatnaplózó rendszereket nagy mennyiségű adat tárolásához, biztonsági mentési rendszerekkel pedig megakadályozza az adatvesztést.

Következtetés

A megfelelő műszerek és adatgyűjtési technikák elengedhetetlenek a sikeres geofizikai felmérések elvégzéséhez. A szeizmikus források, GPR antennák, magnetométerek és egyéb érzékelők jellemzőinek megértése segít optimalizálni a felmérést a szükséges mélység és felbontás szempontjából. A berendezések megfelelő kiválasztása, az érzékelők helyes elhelyezése és a gondos adatnaplózás kulcsfontosságú a kiváló minőségű adatok megszerzéséhez, amelyek felfedhetik a rejtett felszín alatti jellemzőket és régészeti emlékeket.

A következő szakaszokban elmélyülünk a terepi telepítés, a jelfeldolgozás és az értelmezés konkrét módszereiben, hogy a legtöbbet hozzuk ki az ezekkel a műszerekkel gyűjtött adatokból.

3.4 Helyszíntervezés és előzetes felmérések

Mielőtt bármilyen geofizikai felmérést végezne, az aprólékos tervezés elengedhetetlen annak biztosításához, hogy az összegyűjtött adatok megfeleljenek a projekt céljainak. A helyszíntervezés és az előzetes felmérések a régészeti geofizika alapvető lépései. A cél a felmérés tervezésének, a berendezések kiválasztásának, az adatminőségnek és a költséghatékonyságnak az optimalizálása, miközben minimalizálják a webhely zavarait. Ez a fejezet a helyszíntervezés alapvető elemeit fedi le, beleértve a helyszíni feltételek megértését, a felmérési rács kialakítását és az előzetes felmérések futtatását a fő felmérési stratégia finomítása érdekében.

1. A helyszín értékelése és a felszín alatti viszonyok megértése

A geofizikai felmérés tervezésének első lépése az alapos helyszíni felmérés elvégzése. A legfontosabb tényezők, amelyeket figyelembe kell venni, a következők:

Történelmi háttér: A helyszínen várható lehetséges struktúrák, temetkezési mélységek és műtárgy-összetétel megértése.
Topográfia: A sík és hozzáférhető területek ideálisak a felmérésekhez; a dombos vagy erdős terep különleges szempontokat igényelhet.
Talaj és geológia: A talaj típusának (agyag, homok, vályog) és az alapul szolgáló geológiának (alapkőzet, víztartó rétegek) ismerete elengedhetetlen, mivel befolyásolja a hullámok terjedését a szeizmikus és GPR felmérésekben. Például:

Az agyagos talajok nagy csillapítással rendelkeznek a GPR hullámok számára.
A homokos talajok átlátszóbbak a GPR számára, de zajt okozhatnak a szeizmikus felmérésekben.

Python példa: A talaj csillapításának értékelése GPR hullámokhoz

Az alábbiakban a GPR hullámcsillapítás szimulációja látható különböző talajtípusok alapján:

piton

Kód másolása

Numpy importálása NP-ként

Matplotlib.pyplot importálása PLT-ként

# Paraméterek

idő = np.linspace(0, 100, 1000) # Idő nanoszekundumban (ns)

amplitúdó = 1, 0 # Kezdeti hullámamplitúdó

frekvencia = 200 # Frekvencia MHz-ben

# Talajtípusok és csillapítási együtthatóik

talaj = {

"Homok": 0,02,

"Agyag": 0,1,

"Vályog": 0,05

}

# Csillapított GPR jelek generálása

plt.ábra(ábra=(10, 5))

talajra csillapítás.items():

# Szimulálja a csillapítást az idő múlásával

attenuated_signal = amplitúdó * np.exp(-csillapítás * idő) * np.sin(2 * np.pi * frekvencia * idő * 1e6)

plt.plot(idő; attenuated_signal; label=f'{talaj} talaj')

plt.xlabel('Idő (ns)')

plt.ylabel('Amplitúdó')

plt.title("GPR hullámok csillapítása különböző talajokban")

plt.legend()

plt.grid(Igaz)

plt.show()

Ez a kód azt szimulálja, hogy a különböző talajok hogyan befolyásolják a GPR hullámok amplitúdóját, a gyengítőbb talajok (például agyag) jelentősen csökkentik a jelerősséget az idő múlásával.

2. A földmérési rács megtervezése

A jól megtervezett felmérési hálózat alapvető fontosságú a szisztematikus adatgyűjtéshez és az értelmes térbeli elemzések lehetővé tételéhez. A rács kialakítása olyan tényezőktől függ, mint a geofizikai felmérés típusa, a szükséges felbontás és a lefedendő terület.

Rácsméret és felbontás

Rácsméret: A háló méretét (földmérési vonalak közötti távolságot) a szükséges felbontás alapján kell meghatározni. A nagy felbontású GPR felméréseknél a 0,5-1 méteres rácstávolság gyakori, míg a szeizmikus felméréseknél az érdeklődés mélységétől függően 1-5 méter lehet megfelelő.
Kompromisszum a felbontás és a lefedettség között: A finomabb rács javítja a felbontást, de növeli a felmérési időt. Ezzel szemben a durvább rács gyorsabb lefedettséget biztosít, de kisebb jellemzőket hiányozhat. Az optimális rácskialakítás kiegyensúlyozza ezeket a tényezőket a projekt céljainak megfelelően.

Rács tájolása és elrendezése

Ortogonális és átlós rácsok: A szokásos gyakorlat az, hogy ortogonális rácsokat használnak, amelyek a kardinális irányokhoz vagy a jelentős webhelyjellemzőkhöz igazodnak. Az átlós rácsok speciális alkalmazásokhoz használhatók, például lineáris anomáliák észleléséhez.
Határokkal kapcsolatos megfontolások: A rácsnak túl kell nyúlnia az érdeklődési területen, hogy teljes hullámformákat rögzítsen, lehetővé téve a pontos értelmezést a határok közelében.

3. Előzetes felmérések és kalibrálás

Az előzetes felmérés segít finomítani a fő felmérés kialakítását, a tesztberendezések beállításait és a műszerek kalibrálását a helyszíni körülmények alapján.

Tesztvonalak

Egy vagy több tesztvonal futtatása lehetővé teszi az ismert vagy feltételezett jellemzők adatgyűjtését a műszer érzékenységének és az anomáliák jelenlétének ellenőrzéséhez. Ezeknek a vizsgálati vonalaknak különböző várható felszín alatti viszonyokkal rendelkező területeket kell lefedniük (pl. ismert üregekkel rendelkező területeket és szilárd alapkőzettel rendelkező területeket).

Kalibráció és berendezések tesztelése

A kalibráló műszerek biztosítják a pontos adatgyűjtést. A kalibrálási lépések a következők:

GPR kalibrálás: Az erősítési beállítások és az impulzus időtartamának módosítása a jel-zaj arány optimalizálása érdekében.
Szeizmikus kalibrálás: Különböző forrásenergiák és geofontávolságok tesztelése a célmélység és -felbontás legjobb konfigurációjának meghatározásához.

Python-példa: A jel-zaj arány (SNR) optimalizálásának szimulálása

A következő kód azt szimulálja, hogy a különböző erősítési beállítások hogyan javíthatják a jel-zaj arányt egy GPR-felmérésben:

piton

Kód másolása

Numpy importálása NP-ként

Matplotlib.pyplot importálása PLT-ként

# Paraméterek

idő = np.linspace(0, 50, 1000) # Idő nanoszekundumban (ns)

jel = np.sin(2 * np.pi * 200 * idő * 1e6) # GPR jel

zaj = np.random.normal(0; 0.5; len(idő)) # Véletlenszerű zaj

# Erősítési beállítások az SNR optimalizáláshoz

nyereség = [1, 5, 10]

plt.ábra(ábra=(10, 5))

nyereség esetén:

# Erősítés alkalmazása a jelre

enhanced_signal = erősítés * jel + zaj

plt.plot(idő; enhanced_signal; label=f'Gain = {nyereség}')

plt.xlabel('Idő (ns)')

plt.ylabel('Amplitúdó')

plt.title('Jeljavítás erősítés erősítés beállítással')

plt.legend()

plt.grid(Igaz)

plt.show()

Ez a vizualizáció bemutatja, hogy a különböző erősítési beállítások alkalmazása hogyan befolyásolja az SNR-t, segítve az optimális erősítés kiválasztását az adatminőség maximalizálása érdekében.

4. Hozzáférés és logisztika

A helyszíni felmérés tervezésekor a gyakorlati megfontolások ugyanolyan fontosak, mint a technikaiak. A legfontosabb logisztika a következőket tartalmazza:

Hozzáférés a helyszínhez: Biztosítsa a magánterületekhez való legális hozzáférést, és egyeztessen a helyi hatóságokkal.
Környezetvédelmi szempontok: A természeti jellemzők figyelembevétele (pl. a növényzet vagy a vízi utak károsodásának elkerülése).
Berendezések szállítása: Tervezze meg, hogyan szállítják a berendezéseket a helyszínre és annak környékére, különösen távoli vagy nehéz terepen.
Biztonsági intézkedések: Azonosítsa az olyan veszélyeket, mint az instabil talaj, az eltemetett közművek és a vadon élő állatok. Használjon megfelelő biztonsági felszerelést és rendelkezzen elsősegély-tervvel.

5. Terepi megjegyzések és metaadat-gyűjtés

Az előzetes felmérések és a fő terepmunka során a pontos nyilvántartás elengedhetetlen a későbbi adatelemzéshez és értelmezéshez. A terepi megjegyzéseknek a következőket kell tartalmazniuk:

Földmérési paraméterek: Dokumentálja az összes berendezésbeállítást, rácselrendezést, időjárási viszonyokat és helyszíni megfigyeléseket.
Metaadatok: Rögzítse a földrajzi koordinátákat, az időt és a tervezett felméréstől való eltéréseket.

Példa: Mezőjegyzetek rendszerezése

A terepi jegyzetek szisztematikusan táblázatos formátumban rendezhetők az egyértelműség érdekében:

Paraméter	Érték/megfigyelés
Felmérés dátuma	2023. június 15.
Rács térköz	1 méter (GPR)
Használt berendezések	GPR (500 MHz), szeizmográf
Helyszíni feltételek	Száraz, homokos talaj
Kalibrációs beállítások	GPR erősítés = 5, Szeizmikus forrás: kalapács
Megjegyezték az anomáliákat	Erős GPR tükröződések az ÉNy-i sarok közelében
Biztonsági megjegyzések	Egyenetlen terep a DK-i szakaszon
További megjegyzések	Befejezett tesztvonalak 1 és 2

6. Az optimális felmérési lefedettség szempontjai

Nagy vagy összetett helyek esetén fontolja meg olyan módszerek használatát, mint a többsoros tömbök vagy a többfrekvenciás felmérések:

Többsoros tömbök: Gyűjtsön adatokat párhuzamos érzékelőtömbökkel a lefedettség javítása és a felmérési idő csökkentése érdekében.
Többfrekvenciás felmérések: Használjon több, különböző frekvenciájú GPR antennát a felbontás és a mélységi behatolás kiegyensúlyozására, vagy különböző energiájú szeizmikus forrásokat a különböző mélységek vizsgálatára.

Következtetés

A megfelelő helyszíntervezés és az előzetes felmérések a sikeres geofizikai felmérés alapját képezik. A helyszíni körülmények megértésével, az optimális felmérési rács megtervezésével, az előzetes tesztek futtatásával és a logisztika figyelembevételével a kutatók biztosíthatják a pontos adatgyűjtést és maximalizálhatják a rejtett felszín alatti jellemzők észlelésének esélyét. A következő fejezetekben a hangsúly a hatékony adatgyűjtés, jelfeldolgozás és értelmezés technikáira és stratégiáira helyeződik át, felhasználva az ebben a tervezési szakaszban lefektetett alapokat.

4.1 Szeizmikus adatgyűjtés: terepi technikák

A szeizmikus felmérések hatékony módja a felszín alatti struktúrák és jellemzők vizsgálatának. A szeizmikus adatok hatékony helyszíni gyűjtése gondos tervezést, pontos végrehajtást, valamint a hullámterjedés és az érzékelők elhelyezésének megértését igényli. Ez a fejezet a szeizmikus adatgyűjtés alapvető terepi technikáit mutatja be, beleértve a források és vevők beállítását, a forrás-vevő távolság optimalizálását, a zajkezelést és a legjobb gyakorlatokat a kiváló minőségű adatgyűjtés biztosításához.

1. Szeizmikus felmérés felállítása

A szeizmikus felmérés három fő összetevőből áll:

Szeizmikus forrás: Energiát generál, amely a felszín alatt terjed.
Szeizmikus vevőkészülékek (geofonok vagy hidrofonok): Észlelje a szeizmikus hullámokat, miközben különböző anyagokon haladnak át.
Szeizmográf (Data Logger): Rögzíti a vevőkészülékek adatait.

1.1 A szeizmikus forrás telepítése

A szeizmikus forrás kiválasztása és elhelyezése döntő fontosságú. A forrásból származó energia hullámokban halad kifelé, és a felszín alatti jellemzők módosítják, mielőtt elérnék a vevőket.

Felszíni források: Egy általános módszer magában foglalja a fémlemez kalapáccsal történő ütését szeizmikus hullámok generálására. Ez egy egyszerű és hatékony módja annak, hogy hullámokat hozzon létre a sekély felmérésekhez.
Eltemetett vagy felszín alatti források: A mélyebb behatolás érdekében olyan forrásokat helyeznek a felszín alá, mint a robbanóanyagok vagy a súlyesések. A forrás mélyebb pozicionálása lehetővé teszi az energia jobb csatolását a felszín alá, tisztább jeleket hozva létre.

A forrás vevőkhöz viszonyított helye, az úgynevezett forráseltolás, befolyásolja a rögzített hullámok típusát és a vizsgálat mélységét.

1.2 Szeizmikus vevők pozicionálása

A szeizmikus hullámok észlelésére szeizmikus vevőkészülékeket, jellemzően geofonokat (szárazföldön) vagy hidrofonokat (vízben) telepítenek. A fogadó üzembe helyezésének legfontosabb szempontjai a következők:

Térköz: A vevők közötti távolság befolyásolja a felbontást és a mélységbehatolást. A nagyobb térköz nagyobb felbontást biztosít, de növeli az adatmennyiséget és a feldolgozási időt. A régészeti felmérések közös távolsága 1 és 5 méter között van.
Tömb elrendezés: A vevők lineáris tömbje a legegyszerűbb és leggyakoribb elrendezés. Összetettebb képalkotáshoz többcsatornás tömbök vagy 2D/3D rácsok használhatók.

2. Lövésgyűjtés és közös középpont (CMP) felmérések

A források és a vevők elrendezése különböző felméréstípusokat hoz létre, amelyek mindegyike konkrét adatelőnyöket biztosít. Két népszerű konfiguráció a lövésgyűjtés és a közös középpont (CMP) felmérések.

2.1 Lövésgyűjtési technika

A lövésgyűjtés egyetlen szeizmikus forrásból gyűjt adatokat, miközben több vevőt használ egy vonal vagy tömb mentén. Ez a módszer átfogó áttekintést nyújt arról, hogyan terjednek a hullámok egy helyről.

Python-példa: Lövésgyűjtés szimulálása

piton

Kód másolása

Numpy importálása NP-ként

Matplotlib.pyplot importálása PLT-ként

# Paraméterek

num_receivers = 20

receiver_spacing = 2 # méter

idő = np.linspace(0, 100, 1000) # Idő ezredmásodpercben (ms)

sebesség = 1500 # m/s, jellemző a felszínközeli anyagokra

source_location = 0

# Számítsa ki az utazási időket a forrástól a vevőig

receiver_positions = np.arange(0; num_receivers * receiver_spacing, receiver_spacing)

travel_times = np.sqrt((receiver_positions - source_location)**2) / sebesség * 1000 # ms-ban

# Lövésgyűjtési adatok generálása (szimulált szeizmikus nyomok)

seismic_traces = []

travel_times travel_time esetében:

nyom = np.exp(-0,01 * (idő - travel_time)**2) * np.sin(2 * np.pi * 20 * (idő - travel_time))

seismic_traces.append(trace)

# Telek lövés összegyűjtése

plt.ábra(ábra=(10, 6))

Az I esetében a Trace in Enumerate(seismic_traces):

plt.plot(idő; nyomkövetés + i; label=f'Vevő {i}')

plt.xlabel('Idő (ms)')

plt.ylabel('Amplitúdó (eltolás vevő által)')

plt.title('Szimulált lövésgyűjtés')

plt.grid(Igaz)

plt.show()

Ez a vizualizáció megmutatja, hogy az egyetlen forrásból származó jeleket hogyan érzékelik több vevőpozícióban, létrehozva egy "lövésgyűjtést". Minden vonal egy adott vevőkészülék jelét képviseli, kissé eltolva az egyértelműség érdekében.

2.2 Közös középpont (CMP) felmérések

A CMP felmérésekben több forrás és vevő van elrendezve, hogy közös középpontjuk legyen. Ez a megközelítés jobb felszín alatti képalkotást tesz lehetővé azáltal, hogy több utazási útvonalat biztosít minden felszín alatti ponton, javítva az adatminőséget az egymásra rakás (jelátlagolás) révén.

CMP Binning: A rögzített nyomkövetések középpontjuk szerint vannak csoportosítva. Minden csoport vagy rekesz olyan nyomokat tartalmaz, amelyek mélységben ugyanabból a pontból vesznek mintát.
Egymásra rakás: Az egyes tárolókon belüli nyomok átlagolásával csökken a véletlenszerű zaj, és javulnak a koherens jelek.

3. A forrás-vevő geometriájának optimalizálása

A forrás és a vevő elrendezésének geometriája befolyásolja a rögzített szeizmikus hullámok típusát, a felszín alatti jellemzők felbontását és a felmérés teljes mélységét.

3.1 Eltolási távolság

Az eltolás a forrás és a vevő közötti távolság. A különböző eltolások lehetővé teszik a különböző hullámtípusok rögzítését:

Közeli eltolások: Mérje meg azokat a hullámokat, amelyek szinte közvetlenül a forrástól a vevőig terjednek. Érzékenyek a sekély jellemzőkre, és jellemzően közvetlen hullámokat és megtört hullámokat tartalmaznak.
Távoli eltolások: Mérje meg azokat a hullámokat, amelyek hosszabb utakat tesznek meg, visszaverve a mélyebb jellemzőket. Információt nyújtanak a mélyebb rétegekről.

3.2 Felmérés elrendezése: reflexiós és fénytörési felmérések

Szeizmikus reflexiós felmérések: Használjon rövidebb eltolásokat, és összpontosítson azokra a hullámokra, amelyek visszaverődnek (visszaverődnek) a felszín alatti rétegekről. Ezek a felmérések ideálisak olyan szerkezetek nagy felbontású képalkotásához, mint az eltemetett falak vagy üregek.
Szeizmikus fénytörési felmérések: Használjon hosszabb eltolásokat, és összpontosítson a hullámokra, amelyek a felszín alatti rétegek mentén hajlanak (törnek). Alkalmasabbak a mélyebb rétegek feltérképezésére és a rétegsebességek meghatározására.

4. Adatminőség és zajcsökkentés

A kiváló minőségű szeizmikus adatok gyűjtése elengedhetetlen a hatékony felszín alatti képalkotáshoz. A zaj a szeizmikus felmérések szerves része, és ronthatja az adatminőséget, ezért erőfeszítéseket kell tenni annak minimalizálására és szűrésére.

4.1 Zajforrások

Kulturális zaj: A közelben lévő emberi tevékenységekből, például járművekből vagy gépekből származó zaj.
Környezeti zaj: Szél, vízáramlás és egyéb természeti jelenségek.
Műszeres zaj: Elektromos interferencia vagy az érzékelő hibás működése.

4.2 Zajcsökkentési technikák

Terepi stratégiák: Hosszabb forrás-vevő eltolás használata a felszíni hullámok interferenciájának csökkentése érdekében, alacsony környezeti zajjal (pl. Kora reggel) végzett felmérési idők kiválasztása és a közeli emberi tevékenység elkerülése.
Jelátlagolás (halmozás): A szeizmikus forrásnak való ismételt ütközés és a kapott jelek átlagolása segít a koherens szeizmikus jelek javításában és a véletlenszerű zaj csökkentésében.

Python példa: Jelátlagolás zajcsökkentéshez

piton

Kód másolása

Numpy importálása NP-ként

Matplotlib.pyplot importálása PLT-ként

# Paraméterek

idő = np.linspace(0, 100, 1000) # Idő ezredmásodpercben (ms)

frekvencia = 20 # Hz

noise_amplitude = 0,5 # A zaj amplitúdója

# Tiszta szeizmikus jel szimulálása

jel = np.sin(2 * np.pi * frekvencia * idő)

# Adjon hozzá zajt és átlagot több felvételhez

num_shots = 10

averaged_signal = np.zeros_like(jel)

_ esetén a tartományban(num_shots):

zaj = noise_amplitude * np.random.normal(0; 1; len(idő))

noisy_signal = jel + zaj

averaged_signal += noisy_signal

averaged_signal /= num_shots # Lövések átlaga

# Eredeti, zajos és átlagolt jelek ábrázolása

plt.ábra(ábra=(10, 5))

plt.plot(idő, jel; label='Eredeti jel')

plt.plot(idő; noisy_signal; label='Zajos jel')

plt.plot(idő; averaged_signal; label='Átlagolt jel'; vonalvastagság=2)

plt.xlabel('Idő (ms)')

plt.ylabel('Amplitúdó')

plt.title("Jelátlagolás a zajcsökkentéshez")

plt.legend()

plt.grid(Igaz)

plt.show()

Az ábra azt mutatja, hogy a szeizmikus nyomok ismételt átlagolása csökkenti a zajt, javítva a jel minőségét a későbbi elemzéshez.

5. Valós idejű adatfigyelés és minőség-ellenőrzés

A szeizmikus adatok gyűjtés közbeni valós idejű nyomon követése elengedhetetlen az adatminőség biztosításához és a berendezésekkel vagy a környezeti zajjal kapcsolatos problémák észleléséhez. A modern szeizmográfok lehetővé teszik a bejövő nyomok valós idejű megjelenítését, lehetővé téve a forrás erősségének, a vevő távolságának és az erősítési beállításoknak menet közbeni beállítását.

Vizuális vizsgálat: Ellenőrizze az anomáliákat, a konzisztens hullámformákat és a tiszta visszaverődési eseményeket.
Automatikus minőségi metrikák: Szoftver segítségével kiszámíthatja a jel-zaj arányt (SNR), a koherenciát és az amplitúdóegyensúlyt a vevők között.

Következtetés

A szeizmikus adatgyűjtés hatékony terepi technikái megkövetelik a forrás-vevő geometria gondos tervezését, az optimális eltolások kiválasztását, valamint a zajcsökkentés és az adatminőség-ellenőrzés stratégiáit. A szeizmikus források telepítésének, a vevőtömbök elrendezésének és a zaj minimalizálásának megértésével a földmérők olyan adatokat gyűjthetnek, amelyek pontosan reprezentálják a felszín alatti jellemzőket, és támogatják a későbbi értelmezést és elemzést. A következő fejezetekben a hangsúly a jelfeldolgozásra és a nyers szeizmikus adatokból származó értelmes információk kinyerésére használt fejlett technikákra helyeződik át.

4.2 Jelszűrés és zajcsökkentés

A szeizmikus adatok hajlamosak a zajra és a nem kívánt jelekre, amelyek elhomályosíthatják az értelmes visszaverődéseket és torzíthatják az értelmezéseket. A jelszűrés és a zajcsökkentés kulcsfontosságú lépések a szeizmikus adatfeldolgozásban, amelyek célja a jel-zaj arány (SNR) javítása és a felszín alatti jellemzőkhöz kapcsolódó visszaverődések és diffrakciók elkülönítése. Ez a fejezet a szeizmikus jelek szűrésének különböző technikáit és stratégiáit mutatja be, gyakorlati példákkal és megvalósításokkal, hogy az adatok tiszták és értelmezhetők legyenek.

1. A zaj típusai a szeizmikus adatokban

A zaj természetének megértése az első lépés a hatékony kiszűréshez. A szeizmikus adatzaj nagyjából a következő kategóriákba sorolható:

Környezeti zaj: A szél, a forgalom, a vízáramlás és az emberi tevékenységek véletlenszerű zajt vezetnek be az adatokba. Ez a fajta zaj gyakran szélessávú, és a frekvenciák széles skáláját fedi le.
Kulturális zaj: Ez magában foglalja az elektromos berendezésekből, ipari műveletekből vagy más ember által létrehozott forrásokból származó jeleket.
Koherens zaj: A véletlenszerű zajtól eltérően a koherens zaj következetes mintát mutat. Ilyenek például a talajhengerlés (alacsony frekvenciájú felszíni hullámok, amelyek a felszín mentén terjednek) és a léghullámok (a levegőben haladó hullámok).

A szűrés célja, hogy csillapítsa ezeket a zajkomponenseket, miközben megőrzi a felszín alatti struktúrák szeizmikus visszaverődését.

2. Frekvenciatartomány-szűrési technikák

A frekvenciatartomány-szűrés az egyik leghatékonyabb módszer a zaj csökkentésére, mivel sok zajforrás eltérő frekvenciajellemzőkkel rendelkezik, amelyek eltérnek a szeizmikus jeltől. A gyakori szűrők közé tartoznak a sáváteresztő szűrők, az aluláteresztő szűrők és a felüláteresztő szűrők.

2.1 Sáváteresztő szűrés

A sáváteresztő szűrő lehetővé teszi egy bizonyos tartományon belüli frekvenciák áthaladását, miközben csillapítja az ezen a tartományon kívüli frekvenciákat. Az ötlet az, hogy elkülönítsék azt a frekvenciasávot, ahol a szeizmikus jel a legerősebb, miközben csökkentik a zajt ezen a sávon kívül.

Matematikai megfogalmazás: A H(f)H(f)H(f) sáváteresztő szűrő a következőképpen ábrázolható:

H(f)={1if flow≤f≤fhigh0egyébkéntH(f) = \begin{cases} 1 & \text{if } f_{\text{low}} \leq f \leq f_{\text{high}} \\ 0 & \text{egyébként} \end{cases}H(f)={10if flow≤f≤fhighegyébként

hol:

flowf_{\text{low}}flow az alacsony frekvenciájú cutoff.
fhighf_{\text{high}}fhigh a nagyfrekvenciás cutoff.

Python-példa: sáváteresztő szűrő alkalmazása

Az alábbi kódrészlet bemutatja, hogyan alkalmazhat sáváteresztő szűrőt zajos szeizmikus jelre:

piton

Kód másolása

Numpy importálása NP-ként

Matplotlib.pyplot importálása PLT-ként

tól scipy.signal import vaj, filtfilt

# Paraméterek

time = np.linspace(0, 1, 1000) # Idő másodpercben

frequency_signal = 30 # A szeizmikus jel frekvenciája (Hz)

frequency_noise = 100 # A zaj frekvenciája (Hz)

noise_amplitude = 0,5

# Szintetikus szeizmikus jel generálása zajjal

jel = np.sin(2 * np.pi * frequency_signal * idő)

zaj = noise_amplitude * np.sin(2 * np.pi * frequency_noise * idő)

noisy_signal = jel + zaj

# Sáváteresztő szűrő definiálása

def band_pass_filter(adat, lowcut, highcut, fs, order=4):

Nyquist = 0,5 * FS

alacsony = lowcut / nyquist

Magas = HighCut / Nyquist

b, a = vaj(rendelés; [alacsony; magas]; btípus='sáv')

return filtfilt(b, a; adat)

# Szűrő paraméterek

fs = 1000 # Mintavételi frekvencia (Hz)

lowcut = 20 # Alacsony vágási frekvencia (Hz)

highcut = 50 # Magas cutoff frekvencia (Hz)

# Sáváteresztő szűrő alkalmazása

filtered_signal = band_pass_filter(noisy_signal, lowcut, highcut, fs)

# Eredeti és szűrt jelek ábrázolása

plt.ábra(ábra=(10, 6))

PLT.Részcselekmény(2, 1, 1)

plt.plot(idő; noisy_signal; label='Zajos jel')

plt.xlabel('Idő(s)')

plt.ylabel('Amplitúdó')

plt.title('Eredeti zajos jel')

plt.grid(Igaz)

plt.részcselekmény(2, 1, 2)

plt.plot(idő; filtered_signal; label='Szűrt jel'; color='red')

plt.xlabel('Idő(s)')

plt.ylabel('Amplitúdó')

plt.title('Sáváteresztő szűrt jel')

plt.grid(Igaz)

plt.tight_layout()

plt.show()

Ez a kód sáváteresztő szűrőt alkalmaz a zajos szeizmikus jelekre, elkülönítve a kívánt frekvenciatartományt és hatékonyan eltávolítva a nem kívánt zajt.

3. Időtartomány-zajcsökkentési technikák

A frekvenciatartományos módszerek mellett az időtartomány-technikák is hatékonyak a zajcsökkentésben, különösen a koherens zajok, például a talajhengerlés és a felszíni hullámok eltávolításában.

3.1 Némítás

A némítás egy időtartomány-folyamat, amely magában foglalja a szeizmikus adatok bizonyos részeinek nullára állítását. Például a kezdeti érkezések vagy a felszíni hullámok elnémíthatók, ha eltakarják a mélyebb visszaverődéseket.

Matematikai megfogalmazás: Legyen d(t)d(t)d(t) a szeizmikus adatok, és legyen M(t)M(t)M(t) egy némító függvény, amelyet a következőképpen definiálnak:

M(t)={1if t>tmute0if t≤tmuteM(t) = \begin{cases} 1 & \text{if } t > t_{\text{mute}} \\ 0 & \text{if } t \leq t_{\text{mute}} \end{cases}M(t)={10if t>tmuteif t≤tmute

A dmuted(t)d_{\text{muted}}(t)dmuted(t) elnémított adatokat ezután a következő képlet adja meg:

dmuted(t)=M(t)⋅d(t)d_{\text{muted}}(t) = M(t) \cdot d(t)dmuted(t)=M(t)⋅d(t)

ahol tmutet_{\text{mute}}tmute a némítási idő határértéke.

Python-példa: Némítási függvény alkalmazása

piton

Kód másolása

# Függvény paramétereinek elnémítása

mute_time = 0,2 # A némítás megkezdésének ideje másodpercben

# Némítás funkció alkalmazása

muted_signal = np.where(idő > mute_time, noisy_signal; 0)

# Elnémított jel ábrázolása

plt.ábra(ábra=(10, 4))

plt.plot(idő; noisy_signal; label='Zajos jel')

plt.plot(idő, muted_signal; label='Némított jel'; color='piros')

plt.xlabel('Idő(s)')

plt.ylabel('Amplitúdó')

plt.title("A némítási funkció alkalmazása")

plt.grid(Igaz)

plt.legend()

plt.show()

Ez a kód némítási funkciót alkalmaz a zajos jel kezdeti részének kiküszöbölésére, hatékonyan eltávolítva a nem kívánt korai érkezéseket.

4. Koherens zajcsillapítás

A koherens zaj, mint például a talajhullámok és a léghullámok, kihívást jelentenek, mivel nem véletlenszerűek, és átfedésben lehetnek a szeizmikus jel frekvenciatartományával. A koherens zaj csillapítására szolgáló technikák közé tartozik az f-k szűrés, a sebességszűrés és az egymásra rakás.

4.1 Frekvencia-hullámszám (f-k) szűrés

Az F-K szűrés a szeizmikus adatokat frekvenciájuk (FFF) és hullámszámuk (KKK) alapján választja el. A koherens zaj gyakran különálló trendként jelenik meg az f-k tartományban, lehetővé téve annak szelektív kiszűrését.

Matematikai megfogalmazás: A szeizmikus adatokat egy 2D Fourier-transzformációval alakítják át f-k tartományba:

D(f,k)=F{d(t,x)}D(f, k) = \mathcal{F} \{ d(t, x) \}D(f,k)=F{d(t,x)}

hol:

d(t,x)d(t, x)d(t,x) a szeizmikus adatok az idő (ttt) és a távolság (xxx) függvényében.
D(f,k)D(f, k)D(f,k) az f-k transzformált adat.

Az f-k tartomány nemkívánatos komponensei nullára vannak állítva, és az adatok az inverz Fourier-transzformáció segítségével visszaalakulnak a tér-idő tartományba.

4.2 Sebességszűrés

A sebességszűrés (vagy tau-p szűrés) egy olyan folyamat, amely látszólagos sebességük alapján választja el a szeizmikus adatokat. Ez különösen hasznos a talajhengerlés csillapítására, amely a testhullámokhoz képest alacsony sebességgel rendelkezik.

5. Szűrési technikák kombinálása az optimális eredmény érdekében

A gyakorlatban a szűrési technikák kombinációját gyakran használják a legjobb eredmények elérése érdekében. Például:

Sáváteresztő szűrés az elsődleges jel frekvenciatartományának elkülönítéséhez.
Némítás a korai érkezések vagy a nem kívánt energia eltávolításához.
F-K szűrés a koherens zaj eltávolításához.
Egymásra rakás az SNR ismételt jelátlagolással történő javítása érdekében.

Következtetés

A jelszűrés és a zajcsökkentés alapvető lépések a szeizmikus adatok feldolgozásában annak biztosítása érdekében, hogy a mögöttes visszaverődések és diffrakciók jól láthatóak legyenek. A frekvenciatartomány-technikák, például a sáváteresztő szűrés és az időtartomány-technikák, például a némítás, hatékony módszereket kínálnak az adatminőség javítására. Ezenkívül az olyan speciális technikák, mint az f-k szűrés és a sebességszűrés fejlett eszközöket kínálnak a koherens zaj csökkentésére. Ezeknek a megközelítéseknek a kombinálásával a geofizikusok tiszta, nagy felbontású szeizmikus adatkészleteket hozhatnak létre, amelyek alkalmasak a felszín alatti értelmezésre és elemzésre.

A következő fejezetben az idő- és frekvenciatartomány-elemzésekbe ásunk bele, feltárva, hogy a szűrt szeizmikus adatok hogyan értelmezhetők a felszín alatti jellemzők mélységének, alakjának és összetételének feltárására.

4.3 Idő-tartomány és frekvencia-tartomány analízis

A szeizmikus adatok elemzése mind az időtartományból, mind a frekvenciatartományból megközelíthető, kiegészítő perspektívákat biztosítva a rögzített jelekre. Míg az időtartomány-elemzés az amplitúdó időbeli változásaira összpontosít, a frekvenciatartomány-elemzés a jel energiájának eloszlását vizsgálja a különböző frekvenciák között. Mindkét módszer elengedhetetlen ahhoz, hogy értelmes információkat nyerjünk a felszín alatti szerkezetekről és megértsük geológiai tulajdonságaikat. Ez a fejezet az időtartomány és frekvenciatartomány elemzések elveit, technikáit és alkalmazásait vizsgálja a régészeti szeizmikus felmérések összefüggésében.

1. Idő-tartomány elemzés

Az időtartomány-elemzés magában foglalja annak vizsgálatát, hogy a szeizmikus jel amplitúdója hogyan változik az idő múlásával. Ez a megközelítés elengedhetetlen az érkezési idők, a reflexiós események és a felszín alatti jellemzőket jelző hullámformák azonosításához.

1.1 Szeizmikus nyom és amplitúdó

A szeizmikus nyom egy adott vevőn kapott szeizmikus jel rögzítése az idő függvényében. A nyom amplitúdója tükrözi a felszín alatti anyag tulajdonságainak változásait, például a sűrűséget és a rugalmasságot, amelyek a szeizmikus hullámok visszaverődését és törését okozzák.

Matematikailag az u(t)u(t)u(t) szeizmikus nyom a következőképpen fejezhető ki:

u(t)=∑iAiδ(t−ti)u(t) = \sum_{i} A_i \delta(t - t_i)u(t)=i∑Aiδ(t−ti)

hol:

AiA_iAi: Az ithi^{th}ith interfész visszaverődésének amplitúdója.
tit_iti: Az ithi^{th}ith reflexió érkezési ideje.
δ(t)\delta(t)δ(t): Pillanatnyi eseményt reprezentáló delta függvény.

1.2 Az első érkezési időpontok kiválasztása

Az első érkezők kiválasztása magában foglalja a szeizmikus energia kezdeti kezdetének azonosítását minden nyomban. Ezek az érkezések kritikusak a töréselemzés és a közeli felszín sebességszerkezetének meghatározása szempontjából.

Algoritmus példa: Az első érkezők kiválasztása

piton

Kód másolása

Numpy importálása NP-ként

Matplotlib.pyplot importálása PLT-ként

# Szimulált szeizmikus nyomkövetés

time = np.linspace(0, 1, 1000) # Idő másodpercben

sebesség = 1500 # A hullámterjedés sebessége (m/s)

amplitúdó = np.sin(2 * np.pi * 30 * idő) * np.exp(-idő * 2)

# Zaj hozzáadása a valós szeizmikus adatok szimulálásához

zaj = 0,2 * np.random.normal(0, 1, len(idő))

seismic_trace = amplitúdó + zaj

# Egyszerű első érkezés az amplitúdó küszöb alapján

küszöbérték = 0,3

first_arrival_index = np.argmax(seismic_trace > küszöbérték)

first_arrival_time = idő[first_arrival_index]

# Szeizmikus nyomvonal ábrázolása az első érkezéssel

plt.ábra(ábra=(10, 4))

plt.plot(idő; seismic_trace; label='Szeizmikus nyom')

plt.axvline(first_arrival_time, color='red', linestyle='--', label='Első érkezés')

plt.xlabel('Idő(s)')

plt.ylabel('Amplitúdó')

plt.title('Az első érkezések kiválasztása a szeizmikus nyomvonalban')

plt.grid(Igaz)

plt.legend()

plt.show()

A kód bemutatja, hogyan lehet kiválasztani az első érkezési időt egy zajos szeizmikus nyomvonalon egy egyszerű amplitúdóküszöb módszerrel. Ez a lépés elengedhetetlen a rétegsebességek meghatározásához és a felszín alatti anyagok jellemzéséhez.

2. Frekvencia-tartomány elemzés

A frekvenciatartomány-elemzés magában foglalja a szeizmikus jel átalakítását az időtartományból a frekvenciatartományba, hogy feltárja spektrális összetevőit. Ennek az átalakulásnak az elsődleges eszköze a Fourier-transzformáció, amely a jelet az alkotó frekvenciákra bontja.

2.1 A Fourier-transzformáció

Az u(t)u(t)u(t)u(t) szeizmikus jel F{u(t)}\mathcal{F} F{u(t)} Fourier-transzformációja a következőképpen határozható meg:

U(f)=∫−∞∞u(t)e−2πiftdtU(f) = \int_{-\infty}^{\infty} u(t) e^{-2 \pi i f t} dtU(f)=∫−∞∞u(t)e−2πiftdt

hol:

U(f)U(f)U(f): A jel frekvenciaspektruma.
fff: Frekvencia Hz-ben.

Az inverz Fourier-transzformáció lehetővé teszi az eredeti időtartományjel rekonstrukcióját:

u(t)=∫−∞∞U(f)e2πiftdfu(t) = \int_{-\infty}^{\infty} U(f) e^{2 \pi i f t} dfu(t)=∫−∞∞U(f)e2πiftdf

2.2 Szeizmikus adatok spektrális elemzése

A szeizmikus adatok frekvenciatartalma betekintést nyújt a felszín alatti jellemzőkbe. Például:

Az alacsony frekvenciájú komponensek jellemzően mélyebb struktúrákhoz kapcsolódnak.
A nagyfrekvenciás komponensek sekély tulajdonságokra utalnak, és nagyobb felbontást biztosíthatnak, de érzékenyebbek a csillapításra.

Python példa: A frekvenciaspektrum kiszámítása és ábrázolása

piton

Kód másolása

A scipy.fft fájlból import fft, fftfreq

# A Fourier-transzformáció paraméterei

sampling_rate = 1000 # Hz

n = len(seismic_trace) # Minták száma

# Fourier-transzformáció számítása

frekvencia = fftfreq(n, d=1/sampling_rate) # Frekvenciatengely

spektrum = fft(seismic_trace) # Frekvenciaspektrum

# Plot frekvencia spektrum

plt.ábra(ábra=(10, 4))

plt.plot(frequency[:n//2]; np.abs(spectrum)[:n//2]; label='Frekvenciaspektrum')

plt.xlabel('Frekvencia (Hz)')

plt.ylabel('Amplitúdó')

plt.title("A szeizmikus nyomvonal frekvenciaspektruma")

plt.grid(Igaz)

plt.show()

Ez a példa bemutatja, hogyan lehet kiszámítani és ábrázolni egy szeizmikus nyom frekvenciaspektrumát. Az így kapott ábra kiemeli az adatokban jelenlévő domináns frekvenciákat, feltárva a felszín alatti struktúrák jellemzőit.

3. Idő-frekvencia elemzés

Sok esetben a szeizmikus jelek jellemzői idővel változnak, ami szükségessé teszi mind az idő, mind a frekvencia tartományok egyidejű elemzését. Az idő-frekvencia elemzés lehetővé teszi annak megértését, hogy a jel frekvenciatartalma hogyan alakul az idő múlásával.

3.1 Rövid idejű Fourier-transzformáció (STFT)

A rövid idejű Fourier-transzformáció (STFT) a szeizmikus jelet kis időablakokra bontja, és a Fourier-transzformációt alkalmazza minden ablakra, létrehozva egy spektrogrammot, amely megmutatja, hogyan változnak a frekvenciák az idő múlásával.

Az STFT-t a következő képlet adja meg:

STFT{u(t)}(t,f)=∫−∞∞u(τ)w(τ−t)e−2πifτdτSTFT\{ u(t) \}(t, f) = \int_{-\infty}^{\infty} u(\tau) w(\tau - t) e^{-2 \pi i f \tau} d\tauSTFT{u(t)}(t,f)=∫−∞∞u(τ)w(τ−t)e−2πifτdτ

hol:

w(τ−t)w(\tau - t)w(τ−t): Az ablakfüggvény középpontja a ttt idő.

Python példa: Spektrogram számítása

piton

Kód másolása

a scipy.signal import spektrogram fájlból

# Számítási spektrogram

frekvenciák, idők, Sxx = spektrogram(seismic_trace, fs=sampling_rate, nperseg=100)

# Plot spektrogram

plt.ábra(ábra=(10, 4))

plt.pcolormesh(idők; frekvenciák; 10 * np.log10(Sxx); árnyékolás='gouraud')

plt.xlabel('Idő(s)')

plt.ylabel('Frekvencia (Hz)')

plt.title("A szeizmikus nyomok spektrogramja")

plt.colorbar(label='Teljesítmény (dB)')

plt.show()

A spektrogram vizuálisan ábrázolja, hogy a szeizmikus nyomvonal frekvenciatartalma hogyan változik az idő múlásával, lehetővé téve a felszín alatti struktúrákhoz kapcsolódó különböző jelkomponensek azonosítását.

4. Idő- és frekvenciaelemzések alkalmazása szeizmikus adatok értelmezésére

Mind az időtartományi, mind a frekvenciatartomány-elemzések kritikus fontosságúak a szeizmikus adatok értelmezéséhez és az értelmes geológiai információk kinyeréséhez. A következő alkalmazások szemléltetik használatukat:

Reflexiós azonosítás: Az időtartomány-elemzést a reflexiós események és a hozzájuk tartozó érkezési idők azonosítására használják, amelyek feltárják a felszín alatti réteghatárokat.
Rétegsebesség becslése: Az első érkezési idők felhasználhatók a rétegsebességek szeizmikus törési technikákkal történő kiszámítására.
Csillapítási és abszorpciós analízis: A frekvenciatartomány-elemzés segít megérteni, hogy a különböző frekvenciákat hogyan nyeli el a felszín alatt, és nyomokat ad az anyag tulajdonságairól.
Szeizmikus attribútumelemzés: Az olyan attribútumok, mint a pillanatnyi fázis, a pillanatnyi frekvencia és a pillanatnyi amplitúdó mind az idő-, mind a frekvenciatartományokból származnak, hogy javítsák a szeizmikus adatok értelmezhetőségét.

Python példa: Szeizmikus attribútumok számítása

piton

Kód másolása

# Számítsa ki a Hilbert transzformációt a pillanatnyi fázishoz és frekvenciához

tól scipy.signal import hilbert

analytic_signal = hilbert(seismic_trace)

instantaneous_amplitude = pl. abs(analytic_signal)

instantaneous_phase = np.kicsomagolás(np.szög(analytic_signal))

instantaneous_frequency = np.diff(instantaneous_phase) / (2,0 * np.pi) * sampling_rate

# Telek szeizmikus attribútumok

plt.ábra(ábra=(10, 6))

PLT.részmintatárgy(3, 1, 1)

plt.plot(idő; seismic_trace; label='Szeizmikus nyom')

plt.ylabel('Amplitúdó')

plt.title('Szeizmikus nyomok és attribútumok')

plt.grid(Igaz)

plt.részcselekmény(3, 1, 2)

plt.plot(idő; instantaneous_amplitude; label='Pillanatnyi amplitúdó'; color='zöld')

plt.ylabel('Amplitúdó')

plt.grid(Igaz)

plt.részcselekmény(3, 1, 3)

plt.plot(time[1:], instantaneous_frequency, label='Pillanatnyi frekvencia', color='piros')

plt.xlabel('Idő(s)')

plt.ylabel('Frekvencia (Hz)')

plt.grid(Igaz)

plt.tight_layout()

plt.show()

Ez a kód kiszámítja és ábrázolja a szeizmikus nyomok pillanatnyi amplitúdóját és frekvenciáját, amelyek kulcsfontosságú attribútumok az adatok értelmezésének javításához.

Következtetés

Az időtartomány és frekvenciatartomány elemzések alapvető eszközök a szeizmikus adatok feldolgozásához és értelmezéséhez. Míg az időtartomány-technikák a hullámformák és az érkezési idők azonosítására összpontosítanak, a frekvenciatartomány-elemzések feltárják a felszín alatti jellemzők spektrális tartalmát és csillapítási jellemzőit. Együtt átfogó megközelítést alkotnak a szeizmikus hullámok viselkedésének megértéséhez és az eltemetett struktúrákról és rétegekről szóló értelmes geológiai információk kinyeréséhez. A következő fejezet mélyebben belemerül a hullámformák értelmezésébe és a különböző felszín alatti anyagokkal és régészeti jellemzőkkel való kapcsolatukba.

4.4 Akusztikus és szeizmikus hullámformák értelmezése

A szeizmikus és akusztikus hullámformák értelmezése kritikus lépés ahhoz, hogy a nyers adatokat értelmes felszín alatti képekké alakítsuk. Ezeknek a hullámformáknak az alakját és viselkedését befolyásolják a geológiai struktúrák és anyagok, amelyeken áthaladnak, lehetővé téve számunkra, hogy olyan jellemzőkre következtessenek, mint a réteghatárok, üregek, eltemetett műemlékek és egyéb felszín alatti anomáliák. Ez a fejezet a hullámformák jellemzőit, értelmezését és a pontos felszín alatti előrejelzések készítésének vizualizációs technikáit tárgyalja.

1. A hullámforma jellemzőinek megértése

Minden szeizmikus nyom hullámformák sorozatát tartalmazza, amelyek mindegyike a szeizmikus hullám és a felszín alatti anyagok közötti kölcsönhatást képviseli. A szeizmikus hullámformák érdeklődésének elsődleges jellemzői a következők:

Amplitúdó: A hullám erőssége, jelezve a reflexiós együtthatókat és az anyag kontrasztjait.
Fázis: A hullám helyzete a ciklusában, információt szolgáltatva az események relatív időzítéséről.
Frekvenciatartalom: A hullámban jelen lévő frekvenciatartomány, amely jelezheti a felmérés mélységét és felbontását.
Polaritás és hullámforma: A hullám alakja, amely részleteket tár fel a reflektorokról és azok geometriájáról.

1.1 Visszaverődési együtthatók és amplitúdó

A visszavert szeizmikus hullám amplitúdója a rétegek közötti akusztikus impedancia (ZZZ) kontraszttól függ, a következőképpen definiálva:

Z=ρvZ = \rho vZ=ρv

hol:

ρ\rhoρ a közeg sűrűsége.
VVV a szeizmikus hullámok sebessége a közegben.

Az RRR reflexiós együtthatót, amely meghatározza a reflexió amplitúdóját, a következőképpen számítjuk ki:

R=Z2−Z1Z2+Z1R = \frac{Z_2 - Z_1}{Z_2 + Z_1}R=Z2+Z1Z2−Z1

hol:

Z1Z_1Z1 és Z2Z_2Z2 a két közeg akusztikus impedanciája az interfészen.

Az impedancia nagy kontrasztja erős visszaverődést eredményez (nagy amplitúdó), míg a kis kontraszt gyenge visszaverődést eredményez.

2. Szeizmikus hullámforma értelmezési technikák

Különböző technikák használhatók a szeizmikus hullámformák értelmezésére, amelyek mindegyike különböző hullámformák jellemzőit hangsúlyozza, hogy betekintést nyújtson a felszín alatti struktúrákba.

2.1 Keresztezés nélküli elemzés

A nulla keresztezés akkor következik be, amikor a szeizmikus nyom áthalad a nulla amplitúdójú vonalon, jelezve a pozitív és negatív hullámformák közötti átmenetet. A nulla keresztezések időzítése és távolsága jelezheti a réteghatárokat, és segíthet meghatározni a hullám fázisát.

2.2 Fázis és polaritás

A szeizmikus hullám fázisa a ciklusában elfoglalt helyére utal, például csúcs, mélypont vagy nulla keresztezés. Bizonyos esetekben a fázis vagy a polaritás változása (a hullám alakjának megfordítása) jelezheti a litológia vagy a folyadéktartalom változását.

Python példa: Szeizmikus hullámformák vizualizálása nulla keresztezéssel és polaritással

piton

Kód másolása

Numpy importálása NP-ként

Matplotlib.pyplot importálása PLT-ként

# Szimulált szeizmikus hullámforma

time = np.linspace(0, 1, 1000) # Idő másodpercben

frekvencia = 20 # A hullám frekvenciája (Hz)

amplitúdó = np.sin(2 * np.pi * frekvencia * idő) # Egyszerű szinuszos hullámforma

# Nulla kereszteződések megjelölése

zero_crossings = np.where(np.diff(np.előjel(amplitúdó)))[0]

# Hullámforma ábrázolása nulla keresztezéssel

plt.ábra(ábra=(10, 4))

plt.plot(idő; amplitúdó; label='szeizmikus hullámforma')

plt.scatter(idő[zero_crossings]; amplitúdó[zero_crossings]; color='red', label='Zero-Crossings')

plt.xlabel('Idő(s)')

plt.ylabel('Amplitúdó')

plt.title("Szeizmikus hullámforma nulla keresztezéssel")

plt.grid(Igaz)

plt.legend()

plt.show()

Az ábra egy egyszerű szeizmikus hullámformát jelenít meg, és kiemeli a nulla kereszteződéseket, amelyek kulcsfontosságúak a réteghatárok és a felszín alatti tulajdonságok változásainak értelmezéséhez.

3. Szeizmikus visszaverődés és fénytörés

A szeizmikus visszaverődések akkor fordulnak elő, amikor a hullámok különböző impedanciájú rétegek közötti határfelülettel találkoznak, míg a fénytörés magában foglalja a hullámok hajlítását, amikor különböző sebességű rétegeken haladnak át.

3.1 Reflexiós események

A szeizmikus nyomkövetés visszaverődési eseményét egy hullámlet jellemzi, amely két réteg közötti határ jelenlétét jelzi. A visszaverődés időpontját kétirányú utazási időnek (TWTTWTTWT) nevezzük, amelyet a következő képlet ad meg:

TWT=2dvTWT = 2 \frac{d}{v}TWT=2vd

hol:

ddd az interfész mélysége.
VVV a szeizmikus hullám sebessége a közegben.

Ez a kapcsolat felhasználható a reflektor mélységének becslésére.

3.2 Fénytörési események

A fénytörés akkor következik be, amikor a hullámok egy interfészen hajlanak, és két réteg közötti határ mentén haladnak. A törésszög (θr\theta_r θr) a Snell-törvény segítségével határozható meg:

sinθ1v1=sinθ2v2\frac{\sin \theta_1}{v_1} = \frac{\sin \theta_2}{v_2}v1sinθ1=v2sinθ2

hol:

θ1\theta_1 θ1 és θ2\theta_2 θ2 az előfordulási szögek és a törésszögek.
v1v_1v1 és v2v_2v2 a megfelelő rétegek sebessége.

A törési adatokat gyakran használják a sebességrétegek feltérképezésére és olyan jellemzők azonosítására, mint az alapkőzet vagy a nagy sebességű rétegek.

4. Fejlett hullámforma-elemzési technikák

A fejlett hullámforma-elemzési technikák mélyebb betekintést nyújthatnak a felszín alatti struktúrákba és javíthatják az értelmezést.

4.1 Amplitúdó versus offset (AVO) elemzés

Az AVO elemzés azt vizsgálja, hogy a reflexiós amplitúdó hogyan változik az eltolással (a forrás és a vevő közötti távolság). Az AVO válasz változásai jelezhetik a folyadéktartalom vagy a litológia változásait. A GGG AVO gradiens meghatározása:

G=dAdθG = \frac{d A}{d \theta}G=dθdA

hol:

AAA a reflexió amplitúdója.
θ\thetaθ a beesési szög.

A magas AVO gradiensek gázzal telített rétegeket jelezhetnek, míg az alacsony gradiensek sóoldatot vagy szilárd ásványi anyagokat jelezhetnek.

Python-példa: AVO-elemzés szimulálása

piton

Kód másolása

# Az AVO elemzés paraméterei

incident_angles = np.linspace(0, 30, 100) # Incidens szögek fokban

amplitude_changes = np.sin(np.radians(incident_angles)) * 0,5 # Egyszerű AVO színátmenet

# Plot AVO válasz

plt.ábra(ábra=(10, 4))

plt.plot(incident_angles; amplitude_changes; label='AVO válasz')

plt.xlabel('Beesési szög (fok)')

plt.ylabel('reflexiós amplitúdó')

plt.title('Szimulált AVO válasz')

plt.grid(Igaz)

plt.legend()

plt.show()

Ez a példa egy alapvető AVO választ szimulál, amely megmutatja, hogyan változik a reflexiós amplitúdó a beesési szöggel.

4.2 Teljes hullámforma inverzió (FWI)

A teljes hullámforma inverzió egy fejlett technika, amely a teljes szeizmikus hullámformát (amplitúdó, fázis és frekvenciatartalom) használja a felszín alatti tulajdonságok nagy felbontású modelljeinek létrehozásához. Ez magában foglalja a sebességmodell iteratív frissítését a megfigyelt és a modellezett hullámformák közötti különbség minimalizálása érdekében. Az FWI-ben minimalizált Φ\PhiΦ objektív függvényt a következő képlet adja meg:

Φ=12∑x,t(uobs(x,t)−umodel(x,t))2\Phi = \frac{1}{2} \sum_{x, t} \left( u_{\text{obs}}(x, t) - u_{\text{model}}(x, t) \right)^2Φ=21x,t∑(uobs(x,t)−umodel(x,t))2

hol:

uobs(x,t)u_{\text{obs}}(x, t)uobs(x,t) a megfigyelt adatok.
umodel(x,t)u_{\text{model}}(x, t)umodel(x,t) a modellezett adatok.

Az FWI részletes képeket tud szolgáltatni a sebességszerkezetekről és az anyagtulajdonságokról, javítva az összetett felszín alatti jellemzők megértését.

5. Vizualizációs és értelmezési technikák

A szeizmikus adatok hatékony megjelenítése kritikus fontosságú az értelmezés szempontjából. A gyakori vizualizációs technikák a következők:

Szeizmikus mozgási diagramok: A szeizmikus nyomok hagyományos ábrázolása, kiemelve az amplitúdó időbeli változásait.
Szeizmikus attribútumtérképek: Jelenítsen meg bizonyos jellemzőket, például amplitúdót, fázist vagy frekvenciát az egyes jellemzők kiemeléséhez.
Szeizmikus metszetek (2D/3D): A felszín alatti keresztmetszeti nézetek, amelyek a reflektorok és geológiai struktúrák térbeli eloszlását mutatják.

Python példa: szeizmikus mozgási görbe generálása

piton

Kód másolása

# A wiggle plot paraméterei

num_traces = 10

trace_spacing = 0,1

# Több nyomkövetés létrehozása enyhe időeltolódással

traces = [np.sin(2 * np.pi * frekvencia * (idő - i * trace_spacing)) for i in range(num_traces)]

# Telek wiggle telek

plt.ábra(ábra=(10, 6))

Az i esetében a Trace in Enumerate(Traces):

plt.plot(idő, nyomkövetés + i, color='black') # Minden nyomkövetés eltolása az indexével

plt.xlabel('Idő(s)')

plt.ylabel('Nyomkövetési index')

plt.title('Szeizmikus kavargó cselekmény')

plt.grid(Igaz)

plt.show()

A kavargó grafikon vizuálisan ábrázolja a többszörös szeizmikus nyomokat, lehetővé téve a folyamatos reflektorok és anomáliák könnyű azonosítását a felmérési területen.

Következtetés

A szeizmikus és akusztikus hullámformák értelmezése megköveteli jellemzőik megértését, beleértve az amplitúdót, a fázist, a frekvenciatartalmat és a polaritást. Az olyan technikák alkalmazásával, mint a nulla keresztezés elemzése, az AVO elemzés és a teljes hullámforma inverzió, a földmérők kritikus információkat nyerhetnek ki a felszín alatti jellemzőkről és azok tulajdonságairól. A vizualizációs eszközök, mint például a mozgó cselekmények és a szeizmikus szakaszok, javítják az értelmezést, lehetővé téve a régészek és geofizikusok számára, hogy pontosan azonosítsák és jellemezzék a föld alatti struktúrákat. A következő fejezetek az értelmezési folyamat automatizálására szolgáló algoritmikus megközelítéseket tárgyalják, valamint esettanulmányokat, amelyek ezeket a technikákat szemléltetik a műemlékek észlelésében.

5.1 Jellemzők kinyerése szeizmikus adatokból

A szeizmikus értelmezésben a jellemzők kinyerése kulcsfontosságú lépés, amely magában foglalja az értelmes minták és struktúrák elkülönítését a nyers szeizmikus adatoktól. A jellemzők kinyerésével egyszerűsíthetjük az összetett szeizmikus hullámformákat, és azokra a kulcsfontosságú jellemzőkre összpontosíthatunk, amelyek feltárják a felszín alatti geológiai információkat. A hatékony jellemzőkinyerés javítja a későbbi adatelemzést és modellezést, és segít azonosítani a potenciális földalatti műemlékeket, rétegtani rétegeket és régészeti érdeklődésre számot tartó anomáliákat.

Ez a fejezet a jellemzők kinyerésének különböző technikáit tárja fel, az alapvető attribútumszámítástól a fejlettebb jelfeldolgozási módszerekig és számítási algoritmusokig. A cél olyan adatreprezentációk előállítása, amelyek hangsúlyozzák a kritikus felszín alatti struktúrákat, miközben csökkentik a zajt és a redundanciát.

1. A szeizmikus jellemzők megértése

A szeizmikus jellemzők a szeizmikus adatok mérhető tulajdonságai, amelyek felhasználhatók a felszín alatti jellemzők azonosítására és osztályozására. Az attribútumok a szeizmikus hullámforma tulajdonságaiból származnak, beleértve az amplitúdót, a frekvenciát, a fázist és a folytonosságot. Három fő kategóriába sorolhatók:

Pillanatnyi attribútumok: A Hilbert-transzformációból származnak, és magukban foglalják az amplitúdót, a fázist és a frekvenciát minden időmintában.
Geometriai jellemzők: Jellemzők a szeizmikus adatokban lévő alakzatok és minták, például folytonosság, görbület és koherencia.
Spektrális jellemzők: Vizsgálja meg a szeizmikus jelek frekvenciatartalmát, hogy információt nyújtson az ágy vastagságáról, litológiájáról és csillapításáról.

1.1 Pillanatnyi amplitúdó, fázis és frekvencia

Az amplitúdó, fázis és frekvencia pillanatnyi tulajdonságai részletes betekintést nyújtanak a szeizmikus hullámformák helyi viselkedésébe.

Pillanatnyi amplitúdó: A szeizmikus nyom nagysága minden egyes időmintában, jelezve a visszaverődés változását.

Ainst(t)=∣h(t)∣A_{\text{inst}}(t) = |h(t)|Ainst(t)=∣h(t)∣

hol:

h(t)h(t)h(t) az u(t)u(t)u(t) szeizmikus nyomból származtatott analitikus jel:

h(t)=u(t)+i⋅H{u(t)}h(t) = u(t) + i \cdot \mathcal{H} \{ u(t) \}h(t)=u(t)+i⋅H{u(t)}

ahol H{u(t)}\mathcal{H} \{ u(t) \}H{u(t)} a nyomvonal Hilbert-transzformációja.

Pillanatnyi fázis: Az analitikus jel fázisszöge, amely megmutatja a hullám helyzetét a ciklusában.

φinst(t)=arg(h(t))\phi_{\text{inst}}(t) = \arg(h(t))φinst(t)=arg(h(t))

Pillanatnyi frekvencia: A pillanatnyi fázis változásának sebessége, amely frekvenciaváltozást biztosít az idő múlásával.

finst(t)=12πdφinst(t)dtf_{\text{inst}}(t) = \frac{1}{2 \pi} \frac{d \phi_{\text{inst}}(t)}{dt}finst(t)=2π1dtdφinst(t)

Python példa: Pillanatnyi amplitúdó, fázis és frekvencia kiszámítása

piton

Kód másolása

Numpy importálása NP-ként

Matplotlib.pyplot importálása PLT-ként

tól scipy.signal import hilbert

# Szeizmikus nyom szimulálása

time = np.linspace(0, 1, 1000) # Idő másodpercben

frekvencia = 30 # A hullám frekvenciája Hz-ben

seismic_trace = np.sin(2 * np.pi * gyakoriság * idő)

# Számítsa ki az analitikus jelet Hilbert-transzformációval

analytic_signal = hilbert(seismic_trace)

instantaneous_amplitude = pl. abs(analytic_signal)

instantaneous_phase = np.kicsomagolás(np.szög(analytic_signal))

instantaneous_frequency = np.diff(instantaneous_phase) / (2,0 * np.pi) * 1000 # Frekvencia Hz-ben

# Telek eredmények

plt.ábra(ábra=(10, 6))

PLT.részmintatárgy(3, 1, 1)

plt.plot(idő; seismic_trace; label='Szeizmikus nyom')

plt.ylabel('Amplitúdó')

plt.title('Szeizmikus nyomok és pillanatnyi attribútumok')

plt.részcselekmény(3, 1, 2)

plt.plot(idő; instantaneous_amplitude; label='Pillanatnyi amplitúdó'; color='zöld')

plt.ylabel('Amplitúdó')

plt.részcselekmény(3, 1, 3)

plt.plot(time[1:], instantaneous_frequency, label='Pillanatnyi frekvencia', color='piros')

plt.xlabel('Idő(s)')

plt.ylabel('Frekvencia (Hz)')

plt.tight_layout()

plt.grid(Igaz)

plt.show()

Ez a példa bemutatja, hogyan lehet kiszámítani egy szeizmikus nyom pillanatnyi amplitúdóját, fázisát és frekvenciáját, lehetővé téve a felszín alatti anyagváltozások és réteghatárok jobb megértését.

2. Spektrális bomlás és wavelet transzformáció

A spektrális bomlás egy erőteljes technika, amely magában foglalja a szeizmikus jel lebontását az alkotó frekvenciakomponensekre. Ez a folyamat elvégezhető a Fourier-transzformációval vagy kifinomultabb megközelítésekkel, például a folyamatos hullámtranszformációval (CWT).

2.1 Folyamatos hullámforma (CWT)

A CWT a szeizmikus jelet skálázott és eltolt hullámok összegeként ábrázolja. Ez lehetővé teszi a többfelbontású elemzést, amely egyszerre szolgáltat idő- és frekvenciainformációkat.

Az u(t)u(t)u(t) hullámmal rendelkező u(t)u(t)u(t) szeizmikus nyom CWT-je ψ(t)\psi(t)ψ(t) hullámmal a következőképpen határozható meg:

W(a,b)=∫−∞∞u(t)ψ∗(t−ba)dtW(a, b) = \int_{-\infty}^{\infty} u(t) \psi^* \left( \frac{t - b}{a} \right) dtW(a,b)=∫−∞∞u(t)ψ∗(kukac−b)dt

hol:

Az AAA az a skála paraméter , amely meghatározza a hullám dilatációját.
A bbb az a shift paraméter , amely meghatározza a wavelet transzlációját.
ψ∗\psi^*ψ∗ a wavelet függvény komplex konjugátuma.

Python példa: szeizmikus nyom folytonos wavelet transzformációja

piton

Kód másolása

PYWT importálása

# A wavelet transzformáció paraméterei

wavelet_name = 'cmor' # Komplex Morlet hullám

Skálák = NP.Arange(1, 100)

# Folyamatos wavelet transzformáció végrehajtása

együtthatók, gyakoriságok = pywt.cwt(seismic_trace, skálák, wavelet_name)

# Plot wavelet transzformáció (scalogram)

plt.ábra(ábra=(10, 6))

plt.m.mutat(np.abs(együtthatók), aspektus='auto', terjedelem=[0, 1, frekvenciák[-1], frekvenciák[0]],

cmap='jet', interpoláció='bilinear')

plt.xlabel('Idő(s)')

plt.ylabel('Frekvencia (Hz)')

plt.title('Folytonos hullám transzformációs skalogram')

plt.colorbar(label='Magnitúdó')

plt.show()

A CWT által generált skalogram a szeizmikus jel idő-frekvencia ábrázolását biztosítja, megmutatja, hogy a különböző frekvenciák hogyan változnak az idő múlásával, és segít azonosítani az olyan jellemzőket, mint a réteghatárok, hibák vagy rejtett üregek.

3. Geometriai attribútumok kinyerése

A geometriai jellemzők leírják a szeizmikus visszaverődések alakját, folytonosságát és textúráját, nyomokat adva a felszín alatti struktúrák geometriájáról. A gyakori geometriai jellemzők a következők:

Koherencia: A szeizmikus nyomok közötti hasonlóságot méri, hogy kiemelje az olyan jellemzőket, mint a hibák vagy a folytonosság megszakadása.
Dip és azimut: Határozza meg a reflektorok lejtését és tájolását, segítve a hajtogatás és a szerkezeti deformációk feltérképezését.
Görbület: Kiemeli a tükröződés görbületének változásait, amelyek redőket, hibákat vagy csatornákat jelezhetnek.

3.1 Koherencia számítás

A koherencia attribútumokat a szomszédos szeizmikus nyomok összehasonlításával számítják ki, hogy azonosítsák a diszkontinuitás területeit. A koherencia kiszámításának egyik megközelítése a keresztkorreláció:

C(t)=∑i(ui(t)−uˉ)(vi(t)−vˉ)∑i(ui(t)−uˉ)2∑i(vi(t)−vˉ)2C(t) = \frac{\sum_{i} (u_i(t) - \bar{u})(v_i(t) - \bar{v})}{\sqrt{\sum_{i} (u_i(t) - \bar{u})^2 \sum_{i} (v_i(t) - \bar{v})^2}}C(t)=∑i(ui(t)−uˉ)2∑i(vi(t)−vˉ)2∑i(ui(t)−uˉ)(vi(t)−vˉ)

hol:

UI(t)u_i(t)ui(t) és vi(t)v_i(t)vi(t) szomszédos szeizmikus nyomok.
Uˉ\bar{u}uˉ és vˉ\bar{v}vˉ a középértékek.

4. Funkciók kinyerése gépi tanuláshoz

A kinyert funkciók bemenetként szolgálnak a gépi tanulási modellekhez a minták automatikus észleléséhez, a litológiák osztályozásához és a felszín alatti struktúrák előrejelzéséhez. A gépi tanulási algoritmusok alkalmazása előtt a szeizmikus adatok előre feldolgozásra kerülnek, hogy informatív, csökkenthető és a célstruktúrákat reprezentáló jellemzőket származtassanak.

4.1 Funkciók méretezése és normalizálása

A funkciók közötti konzisztencia biztosítása és a modellkonvergencia javítása érdekében a rendszer funkcióskálázást alkalmaz:

Xscaled=X−μσ X_{\text{scaled}} = \frac{X - \mu}{\sigma}Xscaled=σX−μ

hol:

μ\muμ a jellemző középértéke.
σ\sigmaσ a szórás.

4.2 Dimenzionalitás csökkentési technikák

Az olyan technikák, mint a főkomponens-elemzés (PCA) vagy a t-elosztott sztochasztikus szomszédbeágyazás (t-SNE) használhatók a kinyert jellemzők dimenziójának csökkentésére, miközben megőrzik a besorolási vagy fürtözési feladatokhoz szükséges releváns információkat.

Python-példa: PCA a funkciók csökkentéséhez

piton

Kód másolása

from sklearn.decomposition import PCA

# Jellemző mátrix generálása (pl. pillanatnyi amplitúdó, frekvencia)

jellemzők = np.vstack((instantaneous_amplitude, instantaneous_frequency)). T

# PCA alkalmazása

pca = PCA(n_components=2)

features_pca = pca.fit_transform(jellemzők)

# Plot PCA-csökkentett funkciók

plt.ábra(ábra=(8, 6))

plt.scatter(features_pca[:, 0]; features_pca[:, 1]; c=idő, cmap='jet', s=10)

plt.xlabel('1. fő összetevő')

plt.ylabel('2. főösszetevő')

plt.title('Funkciótér a PCA után')

plt.colorbar(label='Idő (s)')

plt.grid(Igaz)

plt.show()

Az eredményül kapott ábra bemutatja, hogy a PCA hogyan csökkenti a jellemzőtér dimenzióját, megkönnyítve a szeizmikus adatokon belüli kapcsolatok megjelenítését és elemzését.

Következtetés

A jellemzők kinyerése a szeizmikus adatok elemzésének alapvető lépése, amely a nyers hullámformákat értelmes ábrázolásokká alakítja, amelyek kiemelik a felszín alatti struktúrákat. A pillanatnyi jellemzők, a spektrális bomlás és a geometriai jellemzők felhasználásával a szeizmikus értelmezők javíthatják képességüket a föld alatti jellemzők észlelésére és feltérképezésére. Az olyan fejlett technikák, mint a wavelet transzformációk és a gépi tanuláson alapuló funkciókinyerés lehetővé teszik az értelmezési feladatok automatizálását, ami gyorsabb és pontosabb felszín alatti jellemzéshez vezet. A következő fejezet a szeizmikus adatokra alkalmazott gépi tanulási technikákat és mintafelismerő algoritmusokat vizsgálja az automatizált jellemzők észleléséhez és osztályozásához.

5.2 Gépi tanulási technikák mintafelismeréshez

A gépi tanulás (ML) a szeizmikus adatok értelmezésének átalakító eszközévé vált, lehetővé téve a jellemzők kinyerésének, az anomáliadetektálásnak és a felszín alatti osztályozásnak az automatizálását. A régészeti felmérések során összegyűjtött nagy mennyiségű adat miatt a gépi tanulás hatékony módszert kínál a minták felismerésére és a geológiai jellemzők előrejelzésére, javítva a rejtett műemlékek és eltemetett struktúrák észlelésének képességét. Ez a fejezet feltárja a legfontosabb gépi tanulási technikákat, az adatok előkészítését, a modell kiválasztását és a gyakorlati alkalmazásokat a szeizmikus régészet összefüggésében.

1. Bevezetés a szeizmikus adatok gépi tanulásába

A gépi tanulási algoritmusok képesek azonosítani a szeizmikus adatok összetett mintáit, amelyek nem könnyen különböztethetők meg a hagyományos értelmezési módszerekkel. A fő célkitűzések a következők:

Osztályozás: Különböző felszín alatti anyagok vagy geológiai rétegek azonosítása.
Szegmentálás: Olyan struktúrák észlelése és körülhatárolása, mint a hibák, üregek és potenciális műemlékek.
Anomáliadetektálás: Kiugró értékek vagy váratlan minták felismerése, amelyek jelentős régészeti jellemzőkre utalhatnak.

Ezeket a célokat felügyelt, felügyelet nélküli és mély tanulási technikákkal érik el.

2. Felügyelt tanulás a szeizmikus adatok osztályozásához

A felügyelt tanulás során a modellek címkével ellátott adatkészletek használatával vannak betanítva, ahol a bemeneti jellemzők (például szeizmikus attribútumok) ismert célcímkékre (például litológia, rétegtípus) vannak leképezve. A modell megtanulja általánosítani a mintákat a címkézett adatokból, majd osztályozhatja az új, nem látható adatokat.

2.1 Adatok előkészítése és funkciók kiválasztása

A felügyelt tanuláshoz a szeizmikus adatokat előre fel kell dolgozni és címkézni kell. A gyakori lépések a következők:

Normalizálás: A jellemzők méretezése nulla átlaggal és egységvarianciával rendelkezik.

Xnorm=X−μσ X_{\text{norm}} = \frac{X - \mu}{\sigma}Xnorm=σX−μ

hol:

XXX a jellemző mátrix.
μ\muμ a jellemző középértéke.
σ\sigmaσ a szórás.

Funkció kiválasztása: Válassza ki a releváns jellemzőket olyan szeizmikus jellemzők közül, mint az amplitúdó, a fázis, a frekvencia és a koherencia.

2.2 Modell kiválasztása és képzése

A szeizmikus osztályozáshoz számos felügyelt algoritmus használható:

Döntési fák: Faalapú modell, amely jellemzőértékek alapján osztja fel az adatokat.
Vektorgépek (SVM-ek) támogatása: Megkeresi az optimális hipersíkot, amely elválasztja az adatosztályokat egy magas dimenziós térben.
Véletlenszerű erdők: Döntési fák együttese, amely több modell kombinálásával javítja az általánosítást.

Python-példa: véletlenszerű erdő betanítása szeizmikus adatok osztályozásához

piton

Kód másolása

from sklearn.ensemble import RandomForestClassifier

sklearn.model_selection importálási train_test_split

Az sklearn.metrics importálási accuracy_score

# Szimulált jellemzőadatok (pl. amplitúdó, frekvencia) és címkék (pl. réteg típusa)

jellemzők = np.random.rand(1000, 5) # 1000 minta, 5 jellemző

címkék = np.random.randint(0, 2, 1000) # Bináris osztályozás (0 vagy 1)

# Adatok felosztása betanítási és tesztelési készletekre

X_train, X_test, y_train, y_test = train_test_split(jellemzők; címkék; test_size=0,2)

# Véletlenszerű erdő modell betanítása

model = RandomForestClassifier(n_estimators=100; random_state=42)

modell.illeszt(X_train; y_train)

# Értékelje a modell teljesítményét

y_pred = modell.predict(X_test)

pontosság = accuracy_score(y_test, y_pred)

print(f"Modell pontossága: {pontosság:.2f}")

A fenti kód egy véletlenszerű erdőosztályozót tanít be a felszín alatti osztályok szeizmikus attribútumok alapján történő előrejelzéséhez. A modell pontossága méri a tesztadatok teljesítményét.

3. Felügyelet nélküli tanulás a szeizmikus adatok klaszterezéséhez

A felügyelet nélküli tanulás arra összpontosít, hogy előre definiált címkék nélkül találjon mintákat az adatokban. A klaszterező algoritmusok különösen hasznosak hasonló szeizmikus jelek csoportosításához, anomáliák azonosításához vagy rejtett struktúrák felfedezéséhez.

3.1 K-Means klaszterezés

A K-Means algoritmus KKK-fürtökre particionálja az adatokat a pontok és a hozzájuk tartozó klasztercentroidok közötti távolság minimalizálásával:

argminS∑i=1K∑x∈Si∥x−μi∥2\arg \min_{S} \sum_{i=1}^{K} \sum_{x \in S_i} \| x - \mu_i \|^2argSmini=1∑Kx∈Si∑∥x−μi∥2

hol:

SiS_iSi a III. klaszter pontjainak halmaza.
μi\mu_i μi a III. klaszter középpontja.

Python példa: K-means klaszterezés szeizmikus adatokhoz

piton

Kód másolása

from sklearn.cluster import KMeans

# K-Means fürtözés végrehajtása

num_clusters = 3

kmeans = KMeans(n_clusters=num_clusters; random_state=42)

Klaszterek = kmeans.fit_predict(jellemzők)

# Plot klaszterezési eredmények (2D vetület)

plt.scatter(jellemzők[:; 0]; jellemzők[:; 1]; c=klaszterek; cmap='viridis'; s=20)

plt.xlabel('1. funkció')

plt.ylabel('2. funkció')

plt.title("K-jelentés: szeizmikus adatok klaszterezése")

plt.show()

Az eredményül kapott szórási diagram megmutatja, hogy a szeizmikus adatok hogyan csoportosíthatók klaszterekbe, amelyek megfelelhetnek a különböző felszín alatti anyagoknak vagy szerkezeteknek.

4. Mély tanulás a szeizmikus értelmezéshez

A mély tanulás, különösen a konvolúciós neurális hálózatok (CNN-ek) sikeresek voltak a szeizmikus minták felismerésében, a képszegmentálásban és az anomáliadetektálásban. A mély tanulási modellek megtanulhatják az adatok hierarchikus ábrázolását, és manuális funkciókinyerés nélkül rögzíthetik az összetett funkciókat.

4.1 Konvolúciós neurális hálózatok (CNN-ek)

A CNN konvolúciós szűrők több rétegéből áll, amelyek megtanulják a szeizmikus adatok térbeli mintáit. Egy tipikus CNN architektúra a következőket tartalmazza:

Konvolúciós rétegek: Szűrők alkalmazása a bemeneti adatokra a jellemzők észleléséhez.

Zi,j,k=(Wk∗X)i,j+bkZ_{i, j, k} = (W_k \ast X)_{i, j} + b_kZi,j,k=(Wk∗X)i,j+bk

hol:

WkW_kWk a kthk^{th}kth szűrő szűrősúlya.
∗\ast∗ a konvolúciós operátor.
XXX a bemeneti adat.

Rétegek készletezése: Csökkentse az adatok térbeli dimenzióit.
Teljesen összekapcsolt rétegek: A konvolúciós rétegekben tanult jellemzők kombinálásával végső előrejelzéseket készíthet.

Python példa: Egyszerű CNN létrehozása szeizmikus osztályozáshoz

piton

Kód másolása

from keras.models import Sequential

from keras.layers import Conv1D, MaxPooling1D, Flatten, Dense

# Szimulált szeizmikus adatok generálása (pl. idősorok)

seismic_data = np.random.rand(1000, 128, 1) # 1000 minta, 128 időlépés, 1 csatorna

címkék = np.random.randint(0, 2, 1000) # Bináris osztályozás

# CNN modell meghatározása

model = Sequential()

modell.add(Conv1D(32; kernel_size=3; aktiválás='relu'; input_shape=(128;1)))

modell.add(MaxPooling1D(pool_size=2))

model.add(Összeolvasztás())

model.add(Sűrű(10; aktiválás='relu'))

model.add(Sűrűség(1; aktiválás='szigmoid'))

# Modell fordítása és betanítása

modell.compill(optimalizáló='adam'; loss='binary_crossentropy'; metrics=['pontosság'])

modell.illeszt(seismic_data; címkék; korszakok=10; batch_size=32)

A kód egy alapvető CNN-modellt valósít meg a szeizmikus idősoros adatok osztályozásához. A modell konvolúciós rétegekkel tanulja meg a funkciókat az adatokból, majd teljesen összekapcsolt rétegeket a besoroláshoz.

5. Mintafelismerés és objektumfelismerés

Az osztályozáson és klaszterezésen túl a szeizmikus adatok gyakran megkövetelik bizonyos minták vagy struktúrák észlelését. Az olyan technikák, mint az objektumészlelés, azonosíthatják az anomáliákat, például az eltemetett műemlékeket vagy üregeket a szeizmikus szakaszokon belül.

5.1 Régióalapú konvolúciós neurális hálózatok (R-CNN)

Az R-CNN-ek kombinálják a konvolúciós neurális hálózatokat a régiójavaslati hálózatokkal , hogy észleljék az objektumokat a szeizmikus képeken. Régióalapú tereptárgyak kinyerését és osztályozását végzik, így alkalmasak régészeti struktúrák megtalálására.

6. A modell teljesítményének értékelése

A gépi tanulási modellek teljesítményét a rendszer a következő metrikák használatával értékeli ki:

Pontosság: A helyes előrejelzések aránya az összes előrejelzéshez képest.
Pontosság és visszahívás: A besorolási teljesítmény kiértékelésére szolgáló metrikák, különösen kiegyensúlyozatlan adatkészletek esetén.
Zavartsági mátrix: A valódi pozitív, a hamis pozitív, az igaz negatív és a hamis negatív értékek számát jeleníti meg.

Python példa: Zavarmátrix számítása és ábrázolása

piton

Kód másolása

Az sklearn.metrics importálási confusion_matrix

Seaborn importálása SNS-ként

# Zavaros mátrix generálása

cm = confusion_matrix(y_test, y_pred)

# Telek zavaros mátrix

plt.ábra(ábra=(6, 4))

sns.heatmap(cm, annot=True, fmt="d", cmap="Blues", xticklabels=['Class 0', 'Class 1'], yticklabels=['Class 0', 'Class 1'])

plt.xlabel('Előrejelzett')

plt.ylabel('Tényleges')

plt.title("Zavarmátrix")

plt.show()

A zavartsági mátrix részletes képet nyújt a modell teljesítményéről, jelezve, hogy a modell mennyire jól különbözteti meg az osztályokat a szeizmikus adatokban.

Következtetés

A gépi tanulási technikák a felügyelt osztályozástól a mély tanulásig hatékony eszközöket biztosítanak a szeizmikus adatok értelmezéséhez és a felszín alatti műemlékekre és struktúrákra utaló minták észleléséhez. A különböző modellek és algoritmusok kihasználásával a szeizmikus értelmezők automatizálhatják az elemzési folyamatot, csökkenthetik a kézi értelmezési időt és javíthatják a régészeti felfedezések pontosságát. A következő fejezet olyan fejlett képalkotási technikákkal foglalkozik, mint az inverz modellezés és a tomográfiai képalkotás, amelyek tovább javítják a felszín alatti értelmezések felbontását és részletességét.

5.3 Inverz modellezés és tomográfiás képalkotás

Az inverz modellezés és a tomográfiai képalkotás a szeizmikus adatok értelmezésének egyik leghatékonyabb eszköze, amely részletes rekonstrukciót biztosít a felszín alatt. A jellemzők kinyerésével ellentétben, amely bizonyos attribútumok azonosítására összpontosít, ezek a technikák egy olyan átfogó modell felépítését célozzák, amely leírja a fizikai tulajdonságok teljes eloszlását a felszín alatt.

Ez a fejezet feltárja az inverz modellezés alapelveit, a tomográfiai képalkotás mögötti matematikát, és azt, hogy ezek a módszerek hogyan járulnak hozzá az összetett felszín alatti jellemzők megértéséhez, beleértve az eltemetett régészeti struktúrákat és műemlékeket.

1. Az inverz modellezés alapjai

Az inverz modellezés a szeizmikus elemzésben a megfigyelt szeizmikus adatokat magyarázó modellparaméterek (például sebesség, sűrűség és rétegmélység) becslésének folyamatára utal. Ezt "inverznek" nevezik, mert visszafelé működik az adatokból, hogy kikövetkeztesse az alapul szolgáló modellt, szemben az "előre modellezéssel", amely ismert modellparaméterek alapján előrejelzi az adatokat.

1.1 Az inverz probléma

Az inverz probléma általános formája az, hogy megtaláljuk azt az m\mathbf{m}m modellt, amely a legjobban megmagyarázza a d\mathbf{d}d adatokat:

d=G(m)+e\mathbf{d} = \mathbf{G}(\mathbf{m}) + \mathbf{e}d=G(m)+e

hol:

G(m)\mathbf{G}(\mathbf{m})G(m) az az előremenő operátor , amely az m\mathbf{m}m modellparamétereket a megfigyelt d\mathbf{d}d adatokhoz kapcsolja.
e\mathbf{e}e az adatok hibája vagy zaja.

Az inverz probléma megoldásához meg kell találni az m\mathbf{m}m-et úgy, hogy a maradék r=d−G(m)\mathbf{r} = \mathbf{d} - \mathbf{G}(\mathbf{m})r=d−G(m) minimális legyen. Ezt a minimalizálást általában optimalizálási problémaként fejezik ki:

minm Φ(m)=∥d−G(m)∥2+λ R(m)\min_{\mathbf{m}} \, \Phi(\mathbf{m}) = \|\mathbf{d} - \mathbf{G}(\mathbf{m})\|^2 + \lambda \, R(\mathbf{m})mminΦ(m)=∥d−G(m)∥2+λR(m)

hol:

Φ(m)\Phi(\mathbf{m})Φ(m) a minimalizálandó objektív függvény.
R(m)R(\mathbf{m})R(m) egy regularizációs kifejezés, amely korlátokat vagy simaságot ró a modellre.
λ\lambdaλ az a regularizációs paraméter, amely szabályozza az adatok illesztése és a modell simítása közötti egyensúlyt.

Python példa: Inverz problémamegoldás regularizációval

piton

Kód másolása

Numpy importálása NP-ként

from scipy.optimize import minimalizálás

# Szimulált adatok és előre modell (például egyszerű lineáris modell)

adat = np.tömb([10; 20; 30])

G = np.tömb([[1, 2], [2, 3], [3, 4]])

# Objektív függvény definiálása regularizációval

def objective_function(m, G, adat, lambda_reg):

maradék = adat - G @ m

regularizáció = lambda_reg * np.linalg.norm(m)**2

return np.linalg.norm(maradék)**2 + regularizáció

# A modell paramétereinek kezdeti becslése

m0 = np.tömb([1;1])

lambda_reg = 0,1 # Regularizációs paraméter

# Inverz probléma megoldása optimalizálással

eredmény = minimalizál(objective_function, m0, args=(G, adat, lambda_reg))

model_parameters = eredmény.x

print("Becsült modellparaméterek:", model_parameters)

Ez az egyszerű példa lineáris előremutató modellt és regularizációt használ az adatokhoz legjobban illeszkedő modellparaméterek becslésére, bemutatva az inverz problémamegoldás mögötti alapfogalmakat.

2. Szeizmikus tomográfia

A szeizmikus tomográfia az inverz modellezés fejlett formája, amely keresztmetszeti képeket biztosít a felszín alatt, hasonlóan az orvosi CT-vizsgálatokhoz. Úgy működik, hogy elemzi a szeizmikus hullámok utazási idejét és útját, amikor különböző anyagokon haladnak át.

2.1 Utazási idő tomográfia

Az utazási idő tomográfia arra összpontosít, hogy mérje azt az időt, amely alatt a szeizmikus hullámok eljutnak a forrástól a vevőig. A cél a felszín alatti rész v(x,z)v(x, z)v(x,z) sebességmodelljének rekonstruálása, amely megmagyarázza a megfigyelt utazási időket.

A szeizmikus hullám TTT utazási idejét a Γ\GammaΓ pályán a következő képlet adja meg:

T=∫Γdsv(s)T = \int_{\Gamma} \frac{ds}{v(s)}T=∫Γv(s)ds

hol:

A DSSDS egy infinitezimális szegmens az útvonal mentén.
v(s)v(s)v(s) a sebesség az út egyes pontjain.

Az utazási idő tomográfia fordított problémája magában foglalja a v(x,z)v(x, z)v(x,z) sebességmodell megtalálását, amely minimalizálja a megfigyelt és a számított utazási idő közötti különbséget.

2.2 Teljes hullámforma inverzió (FWI)

A teljes hullámforma inverzió (FWI) egy átfogóbb technika, amely a teljes hullámformát (nem csak az utazási időt) használja a felszín alatti tulajdonságok nagy felbontású modelljeinek felépítéséhez. Az FWI objektív függvénye a következőképpen határozható meg:

Φ(m)=12∑x,t(uobs(x,t)−umodel(x,t; m))2\Phi(\mathbf{m}) = \frac{1}{2} \sum_{x, t} \left( u_{\text{obs}}(x, t) - u_{\text{model}}(x, t; \mathbf{m}) \right)^2Φ(m)=21x,t∑(uobs(x,t)−umodel(x,t; m))2

hol:

Uobs(x,t)u_{\text{obs}}(x, t)uobs(x,t) a megfigyelt szeizmikus adatok xxx pozícióban és ttt időpontban.
umodell(x,t; m)u_{\text{model}}(x, t; \mathbf{m})umodel(x,t; m) a modellezett szeizmikus adatok az aktuális m\mathbf{m}m modellparaméterek alapján.

Az FWI iteratív módon frissíti a modellt, hogy csökkentse a megfigyelt és a modellezett hullámformák közötti eltérést, ami részletes képet eredményez a felszín alatt.

Python-példa: Gradient Descent for FWI

piton

Kód másolása

# Határozza meg a gradiens süllyedési függvényt a hullámforma inverziójához

def fwi_gradient_descent(data_obs, model_init, G, learning_rate, num_iterations):

modell = model_init.copy()

_ esetén a tartományban(num_iterations):

# Modellezett adatok és maradék számítása

data_model = G @ modell

maradék = data_obs - data_model

# Színátmenet kiszámítása (egyszerűsített)

gradiens = -G.T @ maradék

# Modellparaméterek frissítése

modell -= learning_rate * gradiens

Visszatérési modell

# Paraméterek

data_obs = np.array([10, 20, 30]) # Szimulált megfigyelt adatok

model_init = np.array([1, 1]) # Kezdeti modell becslés

learning_rate = 0,01

num_iterations = 100

# Szimulálja az előre operátort

G = np.tömb([[1, 2], [2, 3], [3, 4]])

# Futás gradiens ereszkedés

model_result = fwi_gradient_descent(data_obs, model_init, G, learning_rate, num_iterations)

print("Frissített modellparaméterek FWI:", model_result)

Ez a példa a teljes hullámforma inverzió folyamatát mutatja be gradiens süllyedési megközelítéssel, amely iteratív módon javítja a modell paramétereit, hogy megfeleljenek a megfigyelt szeizmikus adatoknak.

3. Sugár alapú és rács alapú tomográfiás képalkotás

A szeizmikus tomográfiának két elsődleges megközelítése van: sugár alapú tomográfia és rács alapú tomográfia.

3.1 Sugár alapú tomográfia

A sugáralapú tomográfia feltételezi, hogy a szeizmikus hullámok diszkrét utak vagy "sugarak" mentén haladnak. Az egyes sugarak mentén eltöltött utazási idő a sebességszerkezet rekonstruálására szolgál. Ez a megközelítés hatékony, de felbontása korlátozott lehet, különösen összetett geológiai körülmények között.

3.2 Rács alapú tomográfia

A rács alapú tomográfia a felszín alatti cellákat cellák rácsára osztja, és minden cellához sebességértéket rendelnek. A szeizmikus hullámokat úgy modellezzük, mint amelyek ezen a rácson haladnak át, és az inverzió frissíti az egyes cellák sebességét, hogy minimalizálja az utazási idő eltérését.

4. Tomográfiai képalkotás régészeti felmérésekben

A régészeti felmérések összefüggésében a tomográfiai képalkotás felhasználható eltemetett struktúrák, például sírok, falak és üregek felderítésére és feltérképezésére. Az utazási idejű tomográfia vagy FWI által generált nagy felbontású képek felfedhetik ezeknek a jellemzőknek az alakját, méretét és mélységét.

Vizualizációs példa: egy eltemetett szerkezet tomográfiai képe

Python példa: Tomográfiai sebességmodell megjelenítése

piton

Kód másolása

Matplotlib.pyplot importálása PLT-ként

# Szimulált tomográfiai sebességmodell (pl. 2D rács)

velocity_model = np.random.rand(50, 50) # 50x50 sebességértékek rácsa

# Plot sebesség modell

plt.ábra(ábra=(8, 6))

plt.imshow(velocity_model; cmap='szeizmikus', aspect='auto', extent=[0, 100, 0, 50])

plt.colorbar(label='Sebesség (m/s)')

plt.xlabel('Vízszintes távolság (m)')

plt.ylabel('Mélység (m)')

plt.title("Tomográfiai sebességmodell")

plt.show()

Az így kapott tomográfiai kép 2D-s keresztmetszeti képet nyújt a felszín alatti sebességeloszlásról, kiemelve a potenciális régészeti érdeklődésre számot tartó területeket.

5. Inverz modellezési kihívások és megoldások

Az inverz modellezési folyamat eredendően kihívást jelent a megoldások egyediségének és instabilitásának hiánya miatt :

Nem egyediség: Több modell hasonló szeizmikus adatokat hozhat létre, ami kétértelműséghez vezet a megoldásban.
Helytelen helyzet: Az adatok kis változásai nagy eltérésekhez vezethetnek a modellben, ami szabályozást és korlátozásokat igényel a megoldás stabilizálásához.

5.1 Szabályozás és korlátozások

A regularizációs technikákat, például a Tihonov-szabályozást használják a simasági korlátozások hozzáadására és a megoldás nem egyediségének csökkentésére:

Φ(m)=∥d−G(m)∥2+λ∥Lm∥2\Phi(\mathbf{m}) = \|\mathbf{d} - \mathbf{G}(\mathbf{m})\|^2 + \lambda \|\mathbf{L} \mathbf{m}\|^2Φ(m)=∥d−G(m)∥2+λ∥Lm∥2

ahol L\mathbf{L}L egy regularizációs mátrix, amely simaságot biztosít a modell paramétereire.

Következtetés

Az inverz modellezés és a tomográfiai képalkotás alapvető technikák a felszín alatti rekonstruáláshoz a régészeti felmérésekben. A szeizmikus adatok részletes sebességmodellekké és képekké alakításával lehetővé teszik az eltemetett struktúrák észlelését és javítják a föld alatti jellemzők megértését. A következő fejezet a nagyszabású szeizmikus inverzió és képalkotás számítási kihívásaival és megoldásaival foglalkozik, beleértve a párhuzamos számítástechnikát és a fejlett optimalizálási algoritmusokat.

5.4 Számítási kihívások és megoldások

A szeizmikus adatok értelmezése, különösen az olyan módszerekkel, mint az inverz modellezés és a tomográfiai képalkotás, jelentős számítási kihívásokat jelent. Az adatok mérete, a modellek összetettsége és a nagy felbontás iránti igény robusztus számítási technikákat igényel. Ez a fejezet a szeizmikus adatfeldolgozás legfontosabb számítási kihívásaival foglalkozik, beleértve az adatmennyiséget, a valós idejű feldolgozási követelményeket és az optimalizálási problémákat, és olyan megoldásokat mutat be, mint a párhuzamos számítástechnika, az algoritmikus optimalizálás és a hatékony adattárolás.

1. Nagy adatmennyiség és nagy számítási igény

A szeizmikus adatok régészeti célú gyűjtése általában hatalmas, több gigabájt vagy akár terabájt méretű adatkészleteket hoz létre. Az adatokkal kapcsolatos számítási kihívások a következők:

Adattárolás és adatbeolvasás: A nagyméretű adatkészleteket hatékonyan kell tárolni, és jelentős késés nélkül le kell kérni feldolgozásra.
Nagy felbontású modellek: A nagy felbontású felszín alatti képek előállítása intenzív számításokat igényel, különösen finom rácsok és összetett geológiai jellemzők esetén.
Iteratív inverziós technikák: Az inverz modellezés, mint például a teljes hullámforma inverzió (FWI), több iterációt igényel a felszín alatti modell finomításához, ami még nagyobbá teszi a számítási terhet.

1.1 Párhuzamos számítástechnika

A nagy adatkészletek és a számítási igények kezelésének egyik módja a párhuzamos számítástechnika, amely magában foglalja a számítási feladat kisebb, független részekre való felosztását, amelyek egyidejűleg feldolgozhatók.

Példa: Inverziószámítás elosztása párhuzamossággal

A szeizmikus inverzió párhuzamosságának általános technikája a doménbontás, ahol a számítási domén kisebb aldoménekre oszlik, amelyek mindegyikét más mag vagy gép dolgozza fel.

Python-példa: Többprocesszoros feldolgozás használata párhuzamos számítástechnikához

piton

Kód másolása

Numpy importálása NP-ként

többprocesszoros importálási készletből

# Funkció a szeizmikus adatok egy részhalmazának feldolgozására

def process_subdomain(data_slice):

# Példa feldolgozás: Egyszerű művelet szimulálása (pl. szűrés)

processed_slice = data_slice ** 2 # Adatok négyszögesítése példaműveletként

Visszatérési processed_slice

# Szintetikus szeizmikus adatok generálása (100 szelet adat)

seismic_data = np.random.rand(100, 1000) # 100 szelet, mindegyik 1000 adatponttal

# Munkavégző folyamatok készletének létrehozása párhuzamos feldolgozáshoz

a Pool(processes=4) készlettel: # Állítsa be a 'processs' -t a rendelkezésre álló CPU-magok számához

processed_data = pool.map(process_subdomain; seismic_data)

# Az eredmények egyesítése teljes adatkészletbe

processed_data = .p.tömb(processed_data)

print("Feldolgozott adatok alakja:"; processed_data.shape)

A fenti kódban a szeizmikus adatokat párhuzamosan dolgozzák fel több CPU-mag használatával. Minden egyes adatszeletet külön folyamat kezel, ami hatékonyabb számítást tesz lehetővé.

2. Inverziós algoritmusok optimalizálása

Számos szeizmikus inverziós algoritmus, mint például a legkisebb négyzetek inverziója, számítási szempontból drága. A hatékony optimalizálási technikák elengedhetetlenek a számítási idő csökkentéséhez, miközben pontos eredményeket érnek el.

2.1 Konjugált gradiens süllyedés

A konjugált gradiens módszert gyakran használják az inverz modellezés során felmerülő lineáris egyenletek nagy rendszereinek megoldására. Különösen hatékony ritka rendszerek megoldására, ahol az A\mathbf{A}A mátrix sok nulla elemet tartalmaz.

A konjugált gradiens algoritmus célja, hogy megtalálja azt az m\mathbf{m}m modellt, amely minimalizálja a másodfokú objektív függvényt:

Φ(m)=12mTAm−bTm\Phi(\mathbf{m}) = \frac{1}{2} \mathbf{m}^T \mathbf{A} \mathbf{m} - \mathbf{b}^T \mathbf{m}Φ(m)=21mTAm−bTm

hol:

A\mathbf{A}A egy szimmetrikus pozitív-határozott mátrix.
A b\mathbf{b}b az adatokat reprezentáló vektor.

Python példa: konjugált gradiens leereszkedés inverzióhoz

piton

Kód másolása

Forrás: scipy.sparse.linalg import CG

# Szintetikus mátrix és adatvektor definiálása

A = np.random.rand(1000; 1000)

A = A.T @ A # Legyen szimmetrikus és pozitív-határozott

b = np.random.rand(1000)

# Használja a konjugált gradiens módszert az m megoldásához

m, info = cg(A, b)

print("Az inverziós probléma megoldása:", m)

A kód a konjugált gradiens módszert használja az egyenletrendszer hatékony megoldására, amely sok inverziós problémára jellemző.

3. Valós idejű feldolgozás és streaming

Egyes régészeti felmérések esetében valós idejű vagy közel valós idejű adatfeldolgozásra van szükség. Például a folyamatban lévő ásatások nyomon követéséhez vagy a felszín alatti anomáliák jelenlétéről szóló valós idejű visszajelzéshez gyors feldolgozásra és értelmezésre van szükség.

3.1 Valós idejű jelfeldolgozás

A valós idejű szűrésnek és zajcsökkentésnek számítási szempontból könnyűnek kell lennie. A digitális szűrőket, például a Finite Impulse Response (FIR) és az Infinite Impulse Response (IIR) szűrőket széles körben használják a valós idejű jeljavításhoz.

Python-példa: Valós idejű FIR-szűrő alkalmazása

piton

Kód másolása

A scipy.signal import firwin, lfilter

# Szintetikus szeizmikus jel generálása

fs = 100,0 # Mintavételi frekvencia

t = np.arange(0, 10, 1/fs) # Idővektor (10 másodperc)

seismic_signal = np.sin(2 * np.pi * 5 * t) + 0,5 * np.random.randn(len(t)) # 5 Hz-es jel zajjal

# FIR szűrő tervezése

numtaps = 101 # Csapok száma a szűrőben

cutoff = 10,0 # Cutoff frekvencia (Hz)

fir_coeffs = firwin(számcsapok; cutoff; fs=fs)

# Alkalmazza a szűrőt a szeizmikus jelre

filtered_signal = lfilter(fir_coeffs; 1,0; seismic_signal)

# Eredeti és szűrt jelek ábrázolása

plt.ábra(ábra=(10, 6))

plt.plot(t; seismic_signal; label='Eredeti jel'; alfa=0,7)

plt.plot(t, filtered_signal; label='Szűrt jel', vonalvastagság=2)

plt.xlabel('Idő(s)')

plt.ylabel('Amplitúdó')

plt.title('Valós idejű FIR szűrő alkalmazás')

plt.legend()

plt.show()

A fenti kód valós időben szűri a szeizmikus jelet egy FIR szűrő segítségével. Ez a fajta feldolgozás elengedhetetlen a helyszíni elemzéshez és a gyors döntéshozatalhoz a régészeti felmérések során.

4. Hatékony adattárolás és hozzáférés

A nagyméretű szeizmikus adatkészletek tárolása és lekérése hatással lehet a számítási teljesítményre. A hatékony adatformátumok és struktúrák, például a HDF5 vagy a netCDF használata gyors hozzáférést és manipulációt tesz lehetővé.

4.1 HDF5 szeizmikus adattároláshoz

A HDF5-öt (Hierarchical Data Format version 5) széles körben használják nagy adattömbök tárolására, támogatva a tömörítést, a darabolást és a hatékony hozzáférést.

Python példa: Szeizmikus adatok tárolása és elérése HDF5-tel

piton

Kód másolása

H5py importálása

# Szintetikus szeizmikus adatok létrehozása (3D tömb)

seismic_data = np.random.rand(100, 1000, 500) # Példa dimenziók: 100 rekord, 1000 minta, 500 csatorna

# Szeizmikus adatok mentése HDF5 fájlba

H5py-vel. File('seismic_data.h5', 'w') mint h5file:

h5file.create_dataset('data', data=seismic_data, compression='gzip')

# Adatok elérése HDF5 fájlból

H5py-vel. File('seismic_data.h5', 'r') as h5file:

loaded_data = h5fájl['adat'][:]

print("Betöltött adatok alakja:"; loaded_data.shape)

A HDF5 lehetővé teszi a többdimenziós adatok hatékony tárolását és visszakeresését, ami jellemző a több csatornával, mintával és rekorddal rendelkező szeizmikus adatkészletekre.

5. Fejlett optimalizálási technikák az inverzióhoz

A szeizmikus inverzió számítási idejének csökkentése érdekében fejlett optimalizálási technikákat, például sztochasztikus gradiens süllyedést (SGD), kvázi-Newton módszereket és genetikai algoritmusokat alkalmaznak.

5.1 Sztochasztikus gradiens süllyedés (SGD)

Az SGD a gradiens descent egy változata, amely minden iterációnál az adatok egy részhalmazával (minikötegével) frissíti a modell paramétereit, ami felgyorsítja a konvergenciát, és különösen hasznos nagy adatkészletek esetén.

Python példa: SGD megvalósítása szeizmikus inverzióhoz

piton

Kód másolása

def sgd(adatok; G, model_init; learning_rate; num_epochs; batch_size):

modell = model_init.copy()

num_batches = adat.shape[0] // batch_size

a tartományban lévő korszak esetében (num_epochs):

i esetén a tartományban(num_batches):

# Bontsa ki a mini-tételt

batch_data = adat[i * batch_size: (i + 1) * batch_size]

batch_G = G[i * batch_size: (i + 1) * batch_size]

# Számítási gradiens és frissítési modell

gradiens = -batch_G.T @ (batch_data - batch_G @ modell)

modell -= learning_rate * gradiens

Visszatérési modell

# Példa paraméterekre

adatok = np.random.rand(1000, 1) # Megfigyelt adatok

G = np.random.rand(1000, 10) # Előre operátor mátrix

model_init = np.zeros((10, 1)) # Kezdeti modell paraméterei

learning_rate = 0,01

num_epochs = 10

batch_size = 100

# Futtassa az SGD optimalizálást

model_result = sgd(adatok; G; model_init; learning_rate; num_epochs; batch_size)

print("Modellparaméterek SGD után:", model_result)

Az SGD jelentős teljesítményjavulást kínál a nagyszabású optimalizálási problémák esetén, különösen a szeizmikus inverzió esetén nagy dimenziós adatokkal.

Következtetés

A szeizmikus adatok értelmezésével kapcsolatos számítási kihívások kezelése kulcsfontosságú a hatékony és pontos régészeti felmérésekhez. Az olyan technikák, mint a párhuzamos számítástechnika, a valós idejű feldolgozás, az adattárolás optimalizálása és a fejlett optimalizálási algoritmusok lehetővé teszik a nagy adatkészletek és az összetett inverziós problémák kezelését. Ezeknek a módszereknek a felhasználásával a régészek hatékonyabban értelmezhetik a felszín alatti jellemzőket, és azonosíthatják a potenciális műemlékeket, sírokat és más eltemetett szerkezeteket.

6.1 Ősi sírok felfedezése szeizmikus módszerekkel

Az ősi sírok felfedezése a szeizmikus módszerek egyik legérdekesebb alkalmazása a régészetben. A szeizmikus felmérés használata lehetővé teszi a kutatók számára, hogy észleljék a felszín alatti anomáliákat, amelyek eltemetett kamrák, alagutak és tárgyak jelenlétére utalhatnak, gyakran a talaj megzavarása nélkül. Ez a fejezet feltárja a sírfelfedezések valós esettanulmányait, az alkalmazott szeizmikus módszereket és az adatfeldolgozási technikákat, amelyek ezeknek a rejtett struktúráknak a sikeres azonosításához vezettek.

1. A sír felfedezésének szeizmikus módszereinek áttekintése

A szeizmikus módszerek rendkívül hatékonyak a sírok felfedezésében, mivel képesek észlelni a felszín alatti anomáliákat, amelyek sűrűségükben vagy rugalmasságukban különböznek a környező közegtől. A felszínen keletkező szeizmikus hullámok áthaladnak a talajon, és különböző anyagok visszaverik, megtörik vagy diffrakciózzák őket, felfedve a föld alatti jellemzők potenciális létezését. A legfontosabb technikák a következők:

Reflexiós szeizmikus felmérések: A szeizmikus hullámok visszaverődését méri a felszín alatti interfészekről.
Refrakciós szeizmikus felmérések: A szeizmikus hullámok hajlítását méri, amikor azok különböző sebességű rétegeken haladnak át.
Felületi hullám felmérések: A felszíni hullámok diszperzióját méri, hogy kikövetkeztesse a felszínközeli rétegek tulajdonságait.

1.1 Szeizmikus anomáliák azonosítása

A sírdetektálásra szolgáló szeizmikus felmérések kritikus lépése az anomáliák azonosítása - olyan régiók, ahol a szeizmikus tulajdonságok (sebesség, sűrűség, csillapítás) ellentétben állnak a környező anyaggal. Az anomáliák üregeket, kamrákat vagy épített jellemzőket, például temetkezési tengelyeket jelezhetnek.

2. Esettanulmány: Egy sírkamra felfedezése

Vegyünk egy gyakorlati esetet, amelyben egy feltételezett temetkezési kamrát szeizmikus reflexiós módszerekkel fedeztek fel. Úgy vélték, hogy a helyszínen egy rejtett sír található, de semmilyen felszíni bizonyíték nem erősítette meg a helyét.

2.1 A felmérés beállítása és módszertana

Forrás és vevő beállítása: Szeizmikus forrásokat (pl. kalapácsütéseket vagy kis robbanásokat) használtak hullámok generálására, és geofonokat telepítettek egy rácsba a szeizmikus jelek rögzítésére.
Adatgyűjtés: A szeizmikus jeleket idősorokként rögzítették, megmutatva a hullámok érkezési idejét az egyes geofonokon.

3. Adatfeldolgozás és értelmezés

A szeizmikus adatok összegyűjtése után a következő lépés az adatfeldolgozás volt a jelek javítása és a felszín alatti struktúrákra utaló visszaverődések elkülönítése érdekében.

3.1 Visszaverődési idő szedése

Azt az időt, amely alatt a szeizmikus hullámok eljutnak a forrástól a reflektorig (például egy sírkamráig) és vissza a vevőhöz, kétirányú utazási időnek nevezik. A reflexiós idők kiválasztása a rögzített adatokból döntő fontosságú a szerkezet mélységének és geometriájának meghatározásához.

A kétirányú utazási idő egyenlete:

T=2dvT = \frac{2d}{v}T=v2d

hol:

TTT = kétirányú utazási idő (másodperc).
ddd = a reflektor mélysége (méter).
vvv = szeizmikus hullámsebesség (méter per másodperc).

A mélység megoldása:

d=Tv2d = \frac{T v}{2}d=2Tv

Ez az egyenlet segít megbecsülni az anomália mélységét a megfigyelt utazási idő és a szeizmikus hullámok sebessége alapján a talajon keresztül.

4. Sebességmodellezés és tomográfiás képalkotás

A sebességmodellezés elengedhetetlen a szeizmikus hullámok felszín alatti terjedésének megértéséhez. A hullámsebességek modelljének megalkotásával pontosabb képet lehet készíteni az eltemetett kamráról.

4.1 Példa sebességinverzióra

Sebességinverziós technikát alkalmaztunk a sebességmodell finomítására a kiválasztott utazási idők alapján. Az inverziós folyamat minimalizálta a megfigyelt és a számított utazási idők közötti különbséget:

minv∑i=1N(Tobs,i−Tcalc,i(v))2\min_{v} \sum_{i=1}^N \left( T_{\text{obs}, i} - T_{\text{calc}, i}(v) \right)^2vmini=1∑N(Tobs,i−Tcalc,i(v))2

hol:

Tobs,iT_{\text{obs}, i}Tobs,i = A iii-adik sugárút megfigyelt utazási ideje.
Tcalc,i(v)T_{\text{calc}, i}(v)Tcalc,i(v) = Számított utazási idő a sebességmodell alapján.

Python-példa: Utazási idő inverzió sebességmodellhez

piton

Kód másolása

Numpy importálása NP-ként

from scipy.optimize import minimalizálás

# Megfigyelt utazási idők (másodperc)

travel_times_obs = np.tömb([0,5; 0,6; 0,55; 0,7; 0,65])

# Szintetikus sugárutak (távolság méterben)

ray_paths = np.tömb([50, 60, 55, 70, 65])

# Objektív funkció az utazási idő inverziójához

def objective_function(sebesség, ray_paths, travel_times_obs):

travel_times_calc = 2 * ray_paths / sebesség # Kétirányú utazási idő

visszatérési np.szum((travel_times_obs - travel_times_calc)**2)

# A sebesség kezdeti becslése (m/s)

velocity_init = 2000

# Invertálás a sebességhez

eredmény = minimalizál(objective_function, velocity_init, args=(ray_paths, travel_times_obs))

velocity_estimated = eredmény.x[0]

print("Becsült sebesség (m/s):", velocity_estimated)

A kód megfordítja azt a szeizmikus sebességet, amely a legjobban illeszkedik a megfigyelt utazási időkhöz, betekintést nyújtva a felszín alatti tulajdonságokba.

5. A sírkamra képalkotása

A sebességmodell létrehozása után a szeizmikus adatok migrálódnak, hogy felszín alatti képet hozzanak létre - ez a folyamat, amelyet szeizmikus migrációnak neveznek, a szeizmikus visszaverődéseket a valódi felszín alatti helyükhöz igazítja.

5.1 Kirchhoff migráció

Az egyik gyakori migrációs technika a Kirchhoff-migráció, amely szeizmikus amplitúdókat összegez hiperbolikus pályák mentén, hogy összeomoljon az energia valódi felszín alatti helyére.

A migrációs útvonal egyenlete:

T(x,z)=(x−xsv)2+(zv)2T(x, z) = \sqrt{\left(\frac{x - x_s}{v}\right)^2 + \left(\frac{z}{v}\right)^2}T(x,z)=(vx−xs)2+(vz)2

hol:

T(x,z)T(x, z)T(x,z) = Utazási idő a forrástól a felszín alatti pontig (x,z)(x, z)(x,z).
xsx_sxs = Forrás pozíciója.
vvv = szeizmikus hullámok sebessége.
xxx, zzz = Vízszintes és függőleges koordináták a felszín alatt.

6. Anomáliák észlelése az adatokban

A migrált szeizmikus kép egy sírkamrának megfelelő rendellenes jellemzőt tárt fel . A jellemző jellemzőit amplitúdó és alak alapján értelmeztük:

Nagy amplitúdóvisszaverődés: Erős kontraszt a szeizmikus impedanciában a kamra és a környező anyag közötti határfelületen.
Geometria és mélység: Az anomália alakja és mélysége megfelelt a temetkezési kamrával kapcsolatos elvárásoknak.

6.1 Az anomália megjelenítése

Python példa: szeizmikus reflexiós adatok vizualizációja

piton

Kód másolása

Matplotlib.pyplot importálása PLT-ként

# Szintetikus migrált szeizmikus kép létrehozása (pl. anomáliával)

seismic_image = np.random.rand(100, 100) # 100x100 amplitúdórács

seismic_image[40:60, 40:60] += 2 # Anomália hozzáadása középen

# Telek szeizmikus kép

plt.ábra(ábra=(8, 6))

plt.imshow(seismic_image; cmap='szeizmikus', aspect='auto', extent=[0, 100, 100, 0])

plt.colorbar(label='Amplitúdó')

plt.xlabel('Távolság (m)')

plt.ylabel('Mélység (m)')

plt.title('Mátrált szeizmikus kép rendellenes visszaverődéssel')

plt.show()

A vizualizáció egy 2D-s szeizmikus képet biztosít, amely egy nagy amplitúdójú anomáliát mutat, amely egy felszín alatti struktúrát, például egy sírkamrát jelezhet.

7. A felfedezés megerősítése

Miután szeizmikus képalkotással azonosították az anomáliát, a potenciális sírt más eszközökkel igazolták, például:

Fúrás vagy ásatás: Korlátozott talajbehatolás a szeizmikus eredmények megerősítéséhez anélkül, hogy a szerkezet teljesen ki lenne téve.
Ground Penetrating Radar (GPR): Kiegészítő, nem invazív technika további felszín alatti részletek biztosítására.

8. A sírok szeizmikus felfedezésének összefoglalása

A szeizmikus módszerek nem invazív megközelítést biztosítanak az eltemetett sírok és kamrák felderítésére és képalkotására, lehetővé téve a régészek számára, hogy minimális zavarással megtalálják ezeket a struktúrákat. Az adatfeldolgozás, a sebességinverzió és a migrációs képalkotás kombinációja részletes modelleket hoz létre a felszín alatt, feltárva a rejtett régészeti jellemzőket, amelyek történelmi és kulturális jelentőséggel bírhatnak.

Ezeknek a technikáknak az alkalmazásával a régészek hatékonyan felmérhetik a nagy területeket, felfedezhetik a rejtett struktúrákat, és megalapozott döntéseket hozhatnak az ásatásról, hozzájárulva a felszín alatti emlékművek felderítéséhez és az ősi civilizációk tanulmányozásához.

6.2 Rejtett kamrák keresése: tanulmány a piramisokról

A világ nagy piramisaiban található rejtett kamrák feltárására irányuló törekvés a régészet, a mérnöki munka és a geofizika magával ragadó metszéspontja. A szeizmikus módszerek értékes eszköznek bizonyultak ezekben a felfedezésekben, és nem invazív módszereket kínálnak a monumentális struktúrák mélyének vizsgálatára. Ez a fejezet a szeizmikus technikák piramis tanulmányokban való alkalmazására összpontosít, megvizsgálja, hogy a tudósok hogyan fedezték fel a rejtett kamrákat és átjárókat, és milyen egyedi kihívásokat jelentenek ezek az ősi építmények.

1. A piramis szerkezetének és szeizmikus aláírásának megértése

A piramisok, különösen az egyiptomi piramisok, mint például a gízai nagy piramis, sűrű kőanyagokból, például mészkőből és gránitból állnak. Belső architektúrájuk gyakran átjárókat, üregeket és temetkezési kamrákat tartalmaz, amelyek sűrűsége és rugalmas tulajdonságai eltérhetnek a környező kőtől. Ezeknek az anomáliáknak a szeizmikus hullámokkal történő észleléséhez meg kell érteni, hogy a hullámok hogyan terjednek az ilyen összetett struktúrákban.

1.1 Szeizmikus hullámterjedés piramisokban

A szeizmikus hullámok, amikor egy piramis közelében vagy azon keletkeznek, áthaladnak a szerkezeten, és befolyásolják a belső üregek, az anyagváltozások, valamint a kamrák és a környező kő közötti interfészek. Ezek a hatások anomáliákként manifesztálódnak a rögzített hullámformákban, amelyek elemzésével kikövetkeztethetjük a rejtett kamrák jelenlétét.

2. Szeizmikus visszaverődés és fénytörés piramis detektálásában

A piramisok körüli szeizmikus felméréseket általában reflexiós és fénytörési technikákkal végzik:

Reflexiós felmérések: A szeizmikus hullámok visszaverődnek a piramison belüli belső interfészekről, például a kamra falairól vagy a töltött átjárókról. Ezeknek a reflexióknak az érkezési idejét és amplitúdóit a rejtett struktúrák feltérképezésére használják.
Refrakciós felmérések: Ezek a felmérések megtört hullámokat használnak a kontrasztos szeizmikus sebességű anyagok jelenlétének kimutatására. Az üreg vagy a kamra, amelynek kisebb sűrűsége van, a hullámok lassabban haladnak, mint a környező kő.

2.1 Gyakorlati példa: rejtett kamra észlelése szeizmikus visszaverődéssel

Vegyünk egy piramist, amelynek feltételezett rejtett kamrája körülbelül a magasságának felénél van. A piramis alapja körül szeizmikus reflexiós felmérést végeznek, különböző helyeken elhelyezett geofonokkal és szabályozott szeizmikus forrással (például kalapácsütéssel vagy kis robbanással) a hullámok generálására.

A kétirányú utazási idő (TWT) kulcsfontosságú mérőszám:

T=2dvT = \frac{2d}{v}T=v2d

hol:

TTT = a visszavert hullám kétirányú utazási ideje (másodperc).
ddd = mélység (vagy távolság a piramison belül) a tükröző felülethez (méter).
vvv = szeizmikus hullámsebesség a kövön keresztül (méter per másodperc).

2.2 Hipotetikus piramiskamra mélységbecslés

Tegyük fel például, hogy egy potenciális rejtett kamrát jelző reflexió megfigyelt TWT-je 0,15 másodperc, és a piramiskő becsült szeizmikus sebessége 3000 m/s. A kamra mélységét a következőképpen kell kiszámítani:

d=Tv2=0,15×30002=225 méterd = \frac{T v}{2} = \frac{0,15 \times 3000}{2} = 225 \, \text{méter}d=2Tv=20,15×3000=225méter

Ez a számítás azt mutatja, hogy a kamra körülbelül 225 méterre fekszik a szeizmikus forrástól, a piramison belül.

3. Szeizmikus tomográfia a részletes belső képalkotáshoz

Míg a reflexiós és fénytörési módszerek pontspecifikus információkat nyújtanak a felszín alatti jellemzőkről, a szeizmikus tomográfia lehetőséget kínál a piramis részletes belső képének létrehozására számos különböző szeizmikus útvonal adatainak kombinálásával.

A tomográfia magában foglalja egy fordított probléma megoldását, ahol a cél a belső szerkezet rekonstruálása a szeizmikus hullámok megfigyelt és előre jelzett utazási ideje közötti különbségek minimalizálásával a piramison keresztül.

3.1 Utazási idő Tomográfia

Az utazási idő tomográfia célja a piramis sebességmodelljének létrehozása , azonosítva az alacsony sebességű régiókat, amelyek rejtett kamráknak vagy üregeknek felelhetnek meg. A probléma optimalizálásként fogalmazható meg:

minv∑i=1N(Tobs,i−Tcalc,i(v))2\min_{\mathbf{v}} \sum_{i=1}^N \left( T_{\text{obs}, i} - T_{\text{calc}, i}(\mathbf{v}) \right)^2vmini=1∑N(Tobs,i−Tcalc,i(v))2

hol:

v\mathbf{v}v = Sebességmodell-vektor, amely a piramis különböző régióinak hullámsebességét reprezentálja.
Tobs,iT_{\text{obs}, i}Tobs,i = A iii-adik szeizmikus sugárút megfigyelt utazási ideje.
Tcalc,i(v)T_{\text{calc}, i}(\mathbf{v})Tcalc,i(v) = Számított utazási idő a sebességmodell alapján.

Python példa: szeizmikus tomográfia egy piramisban

piton

Kód másolása

Numpy importálása NP-ként

from scipy.optimize import minimalizálás

# Szintetikus adatok: utazási idők és sugárutak a piramison belül

travel_times_obs = np.tömb([0.12; 0.14; 0.11; 0.13; 0.10])

ray_paths = np.array([30, 40, 35, 45, 25]) # Távolságok méterben

# Objektív függvény a sebesség inverziójához

def objective_function(sebesség, ray_paths, travel_times_obs):

travel_times_calc = 2 * ray_paths / sebesség # Kétirányú utazási idő kiszámítása

visszatérési np.szum((travel_times_obs - travel_times_calc)**2)

# Kezdeti sebesség becslés (m/s)

velocity_init = 2500

# Invertálás a sebességhez

eredmény = minimalizál(objective_function, velocity_init, args=(ray_paths, travel_times_obs))

velocity_estimated = eredmény.x[0]

print("Becsült szeizmikus sebesség (m/s):", velocity_estimated)

Ebben a példában a szeizmikus utazási időket a piramis belső sebességeloszlásának becslésére használják, amely felhasználható a különböző sűrűségű régiók és a potenciális rejtett kamrák azonosítására.

4. Adatvizualizáció: piramisok szeizmikus keresztmetszetei

A szeizmikus tomográfia vagy reflexiós felmérések eredményeit általában keresztmetszetként mutatják be a piramison keresztül. Ezek a képek a szeizmikus sebesség vagy a hullámamplitúdó változásait mutatják, kiemelve az érdeklődésre számot tartó területeket, például a potenciális üregeket vagy kamrákat.

4.1 Egy piramis belsejének hőtérkép vizualizációja

A piramis belső szerkezetének megjelenítéséhez hőtérképeket használhatunk a szeizmikus sebességek változásainak ábrázolására. Az alacsonyabb sebességű régiók (amelyek potenciális kamrákat jeleznek) általában hideg színekkel (pl. kék), míg a tömör kőterületek meleg színekkel (pl. piros) jelennek meg.

Python-példa: Hőtérkép-vizualizáció

piton

Kód másolása

Matplotlib.pyplot importálása PLT-ként

# Szintetikus sebesség modell (2D keresztmetszet)

velocity_model = np.random.rand(100, 100) * 1000 + 2000 # Sebességtartomány 2000-3000 m/s

velocity_model[40:60, 40:60] -= 500 # Rejtett kamrát ábrázoló anomália bemutatása

# A sebességmodell ábrázolása hőtérképként

plt.ábra(ábra=(8, 6))

plt.imshow(velocity_model; cmap='coolwarm', aspect='auto', extent=[0, 100, 100, 0])

plt.colorbar(label='Szeizmikus sebesség (m/s)')

plt.xlabel('Távolság (m)')

plt.ylabel('Mélység (m)')

plt.title("A piramis belsejének szeizmikus sebesség keresztmetszete")

plt.show()

A hőtérkép vizuálisan ábrázolja a piramis belső sebességeloszlását, kiemelve azokat a területeket, amelyek rejtett kamrákra utalhatnak.

5. A piramisszeizmikus felmérések kihívásai

Míg a szeizmikus módszerek hatékonyak a rejtett kamrák felderítésében, a piramisokkal kapcsolatban egyedi kihívások merülnek fel:

Komplex geometriák: A piramisok ferde felületei és belső folyosói összetett hullámpályákat és visszaverődéseket vezetnek be, ami megnehezíti az értelmezést.
Több reflektor: Több belső felület (pl. átjárók, temetkezési kamrák, szerkezeti üregek) egymást átfedő tükröződésekhez vezethet, ami megnehezíti az egyes jellemzők azonosítását.
Felszíni hozzáférés és kulturális érzékenység: Egyes piramisok védett helyek, korlátozott felszíni hozzáféréssel, nem invazív szeizmikus forrásokat és minimális műszereket igényelnek.

6. Sikerek a rejtett kamrák felfedezésében

A szeizmikus módszerek alkalmazása jelentős felfedezésekhez vezetett a piramisokon belül. Például:

Gízai Nagy Piramis (Hufu piramis): A szeizmikus felmérések hozzájárultak egy nagy rejtett üreg észleléséhez a Nagy Galéria felett, amelyet 2017-ben megerősítettek további módszerekkel, például müonröntgennel.
Mezoamerikai piramisok: A mexikói piramisok felmérése rejtett kamrákat és járatokat tárt fel, segítve ezen építmények építésének és céljának megértését.

7. Következtetés

A szeizmikus felmérés nem invazív módszert kínál a piramisok rejtett kamráinak és belső architektúrájának feltárására. Az olyan technikák kihasználásával, mint a reflexió, a fénytörés és a tomográfiai képalkotás, a régészek és a geofizikusok azonosíthatják az eltemetett üregeket és kamrákat, ami olyan felfedezésekhez vezet, amelyek javítják az ősi kultúrák és monumentális struktúráik megértését.

6.3 Templomészlelés komplex geológiákban

A templomokat, mint az istentisztelet és a kulturális jelentőség monumentális helyszíneit, gyakran eltemetik és elrejtik a geológiai komplexitás rétegei alatt. A piramisok körüli viszonylag egységes környezettel ellentétben a templomok nagyon heterogén felszín alatti kompozíciókkal rendelkező területeken helyezkedhetnek el - az alluvális lerakódásoktól a hegyvidéki terepekig vagy a sűrű városi környezetig. Ezek a komplexitások egyedülálló kihívásokat jelentenek a szeizmikus detektálás számára, és speciális módszereket igényelnek a pontos képalkotás biztosításához.

Ez a fejezet a felszín alatti templomok észlelésével foglalkozik, foglalkozik azzal, hogy a különböző geológiai képződmények hogyan befolyásolják a szeizmikus felméréseket, megvitatja az ilyen környezetekhez megfelelő speciális technikákat, és feltárja azokat az esettanulmányokat, amelyek kiemelik az ezen a területen tapasztalt sikereket és akadályokat.

1. Geológiai kihívások a templomok felderítésében

A templomokat gyakran különböző geológiákra építik vagy temetik el, a folyópartoktól a sziklás fennsíkokig. Az ilyen környezetek bonyolulttá teszik a szeizmikus hullámok terjedését, amelyek zajként, jelszórásként és csillapításként nyilvánulnak meg, amelyek eltakarhatják a potenciális célpontokat.

1.1 Geológiai komplexitás és szeizmikus hullámok viselkedése

A réteges talajok, a töredezett kőzetek, a talajvíz változásai és az antropogén struktúrák (például falak vagy modern épületek) jelenléte befolyásolja a szeizmikus hullámok viselkedését, amikor áthaladnak a felszín alatt. A fő kihívások a következők:

Heterogén sebességek: A szeizmikus sebesség jelentősen változik az összetett geológiákban, ami megnehezíti a hullámok haladási útvonalainak pontos modelljének felépítését.
Hullámcsillapítás és szórás: A törések, a laza talajok és a kevert anyagok szóráshoz és csillapításhoz vezetnek, csökkentve a szeizmikus visszaverődések amplitúdóját és tisztaságát.
Felületi zaj és városi interferencia: Városi környezetben a forgalom, az építkezés és más rezgésforrások elfedhetik a szeizmikus jeleket, megnehezítve az adatgyűjtést.

2. Fejlett szeizmikus felmérési technikák összetett földtanokhoz

E kihívások leküzdése érdekében a szeizmikus földmérők különféle fejlett technikákat fejlesztettek ki és alkalmaztak az adatok minőségének és felbontásának javítására.

2.1 Felszíni hullámok többcsatornás elemzése (MASW)

Az egyik technika, az úgynevezett Multi-Channel Analysis of Surface Waves (MASW), a felszíni hullámokra összpontosít a felszín alatti tulajdonságok becslésére. A testhullámokkal ellentétben, amelyek áthaladnak a föld belsején, a felszíni hullámok a felszín alatti rétegek mentén haladnak, és érzékenyek a felszínközeli körülményekre. A MASW betekintést nyújt a felszín közelében lévő változó sebességű rétegekbe, és különösen hasznos az üregek, eltemetett alapok vagy a templomot körülvevő litológiai különbségek észlelésére.

A MASW-eljárás:

Adatgyűjtés: A szeizmikus forrás felszíni hullámokat generál, amelyeket geofonok tömbje rögzít.
Diszperziós görbe elemzés: A felületi hullám diszperzióját, ahol sebessége a frekvenciával változik, elemzik, hogy információt nyerjenek a felszín alatt.
Inverzió: A diszperziós görbéket invertáljuk, hogy nyíróhullám-sebességprofilt hozzunk létre, jelezve a felszín alatti anyag változásait.

Diszperziós relációs képlet:

A V(f)V(f)V(f) hullámsebesség és az fff frekvencia közötti összefüggés a következőképpen fejezhető ki:

V(f)=ωkV(f) = \frac{\omega}{k}V(f)=kω

hol:

V(f)V(f)V(f) = A hullám fázissebessége fff frekvencián.
ω\omegaω = szögfrekvencia (2πf2 \pi f2πf).
kkk = hullámszám.

2.2 3D szeizmikus képalkotás és tomográfia komplex geológiákban

A 3D szeizmikus képalkotás több felmérési vonalból gyűjtött adatokat használ a felszín alatti térfogati modell létrehozásához. Ez a technika különösen hatékony komplex geológiájú környezetekben, ahol a 2D profilok hiányozhatnak a kritikus struktúrákból, vagy kétértelmű értelmezéseket adhatnak.

3D szeizmikus reflexiós képalkotás: Ez a módszer magában foglalja a geofonok és források rácsmintába helyezését a teljes adatmennyiség rögzítéséhez. Egy 3D-s modellt építenek, amely rejtett kamrákat, eltemetett falakat vagy ősi templomokhoz kapcsolódó kőalapokat tár fel.
Szeizmikus tomográfia: A tomográfiai módszerek finomítják a sebességmodellt egy fordított probléma megoldásával a több forrásból és vevőből származó szeizmikus hullámok utazási idejének felhasználásával.

Sebességmodell rekonstrukciós képlet:

A v\mathbf{v}v sebességmodell rekonstruálására szolgáló optimalizálás a következőképpen ábrázolható:

minv∑i=1N(Tobs,i−Tcalc,i(v))2+R(v)\min_{\mathbf{v}} \sum_{i=1}^N \left( T_{\text{obs}, i} - T_{\text{calc}, i}(\mathbf{v}) \right)^2 + R(\mathbf{v})vmini=1∑N(Tobs,i−Tcalc,i(v))2+R(v)

hol:

Tobs,iT_{\text{obs}, i}Tobs,i = A iii-adik sugárút megfigyelt utazási ideje.
Tcalc,i(v)T_{\text{calc}, i}(\mathbf{v})Tcalc,i(v) = Számított utazási idő a sebességmodell alapján.
R(v)R(\mathbf{v})R(v) = Regularizációs kifejezés az inverzió stabilizálására, figyelembe véve a modell simaságát.

2.3 Passzív szeizmikus módszerek

Bizonyos esetekben az aktív szeizmikus források (pl. irányított robbanások, kalapácsütések) létrehozása nem praktikus. A passzív szeizmikus módszerek kihasználják a környezeti rezgéseket (pl. természetes rengések, emberi tevékenységek) a felszín alatti képek készítéséhez. Ez a "szeizmikus interferometria" néven ismert módszer koherens jeleket von ki a háttérzajból, és különösen hasznos lehet városi vagy korlátozott területeken.

A környezeti szeizmikus zaj keresztkorrelációja:

Cxy(t)=∫−∞∞x(τ)y(τ+t)dτ C_{xy}(t) = \int_{-\infty}^{\infty} x(\tau) y(\tau + t) d\tauCxy(t)=∫−∞∞x(τ)y(τ+t)dτ

hol:

x(t)x(t)x(t), y(t)y(t)y(t) = Két különböző helyen rögzített jelek.
ttt = Időeltolódás.
Cxy(t)C_{xy}(t)Cxy(t) = Keresztkorrelációs függvény, amely a két hely közötti koherens jeleket hangsúlyozza.

3. Esettanulmány: Templomi detektálás vegyes alluviális és alapkőzet környezetben

A komplex geológiában a templomok észlelésének kulcsfontosságú példája egy ősi templomalap felfedezése, amelyet alluviális lerakódások és alatta lévő alapkőzet keveréke temetett el. A folyódelta közelében található helyszín jelentős kihívásokat jelentett a változó talajtípusok, a talajvíz jelenléte és a helyszín feletti modern infrastruktúra miatt.

3.1 MASW és 3D képalkotás alkalmazása

Az érintett észlelési stratégia:

MASW felmérések: Ezek azonosították a nyíróhullámok sebességének változásait a felszín közelében, jelezve a templom lehetséges alapjait és eltemetett falait. Az elemzés lassabb sebességzónákat tárt fel, amelyek az üregekre vagy az eltemetett kőszerkezetekre jellemzőek.

Szintetikus MASW eredmények vizualizációja:

piton

Kód másolása

Matplotlib.pyplot importálása PLT-ként

Numpy importálása NP-ként

# Szimulált diszperziós görbe adatok a MASW-hoz

frekvenciák = np.linspace(1, 50, 100) # Frekvenciatartomány 1 és 50 Hz között

sebességek = 200 + 3000 / (frekvencia + 10) # Invertált fázissebesség-reláció

plt.ábra(ábra=(8, 6))

plt.plot(frekvenciák; sebességek; label='fázissebesség')

plt.xlabel('Frekvencia (Hz)')

plt.ylabel('Fázissebesség (m/s)')

plt.title("MASW diszperziós görbe")

plt.legend()

plt.grid(Igaz)

plt.show()

Ez a kód egy MASW felmérésből származó diszperziós görbét szimulál, bemutatva, hogyan változik a sebesség a frekvenciával, és segíti a nyíróhullám sebességprofiljának inverzióját.

3D szeizmikus reflexiós képalkotás: A geofonok és szeizmikus források sűrű rácsának felhasználásával 3D-s képet készítettek a felszín alatt, megerősítve a templom körvonalait, az eltemetett kőfalakat és az oszlopalapokat.

4. Az összetett geológiák értelmezésének kihívásai

A templomok összetett geológiai környezetben történő észlelése számos kihívást jelent:

Anizotrópia a kőzetrétegekben: Egyes felszín alatti anyagok anizotróp tulajdonságokkal rendelkeznek, ami miatt a hullámok különböző sebességgel haladnak különböző irányokba, ami megnehezíti az értelmezést.
Vízszintváltozatok: A talajvízszint változása elfedheti vagy utánozhatja a régészeti jellemzőket, ami gondos korrekciót és kalibrálást tesz szükségessé az adatfeldolgozás során.
Jel-zaj arány: Városi környezetben vagy modern építésű régiókban nehéz lehet megkülönböztetni a régészeti jeleket a zajtól.

5. Következtetés

Az eltemetett templomok komplex geológiákban történő kimutatása a fejlett szeizmikus technikák és a helyi geológia megértésének kombinációját igényli. Az olyan módszerek integrálásával, mint a MASW, a 3D szeizmikus képalkotás és a passzív szeizmikus felmérések, a régészek leküzdhetik a heterogén felszín alatti környezetek által támasztott kihívásokat, feltárva az ősi civilizációk rejtett maradványait. Esettanulmányokon keresztül látjuk, hogy az eltemetett templomok sikeres felderítése e technikák átgondolt alkalmazásától és a szeizmikus adatok részletes értelmezésétől függ a helyszín geológiai kontextusának fényében.

6.4 A sikertelen felmérések tanulságai és az adatok félreértelmezése

A felszín alatti műemlékek szeizmikus és akusztikus felmérése hatékony eszköz, de a felmérések még fejlett technológiával sem hozzák meg a kívánt eredményeket. Ezek a hibák számos tényezőből eredhetnek: műszaki korlátokból, értelmezési hibákból, kihívást jelentő geológiai feltételekből és akár emberi felügyeletből is. Ezeknek a buktatóknak a megértése kritikus fontosságú a jövőbeli felmérések javításához, valamint a hamis pozitív eredmények és a félreértelmezések kockázatának minimalizálásához.

Ez a fejezet számos olyan esettanulmányt tárgyal, ahol a felmérések vagy nem tudták feltárni a várt struktúrákat, vagy helytelen következtetésekhez vezettek, elemzi az ezekhez a hibákhoz hozzájáruló tényezőket, és útmutatást ad az ilyen hibák megelőzésére a jövőbeli régészeti feltárások során.

1. A felszín alatti felmérések hibáinak jellege

A sikertelen felmérések általában három kategóriába sorolhatók:

Hamis pozitív eredmények: Amikor a jeleket tévesen egy felszín alatti szerkezet bizonyítékaként értelmezik, amikor nem létezik.
Hamis negatívok: Ahol a tényleges felszín alatti jellemzők hiányoznak vagy figyelmen kívül maradnak az adatokban.
Kétértelmű értelmezések: Ha az adatok nem nyújtanak egyértelmű következtetéseket, ami bizonytalansághoz és lehetséges félreértelmezéshez vezet.

1.1 A téves riasztások megértése

A hamis pozitív eredmények gyakran a szeizmikus visszaverődések, a diffrakció vagy a külső zaj interferenciájának félreértelmezése miatt fordulnak elő. Például egy felszín alatti szikla vagy egy természetes geológiai határ erős visszaverődése összetéveszthető egy ember alkotta szerkezettel, például sírfallal vagy alapzattal.

Példa: Egy feltételezett temetkezési hely felmérése során a nagy amplitúdójú visszaverődést eltemetett sírkamraként értelmezték. A későbbi ásatások azonban csak tömörített agyagot és természetes sziklaalakzatokat tártak fel, nem a várt emlékművet. A hiba a reflexió eredetére vonatkozó helytelen feltételezés miatt következett be.

1.2 A hamis negatívok okai

Hamis negatív eredmények akkor fordulnak elő, ha a felmérés figyelmen kívül hagyja vagy nem észleli a tényleges felszín alatti jellemzőket. Ezek a következőkből adódhatnak:

A jelek csillapítása: Ha a szeizmikus energiát lágy vagy nedves talaj nyeli el, a visszavert jel túl gyenge lehet ahhoz, hogy észlelhető legyen.
Felszín alatti komplexitás: A heterogén talajok és réteges struktúrák szétszórhatják a szeizmikus hullámokat, csökkentve koherenciájukat és megnehezítve a különböző jellemzők azonosítását.

Általános kihívás a gyenge visszaverődések megkülönböztetése a zajtól. Egy valós példában egy régészeti felmérés hiányzott egy földalatti kőfalból, mert a fal csak gyenge tükröződést eredményezett a zajos üledékek hátterében.

2. Esettanulmányok sikertelen felmérésekben

2.1 A figyelmen kívül hagyott római rom

Egy csapat szeizmikus felmérést végzett, hogy kimutassa egy eltemetett római rom jelenlétét egy modern város alatt. Az adatok nem mutattak egyértelmű jelzést semmilyen struktúrára. Egy későbbi földradaros (GPR) felmérés azonban megerősítette az eltemetett falak és helyiségek jelenlétét, amelyek összhangban vannak a történelmi feljegyzésekkel.

A meghibásodás elemzése: A szeizmikus felmérés kudarcát az okozta, hogy a modern rezgések, például a járműforgalom és az építőipar magas zajszintje elfedte a visszaverődéseket. A GPR, amely érzékenyebb a sekély tereptárgyakra, képes volt megkerülni ezeket a zajforrásokat és sikeresen észlelni a romokat.

Tanulság: Városi környezetben a zajcsökkentés és a zajszűrés kritikus fontosságú. A passzív szeizmikus adatfeldolgozási technikák, amelyek magukban foglalják a környezeti zaj keresztkorrelációját, potenciálisan felfedhették volna a felszín alatti struktúrákat.

2.2 A tévesen azonosított Templom Alapítvány

Annak érdekében, hogy megtalálják a feltételezett templom alapját, a földmérők egy sor lineáris jellemzőt fedeztek fel a szeizmikus adatokban. Ezeket potenciális falakként vagy oszlopokként értelmezték. Az ásatások azonban feltárták, hogy a jellemzők egyszerűen a természetben előforduló hibák, amelyek sűrű ásványi lerakódásokkal vannak kitöltve.

A félreértelmezés oka:

A szeizmikus jelek téves azonosítása: A szeizmikus adatok lineáris jellemzőit ember által előidézettnek értelmezték, de a valóságban geológiai anomáliák voltak.

Fourier-analízis vizualizációja:

piton

Kód másolása

Matplotlib.pyplot importálása PLT-ként

Numpy importálása NP-ként

# Generáljon egy szintetikus jelet, amely hasonlít egy szeizmikus nyomra zajjal

idő = np.linspace(0; 1; 1000)

seismic_signal = np.sin(2 * np.pi * 50 * idő) + 0,5 * np.random.normal(0, 1, 1000)

# Fourier-transzformáció végrehajtása

freqs = np.fft.fftfreq(len(seismic_signal), idő[1] - idő[0]) fft_values = np.fft.fft(seismic_signal)

Az eredeti jel és Fourier-transzformációjának ábrázolása

ábra, (ax1, ax2) = plt.részcselekmények(2, 1, ábraméret=(10, 6))

Időtartomány-jel

ax1.plot(idő, seismic_signal, label="szeizmikus nyomkövetés") ax1.set_title("szeizmikus jel (időtartomány)") ax1.set_xlabel("idő (s)") ax1.set_ylabel("amplitúdó") ax1.grid(igaz) ax1.legend()

Frekvencia-domain reprezentáció (FFT)

ax2.plot(freqs; np.abs(fft_values); label="Frekvenciaspektrum") ax2.set_title("Frekvenciaspektrum (Fourier-transzformáció)") ax2.set_xlabel("Frekvencia (Hz)") ax2.set_ylabel("Magnitúdó") ax2.grid(Igaz) ax2.jelmagyarázat()

plt.tight_layout() plt.show()

VBnet

Kód másolása

Ebben a példában a szintetikus jel hasonlít arra, ami egy tipikus szeizmikus nyomban található, kombinálva egy elsődleges szinuszos komponenst (amely a szerkezetet képviseli) és a zajt (véletlenszerű geológiai vagy ember által okozott zavarokat képvisel). A Fourier-transzformáció lehetővé teszi számunkra, hogy elemezzük ezt a jelet a frekvenciatartományban, segítve a felszín alatti anomáliáknak megfelelő jellemzők elkülönítését és azonosítását.

- Tanulság: A frekvencia-tartomány elemzés használata segíthet megkülönböztetni az ember alkotta struktúrákat és a természetben előforduló geológiai jellemzőket. A jel frekvenciatartalmának és amplitúdójának gondos áttekintése felfedheti olyan anomáliák jelenlétét, amelyek egyébként maszkolva vannak az időtartományban.

2.3 Az "elveszett" megalitikus szerkezet

Szeizmikus felmérést végeztek, hogy megalitikus szerkezetet találjanak egy erősen vegetált, magas talajnedvesség-tartalmú területen. A szeizmikus hullámok jelentősen gyengültek a nedves és laza talaj miatt, ami miatt a felmérés figyelmen kívül hagyta az eltemetett kövek lehetséges visszaverődését.

A hiba elemzése:

- Csillapítási problémák: A puha és nedves talaj a szeizmikus hullámok magas csillapítását okozta, megakadályozva, hogy visszaverődésük elérje az érzékelőket.

Ennek egyik megoldása az alacsony frekvenciájú szeizmikus források használata, amelyek kisebb csillapítással mélyebbre hatolhatnak, javítva a nagy kőszerkezetek visszaverődésének esélyét.

3. Bevált gyakorlatok a hibák elkerülésére

1. Használjon több felmérési módszert: Ahol lehetséges, alkalmazza mind a szeizmikus, mind a GPR módszereket. A GPR általában hatékonyabb a sekély célpontok és a finom részletek észlelése esetén, míg a szeizmikus felmérések jobbak a mélyebb tereptárgyak esetében.

2. A helyi geológia megértése: Az előzetes geológiai felmérés kulcsfontosságú információkat nyújthat a talaj összetételéről, nedvességtartalmáról és a várható felszín alatti viszonyokról. Ezek megértése segíthet optimalizálni a szeizmikus forrás frekvenciáját és az érzékelők konfigurációját.

3. Jelfeldolgozási technikák: Alkalmazzon fejlett zajcsökkentő és szűrő algoritmusokat. Az olyan technikák, mint a wavelet transzformáció és az adaptív szűrés segíthetnek elkülöníteni a valódi szeizmikus visszaverődéseket a zajtól. Például nagy járműzajjal rendelkező környezetekben adaptív szűrők tervezhetők úgy, hogy elnyomják ezeket a frekvenciákat.

4. Az adatok helyszíni validálása: Mindig végezzen korlátozott feltáró ásatásokat a szeizmikus eredmények megerősítésére. Ez az alap-igazság segít finomítani a szeizmikus értelmezési készségeket és javítja a jövőbeli felmérések pontosságát.

4. Az adatvalidálás statisztikai kerete

A statisztikai módszerek beépítése javíthatja a szeizmikus felmérések értelmezésének megbízhatóságát. Az egyik megközelítés egy Bayes-féle következtetési modell használata annak valószínűségének felmérésére, hogy egy jellemző ember alkotta vagy természetes:

P(\text{Structure} \mid \text{Signal}) = \frac{P(\text{Signal} \mid \text{Structure}) \cdot P(\text{Structure})}{P(\text{Signal})}

- $P(\text{Structure} \mid \text{Signal})$: Egy szerkezet jelenlétének hátsó valószínűsége a megfigyelt szeizmikus jel alapján.

- $P(\text{Signal} \mid \text{Structure})$: Egy adott szeizmikus jel megfigyelésének valószínűsége egy szerkezet jelenléte esetén.

- $P(\text{Structure})$: A szerkezet jelenlétének előzetes valószínűsége történelmi és geológiai ismeretek alapján.

- $P(\text{Signal})$: A jel megfigyelésének teljes valószínűsége.

A Bayes-féle következtetés lehetővé teszi az előzetes ismeretek (pl. ismert régészeti kontextus) és a szeizmikus felmérési eredmények kombinálását a döntéshozatal javítása érdekében.

Következtetés

A szeizmikus felmérés kudarcai és az adatok félreértelmezése gyakran az összetett geológiák, a jelek csillapítása és a külső zajforrások jelentette kihívásokból ered. Tanulva ezekből a hibákból, többféle geofizikai felmérési módszer alkalmazásával, a jelfeldolgozási technikák javításával, valamint az adatok statisztikai kereteken és alapigazságon keresztül történő validálásával a régészek javíthatják képességüket a felszín alatti struktúrák nagyobb pontosságú észlelésére és értelmezésére.

Ezekkel a tanulságokkal a jövőbeli felmérések elkerülhetik a múltbeli felfedezések buktatóit, és nagyobb pontossággal tárhatják fel a lábunk alatt rejtett történelmet.

7. fejezet: Felszín alatti szerkezetek szimulációja és modellezése

7.1 Végeselemes módszerek a szeizmikus modellezésben

Bevezetés a végeselemes módszerekbe (FEM) a szeizmikus vizsgálatokban

A végeselemes módszerek (FEM) hatékony eszközzé váltak a szeizmikus hullámok terjedésének modellezésében komplex felszín alatti struktúrákon keresztül. A FEM alapelve, hogy egy nagy és összetett tartományt (például a Föld felszínét) kisebb, jobban kezelhető aldoménekre, úgynevezett véges elemekre bont. Ezen elemek mindegyikét egyszerűbb egyenletek szabályozzák, amelyek megközelítik az eredeti nagyobb tartomány viselkedését.

A szeizmikus modellezésben a FEM lehetővé teszi annak szimulációját, hogy a szeizmikus hullámok hogyan hatnak a különböző felszín alatti anyagokra - legyen szó kőzetről, talajról vagy potenciális régészeti struktúrákról, például sírokról vagy templomokról. Az egyes elemek hullámegyenletének megoldásával és viselkedésük kombinálásával részletes és valósághű szimulációt fejleszthetünk ki arról, hogy a szeizmikus hullámok hogyan terjednek, tükröződnek, törnek és elnyelődnek a különböző geológiai jellemzők.

1. A szeizmikus hullámterjedés alapvető egyenletei

A szeizmikus modellezés fő célja a hullámegyenlet megoldása. 2D vagy 3D rugalmas közeg összefüggésében a szeizmikus hullámegyenletet a következő képlet adja meg:

ρ∂2u∂t2=∇⋅T+f\rho \frac{\partial^2 \mathbf{u}}{\partial t^2} = \nabla \cdot \mathbf{T} + \mathbf{f}ρ∂t2∂2u=∇⋅T+f

hol:

ρ\rhoρ a közeg sűrűsége (kg/m³),
u\mathbf{u}u az elmozdulásvektor mező (az anyag mozgását reprezentálja),
ttt az idő (másodperc),
∇⋅T\nabla \cdot \mathbf{T}∇⋅T a feszültség divergenciát jelöli, ahol T\mathbf{T}T a stressztenzor,
f\mathbf{f}f az egységnyi térfogatra jutó testerő (pl. külső erők).

A T\mathbf{T}T feszültségtenzor konstitutív reláción keresztül kapcsolódik a ε\mathbf{\epsilon}ε alakváltozási tenzorhoz (általában rugalmas anyagok esetében Hooke-törvény):

T=C:ε\mathbf{T} = \mathbf{C} : \mathbf{\epsilon}T=C:ε

hol:

C\mathbf{C}C a negyedrendű merevségi tenzor (anyagi tulajdonság),
ε=12(∇u+(∇u)T)\mathbf{\epsilon} = \frac{1}{2}(\nabla \mathbf{u} + (\nabla \mathbf{u})^T)ε=21(∇u+(∇u)T) a törzstenzor.

Ez a kapcsolat lehetővé teszi számunkra, hogy leírjuk, hogy a szeizmikus hullámok, amikor különböző közegeken haladnak át, feszültséget okoznak, és ezt követően feszültséget okoznak az anyagokban. A FEM célja, hogy diszkretizálja ezt az egyenletet egy adott tartományban.

2. A tartomány diszkretizálása

A hullámterjedés szimulálásához a tartományt (az érdeklődésre számot tartó felszín alatti régiót) kisebb elemekre diszkretizáljuk. Vegyünk például egy 2D-hálót, ahol a tartomány háromszög vagy négyszög alakú elemekre van osztva. Minden elemben az u\mathbf{u}u elmozdulásvektor közelíthető alakfüggvények halmazával:

u(x,y,t)≈∑i=1NNi(x,y)Ui(t)\mathbf{u}(x, y, t) \approx \sum_{i=1}^N \mathbf{N}_i(x, y) \mathbf{U}_i(t)u(x,y,t)≈i=1∑NNi(x,y)Ui(t)

hol:

NNN a csomópontok száma egy elemben,
Ni(x,y)\mathbf{N}_i(x, y)Ni(x,y) az alakfüggvények (polinomiális alapfüggvények),
Ui(t)\mathbf{U}_i(t)Ui(t) a csomóponti elmozdulások.

Az alakfüggvények az egyes elemeken belüli elmozdulás interpolálására szolgálnak. Például egy háromszög alakú elemben lineáris vagy másodfokú polinomokat használhatunk az elmozdulási mező közelítésére. Ezek a függvények segítenek átalakítani a hullámegyenletet diszkrét algebrai egyenletek halmazává.

3. A globális rendszer összeszerelése

Miután minden elemet diszkretizáltunk, összeállítunk egy globális egyenletrendszert. A csomópontok elmozdulásai és a hozzájuk tartozó erők minden elemen keresztül kombinálva egy nagy rendszert hoznak létre, amely a következőképpen jelenik meg:

mü+ku=p\mathb{m} \dot{\mathb{u}} + \mathb{k} \mathb{u} = \mathb{p}mu ̈+ku=f

hol:

M\mathbf{M}M a tömegmátrix,
K\mathbf{K}K a merevségi mátrix,
F\mathbf{F}F az erővektor.

Az M\mathbf{M}M tömegmátrix azt mutatja, hogy a tömeg hogyan oszlik el a tartományban, míg a K\mathbf{K}K merevségi mátrix az anyagok rugalmasságát és merevségét képviseli. Az F\mathbf{F}F erővektor magában foglalja a tartományra alkalmazott külső erőket vagy testerőket.

4. Az egyenletrendszer megoldása

A globális egyenletrendszer numerikus módszerekkel, jellemzően időlépéses módon oldható meg. Az időintegráció általános megközelítései a következők:

Newmark-Beta módszer: Népszerű módszer másodrendű differenciálegyenletek időben történő megoldására.
Explicit idő integráció: Alkalmas olyan szimulációkhoz, ahol nagy sebességű számításokra van szükség.
Implicit időintegráció: Stabilabb a nagyobb időlépésekhez, bár számításigényes.

Az alábbiakban egy példa látható egy egyszerű FEM kódrészletre a Pythonban, amely a FEniCS könyvtárat használja egy 2D hullámegyenlet megoldására:

piton

Kód másolása

A fenics importból *

# Háló és függvénytér definiálása

háló = UnitSquareMesh(10; 10)

V = FunctionSpace(háló, 'P'; 1)

# Időfüggő paraméterek definiálása

dt = 0,01

T = 1,0

# Határfeltétel meghatározása

bc = DirichletBC(V, konstans(0), 'on_boundary')

# Kezdeti feltételek

u_n = interpolátum(Konstans(0); V)

v_n = interpolátum(Konstans(0), V)

# Variációs probléma meghatározása

u = TrialFunction(V)

v = TestFunction(V)

# Hullámegyenlet paraméterek

rho = 1,0 # sűrűség

c = 1,0 # Hullámsebesség

k = rho * c**2

# Időlépcsős űrlapok

a = (u*v + dt*dt*k*pont(grad(u), grad(v))) * dx

L = (2*u_n*v - u*v + dt*v_n*v) * dx

# Időlépcsős hurok

u = Függvény(V)

t = 0

míg t < T:

t += dt

solve(a == L, u, bc)

u_n.hozzárendelés(u)

Ez a kód szimulálja a szeizmikus hullámok terjedését egy 2D tartományban. Az elmozdulást minden időlépésben kiszámítják, megmutatva, hogy a hullámok hogyan mozognak a hálón az idő múlásával.

5. Megjelenítés és értelmezés

A végeselemes modell futtatása után az eredmények animációként vagy a hullámterjedés pillanatképeként jeleníthetők meg. Ez a vizualizáció segít értelmezni, hogy a szeizmikus hullámok hogyan hatnak a felszín alatti jellemzőkre:

Hullámvisszaverődés és fénytörés: Amikor a hullámok különböző tulajdonságokkal rendelkező anyagokkal találkoznak, visszaverődnek vagy megtörnek. Az ilyen kölcsönhatások felhasználhatók a felszín alatti struktúrák jelenlétének és mélységének megállapítására.
Hullámcsillapítás és abszorpció: Az amplitúdó változásai jelezhetik az anyagsűrűség változását, illetve üregek vagy üregek jelenlétét.

A jobb megértés érdekében a grafikus szimuláció megmutathatja a hullámfrontokat, ahogy áthaladnak egy közegen, tükrözve és megtörve a felszín alatti összetétel alapján.

6. A FEM régészeti használatának előnyei

A FEM szeizmikus modellezésre való használata régészeti felmérésekben lehetővé teszi:

Valósághű szimulációk: Összetett felszín alatti körülmények figyelembevétele, beleértve a változó anyagtulajdonságokat, üregeket és töréseket.
Prediktív modellezés: Hipotetikus forgatókönyvek tesztelhetők, például megjósolható, hogyan viselkednének a hullámok, ha bizonyos struktúrák (pl. Egy eltemetett templom) jelen lennének.
Rugalmas hálók: A háló finomítható az érdeklődésre számot tartó területeken, például ahol több részletre van szükség a lehetséges struktúrákkal kapcsolatban.

Összességében a FEM sokoldalú és hatékony keretet biztosít a szeizmikus hullámok viselkedésének szimulálásához és megértéséhez összetett régészeti környezetben. Ezeknek a modelleknek a felhasználásával a régészek jobban értelmezhetik a felszín alatti környezetet, irányíthatják az ásatásokat és minimalizálhatják a történelmileg fontos helyszínek szükségtelen zavarását.

7. fejezet: Felszín alatti szerkezetek szimulációja és modellezése

7.2 A hullámterjedés szimulálása különböző talajokban

Bevezetés a hullámterjedésbe változó talajközegekben

A szeizmikus hullámok különböző talajtípusokon keresztüli terjedésének megértése kulcsfontosságú a felszín alatti felmérések során. Minden talaj- vagy geológiai rétegtípus - legyen az homok, agyag, iszap, mészkő vagy kavics - egyedi fizikai tulajdonságokkal rendelkezik, mint például sűrűség (ρ\rhoρ), rugalmasság (amelyet olyan paraméterek képviselnek, mint a Young modulus EEE) és szeizmikus sebesség. Ezek a jellemzők határozzák meg, hogy a hullámok hogyan haladnak, tükröződnek, törnek vagy gyengülnek a felszín alatt. Ezeknek a kölcsönhatásoknak a szimulálása segít a régészeknek pontosan értelmezni a szeizmikus adatokat az eltemetett struktúrák észleléséhez.

Ebben a fejezetben megvitatjuk, hogy a különböző talajtípusok hogyan befolyásolják a szeizmikus hullámok terjedését, modellezési stratégiákat mutatunk be, és néhány példakódot adunk ezeknek a viselkedéseknek a szimulálására.

1. A talaj tulajdonságai és hatása a szeizmikus hullámokra

Rugalmas tulajdonságok és hullámsebesség

A szeizmikus hullámok terjedési sebessége bármely anyagban alapvetően összefügg rugalmas tulajdonságaival és sűrűségével. Kompressziós (P) hullámok és nyíróhullámok (S) esetén a sebességeket a következő képlet adja meg:

vp=K+43Gρ v_p = \sqrt{\frac{K + \frac{4}{3}G}{\rho}}vp=ρK+34G vs=Gρ v_s = \sqrt{\frac{G}{\rho}}vs=ρG

hol:

vpv_pvp: a P-hullámok sebessége,
vsv_svs: az S-hullámok sebessége,
KKK: térfogatmodulus (Pa),
GGG: nyírási modulus vagy merevség (Pa),
ρ\rhoρ: sűrűség (kg/m³).

A P-hullámok olyan kompressziós hullámok, amelyek gyorsabban haladnak át szilárd anyagokon és folyadékokon, míg az S-hullámok nyíróhullámok, amelyek csak szilárd anyagokon haladnak át.

Ezeknek a sebességeknek az aránya talajtípusonként változik. Például:

A homok és kavics általában nagy áteresztőképességgel és magasabb vpv_pvp és vsv_svs.
Az agyagok és iszapok alacsonyabb permeabilitással és nagyobb hullámcsillapítással rendelkeznek, alacsonyabb vsv_svs.
Az alapkőzet vagy a mészkő általában nagyon magas vpv_pvp és vsv_svs mutat.

Csillapítás és csillapítás

A szeizmikus hullámok csillapítását az abszorpció és szórás miatti energiaveszteség okozza. Ezt általában a QQQ minőségi tényező képviseli, amely a hullámok csillapítását jellemzi:

Q=Tárolt energiaCiklusonként elvesztett energiaQ = \frac{\text{Tárolt energia}}{\text{Ciklusonként elvesztett energia}}Q=Ciklusonként elvesztett energiaTárolt energia

A magas QQQ érték alacsony csillapítást (kevesebb energiaveszteséget) jelez, míg az alacsony QQQ a közeg jelentős energiaelnyelését jelenti. Például:

A laza talajok és agyag általában alacsony QQQ-val rendelkeznek, így nagyobb csillapítással.
A sziklás aljzatok és a kompakt homok magasabb QQQ-val rendelkezik.

2. Szeizmikus hullámok numerikus szimulációja különböző talajokban

A végeselemes módszer (FEM) a hullámterjedés különböző talajtípusokban történő szimulálásának egyik általános megközelítése, amint azt a 7.1. fejezet bevezeti. Azonban egy specifikusabb modellezési technika a hullámok viselkedésének szimulálására heterogén közegben a véges különbség időtartomány (FDTD) módszer. Diszkretizálja mind az időt, mind a teret, és minden időlépésben számszerűen megoldja a hullámegyenletet.

Az FDTD szimulációk hullámegyenlete

A talajban a hullámterjedés szimulálásához az általános hullámegyenletet 2D tartományban oldjuk meg:

∂2u∂t2=v2(∂2u∂x2+∂2u∂y2)\frac{\partial^2 u}{\partial t^2} = v^2 \left( \frac{\partial^2 u}{\partial x^2} + \frac{\partial^2 u}{\partial y^2} \right)∂t2∂2u=v2(∂x2∂2u+∂y2∂2u)

hol:

u(x,y,t)u(x, y, t)u(x,y,t) az elmozdulási mező,
VVV a hullámsebesség, amely a talaj típusától függően változik.

3. Talajspecifikus hullámtulajdonságok megvalósítása Pythonban

A NumPy és a Matplotlib segítségével megvalósítjuk a hullámterjedés egyszerű FDTD szimulációját egy rétegelt talajmodellen keresztül, amely homok-, agyag- és mészkőrétegeket tartalmaz.

Példa kódra

piton

Kód másolása

Numpy importálása NP-ként

Matplotlib.pyplot importálása PLT-ként

# Szimulációs paraméterek

nx, ny = 200, 200# rácsméret

dx, dy = 1,0, 1,0 # szóköz lépés

dt = 0,001 # időlépés

nsteps = 300 # időlépések száma

# Sebesség modell (különböző talajok: homok, agyag, mészkő)

sebesség = np.ones((nx, ny)) * 300 # inicializálás homok tulajdonságokkal (v = 300 m/s)

sebesség[50:100, :] = 200 # agyagréteg (v = 200 m/s)

sebesség[100:150, :] = 600 # mészkőréteg (v = 600 m/s)

# Elmozdulás mezők

u = np.zeros((nx, ny)) # áramkiszorítás

u_old = np.zeros((nx, ny)) # elmozdulás az előző időlépésben

u_new = np.zeros((nx, ny)) # elmozdulás a következő időlépésben

# Forrás paraméterek

source_x, source_y = nx//2, ny//2 # forrás pozíciója

source_frequency = 25 # Hz

# Időlépcsős hurok

A hatótávolság lépése (nsteps):

# Frissítse az elmozdulást FDTD sémával

i esetén a (1, NX-1) tartományban:

j esetén a (1, ny-1) tartományban:

u_new[i, j] = (2 * u[i, j] - u_old[i, j] +

(sebesség[i, j] * dt / dx)**2 *

(u[i+1, j] - 2*u[i, j] + u[i-1, j]) +

(sebesség[i, j] * dt / dy)**2 *

(u[i, j+1] - 2*u[i, j] + u[i, j-1]))

# Forrásjel befecskendezése

u_new[source_x, source_y] += np.sin(2 * np.pi * source_frequency * lépés * dt)

# Swap elmozdulás mezők

u_old = np.másol(u)

u = np.másol(u_new)

# Hullámterjedés ábrázolása időközönként

Ha fizetési % 20 == 0:

plt.imshow(u, cmap='szeizmikus', terjedelem=(0, nx*dx, 0, ny*dy))

plt.colorbar(label='Elmozdulás')

plt.title(f'Időlépés: {lépés}')

plt.xlabel('x [m]')

plt.ylabel('y [m]')

plt.show()

Ebben a példában:

Sebességmodell: A 2D tömb sebessége különböző talajrétegeket határoz meg, mindegyiknek megvan a maga hullámsebessége.
FDTD időlépés: Az elmozdulás minden rácsponton frissül a hullámegyenlet véges különbségű közelítéseivel.
Forrás befecskendezés: A rács közepén szinuszos hullámforrást vezetnek be a szeizmikus energia szimulálására.

4. Az eredmények megjelenítése és értelmezése

A szimuláció futtatásával vizualizálható, hogy a szeizmikus hullámok hogyan terjednek a különböző talajrétegeken. A hullámfrontok és a felszín alatti rétegek közötti kölcsönhatások a következőképpen vannak kiemelve:

Hullámsebesség-változások: A hullámfrontok sebessége és amplitúdója talajtípusonként eltérő.
Hullámvisszaverődés és fénytörés: Az anyagok közötti határok (pl. homok és agyag) visszaverődést és fénytörést okoznak.

Az így kapott vizualizáció felhasználható a felszín alatti struktúrák kikövetkeztetésére és a régészeti felmérések tájékoztatására.

5. A talajspecifikus szimulációk gyakorlati alkalmazásai

A régészeti geofizikában a talajfüggő hullámok viselkedésének megértése lehetővé teszi:

Hullámutak előrejelzése: Segít előre jelezni, hogy a hullámok hogyan fognak haladni réteges vagy vegyes talajokban.
Továbbfejlesztett adatértelmezés: Útmutatást nyújt a régészeknek a valódi régészeti jellemzők és a talaj tulajdonságainak természetes változásai közötti különbségtételhez.
A felmérés tervezésének optimalizálása: A szimulációk felhasználhatók a felmérési paraméterek (pl. forrás helye, érzékelő elhelyezése) tervezésére az optimális adatgyűjtés érdekében.

A szimulációknak a helyszín konkrét talajához való igazításával a régészek jelentősen javíthatják a szeizmikus felmérések pontosságát, és maximalizálhatják az eltemetett műemlékek észlelésének valószínűségét.

7. fejezet: Felszín alatti szerkezetek szimulációja és modellezése

7.3 Prediktív modellezés a műemlékek felfedezéséhez

Bevezetés a régészeti geofizika prediktív modellezésébe

A prediktív modellezés hatékony megközelítés a régészeti felszín alatti felmérések hatékonyságának és sikerének növelésére. A prediktív modellezés célja egy valószínűségi térkép vagy keretrendszer létrehozása, amely segít azonosítani a legígéretesebb helyeket a földalatti műemlékek felfedezéséhez. Ezt úgy érik el, hogy geológiai adatokat, geofizikai felmérési eredményeket és környezeti tényezőket integrálnak fejlett számítási technikákkal.

Ebben a fejezetben megvitatjuk a prediktív modellezés mögötti módszertanokat, gyakorlati példákat mutatunk be, és programozási stratégiákat mutatunk be, amelyek segítik a régészeket a rejtett struktúrák hatékony megtalálásában.

1. A prediktív modellezés elmélete

Többrétegű adatkészletek integrálása

A műemlékek felfedezésének prediktív modellje több adatkészlet kombinációjára támaszkodik:

Geológiai adatok: Információ a talajrétegekről, a kőzet tulajdonságairól, a víztartalomról és a geológiai szerkezetekről.
Geofizikai felmérési adatok: Szeizmikus felmérések, földi behatoló radar (GPR) és magnetometria eredményei.
Környezeti tényezők: Vegetációs lefedettség, történelmi vízfolyások és antropogén zavarok.

Valószínűségi eloszlás és Bayes-következtetés

A prediktív modellezés középpontjában egy valószínűségi eloszlás generálása áll , amely számszerűsíti annak valószínűségét, hogy egy földalatti jellemzőt különböző helyeken találnak. Az egyik gyakori megközelítés a Bayes-i következtetés használata, ahol a helyszínre vonatkozó előzetes ismereteket új felmérési adatokkal kombinálják, hogy frissítsék a struktúra jelenlétének valószínűségét.

Annak valószínűségét, hogy P(M∣D)P(M|D)P(M∣D) egy műemlék MMM létezik bizonyos DDD adatok alapján, a következőképpen számítjuk ki:

P(M∣D)=P(D∣M)P(M)P(D)P(M|D) = \frac{P(D|M)P(M)}{P(D)}P(M∣D)=P(D)P(D∣M)P(M)

hol:

P(M∣D)P(M|D)P(M∣D): Utólagos valószínűség (egy emlékmű valószínűsége az adatok alapján),
P(D∣M)P(D|M)P(D∣M): Valószínűség (egy emlékmű adatainak megfigyelésének valószínűsége),
P(M)P(M)P(M): Előzetes valószínűség (kezdeti meggyőződés egy emlékmű jelenlétéről),
P(D)P(D)P(D): Bizonyíték (az adatok megfigyelésének valószínűsége minden lehetőségnél).

2. Térbeli interpoláció és gépi tanulás

Térbeli interpolációs módszerek

Prediktív térképek létrehozásakor az egyik legfontosabb lépés az ismeretlen értékek becslése a nem felmért területeken ismert adatpontok alapján. A népszerű technikák a következők:

Kriging: Olyan geostatisztikai módszer, amely az adatpontok közötti térbeli korrelációt használja a nem mért helyek értékeinek előrejelzésére.
Inverz távolságsúlyozás (IDW): Az értékeket a közeli adatpontok súlyozott átlaga alapján rendeli hozzá, a közelebbi pontok nagyobb hatással bírnak.

Gépi tanulási modellek előrejelzéshez

A prediktív modellezés kihasználhatja a gépi tanulási technikákat, például a véletlenszerű erdőket, a támogató vektorgépeket (SVM-eket) és a neurális hálózatokat az adatokon belüli összetett minták felismeréséhez. Például, ha a szeizmikus felmérési adatokat bemeneti jellemzőkként használják, egy osztályozót ki lehet képezni arra, hogy megkülönböztesse azokat a területeket, ahol nagy és alacsony a valószínűsége annak, hogy régészeti struktúrákat tartalmaznak.

Az alábbi példa bemutatja, hogyan használható a Python és a Scikit-learn kódtár egy véletlenszerű erdőmodell betanítására a szeizmikus jellemzőkön alapuló prediktív leképezéshez.

Példakód: Prediktív modellezés véletlenszerű erdőkkel

piton

Kód másolása

Numpy importálása NP-ként

Pandák importálása PD-ként

from sklearn.ensemble import RandomForestClassifier

sklearn.model_selection importálási train_test_split

Az sklearn.metrics importálási accuracy_score

Matplotlib.pyplot importálása PLT-ként

# Példa: Szeizmikus felmérési adatok (jellemzők) és címkék (műemléki jelenlét) betöltése

adat = pd.read_csv('seismic_data.csv')

X = adat[['amplitúdó', 'frekvencia', 'csillapítás', 'wave_velocity']] # szeizmikus jellemzők

y = data['monument_present'] # címkék (1, ha műemlék jelen van, 0 egyébként)

# Adatok felosztása betanítási és tesztelési készletekre

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0,3, random_state=42)

# Véletlenszerű erdőosztályozó betanítása

model = RandomForestClassifier(n_estimators=100; random_state=42)

modell.illeszt(X_train; y_train)

# Készítsen előrejelzéseket a tesztkészletről

y_pred = modell.predict(X_test)

# Számítsa ki a pontosságot

pontosság = accuracy_score(y_test, y_pred)

print(f"Modell pontossága: {pontosság * 100:.2f}%")

# Funkció fontossága

fontosságok = model.feature_importances_

feature_names = X.oszlopok

Plt.Barh(feature_names; fontosságok)

plt.xlabel('Fontosság')

plt.ylabel('Funkció')

plt.title("Jellemzők fontossága a prediktív modellben")

plt.show()

Ebben a példában:

Adatok előkészítése: A szeizmikus adatfájl seismic_data.csv különböző szeizmikus jellemzőket képviselő oszlopokat és egy emlékmű jelenlétét jelző címkét tartalmaz.
Modell betanítása: Az adatok betanítási és tesztelési készletekre vannak felosztva, és egy véletlenszerű erdőmodellt tanítanak be a szeizmikus jellemzőkből való tanuláshoz.
Jellemzők fontossága: A modell azt értékeli, hogy mely jellemzők (pl. amplitúdó, frekvencia) a legbefolyásosabbak a műemlékek jelenlétének előrejelzésében.

3. Prediktív modellek vizualizációja

Hőtérkép generálás

A prediktív modellezés eredményei hőtérképekként jeleníthetők meg, amelyek megjelenítik egy emlékmű jelenlétének valószínűségét egy felmért területen. Az alábbi példakód a Matplotlib és a NumPy használatával hoz létre egy ilyen hőtérképet az előrejelzési valószínűségek rácsa alapján.

piton

Kód másolása

Matplotlib.pyplot importálása PLT-ként

Numpy importálása NP-ként

# Valószínűségi rács létrehozása vizualizációhoz (példaadatok)

grid_size = 100

probability_grid = np.random.rand(grid_size, grid_size) # cserélje ki a tényleges valószínűségekre

# Hozzon létre egy hőtérképet

plt.imshow(probability_grid; cmap='forró', interpoláció='legközelebb')

plt.colorbar(label='A műemlék jelenlétének valószínűsége')

plt.title("A felszín alatti emlékművek felfedezésének prediktív térképe")

plt.xlabel('X koordináta')

plt.ylabel('Y koordináta')

plt.show()

Prediktív térképek értelmezése

A generált hőtérkép kiemeli a nagy és alacsony valószínűségű régiókat, irányítva a régészeket, hogy ásatási erőfeszítéseiket a legígéretesebb zónákra összpontosítsák.

4. A prediktív modellezés és a szeizmikus szimulációk kombinálása

A prediktív modellezés kombinálható szeizmikus szimulációkkal (amint azt a 7.2. fejezet tárgyalja), hogy iteratív módon finomítsa a modellt a szimulált hullámviselkedés alapján különböző talajviszonyok között. A munkafolyamat a következőket foglalja magában:

Kezdeti előrejelzések: Használjon előzetes információkat és geofizikai adatokat egy előzetes valószínűségi térkép létrehozásához.
Szeizmikus szimuláció és adatgyűjtés: Futtasson szeizmikus szimulációkat az előre jelzett nagy valószínűségű zónákra szabva, és gyűjtsön valós adatokat.
Modellfrissítés: Integrálja az új adatokat a prediktív modellbe, és finomítsa a valószínűségi térképet a nagyobb pontosság érdekében.

5. Gyakorlati alkalmazások és korlátozások

A prediktív modellezés a következőkben segít:

Maximalizálja a felmérés hatékonyságát: Összpontosítsa erőforrásait a nagy valószínűségű területekre, csökkentve az időt és a költségeket.
Az értelmezés pontosságának javítása: A modell segítségével különbséget tehet az antropogén jellemzők és a természetes anomáliák között.

A modell pontossága azonban a bemeneti adatok minőségétől és felbontásától függ. Az olyan tényezők, mint az adatok ritkasága, a szeizmikus adatok zaja és az összetett felszín alatti geológia befolyásolhatják a prediktív erőt.

Következtetés

A prediktív modellezés átalakító eszköz a régészeti geofizika területén, amely lehetővé teszi a régészek számára, hogy szisztematikusan és hatékonyan célozzák meg a potenciális földalatti műemlékeket. A geológiai ismeretek, a gépi tanulás és a szeizmikus adatok kombinálásával a prediktív modellek jelentősen javítják a sikeres felfedezés esélyeit, és számítási lencsét kínálnak a felszín alatt rejtőző rejtélyek felfedezéséhez.

7. fejezet: Felszín alatti szerkezetek szimulációja és modellezése

7.4 Szeizmikus adatok megjelenítése és animálása

Bevezetés a szeizmikus adatok megjelenítésébe

A szeizmikus adatok értelmezésének egyik kritikus szempontja az adatok hatékony megjelenítésének és animálásának képessége. A vizualizáció a nyers numerikus adatokat érthető képekké vagy animációkká alakítja, amelyek betekintést nyújtanak a felszín alatti struktúrákba és a hullámterjedési jelenségekbe. A régészetben ez a vizuális segédeszköz még fontosabbá válik, mivel segít a szakértőknek az eltemetett műemlékek felderítésében és alakjuk, méretük és mélységük értelmezésében.

Ez a fejezet bemutatja a szeizmikus adatok megjelenítésének és animálásának technikáit és eszközeit, a 2D szeletelt képektől a 3D renderelt térfogatokig és dinamikus időalapú animációkig.

1. A szeizmikus adatok vizualizációs technikái

1.1 2D szeizmikus metszetek és keresztmetszetek

A szeizmikus adatok megjelenítésének leggyakoribb módja a 2D szeizmikus metszet. Ezek a szakaszok a hullámamplitúdót, az utazási időt és más jellemzőket ábrázolják a távolság és a mélység függvényében.

Az alábbiakban egy példa látható egy egyszerű 2D-s keresztmetszeti ábrázolásra Pythonban a Matplotlib használatával :

piton

Kód másolása

Matplotlib.pyplot importálása PLT-ként

Numpy importálása NP-ként

# Minta szeizmikus adatok generálása (amplitúdó értékek)

x = np.linspace(0; 1000; 100)

mélység = np.linspace(0; 200; 50)

X, Z = np.meshgrid(x, mélység)

amplitúdó = np.sin(0,1 * X) * np.cos(0,1 * Z)

# A 2D szeizmikus szakasz ábrázolása

plt.kontúrf(X, Z; amplitúdó; cmap='szeizmikus')

plt.colorbar(label='Amplitúdó')

plt.xlabel('Távolság (m)')

plt.ylabel('Mélység (m)')

plt.title("2D szeizmikus metszet")

plt.gca().invert_yaxis() # A mélység megfordítása, hogy a felület felül legyen

plt.show()

Ebben a telekban:

Az X tengely a földmérési vonal mentén mért távolságot jelöli.
Az Y tengely (fordított) a felszín alatti mélységet mutatja.
A színleképezés a szeizmikus hullámok amplitúdóját képviseli.

Ez a fajta vizualizáció alapvető fontosságú a felszín alatti struktúrák, például a talajrétegek, a kőzethatárfelületek vagy a potenciális régészeti jellemzők értelmezésében.

1.2 3D térfogat renderelés

Míg a 2D metszetek betekintést nyújtanak a felszín alatti egyetlen szeletébe, a 3D térfogat renderelése lehetővé teszi a teljes felszín alatti térfogat megjelenítését. Lehetővé teszi a régészek számára, hogy feltárják az eltemetett jellemzők teljes geometriáját.

A Mayavi vagy a PyVista használatával 3D renderelés hozható létre Pythonban a felszín alatti adatok átfogóbb megértése érdekében.

piton

Kód másolása

Numpy importálása NP-ként

Pyvista importálása PV-ként

# 3D szeizmikus térfogatot reprezentáló mintaadatok

nx, ny, nz = 100, 100, 50 # rácsméretek

x = np.linspace(0; 1000; nx)

y = np.linspace(0; 1000; NY)

z = np.linspace(0; 200; nz)

X, Y, Z = np.meshgrid(x, y, z)

# Szimuláljon egy 3D amplitúdó térfogatot szinuszos variációval

amplitúdó = np.sin(0,05 * X) * np.cos(0,05 * Y) * np.exp(-0,01 * Z)

# Konvertálás PyVista rácsra

rács = PV. StrukturáltRács(X, Y, Z)

grid['Amplitúdó'] = amplitúdó.ravel(order='F')

# Plot 3D térfogat

plotter = pv. Plotter()

plotter.add_volume(rács, cmap='szeizmikus', opacity='sigmoid')

plotter.show()

Ebben a kódban:

A PyVista a szeizmikus adatok strukturált rácsának kezelésére és megjelenítésére szolgál.
A add_volume funkció a teljes 3D amplitúdó térfogatot rendereli, ami lehetővé teszi az interaktív forgatást és nagyítást.

A 3D megjelenítés különösen hasznos, ha összetett geológiával foglalkozik, vagy ha a célemlékmű szabálytalan alakú.

1.3 Kontúrtérképezés és izofelületek

A kontúrtérképezés és az izofelszíni vizualizáció hatékony módszerek a szeizmikus adatokon belüli specifikus amplitúdószintek ábrázolására. Az izofelületek állandó amplitúdójú felületek, amelyek egyértelmű határokat biztosítanak a felszín alatti anomáliáknak.

piton

Kód másolása

Pyvista importálása PV-ként

# Kontúr (izofelület) generálása amplitúdóküszöb alapján

kontúr = rács.kontúr(izofelületek=[0,5]; skalárok='Amplitúdó')

# Vizualizálja az izofelületet

plotter = pv. Plotter()

plotter.add_mesh(kontúr, szín='piros', opacitás=0,6)

plotter.show()

A példában:

Az amplitúdóküszöb 0,5-re van állítva, és a kontúrfüggvény kivonja azt a felületet, ahol ez az amplitúdó állandó.
Az így kapott izofelület vizualizálható, hogy kiemelje a lehetséges felszín alatti struktúrákat, például sírokat vagy kamrákat.

2. A szeizmikus hullámok terjedésének animálása

A szeizmikus adatok eredendően dinamikusak, mivel a hullámok idővel különböző közegeken keresztül terjednek. A szeizmikus hullámterjedés animációja segít megérteni a hullámok viselkedését, például a visszaverődést, a fénytörést és a diffrakciót. Ez különösen akkor hasznos, ha különböző talajtípusok vagy geológiai körülmények reakcióját szimuláljuk.

2.1 A hullámterjedés time-lapse animációja

A szeizmikus hullámok time-lapse animációja olyan könyvtárak segítségével hozható létre, mint a Matplotlib.animation a Pythonban. Az alábbiakban egy egyszerű példa látható:

piton

Kód másolása

Matplotlib.pyplot importálása PLT-ként

Numpy importálása NP-ként

Matplotlib.animation importálása animációként

# A hullámterjedés szimulációjának paraméterei

x = np.linspace(0; 10; 100)

time_steps = 50

ábra, ax = plt.résztelkek()

sor, = ax.plot(x; np.sin(x), color='blue')

def animate(t):

y = np.sin(x - 0,1 * t) * np.exp(-0,05 * t) # egyszerű csillapított hullám

line.set_ydata y) pont

visszatérő vezeték,

ani = animáció. FuncAnimation(ábra; animált, képkockák=time_steps; intervallum=100)

plt.show()

Ebben a példában:

Egy egyszerű szinuszos hullám idővel animálódik.
A csillapítást a hullámra alkalmazzák, ami elhalványul, amikor terjed.

Ez a fajta animáció hasznos annak megjelenítésére, hogy a szeizmikus energia hogyan halad át a különböző közegeken, és hogyan történik a visszaverődés a felületeken.

3. Fejlett vizualizációs eszközök és technikák

3.1 Wavefield pillanatképek

A hullámmező pillanatképek rögzítik a szeizmikus hullámmezőt egy adott időlépésben, így megérthetik, hogyan haladnak a hullámok és kölcsönhatásba lépnek a felszín alatti szerkezetekkel.

3.2 Spektrális bomlás és frekvenciaanalízis

A spektrális bomlás magában foglalja a szeizmikus adatok különböző frekvenciakomponenseinek megjelenítését, ami segíthet megkülönböztetni a különböző típusú felszín alatti anyagokat.

4. Több vizualizációs technika kombinálása

A szeizmikus adatok legátfogóbb megértése érdekében gyakran több vizualizációs technikát kombinálnak:

2D metszetek + 3D térfogatú renderelés: Fedezze fel részletesen a felszín alatti jellemzőket.
Hullámterjedési animációk + kontúrleképezés: Ismerje meg a szeizmikus hullámok időbeli és térbeli viselkedését.
Spektrális bomlás + izofelületek: Elemezze a különböző frekvenciasávokat és vizualizálja az amplitúdóküszöböket.

Ezek a kombinációk lehetővé teszik a régészek és geofizikusok számára, hogy megalapozott döntéseket hozzanak a potenciális ásatási helyekről.

Következtetés

A szeizmikus adatok megjelenítése és animációja döntő szerepet játszik a felszín alatti struktúrák értelmezésében. A 2D metszetektől a 3D térfogatú renderelésig és a dinamikus animációkig minden vizualizációs technika egyedi betekintést nyújt az adatokba, segítve a régészeket a rejtett műemlékek azonosításában és a felszín alatti hatékony elemzésben.

A szoftverek és programozási nyelvek, például a Python fejlődésével a szeizmikus vizualizáció interaktívabbá és hatékonyabbá vált, lehetővé téve a régészek számára, hogy példátlan tisztasággal fedezzék fel a föld felszíne alatt eltemetett kincseket.

8. fejezet: Szeizmikus adatok programozása és algoritmusfejlesztése

8.1 Bevezetés a szeizmikus adatformátumokba és könyvtárakba

A szeizmikus adatfeldolgozás kulcsfontosságú lépés a felszín alatti struktúrák értelmezésében, és speciális adatformátumokat és könyvtárakat igényel. A felszín alatti felmérésekkel foglalkozó régészek és geofizikusok számára a szeizmikus adatformátumok szilárd megértése elengedhetetlen a hatékony adatkezeléshez és elemzéshez. Ez a fejezet áttekintést nyújt a szeizmikus adatokban használt szabványos formátumokról, és bemutatja a feldolgozásra és megjelenítésre rendelkezésre álló könyvtárakat.

1. Általános szeizmikus adatformátumok

1.1 SEG-Y formátum

A szeizmikus adatok tárolásának egyik legszélesebb körben használt formátuma az SEG-Y (Society of Exploration Geophysicists Y) formátum. Az 1975-ben bevezetett és rendszeresen frissített SEG-Y egy bináris formátum, amelyet nyomkövetési adatok, valamint beszerzési paramétereket tartalmazó fejlécek tárolására terveztek. Az SEG-Y legfontosabb összetevői a következők:

Nyomadatok: A nyers szeizmikus hullámformák.
Szöveges fejléc: A felmérés metaadatai, beleértve az olyan paramétereket, mint a mintavételi arány, a felmérés dátuma és helye.
Bináris fejléc: További részleteket biztosít a felmérésről, beleértve a nyomkövetések számát és az adatformátumot.

Az SEG-Y fájl lényegében nyomok gyűjteménye, amelyek mindegyike egyetlen szeizmikus felvételt képvisel. A nyomvonalak kinyomtathatók 2D metszetek létrehozásához, vagy feldolgozhatók 3D térfogat rendereléséhez.

Íme egy Python példa arra, hogyan olvashat és kezelhet egy SEG-Y fájlt az ObsPy könyvtár használatával:

piton

Kód másolása

from obspy.io.segy.segy import _read_segy

# Az SEG-Y fájl elérési útja

segy_file = "elérési út/seismic_data.sgy"

# Olvassa el az SEG-Y fájlt

seismic_data = _read_segy(segy_file)

# Hozzáférés a nyomkövetési adatokhoz és a rajzhoz

trace = seismic_data.traces[0].data

Matplotlib.pyplot importálása PLT-ként

PLT.PLOT(nyomkövetés)

plt.xlabel('Időminták')

plt.ylabel('Amplitúdó')

plt.title("Szeizmikus nyom")

plt.show()

Ebben a kódrészletben:

Az ObsPy egy sokoldalú könyvtár szeizmikus adatok kezelésére SEG-Y formátumban.
A seismic_data objektum tartalmazza a fájlban található összes nyomkövetést, amelyek mindegyike elérhető és megjeleníthető.

1.2 SEG-D formátum

Egy másik népszerű formátum az SEG-D (Society of Exploration Geophysicists D), amely terepi felvételekre van optimalizálva. A SEG-Y-val ellentétben a SEG-D összetettebb, több csatornát és mintavételi sebességet támogat, így kiválóan alkalmas nyers terepi adatgyűjtésre. A formátum különböző hangszertípusok és felvételi módok kezelésére is képes.

Bár az SEG-D-t ritkábban használják régészeti szeizmikus elemzésben, mint az SEG-Y-t, fontos tudni, hogyan lehet konvertálni ezen formátumok között bizonyos alkalmazásokhoz. Az olyan könyvtárak, mint az ObsPy és a Segyio, lehetővé teszik az ilyen konverziókat.

1.3 MiniSEED formátum

A MiniSEED egy másik formátum, amely a SEED-ből (Standard for the Exchange of Earthquake Data) származik, és széles körben használják folyamatos hullámforma-adatokhoz, különösen a szeizmológiában. Míg a SEED metaadatokat és műszerválaszt tartalmaz, a MiniSEED kizárólag a hullámforma adatokra összpontosít. Ez könnyű és hatékony formátummá teszi a hosszú távú felügyelethez és a folyamatos rögzítéshez.

piton

Kód másolása

Az OBSPY importálásból olvassa el

# MiniSEED fájl olvasása

st = read("elérési út/seismic_data.mseed")

# Részletek nyomtatása és hullámforma ábrázolása

nyomtatás(st)

st.plot()

Az ObsPy szintén népszerű választás a MiniSEED fájlok kezelésére, így kiváló választás a szeizmikus és földrengési adatokkal egyaránt foglalkozó régészek számára.

2. Könyvtárak szeizmikus adatfeldolgozáshoz

2.1 ObsPy: Az átfogó Python csomag

Az ObsPy az egyik legátfogóbb Python könyvtár a szeizmikus adatformátumok kezelésére. Számos formátumot támogat, beleértve az SEG-Y, a MiniSEED és a SAC (Seismic Analysis Code) formátumokat. Az ObsPy képes:

Szeizmikus adatok olvasása és írása: Zökkenőmentesen konvertálhat a különböző formátumok között.
Hullámforma-feldolgozás: Szűrje, kúposítsa és hajtsa végre az egyéb jelfeldolgozási technikákat.
Megjelenítés: Hullámformák, spektrális adatok és szeizmogramok ábrázolása.

Például a következőképpen hajthat végre sáváteresztő szűrőt egy nyomkövetésen:

piton

Kód másolása

# Sáváteresztő szűrő alkalmazása szeizmikus nyomra

st_filtered = st.copy()

st_filtered.filter('bandpass', freqmin=1.0; freqmax=10.0)

# Ábrázolja az eredeti és szűrt hullámformákat

ábra, ax = plt.részcselekmények(2, 1, ábraméret=(10, 6))

# Eredeti adatok

ax[0].plot(st[0].times(), st[0].data)

ax[0].set_title('eredeti hullámforma')

ax[0].set_xlabel('Idő (s)')

ax[0].set_ylabel('amplitúdó')

# Szűrt adatok

ax[1].plot(st_filtered[0].times(), st_filtered[0].data, color='red')

ax[1].set_title('Szűrt hullámforma (1–10 Hz-es sáváteresztés)')

ax[1].set_xlabel('Idő(s)')

ax[1].set_ylabel('amplitúdó')

plt.tight_layout()

plt.show()

2.2 Segyio: Nagy teljesítményű SEG-Y könyvtár

A Segyio egy nagy teljesítményű könyvtár, amelyet kifejezetten az SEG-Y adatokkal való munkához terveztek. Hatékonyságra készült, és gyorsan képes kezelni a nagy adatkészleteket. Támogatja:

Hatékony I/O műveletek: SEG-Y adatok gyors olvasása és írása.
Nyomkövetési manipuláció: A szeizmikus adatok adott nyomainak vagy részeinek kinyerése és elemzése.
Integráció a NumPy-val: Közvetlen kompatibilitás a NumPy tömbökkel a további numerikus műveletekhez.

piton

Kód másolása

Segyio importálása

# Nyisson meg egy SEG-Y fájlt olvasási módban

segyio.open("elérési út/seismic_data.sgy", "r") mint f:

# Olvassa el az első nyomkövetést

trace = f.trace[0]

# A nyomkövetés ábrázolása

PLT.PLOT(nyomkövetés)

plt.xlabel('Minta')

plt.ylabel('Amplitúdó')

plt.title('SEG-Y nyomkövetés')

plt.show()

2.3 Pyrocko: Szeizmológiai eszköztár

A Pyrocko egy Python könyvtár, amely a szeizmikus modellezésre és inverzióra összpontosít, így kiválóan alkalmas fejlett kutatásokhoz és szimulációkhoz. Modulokat biztosít a következőkhöz:

Hullámforma szimuláció: Szintetikus szeizmogramok generálása forrásmodellek alapján.
Forrásjellemzés: Különböző típusú szeizmikus források és terjedési útvonalak modellezése.
Vizualizációs eszközök: Kiváló minőségű grafikonok létrehozása szeizmológiai kutatásokhoz.

Bár régészeti célokra nem használják olyan széles körben, a Pyrocko kiváló eszközkészlet azok számára, akik összetettebb szimulációkon és szeizmikus adatok modellezésén dolgoznak.

3. Fájlkonverzió és kompatibilitás

A szeizmikus adatokat gyakran át kell alakítani formátumok között a különböző feldolgozási szakaszokhoz vagy a különböző szoftverekkel való kompatibilitáshoz. Az olyan könyvtárak, mint az ObsPy és a Segyio, beépített módszereket kínálnak a formátumkonvertáláshoz:

piton

Kód másolása

# Példa: MiniSEED fájl konvertálása SEG-Y-ba az ObsPy használatával

st = read("elérési út/seismic_data.mseed")

st.write("kimenet/seismic_data.sgy"; format="SEGY")

A szeizmikus adatok szerkezetének és a formátumok közötti különbségeknek a megértése gördülékenyebb munkafolyamat-integrációt tesz lehetővé, biztosítva az adatok pontos feldolgozását és értelmezését.

4. Adattárolás és optimalizálás

A szeizmikus adatok meglehetősen nagyok lehetnek, különösen akkor, ha hosszabb ideig gyűjtik őket, vagy többcsatornás tömböket használnak. A hatékony adattárolás és -kezelés kulcsfontosságú:

HDF5 formátum: A Hierarchical Data Format (HDF5) egy nyílt forráskódú fájlformátum, amelyet nagy mennyiségű adat tárolására és kezelésére terveztek. A HDF5 lehetővé teszi a darabolást, tömörítést és hierarchikus szervezést, így kiválóan alkalmas szeizmikus adatokhoz.
NetCDF formátum: A Network Common Data Form (NetCDF) egy másik, tudományos adatokra optimalizált formátum, amelyet széles körben használnak a geofizikában.

A szeizmikus adatok ilyen formátumba konvertálása hatékonyabb tárolást és gyorsabb hozzáférési időt biztosít, különösen nagy 3D vagy 4D adatkészletek használatakor.

Következtetés

A szeizmikus adatformátumok és könyvtárak megértése alapvető fontosságú mindenki számára, aki szeizmikus adatokkal dolgozik, akár régészeti, akár geofizikai célokra. Az olyan könyvtárak, mint az ObsPy, a Segyio és a Pyrocko biztosítják a szeizmikus adatok hatékony kezeléséhez, feldolgozásához és megjelenítéséhez szükséges eszközöket. Ezzel az alappal a felhasználók továbbléphetnek a fejlett algoritmusok és feldolgozási technikák megvalósítására, amelyeket a következő fejezetekben tárgyalunk.

8. fejezet: Szeizmikus adatok programozása és algoritmusfejlesztése

8.2 Jelfeldolgozó algoritmusok megvalósítása

A jelfeldolgozás a szeizmikus adatok elemzésének alapvető szempontja. A felszín alatti struktúrák észlelésére és értelmezésére törekvő régészek számára a különböző jelfeldolgozó algoritmusok alkalmazása javíthatja az adatok tisztaságát és felbontását. Ez a fejezet feltárja a legfontosabb fogalmakat és technikákat, beleértve a szűrést, az ablakozást, a dekonvolúciót és a spektrális elemzést.

1. A jelfeldolgozás alapjai a szeizmológiában

A szeizmikus jelek eredendően zajosak, és gondos előfeldolgozást igényelnek, mielőtt elemezhetők lennének. A cél az, hogy elkülönítsék az érdeklődésre számot tartó jelet a háttérzajtól és a nem kívánt tárgyaktól. Az alapvető lépések általában a következőket foglalják magukban:

Szűrés: A nem kívánt frekvenciakomponensek eltávolítása.
Amplitúdóerősítés beállítása: A csillapító hatások korrekciója.
Dekonvolúció: A terjedési közeg által eltorzított eredeti hullámforma helyreállítása.

A jelfeldolgozási technikák az idő- vagy frekvenciatartományban működnek, és mindegyik különböző perspektívákat kínál a szeizmikus adatokra.

2. Időtartományú jelfeldolgozás

2.1 Mozgó átlag szűrők

A mozgóátlag-szűrő az egyik legegyszerűbb technika, amelyet a szeizmikus adatok simítására használnak a nagyfrekvenciás zaj csökkentésével. Ez a szűrő az adatpontok rögzített ablakának átlagolásával működik:

x^t=1N∑k=0N−1xt+k\hat{x}_t = \frac{1}{N} \sum_{k=0}^{N-1} x_{t+k}x^t=N1k=0∑N−1xt+k

hol:

x^t\hat{x}_tx^t a szűrt jel,
NNN az ablak mérete, és
xtx_txt az eredeti jelet jelöli.

Minél nagyobb az ablak mérete, annál simább a jel. A fontos jellemzők torzulásának elkerülése érdekében azonban egyensúlyt kell teremteni.

Python megvalósítás:

piton

Kód másolása

Numpy importálása NP-ként

Matplotlib.pyplot importálása PLT-ként

# Szintetikus szeizmikus adatok generálása zajjal

np.random.seed(0)

idő = np.linspace(0; 10; 500)

jel = np.sin(2 * np.pi * idő) + np.véletlen.normál(0; 0,5; idő.alak)

# Mozgóátlag szűrő funkció

def moving_average(adatok, window_size):

return np.convolve(data, np.ones(window_size) / window_size, mode='valid')

# Mozgóátlag szűrő alkalmazása

window_size = 10

filtered_signal = moving_average(jel; window_size)

# Az eredeti és szűrt jel ábrázolása

plt.ábra(ábra=(10, 4))

plt.plot(idő, jel; label='Eredeti jel')

plt.plot(time[:len(filtered_signal)], filtered_signal, label='Szűrt jel', color='red')

plt.xlabel('Idő(s)')

plt.ylabel('Amplitúdó')

plt.legend()

plt.title('Mozgóátlag szűrő szeizmikus adatokon')

plt.show()

Ebben a példában a zaj csökken, miközben megtartja a szeizmikus jel domináns frekvenciáját.

2.2 Butterworth szűrő

A Butterworth-szűrő egy általános frekvenciaalapú szűrő, amelyet a szeizmikus jelek simítására használnak, miközben megőrzik az alapvető hullámforma alakját. A Butterworth-szűrő átviteli funkcióját lapos passzsáv jellemzi, és a következőképpen definiálható:

H(s)=11+(sωc)2nH(s) = \frac{1}{\sqrt{1 + \left( \frac{s}{\omega_c} \right)^{2n}}}H(s)=1+(ωcs)2n1

hol:

sss a frekvencia,
ωc\omega_c ωc a cutoff frekvencia, és
nnn a szűrési sorrend.

A magasabb szűrési sorrend élesebb vágást eredményez.

Python megvalósítás:

piton

Kód másolása

tól scipy.signal import vaj, filtfilt

# Butterworth szűrő definiálása

def butterworth_filter(adat, lowcut, highcut, fs, order=4):

Nyquist = 0,5 * FS

alacsony = lowcut / nyquist

Magas = HighCut / Nyquist

b, a = vaj(rendelés; [alacsony; magas]; btípus='sáv')

return filtfilt(b, a; adat)

# Alkalmazza a Butterworth szűrőt szeizmikus adatokra

lowcut = 0,1 # Alacsony vágási frekvencia Hz-ben

highcut = 1,0 # Magas cutoff frekvencia Hz-ben

fs = 50 # Mintavételi frekvencia Hz-ben

filtered_signal = butterworth_filter(jel, lowcut, highcut, fs)

# Az eredeti és szűrt jel ábrázolása

plt.ábra(ábra=(10, 4))

plt.plot(idő, jel; label='Eredeti jel')

plt.plot(idő, filtered_signal; label='Szűrt jel (Butterworth)', color='red')

plt.xlabel('Idő(s)')

plt.ylabel('Amplitúdó')

plt.legend()

plt.title('Butterworth-szűrő szeizmikus adatokon')

plt.show()

3. Frekvenciatartomány-jelfeldolgozás

3.1 Fourier-transzformáció

A Fourier-transzformáció hatékony eszköz a szeizmikus jelek frekvenciakomponenseinek elemzésére. A gyors Fourier-transzformáció (FFT) hatékony algoritmus a diszkrét Fourier-transzformáció (DFT) kiszámítására:

X(f)=∑n=0N−1x[n]e−j2πfnNX(f) = \sum_{n=0}^{N-1} x[n] e^{-j 2 \pi \frac{f n}{N}}X(f)=n=0∑N−1x[n]e−j2πNfn

hol:

X(f)X(f)X(f) a Fourier-transzformált jel,
x[n]x[n]x[n] az időtartomány-jel, és
NNN a minták száma.

Ez lehetővé teszi a felhasználók számára, hogy megvizsgálják az amplitúdót és a fázist minden frekvencián, ami elengedhetetlen a zaj és más műtermékek azonosításához.

Python megvalósítás:

piton

Kód másolása

A scipy.fft fájlból import fft, fftfreq

# Számítás FFT

N = len(jel)

T = idő[1] - idő[0] # A minták közötti időintervallum

yf = fft(jel)

xf = fftfreq(N, T)

# Ábrázolja az amplitúdó spektrumot

plt.ábra(ábra=(10, 4))

PLT.PLOT(xf; np.abs(yf))

plt.xlabel('Frekvencia (Hz)')

plt.ylabel('Amplitúdó')

plt.title("Szeizmikus adatok frekvenciaspektruma")

plt.grid()

plt.show()

Ebben a kódban a szeizmikus jelet frekvenciakomponensekké alakítják át, feltárva a domináns frekvenciákat további elemzéshez vagy szűréshez.

3.2 Wavelet transzformáció

Míg a Fourier-transzformáció szinuszos jelekre bontja a jelet, a Wavelet transzformáció a jelet az anyahullám skálázott és eltolt változataira bontja. Ez lehetővé teszi a változó frekvenciatartalmú jelek jobb elemzését az idő múlásával, ami jellemző a szeizmikus adatokra.

Python implementáció PyWavelets használatával:

piton

Kód másolása

PYWT importálása

# Folytonos wavelet transzformáció végrehajtása

wavelet = 'morl' # Morlet wavelet kiválasztása

Skálák = NP.Arange(1, 128)

Együtthatók, frekvenciák = pywt.cwt(jel, skálák, hullám)

# Plot scalogram (CWT együtthatók)

plt.imshow(együtthatók; terjedelem=[idő.min(); time.max(), scales.min(); scales.max()]; cmap='jet'; aspect='auto')

plt.xlabel('Idő(s)')

plt.ylabel('Méretarány')

plt.title('Wavelet transzformációs skalogram')

plt.colorbar(label='Együttható amplitúdó')

plt.show()

A wavelet elemzés a jel idő-frekvencia ábrázolását biztosítja, lehetővé téve az idővel változó jellemzők jobb lokalizálását.

4. Fejlett technikák

4.1 Dekonvolúció

A dekonvolúciót a rögzítőrendszer és a közeg hatásainak visszafordítására használják, helyreállítva az eredeti szeizmikus hullámot. Ez különösen akkor hasznos, ha a szeizmikus hullámot a felszín alatti rétegek torzították.

Matematikailag a dekonvolúció a következőképpen ábrázolható:

y(t)=x(t)∗h(t)+n(t)y(t) = x(t) * h(t) + n(t)y(t)=x(t)∗h(t)+n(t)

hol:

y(t)y(t)y(t) a megfigyelt jel,
x(t)x(t)x(t) az eredeti szeizmikus hullám,
h(t)h(t)h(t) a közeg impulzusválasza, és
n(t)n(t)n(t) a zaj.

A cél az x(t)x(t)x(t) becslése y(t)y(t)y(t) és h(t)h(t)h(t) alapján.

4.2 Idő-frekvencia elemzés STFT-vel

A rövid idejű Fourier-transzformációt (STFT) a szeizmikus adatokban gyakori nem stacionárius jelek elemzésére használják. Az STFT magában foglalja a jel átfedő ablakokra osztását és az FFT alkalmazását minden ablakra:

STFT{x(t)}(f,τ)=∫−∞∞x(t)w(t−τ)e−j2πftdtSTFT\{x(t)\}(f, \tau) = \int_{-\infty}^{\infty} x(t) w(t-\tau) e^{-j 2 \pi f t} dtSTFT{x(t)}(f,τ)=∫−∞∞x(t)w(t−τ)e−j2πftdt

hol:

W(t−τ)w(t-\tau)w(t−τ) egy ablakfüggvény, amelynek középpontja τ\tauτ.

Python implementáció a SciPy használatával:

piton

Kód másolása

a scipy.signal import spektrogram fájlból

# Számítási spektrogram

frekvenciák, idők, Sxx = spektrogram(jel; fs)

# Plot spektrogram

plt.pcolormesh(idők; frekvenciák; 10 * np.log10(Sxx); árnyékolás='gouraud')

plt.ylabel('Frekvencia (Hz)')

plt.xlabel('Idő(s)')

plt.title("Szeizmikus adatok spektrogrammja")

plt.colorbar(label='Teljesítmény/frekvencia (dB/Hz)')

plt.show()

Következtetés

A jelfeldolgozás döntő szerepet játszik a szeizmikus adatok elemzéshez és értelmezéshez való javításában. Az olyan technikák, mint a szűrés, a Fourier-analízis és a wavelet transzformációk biztosítják a régészek számára a felszín alatti jellemzők hatékony észleléséhez és tanulmányozásához szükséges eszközöket. Ahogy egyre fejlettebb algoritmusokat fejlesztenek ki, a földfelszín alatti összetett struktúrák megoldásának képessége tovább javul, előkészítve az utat a régészet további felfedezései előtt.

8. fejezet: Szeizmikus adatok programozása és algoritmusfejlesztése

8.3 Python és Wolfram nyelv szeizmikus adatelemzéshez

A Python és a Wolfram Language egyaránt hatékony eszközök a szeizmikus adatok elemzéséhez. Minden nyelvnek megvannak a maga előnyei és erősségei a szeizmikus adatok feldolgozása, megjelenítése és értelmezése szempontjából. Ebben a fejezetben megvizsgáljuk, hogyan használható a Python és a Wolfram nyelv olyan kulcsfontosságú feladatok elvégzésére, mint az adatszűrés, a Fourier- és wavelet-elemzés, a jeltranszformáció és a vizualizáció.

1. Python szeizmikus adatelemzéshez

1.1 Python könyvtárak szeizmikus adatokhoz

A Python kiterjedt könyvtári ökoszisztémával rendelkezik, amely a szeizmikus adatok elemzésére van szabva:

ObsPy: Átfogó könyvtár szeizmológiai adatok olvasásához, írásához és feldolgozásához.
SciPy & NumPy: Könyvtárak matematikai és jelfeldolgozási műveletekhez.
Matplotlib & Seaborn: Vizualizációs kódtárak idősoros adatok és eredmények ábrázolásához.
PyWavelets: Wavelet transzformációk végrehajtásához szükséges könyvtár.

1.2 Példa: szeizmikus adatok olvasása és ábrázolása

Kezdjük egy példával a szeizmikus adatok betöltésére és megjelenítésére az ObsPy könyvtár használatával.

piton

Kód másolása

OBSPY importálása

Az OBSPY importálásból olvassa el

Matplotlib.pyplot importálása PLT-ként

# Olvasson el egy szeizmikus hullámforma fájlt miniSEED formátumban

st = olvasás("example_data.mseed")

# Válasszon ki egyetlen nyomkövetést az adatfolyamból

tr = st[0]

# Ábrázolja a hullámformát

plt.ábra(ábra=(10, 4))

plt.plot(tr.times("matplotlib"), tr.data, label="Szeizmikus jel")

plt.xlabel("Idő(k)")

plt.ylabel("Amplitúdó")

plt.title("Szeizmikus hullámforma")

plt.legend()

plt.show()

Ebben a kódrészletben a szeizmikus hullámforma betöltődik egy fájlból, és idősoros gráfként van ábrázolva. A miniSEED formátum az egyik szabványos szeizmikus adatformátum.

1.3 Frekvencia-tartomány analízis

Az adatok időtartományból frekvenciatartományba történő átalakításához használhatjuk a SciPy által biztosított Fourier-transzformációt (FFT).

piton

Kód másolása

A scipy.fft fájlból import fft, fftfreq

Numpy importálása NP-ként

# Mintavételi paraméterek meghatározása

n = len(tr.data) # Minták száma

T = tr.stats.delta # A minták közötti időintervallum (mintavételi időszak)

# Alkalmazza az FFT-t a szeizmikus jelre

yf = fft(tr.data)

xf = fftfreq(n, T)

# Ábrázolja az amplitúdó spektrumot

plt.ábra(ábra=(10, 4))

PLT.PLOT(xf; np.abs(yf))

plt.xlim(0, 10) # Az x tengely korlátozása az áttekinthetőség érdekében

plt.xlabel('Frekvencia (Hz)')

plt.ylabel('Amplitúdó')

plt.title("Szeizmikus adatok frekvenciaspektruma")

plt.grid()

plt.show()

Ez a kód veszi a szeizmikus nyomadatokat, kiszámítja a Fourier-transzformációt, és ábrázolja az amplitúdóspektrumot a frekvencia függvényében.

1.4 Wavelet transzformáció idő-frekvencia analízishez

A wavelet transzformációk lehetővé teszik az idő-frekvencia elemzést, feltárva, hogy a különböző frekvenciakomponensek hogyan változnak az idő múlásával.

piton

Kód másolása

PYWT importálása

# Folyamatos hullámforma (CWT) alkalmazása

Skálák = NP.Arange(1, 100)

Együtthatók, gyakoriságok = pywt.cwt(tr.adatok, skálák, 'morl')

# A wavelet transzformáció ábrázolása

plt..MUTAT(együtthatók; kiterjedés=[tr.stats.starttime.matplotlib_date; tr.stats.endtime.matplotlib_date; 1; 100];

cmap='jet', aspect='auto', vmax=abs(együtthatók).max(), vmin=-abs(együtthatók).max())

plt.colorbar(label='Együttható amplitúdó')

plt.xlabel('Idő')

plt.ylabel('Méretarány')

plt.title('Wavelet transzformáció (CWT)')

plt.show()

2. Wolfram nyelv a szeizmikus adatok elemzéséhez

A Wolfram nyelv hatékony eszközöket biztosít a matematikai elemzéshez, a szimbolikus számításokhoz és a szeizmikus adatok interaktív megjelenítéséhez. A wavelet elemzéshez, a Fourier-transzformációkhoz és a fejlett ábrázoláshoz beépített funkcióival sokoldalú eszközként szolgál mind az adatelemzéshez, mind az értelmezéshez.

2.1 Szeizmikus adatok importálása és ábrázolása

A Wolfram Language Import funkciója lehetővé teszi a zökkenőmentes adatolvasást különböző formátumokból, például miniSEED, SAC, CSV és másokból.

Wolfram

Kód másolása

(* Szeizmikus adatok importálása SAC formátumban *)

data = import["example_data.sac"];

(* Az adatok megjelenítése idősoros diagramként *)

DateListPlot[data, PlotTheme -> "Detailed",

PlotLabel -> "Szeizmikus hullámforma",

FrameLabel -> {"idő", "amplitúdó"},

ImageSize -> nagy]

2.2 Fourier-analízis

A Wolfram-féle Fourier-függvény egyszerűvé teszi a szeizmikus adatok frekvenciatartomány-analízisét.

Wolfram

Kód másolása

(* Fourier-transzformáció alkalmazása az adatokra *)

fourierData = Fourier[adat];

(* Az FFT eredmény minden pontjának megfelelő frekvenciák kiszámítása *)

sampleRate = 100; (* 100 Hz-es mintavételi frekvenciát feltételezve *)

n = hossz[adat];

frekvenciák = Tartomány[0, n/2] * (sampleRate/n);

(* Plot amplitúdó spektrum *)

LinePlotLista[Abs[fourierData[[1 ;; n/2]]];

DataRange -> {0, sampleRate/2},

PlotTheme -> "Részletes",

FrameLabel -> {"Frekvencia (Hz)", "Amplitúdó"},

PlotLabel -> "Frekvenciaspektrum"]

2.3 Wavelet transzformáció

A Wolfram Language támogatja a wavelet elemzést a ContinuousWaveletTransform függvényen keresztül. Ez segít a szeizmikus adatok időben lokalizált jellemzőinek vizsgálatában.

Wolfram

Kód másolása

(* Folytonos hullámforma alkalmazása *)

waveletData = ContinuousWaveletTransform[adat, MorletWavelet[];

(* Hozzon létre egy skalogramot a wavelet együtthatók megjelenítéséhez *)

WaveletScalogramPlot[waveletData, ImageSize-> nagy,

ColorFunction -> "SunsetColors",

PlotLabel -> "Wavelet Scalogram"]

A WaveletScalogramPlot függvény vizuálisan ábrázolja a hullámlet-együtthatókat az idő múlásával, betekintést nyújtva a szeizmikus adatok idő-frekvencia változásaiba.

3. Python és Wolfram nyelv kombinálása

A Python és a Wolfram Language erősségei kombinálhatók egy robusztus elemzési folyamathoz:

Adatkezelés és kezdeti feldolgozás: A Python ObsPy használatával kezelheti a szeizmikus adatformátumokat, szűrheti az adatokat és előfeldolgozhatja a jeleket.
Fejlett jelfeldolgozás és -elemzés: Használja ki a Wolfram nyelv erejét spektrális elemzéshez, szimbolikus transzformációkhoz és részletes vizualizációhoz.

Példa munkafolyamat-integrációra

Képzelje el, hogy elődolgozza a szeizmikus adatokat Pythonban, majd a Wolfram Language használatával speciális vizualizációt használ:

piton

Kód másolása

# Python: Adatok előfeldolgozása és exportálása CSV-be

filtered_data = butterworth_filter(tr.data, lowcut, highcut, fs)

np.savetxt("processed_seismic_data.csv"; filtered_data; határolójel=",")

Wolfram

Kód másolása

(* Wolfram: A feldolgozott adatok importálása vizualizációhoz *)

data = import["processed_seismic_data.csv"];

(* Megjelenítés interaktív eszközökkel *)

ListPlot[data, Connected -> True,

PlotTheme -> "Részletes",

FrameLabel -> {"idő", "szűrt amplitúdó"},

ImageSize -> nagy]

Ebben a példában az adatokat Pythonban tisztítjuk, majd importáljuk a Wolfram nyelvbe a speciális vizualizációhoz.

4. Fejlett technikák: gépi tanulás használata szeizmikus adatokhoz Wolfram nyelven

A Wolfram Language Machine Learning csomagja lehetővé teszi a szeizmikus adatok mintafelismerését, támogatva az olyan feladatokat, mint az anomáliadetektálás vagy a hullámformák osztályozása.

Wolfram

Kód másolása

(* Címkézett szeizmikus adatok importálása edzéshez *)

trainingData = importálás["seismic_training_data.csv"];

(* Osztályozó betanítása hullámforma-mintázat felismeréséhez *)

osztályozó = Classify[trainingData];

(* Osztályozó alkalmazása új adatokra *)

newData = Importálás["new_seismic_data.csv"];

classificationResult = osztályozó[newData];

(* Osztályozási eredmény megjelenítése *)

ListPlot[classificationResult, Connected -> True,

PlotTheme -> "Részletes",

PlotLabel -> "Szeizmikus események osztályozása"]

Következtetés

Mind a Python, mind a Wolfram Language kiterjedt eszközöket kínál a szeizmikus adatok elemzéséhez. A Python gazdag könyvtári ökoszisztémája lehetővé teszi az adatfeldolgozást és a kezdeti elemzést, míg a Wolfram Language szimbolikus számításai, fejlett vizualizációi és interaktív képességei páratlan támogatást nyújtanak a szeizmikus adatok mélyreható feltárásához és megértéséhez. A két nyelv kombinálása lehetővé teszi a régészek és geofizikusok számára, hogy maximális értéket nyerjenek ki szeizmikus felméréseikből, javítva képességüket a felszín alatti műemlékek felfedezésére és értelmezésére.

8. fejezet: Szeizmikus adatok programozása és algoritmusfejlesztése

8.4 Teljesítményoptimalizálás és párhuzamos számítástechnika

A szeizmikus adatfeldolgozás a nagy adatmennyiség és a számításigényes algoritmusok miatt gyakran profitál a teljesítményoptimalizálásból és a párhuzamos számítási technikákból. Ezeknek a technikáknak a kihasználásával jelentős javulás érhető el az adatfeldolgozási sebesség és az erőforrás-felhasználás terén, amelyek elengedhetetlenek az időérzékeny alkalmazásokban, például a valós idejű monitorozásban vagy a nagyszabású szimulációkban. Ez a fejezet végigvezeti Önt a kód optimalizálásának és a párhuzamos feldolgozás használatának megközelítésein mind a Python, mind a Wolfram nyelvi környezetekben.

1. Miért optimalizáljuk a teljesítményt a szeizmikus adatfeldolgozásban?

A szeizmikus adatfeldolgozás általában nagy adatkészleteket és számításigényes műveleteket foglal magában, például:

Fourier-transzformációk spektrális analízishez.
A Wavelet transzformációk az idő-frekvencia bomláshoz.
Véges különbség és végeselemes módszerek hullámterjedés szimulálására.
Gépi tanulási algoritmusok mintafelismeréshez és funkciókinyeréshez.

Tekintettel a szeizmikus adatkészletek méretére (gyakran terabájtban) és az érintett műveletek összetettségére, a kód optimalizálása mind a sebesség, mind a memóriahasználat szempontjából elengedhetetlen a feldolgozási idő és a számítási költségek csökkentéséhez.

2. Teljesítményoptimalizálási technikák

2.1 Algoritmikus fejlesztések

Az optimalizálás első lépése a használt algoritmusok áttekintése:

Komplexitás csökkentése: Válasszon jobb időkomplexitású algoritmusokat. Kerülje például a beágyazott hurkokat, amelyek vektorizált műveletekké alakíthatók.
Használjon hatékony adatstruktúrákat: Nagy adatkészletek keresésekor például kivonattáblák (szótárak) vagy kiegyensúlyozott fák használata drasztikusan csökkentheti a keresési időt az egyszerű listákhoz vagy tömbökhöz képest.

2.2 Vektorizálás és párhuzamosítás

Vektorizálás Pythonban

A vektorizálás az explicit hurkokat vektor- vagy mátrixműveletekkel helyettesíti, amelyek belsőleg vannak megvalósítva az optimalizált C/Fortran kódban, olyan könyvtárak használatával, mint a NumPy.

piton

Kód másolása

Numpy importálása NP-ként

# Példa: Négyzet alakú egy nagy tömb minden elemét

adat = np.random.rand(1000000)

# Nem vektorizált működés (hurok alapú)

squared_data = np.zeros_like(adat)

for i in range(len(data)):

squared_data[i] = adat[i] ** 2

# Vektorizált működés

squared_data = adatok ** 2 # Sokkal gyorsabb

Párhuzamosítás a Python többprocesszoros működésével

A párhuzamos számítástechnika a Pythonban a többprocesszoros modul segítségével hajtható végre a feladatok több CPU-mag közötti elosztásához.

piton

Kód másolása

többprocesszoros importálási készletből

def process_segment(data_segment):

# Végezzen nagy számításokat egy adatszegmensen

visszatérő some_heavy_computation(data_segment)

# Adatok felosztása darabokra

data_chunks = np.array_split(adatok, 4) # 4 magot feltételezve

# Hozzon létre egy folyamatkészletet

a Pool(4) készlettel:

eredmények = pool.map(process_segment; data_chunks)

Ez elosztja az egyes adatszegmensek számításait több mag között, így felgyorsítja a feldolgozást.

3. Párhuzamos számítástechnika Wolfram nyelven

A Wolfram nyelv beépített támogatással rendelkezik a párhuzamos számítástechnikához, így a funkciók egyszerűen végrehajthatók több kernelen.

3.1 Számítások párhuzamosítása

A ParallelMap használata párhuzamos feldolgozáshoz

Wolfram

Kód másolása

(* Példa: Függvény alkalmazása minden adatszegmensre párhuzamosan *)

adat = RandomReal[1, {1000000}];

(* Definiáljon egy függvényt, amely nehéz számításokat végez *)

heavyComputation[x_] := x^2 + Log[x];

(* Használja a ParallelMap programot a számítások elosztásához több kernel között *)

eredmény = ParallelMap[nehézszámítás, adat];

A ParallelMap függvény heavyComputation alkalmazást alkalmaz több kernelen, jelentősen csökkentve a feldolgozási időt az egyszálas műveletekhez képest.

3.2 Párhuzamos tábla generálása

Ha egy összetett függvényből nagy eredménytáblát kell létrehoznia, használja a ParallelTable függvényt.

Wolfram

Kód másolása

(* Fourier-transzformációk párhuzamos számítása több adatszegmensen *)

dataSegments = partíció[adat, hossz[adat] / 4]; (* Adatok felosztása 4 szegmensre *)

fourierResults = ParallelTable[

Fourier[dataSegments[[i]]],

{i, 1, hossz[adatszegmensek]}

];

Itt az egyes szegmensek Fourier-transzformációját párhuzamosan számítják ki, felgyorsítva a teljes műveletet.

4. Teljesítményhangolási technikák

4.1 Memóriakezelés

A nagyméretű adatkészletek sok memóriát fogyaszthatnak, ami lassulást vagy összeomlást okozhat. A memóriakezelési technikák a következők:

Kerülje a nagyméretű adatok másolását: Minimalizálja az adatok másolását referenciák használatával vagy helyi műveletek használatával.
Nem használt változók törlése: Explicit módon szabadítson fel memóriát, ha már nincs szükség nagy változókra, különösen a Pythonban a del használatával.

4.2 Hatékony I/O műveletek

Az I/O-műveletek szűk keresztmetszetet jelenthetnek a szeizmikus adatelemzésben a nagy fájlméretek miatt:

Bináris formátumok használata: Adatok olvasása és írása bináris formátumokban (pl. HDF5, NumPy .npy) a gyorsabb I/O érdekében a szövegalapú formátumokhoz képest.
Pufferelt olvasás: Pufferelt I/O-műveletekkel csökkentheti az olvasási/írási időt.

piton

Kód másolása

H5py importálása

# Adatok írása HDF5 fájlba a hatékony tárolás érdekében

H5py-vel. Fájl ("seismic_data.h5", "w") mint f:

f.create_dataset("hullámformák", data=adatok)

5. GPU-gyorsítás szeizmikus adatokhoz

A GPU-gyorsítás jelentősen javíthatja a párhuzamos számítások bizonyos típusainak, például mátrixműveleteknek, véges különbségű modellezésnek és gépi tanulási betanításnak a teljesítményét. Az olyan Python-kódtárak, mint a CuPy és a PyTorch , lehetővé teszik a GPU-gyorsítású számításokat.

piton

Kód másolása

Cupy importálása CP-ként

# Adatok átvitele GPU-ra

gpu_data = cp.array(adat)

# Végezzen számításokat GPU-n

gpu_result = cp.fft.fft(gpu_data)

# Az eredmény átvitele vissza a CPU-ba

eredmény = cp.asnumpy(gpu_result)

A Wolfram Language támogatja a GPU-számításokat is a CUDA használatával olyan beépített függvényeken keresztül, mint a CUDAFunctionLoad.

Wolfram

Kód másolása

(* Példa: CUDA kernel betöltése egyéni számításokhoz *)

cudaKernel = CUDAFunctionLoad["elérési/út/kernel.cu", "kernelnév"];

(* Alkalmazza a CUDA kernelt a GPU adataira *)

gpuResult = cudaKernel[adat];

6. Esettanulmány: A szeizmikus adatelemzési folyamat optimalizálása

Probléma: Egy nagy régészeti lelőhelyet szeizmikus módszerekkel kell átvizsgálni. A megszerzett adatok több terabájtnyi nyers hullámformajelből állnak, amelyek szűrést, átalakítást és megjelenítést igényelnek. A teljes feldolgozási folyamatot 24 órán belül be kell fejezni, hogy lehetővé tegye a valós idejű helyszíni értékelést.

A megoldás lépései:

Párhuzamos adatbetöltés: A szeizmikus érzékelőkből származó adatok több fájlra vannak felosztva, amelyek mindegyike párhuzamosan van feldolgozva a Python többprocesszoros moduljával.
Vektorizált jelszűrés: Vektorizált NumPy függvények használata sáváteresztő szűrők alkalmazásához.
Párhuzamos Fourier-transzformáció: Fourier-transzformáció alkalmazása a scipy.fft modullal párhuzamosan az adattömbök között.
GPU-gyorsított wavelet elemzés: A CuPy használatával adatokat továbbíthat a GPU-ra, és hullámlet-átalakításokat hajthat végre szeizmikus jeleken.
Vizualizáció és jelentéskészítés: A feldolgozott eredményeket Wolfram nyelven vizualizáljuk párhuzamos renderelési funkciókkal a hatékony ábrázolás érdekében.

Az optimalizálási technikák a feldolgozási idő 10-szeres csökkenéséhez vezetnek, lehetővé téve a csapat számára, hogy a szeizmikus adatokat a szükséges időkereten belül jól elemezze és értelmezze.

Következtetés

A teljesítményoptimalizálás és a párhuzamos számítástechnika elengedhetetlen a szeizmikus adatok hatékony elemzéséhez. A Python könyvtárai, mint az ObsPy, a SciPy és a CuPy kiváló eszközöket biztosítanak az adatfeldolgozáshoz és optimalizáláshoz, míg a Wolfram nyelv robusztus beépített támogatást nyújt a párhuzamossághoz és a szimbolikus számításokhoz. Ezeknek a technikáknak a felhasználásával a régészek és geofizikusok gyorsabb betekintést nyerhetnek, lehetővé téve a valós idejű döntéseket és a felszín alatti műemlékek hatékonyabb feltárását.

9. fejezet: Fejlett technikák a szeizmikus felmérésben

9.1 Multi-Array felmérések és 3D képalkotás

A modern régészeti lelőhelyek feltárása nagymértékben profitál a többsoros szeizmikus felmérések fejlődéséből és az ebből eredő 3D képalkotó technikákból. Ezeket a módszereket úgy tervezték, hogy javítsák a felszín alatti struktúrák felbontását, és részletes betekintést nyújtsanak az összetett földalatti formációkba, javítva a műemlékek, üregek és egyéb régészeti jellemzők megtalálásának pontosságát.

1. Bevezetés a többtömbös felmérésekbe

A többtömbös felmérés több érzékelőtömb (geofonok vagy hidrofonok) telepítését foglalja magában, hogy különböző irányokból és mélységekből szeizmikus hullámokat rögzítsen. Ez a megközelítés előnyös a hagyományos egytömbös felmérésekkel szemben, mert:

Növeli az adatok felbontását, és több részletet rögzít a felszín alatti struktúrákról.
Javítja a jel-zaj arányt (SNR) azáltal, hogy több útvonalat biztosít a hullámenergia számára.
Javítja az adatok lefedettségét, lehetővé téve a teljes 3D képalkotást.

A többsoros felméréseket 3D szeizmikus felméréseknek is nevezik , mivel lehetővé teszik az adatgyűjtést három térbeli dimenzióban (X, Y és mélység).

1.1 Adatgyűjtés több tömb használatával

A gyakorlatban a többtömbös felmérések magukban foglalják a források és vevők tömbjének rácsos elrendezésben történő elosztását a felmérési területen. Az adatgyűjtés a lövésgyűjtés néven ismert folyamatot követi, ahol szeizmikus hullámok keletkeznek, és visszaverődésüket vagy fénytörésüket a vevőtömbök rögzítik.

Az NNN forrásokkal és MMM vevőkkel végzett felméréshez az összegyűjtött adatok szeizmikus adatkockának nevezett mátrixot alkotnak:

D(t,x,y)=[d1,1(t)⋯d1,M(t)⋮⋱⋮dN,1(t)⋯dN,M(t)]\mathbf{D}(t, x, y) = \begin{bmatrix} d_{1,1}(t) & \cdots & d_{1,M}(t) \\ \vdots & \ddots & \vdots \\ d_{N,1}(t) & \cdots & d_{N,M}(t) \end{bmatrix}D(t,x,y)=d1, 1(t)⋮dN,1(t)⋯⋱⋯d1,M(t)⋮dN,M(t)

hol:

D(t,x,y)\mathbf{D}(t, x, y)D(t,x,y) az adatkockát jelöli.
TTT az időváltozó.
xxx és yyy térbeli koordináták.
Di,J(t)d_{i,j}(t)di,j(t) a III. forrás és a JJJ vevő rögzített adatai.

Ezeknek a felvételeknek a kombinációja különböző helyszíneken és mélységekben lehetővé teszi a felszín alatti szerkezet rekonstrukcióját.

2. 3D Képalkotás és vizualizáció

A 3D képalkotás célja, hogy a szeizmikus adatkockát értelmezhető látványvilággá alakítsa, amely földalatti jellemzőket tár fel. Ez a folyamat szeizmikus migrációval jár, amely korrigálja a hullámterjedés és a geometria által okozott torzulásokat.

2.1 A 3D migráció alapjai

A szeizmikus migráció lényegében egy fordított probléma, ahol a cél az idő-tartomány adatok térbeli tartományábrázolássá alakítása. Gyakori migrációs technika a Kirchhoff-migráció, amely integrált megközelítést alkalmaz a felszín alatti reflektorok rekonstruálására.

A migrációs egyenletet a következő képlet adja meg:

m(x,y,z)=∫tmintmaxD(t,x′,y′)⋅W(t,x,y,z) dtm(x, y, z) = \int_{t_{\min}}^{t_{\max}} D(t, x', y') \cdot W(t, x, y, z) \, dtm(x,y,z)=∫tmintmaxD(t,x′,y′)⋅W(t,x,y,z)dt

hol:

m(x,y,z)m(x, y, z)m(x,y,z) a migrált kép, amely a felszín alatti pontok visszaverődését reprezentálja.
D(t,x′,y′)D(t, x', y')D(t,x′,y′) a rögzített szeizmikus adatok a ttt időpontban és a felszíni koordináták (x′,y′)(x', y')(x′,y′).
W(t,x,y,z)W(t, x, y, z)W(t,x,y,z) a migrációs súlyozási függvény, amely figyelembe veszi a hullám haladási útvonalait és az amplitúdókorrekciókat.

2.2 3D vizualizációs technikák

Az adatok migrálása után különböző vizualizációs technikák alkalmazhatók az eredmények hatékony értelmezéséhez:

Időszelet megjelenítés: A 3D adatkocka vízszintes keresztmetszetét jeleníti meg egy adott mélységben, így a felhasználók rétegenként tekinthetik meg a jellemzőket.
Izofelszíni vizualizáció: Olyan felületeket hoz létre az adatmennyiségen belül, amelyek megfelelnek az állandó amplitúdóértékeknek, kiemelve a lehetséges jellemzőket, például az eltemetett falakat vagy üregeket.
Kötetes renderelés: Félig átlátható nézetet biztosít a teljes adatmennyiségről, lehetővé téve az összetett struktúrák megjelenítését három dimenzióban.

Ezek a technikák a Python különböző szoftverkönyvtáraival (pl. Mayavi, matplotlib, PyVista) vagy a Wolfram Language beépített 3D plotting eszközeivel valósíthatók meg.

3. 3D Szeizmikus adatelemzés Pythonban

A Python számos könyvtárat és eszközt kínál a 3D szeizmikus adatok feldolgozásához és megjelenítéséhez. Az alábbi kódrészletek bemutatják, hogyan használhatók ezek közül a kódtárak közül néhány 3D szeizmikus vizualizációk létrehozásához.

3.1 ObsPy és NumPy használata szeizmikus adatkezeléshez

piton

Kód másolása

OBSPY importálása

Numpy importálása NP-ként

Matplotlib.pyplot importálása PLT-ként

# Szeizmikus adatok betöltése az ObsPy használatával

stream = obspy.read("seismic_data.mseed")

# Adatok elérése egyetlen nyomkövetésből

trace = adatfolyam[0]

adat = nyomkövetés.adat

# Adatok átformálása kockává a 3D megjelenítéshez (feltételezve, hogy egy egyszerű átformálás alkalmazható)

data_cube = data.reshape((100, 100, 100))

# Az adatkocka egy szeletének ábrázolása

PLT.MUTAT(data_cube[:, :, 50], cmap="szeizmikus")

plt.colorbar()

plt.title("Szeizmikus adatszelet")

plt.show()

3.2 3D megjelenítés a PyVista használatával

piton

Kód másolása

Pyvista importálása PV-ként

Numpy importálása NP-ként

# Hozzon létre egy rácsot a szeizmikus adatkockához

x, y, z = np.mgrid[:100, :100, :100]

rács = PV. StructuredGrid(x, y, z)

# Szeizmikus amplitúdó adatok hozzárendelése a rácshoz

grid["Amplitúdó"] = data_cube.flatten()

# Hozzon létre egy 3D megjelenítést

plotter = pv. Plotter()

plotter.add_volume(rács, cmap="szeizmikus", opacity="lineáris")

plotter.show()

Ezek a vizualizációk segítenek a 3D-s szeizmikus adatok értelmezésében és elemzésében, lehetővé téve a régészek számára, hogy azonosítsák az ásatások potenciális érdeklődési területeit.

4. Multi-Array felmérési alkalmazások a régészetben

A többsoros felméréseket és a 3D képalkotási technikákat sikeresen alkalmazták számos régészeti környezetben, például:

Sírkomplexumok feltérképezése: Ősi temetkezési helyek felmérése, például Egyiptomban vagy Görögországban, kamrák, átjárók és összeomlott szerkezetek felderítésére.
Földalatti templomok vagy erődítmények elhelyezése: Erődített területek képalkotása összetett geológiai környezetben, rejtett szobák vagy a felszín alatt eltemetett vallási helyek feltárása.
Ősi úthálózatok azonosítása: Nagy területű felmérések az üledékképződés vagy a városfejlesztés miatt betemetett utak vagy töltések felderítésére.

5. Kihívások és megfontolások

Míg a többtömbös felmérések és a 3D képalkotási technikák jelentős előnyökkel járnak, vannak kihívások, amelyeket figyelembe kell venni:

Adatmennyiség: Több tömb használata nagy adatkészletekhez vezet, ami hatékony adattárolási és feldolgozási módszereket igényel.
Zaj és műtermékek: Az összetett geológiai környezet vagy a városi környezet zajt és műtermékeket vezethet be, amelyek megnehezítik az adatok értelmezését.
Számítási költség: A 3D migrálás és vizualizáció számítási szempontból költséges, optimalizált algoritmusokat és gyakran nagy teljesítményű számítási erőforrásokat igényel.

Ezeknek a kihívásoknak a kezelésével és a többsoros felmérések erejének kihasználásával a régészek jelentősen javíthatják az eltemetett műemlékek feltárásának esélyeit és a felszín alatti megértést.

Következtetés

A többsoros felmérések és a 3D képalkotás a szeizmikus felmérés élvonalát képviselik a régészetben. A nagy felbontású adatok több térbeli dimenzióban történő összegyűjtésének és 3D-s megjelenítésének képessége átalakítja a felszín alatti struktúrák feltárásának és értelmezésének módját. A számítási teljesítmény és a képalkotó algoritmusok folyamatos fejlődésével a rejtett műemlékek és ősi leletek felfedezésének lehetősége egyre inkább elérhetővé válik, új határokat nyitva a régészeti feltárásban.

9. fejezet: Fejlett technikák a szeizmikus felmérésben

9.2 Fejlett jelfeldolgozás: Wavelet és Fourier transzformációs technikák

A jelfeldolgozás kritikus eleme a szeizmikus adatok elemzésének, segít a jelek javításában, a zaj csökkentésében és az értelmes információk kinyerésében a föld alatti szerkezetekből. Két hatékony technika, amely kiemelkedik ezen a területen, a Fourier-transzformáció és a Wavelet-transzformáció. Mindegyik módszer egyedi előnyöket kínál a szeizmikus adatok értelmezéséhez különböző tartományokban - Fourier a frekvenciatartományban és hullámok az idő-frekvencia tartományban.

1. Fourier-transzformációs technikák

A Fourier-transzformáció (FT) egy matematikai eszköz, amely az időtartomány-jelet alkotó frekvenciákká alakítja. Lehetővé teszi számunkra, hogy megértsük a szeizmikus adatokon belüli frekvenciakomponenseket, amelyek hasznosak lehetnek a szűréshez, a zajcsökkentéshez és az olyan speciális jellemzők azonosításához, mint a geológiai rétegek vagy az eltemetett szerkezetek.

1.1 Folytonos és diszkrét Fourier-transzformáció

Az x(t)x(t)x(t) jel folytonos Fourier-transzformációja (CFT) definíciója:

X(f)=∫−∞∞x(t)e−2πiftdtX(f) = \int_{-\infty}^{\infty} x(t) e^{-2 \pi i f t} dtX(f)=∫−∞∞x(t)e−2πiftdt

hol:

X(f)X(f)X(f) a frekvenciaspektrum.
fff a frekvencia.

A gyakorlatban a szeizmikus adatokat diszkrét jelekként mintavételezik. Ezért a diszkrét Fourier-transzformációt (DFT) gyakrabban használják:

X[k]=∑n=0N−1x[n]e−2πikn/N,k=0,1,2,...,N−1X[k] = \sum_{n=0}^{N-1} x[n] e^{-2 \pi i k n / N}, \quad k = 0, 1, 2, \dots, N-1X[k]=n=0∑N−1x[n]e−2πikn/N,k=0,1,2,...,N−1

hol:

X[k]X[k]X[k] a kkk index frekvenciakomponense.
NNN a minták teljes száma.
x[n]x[n]x[n] az nnn indexen vett jel.

A DFT kiszámítása hatékonyan történik a Fast Fourier Transform (FFT) algoritmussal, amely széles körben elérhető olyan programozási nyelveken, mint a Python és a Wolfram nyelv.

1.2 Jelszűrés FFT használatával Pythonban

Az alábbiakban látható egy példa az FFT szeizmikus adatokra történő alkalmazására a zajcsökkentés érdekében:

piton

Kód másolása

Numpy importálása NP-ként

Matplotlib.pyplot importálása PLT-ként

a scipy.fft fájlból import fft, ifft

# Szintetikus szeizmikus jel generálása zajjal

N = 1000 # Minták száma

T = 1,0 / 500,0 # Minta távolság

x = np.linspace(0,0; N*T; N; végpont=Hamis)

jel = np.sin(50,0 * 2,0 * np.pi * x) + 0,5 * np.sin(80,0 * 2,0 * np.pi * x)

zaj = 0,5 * np.random.normal(méret=N)

adat = jel + zaj

# Számítsa ki az adatok FFT-jét

data_fft = fft(adat)

# Egy bizonyos küszöb feletti frekvenciák kiszűrése

küszöbérték = 60 # Frekvenciaküszöb

data_fft[NP.AB(data_fft) < küszöbérték] = 0

# Inverz FFT a szűrt jel megszerzéséhez

filtered_data = ifft(data_fft)

# Az eredeti és szűrt jelek ábrázolása

PLT.Részcselekmény(2, 1, 1)

PLT.PLOT(x;adat)

plt.title('Eredeti szeizmikus jel zajjal')

plt.részcselekmény(2, 1, 2)

PLT.PLOT(x; filtered_data)

plt.title('Szűrt szeizmikus jel')

plt.show()

A fenti kód bemutatja, hogyan lehet eltávolítani a zajt a nagyfrekvenciás alkatrészek szeizmikus jelből történő szűrésével az FFT segítségével.

2. Wavelet transzformációs technikák

A Fourier-transzformációval ellentétben, amely globális frekvenciaábrázolást biztosít, a Wavelet Transform (WT) a jel lokalizált idő-frekvencia ábrázolását kínálja. Ez különösen hasznossá teszi a hullámokat szeizmikus adatok elemzéséhez, ahol a jel frekvenciatartalma idővel változik, például a réteges struktúrák visszaverődésének észlelésében.

2.1 Folyamatos hullámforma (CWT)

Az x(t)x(t)x(t) jel folytonos hullámtranszformációját (CWT) a következő képlet adja meg:

W(a,b)=∫−∞∞x(t)ψ∗(t−ba)dtW(a, b) = \int_{-\infty}^{\infty} x(t) \psi^* \left( \frac{t - b}{a} \right) dtW(a,b)=∫−∞∞x(t)ψ∗(kukac−b)dt

hol:

ψ(t)\psi(t)ψ(t) a wavelet függvény (vagy mother wavelet).
Az AAA a gyakorisághoz kapcsolódó skálaparaméter.
A bbb az időre vonatkozó fordítási paraméter.
∗*∗ a komplex konjugátumot jelöli.

2.2 Diszkrét wavelet transzformáció (DWT)

A Discrete Wavelet Transform (DWT) több skálán elemzi a jelet durva és finom részletekre bontva. Ezt úgy határozzák meg, hogy csökkentik a jel felbontását, majd összevonják azt a wavelet függvénnyel.

A DWT fő előnye, hogy képes mind idő-, mind frekvenciainformációkat szolgáltatni, így ideális a nem helyhez kötött jelekhez, például szeizmikus adatokhoz.

2.3 Példa: Wavelet transzformáció szeizmikus elemzéshez Pythonban

A Python PyWavelets könyvtárának használatával DWT-t alkalmazhatunk egy szeizmikus jelre, hogy azonosítsuk a különböző frekvenciasávok jellemzőit.

piton

Kód másolása

PYWT importálása

Matplotlib.pyplot importálása PLT-ként

# Szintetikus szeizmikus jel generálása

N = 1024

t = np.linspace(0, 1, N)

jel = np.sin(2 * np.pi * 5 * t) + np.sin(2 * np.pi * 20 * t)

# DWT végrehajtása a 'db4' wavelet használatával

Wavelet = 'db4'

coeffs = pywt.wavedec(jel; hullám; szint=4)

# Ábrázolja az eredeti jel és hullámlet együtthatókat

plt.ábra(ábra=(8, 8))

PLT.részcselekmény(6, 1, 1)

PLT.PLOT(jel)

plt.title("Eredeti szeizmikus jel")

Az i-re Coeff a felsorolás(Coeffs)-ben:

PLT.Részcselekmény(6, 1, I + 2)

PLT.PLOT(KOEFF)

plt.title(f'Wavelet-együtthatók ({i} szint)')

plt.tight_layout()

plt.show()

Ez a kód a Daubechies wavelet (db4) segítségével bontja le a szeizmikus jelet több frekvenciakomponensre, lehetővé téve számunkra az olyan jellemzők azonosítását, mint a visszaverődések vagy a folytonossági hiányok.

3. A Fourier- és Wavelet-technikák alkalmazása a régészetben

3.1 A visszaverődések és fénytörések elemzése

A Fourier- és wavelet-transzformációk hasznosak a szeizmikus adatokban jelenlévő különböző hullámtípusok elemzéséhez:

A visszavert hullámok a különböző anyagok rétegei közötti határokat jelzik.
A megtört hullámok információt szolgáltatnak a mélyebb szerkezetről, gyakran rejtett kamrákat vagy pincéket tárnak fel.

3.2 Idő-frekvencia elemzés a jellemzők azonosításához

A hullámelemzés különösen előnyös az idő-frekvencia lokalizációhoz, ahol a régészeti érdeklődésre számot tartó különböző jellemzők, például üregek, eltemetett falak vagy talajhatárfelületek eltérő idő- és frekvenciajellemzőket mutatnak. Ez lehetővé teszi a régészek számára, hogy elkülönítsék azokat az anomáliákat, amelyek eltemetett struktúrákat képviselhetnek.

3.3 Zajmentesítés és jeljavítás

Fourier- vagy wavelet-alapú szűrők alkalmazásával a régészek javíthatják a szeizmikus adatok minőségét:

A nagyfrekvenciás zaj vagy a földhengerlés (alacsony frekvenciájú felületi hullámok) eltávolítása.
A felszín alatti határoknak megfelelő jelentős visszaverődések amplitúdójának növelése.

Következtetés

A Fourier- és wavelet-transzformációs technikák alapvető fontosságúak a szeizmikus adatelemzés fejlett jelfeldolgozásában. Míg a Fourier-transzformációk kiválóan alkalmasak frekvenciatartomány-elemzésre és jelszűrésre, a wavelet transzformációk lokalizált idő-frekvencia információt nyújtanak, amelyek elengedhetetlenek a nem stacionárius szeizmikus jelek elemzéséhez. Ezeknek a technikáknak a kombinálásával a régészek javíthatják az adatok minőségét, kinyerhetik az értelmes jellemzőket és pontosan értelmezhetik a felszín alatti struktúrákat.

9. fejezet: Fejlett technikák a szeizmikus felmérésben

9.3 Akusztikus emissziós technikák törés- és hézagérzékeléshez

Az akusztikus emissziós (AE) technikák létfontosságú szerepet játszanak a felszín alatti felmérésben azáltal, hogy észlelik az anyagon belüli hirtelen energiafelszabadulás által keltett tranziens rugalmas hullámokat. Ezek a módszerek különösen hatékonyak a törések, repedések és üregek azonosításában, amelyek természetesek vagy antropogén tevékenységeknek köszönhetők. Az AE technikák érzékeny megközelítést kínálnak a rejtett földalatti struktúrák feltérképezésére, nélkülözhetetlenné téve őket a régészeti tanulmányokban.

1. Az akusztikus emissziós technikák alapelvei

Az akusztikus kibocsátások a természetben előforduló stresszhullámok, amelyeket olyan események generálnak, mint:

Törésképződés vagy repedésterjedés.
Összeomlás vagy hirtelen mozgások egy szerkezeten belül.
A folyadék porózus közegen vagy üregeken keresztül áramlik.

Amikor AE esemény következik be, rugalmas hullámok sorozatát generálja, amelyek az anyagon keresztül terjednek, és érzékelők sorával észlelhetők. Ezeknek a jeleknek az amplitúdója, frekvenciája és időtartama betekintést nyújt a forrásesemény természetébe és helyébe.

1.1 AE jel jellemzői

Az AE jeleket jellemzően a következő paraméterek jellemzik:

Amplitúdó (A): A hullámforma csúcsfeszültsége, a felszabaduló energiához viszonyítva.
Időtartam (D): Az észlelhető AE-jel kezdete és vége közötti időkülönbség.
Frekvenciatartalom (f): Az energia eloszlása a különböző frekvenciasávok között, amely segít azonosítani a forrás mechanizmusát.
Rise Time (R): A kezdeti jel és a csúcsamplitúdó közötti idő, amely jelzi a forrás dinamikáját.

1.2 AE események lokalizálása

Az AE-események forrásának megkereséséhez általában háromszögelési technikákat használnak. Az AE jel érkezési idejének (TOA) több érzékelőnél történő észlelésével a forrás pontosan meghatározható a térben. Matematikailag ez a következő egyenletek megoldásaként írható le:

di=v⋅(ti−t0)d_i = v \cdot (t_i - t_0)di=v⋅(ti−t0)

hol:

did_idi a forrás és a iii-adik érzékelő közötti távolság.
VVV a közegen áthaladó hullámsebesség.
tit_iti az az időpont, amikor az AE jelet a iii-adik érzékelő érzékeli.
t0t_0t0 az AE esemény ideje.

Legalább három nem-kollineáris szenzorral az egyenletek megoldhatók az AE esemény térbeli koordinátáinak előállítására.

2. AE technikák törések és üregek kimutatására a régészetben

A régészeti alkalmazásokban AE technikákat alkalmaznak a felszín alatti anyagok töréseinek felderítésére és megfigyelésére, amelyek eltemetett szerkezetekre, sírokra vagy üregekre utalhatnak. Ezek a technikák számos előnnyel járnak:

Nagy érzékenység: Az AE képes észlelni a kisebb töréseket vagy mozgásokat a felszín alatt, amelyek más módszerekkel nem észlelhetők.
Valós idejű monitorozás: Az AE technikák lehetővé teszik a felszín alatti változások folyamatos monitorozását, dinamikus információkat szolgáltatva a folyamatban lévő folyamatokról.
Nem invazív: Az AE nem igényel külső energia bevezetését (például szeizmikus hullámok), és a természetben előforduló kibocsátásokra támaszkodik.

2.1 Törések és repedések azonosítása

A repedésképződés által generált AE jelek gyakran jellegzetes mintázattal rendelkeznek:

Nagyfrekvenciás tartalom: jellemzően néhány kHz felett, ami törékeny törést jelez.
Rövid időtartam: Az energia hirtelen felszabadulását jelenti.
Klaszteres események: A repedés terjedését gyakran több AE esemény kíséri szoros időbeli és térbeli közelségben.

AE adatok felhasználásával klaszteranalízist végezhetünk a koncentrált törésaktivitású területek azonosítására.

2.2 Üregek kimutatása és jellemzése

A felszín alatt lévő üregek vagy üregek gyakran akadályként vagy reflektorként működnek az AE hullámok számára. Amikor az AE hullámok üregbe ütköznek, visszaverődnek, diffraktálódnak, vagy akár másodlagos kibocsátást is indukálhatnak az üreg falaiból.

Az üregek azonosításának legfontosabb technikái a következők:

Frekvenciaelemzés: Az üregek hajlamosak alacsonyabb frekvenciájú AE jeleket generálni az üreg rezonáns viselkedése miatt.
Csillapítási térképezés: Az AE jelek nagy csillapítása üregek vagy puha, kevésbé sűrű anyagok jelenlétét jelezheti.

3. Jelfeldolgozás és AE adatok elemzése

Az AE jelek összetett természetéből adódóan különböző jelfeldolgozási technikákat alkalmaznak az adatok elemzésére és értelmezésére.

3.1 Rövid idejű Fourier-transzformáció (STFT)

Az STFT biztosítja az AE jel idő-frekvencia ábrázolását, lehetővé téve az átmeneti jellemzők azonosítását. Az x(t)x(t)x(t) AE jel STFT-jét a következő képlet adja meg:

X(t,f)=∫−∞∞x(τ)w(τ−t)e−2πifτdτX(t, f) = \int_{-\infty}^{\infty} x(\tau) w(\tau - t) e^{-2 \pi i f \tau} d\tauX(t,f)=∫−∞∞x(τ)w(τ−t)e−2πifτdτ

hol:

W(τ−t)w(\tau - t)w(τ−t) egy ttt idő középpontú ablakfüggvény.
X(t,f)X(t, f)X(t,f) az eredményül kapott idő-frekvencia spektrum.

Az STFT segít megkülönböztetni az idővel bekövetkező különböző AE eseményeket.

3.2 Wavelet transzformáció AE elemzéshez

A Wavelet Transform (WT) különösen hatékony AE jelek elemzésére, mivel képes egyszerre rögzíteni az időt és a frekvenciát. A folyamatos hullámlet-transzformációt (CWT) arra használják, hogy a jelet hullámokra bontják, amelyek időben és frekvenciában lokalizálódnak.

Az x(t)x(t)x(t) jel hullámtranszformációját a ψ(t)\psi(t)ψ(t) hullámletfüggvénnyel a következő képlet adja meg:

W(a,b)=1∣a∣∫−∞∞x(t)ψ∗(t−ba)dtW(a, b) = \frac{1}{\sqrt{|a|}} \int_{-\infty}^{\infty} x(t) \psi^* \left( \frac{t - b}{a} \right) dtW(a,b)=∣a∣1∫−∞∞x(t)ψ∗(kukac−b)dt

hol:

AAA a skála (a gyakorisághoz kapcsolódóan).
A BBB a fordítás (időhöz kapcsolódóan).

3.3 Gépi tanulás AE eseménybesoroláshoz

A gépi tanulási technikák, például a támogató vektorgépek (SVM-ek) és a neurális hálózatok felhasználhatók az AE-jelek osztályozására jellemzőik (amplitúdó, frekvencia, időtartam) alapján, és különböző típusú események azonosítására:

A törékeny törések éles, nagy amplitúdójú jeleket mutathatnak.
A lágy törések vagy üregösszeomlások diffúzabb, alacsony frekvenciájú jeleket hozhatnak létre.

A címkézett AE-adatok használatával a modell betanítható az AE-események valós idejű automatikus észlelésére és osztályozására, ami növeli a régészeti felmérések pontosságát.

4. Az AK-elemzés gyakorlati megvalósítása és eszközei

4.1 Python AE jelelemzéshez

Az alábbi példa a Python használatát mutatja be a scipy és pywt kódtárakkal az AE jelelemzéshez:

piton

Kód másolása

Numpy importálása NP-ként

Matplotlib.pyplot importálása PLT-ként

PYWT importálása

A scipy.signal import stft fájlból

# Szintetikus AE jel generálása

fs = 1000 # Mintavételi frekvencia (Hz)

t = np.linspace(0; 1; fs)

jel = np.sin(2 * np.pi * 100 * t) + np.véletlen.normál(0, 0,1, fs)

# Rövid idejű Fourier-transzformáció (STFT) végrehajtása

f, t_stft, Zxx = stft(jel; fs; nperseg=100)

plt.ábra()

plt.pcolormesh(t_stft; f; np.abs(Zxx))

plt.title("AE jel STFT-je")

plt.ylabel('Frekvencia [Hz]')

plt.xlabel('Idő [mp]')

plt.show()

# Folyamatos wavelet transzformáció (CWT) végrehajtása

Wavelet = 'db4'

coeffs, freqs = pywt.cwt(jel; np.arange(1; 50), wavelet)

plt.ábra()

plt.imshow(np.abs(coeffs), extent=[0, 1, 1, 50], cmap='PRGn', aspect='auto')

plt.title('AE jel wavelet transzformációja')

plt.ylabel('Méretarány')

plt.xlabel('Idő [mp]')

plt.show()

Ez a szkript bemutatja, hogyan elemezheti az AE-jeleket STFT és CWT használatával az időfrekvencia-ábrázolások megszerzéséhez, ami alapot biztosít a jellemzők kinyeréséhez és a mintafelismeréshez.

Következtetés

Az akusztikus emissziós (AE) technikák hatékony eszközt biztosítanak a törések, üregek és egyéb felszín alatti rendellenességek észlelésére. Az STFT és a wavelet transzformációhoz hasonló technikákat alkalmazó gondos jelelemzéssel, valamint a gépi tanulási osztályozással kombinálva a régészek értékes betekintést nyerhetnek a rejtett struktúrákba és jellemzőkbe. Az AE technikák kihasználásával a régészek nemcsak észlelik, hanem figyelemmel kísérik a felszín alatti viszonyok időbeli változásait is, javítva a föld alatti műemlékek pontos felfedezésének és értelmezésének képességét.

9. fejezet: Fejlett technikák a szeizmikus felmérésben

9.4 Valós idejű szeizmikus monitorozás régészeti ásatásokhoz

A valós idejű szeizmikus megfigyelés alapvető eszközzé vált a régészek számára, akik egyensúlyba hozzák a felszín alatti feltárás és a leletek megőrzésének kényes feladatát. A koncepció a szeizmikus adatok folyamatos gyűjtése, feldolgozása és értelmezése körül forog, hogy azonnali visszajelzést nyújtson az ásatás során. Ez lehetővé teszi a dinamikus döntéshozatalt, minimalizálja a rejtett struktúrák és műtárgyak károsodását, miközben biztosítja a hatékony és eredményes feltárást.

1. A valós idejű szeizmikus megfigyelés fontossága

A régészeti lelőhelyek gyakran törékenyek, és az ásatási tevékenységek könnyen megzavarhatják őket. A hagyományos ásatási módszerek invazív természetük miatt akaratlanul károsíthatják a tárgyakat vagy a rejtett szerkezeteket. A valós idejű szeizmikus monitorozás a következő előnyökkel jár:

Azonnali visszajelzés: A folyamatos adatgyűjtés és a szinte azonnali elemzés visszajelzést ad az ásatási helyszín állapotáról.
Korai előrejelző rendszer: A lehetséges veszélyek, például az összeomlás vagy az üregek észlelésének kockázata a fizikai beavatkozás előtt azonosíthatók.
Adaptív ásatási stratégiák: A valós idejű megfigyelés lehetővé teszi a régészek számára, hogy menet közben módosítsák az ásatási technikákat, minimalizálva a lehetséges zavarokat.

2. Valós idejű adatgyűjtés és -feldolgozás

A sikeres valós idejű monitorozás kulcsa a szeizmikus érzékelők, adatgyűjtő rendszerek és adatfeldolgozó csővezetékek integrálásában rejlik. A valós idejű szeizmikus monitorozás fő összetevői a következők:

2.1 Szenzorhálózatok és műszerek

A szeizmikus érzékelők, például geofonok, hidrofonok vagy gyorsulásmérők sűrű hálózatát telepítik az ásatási területen. Ezeknek az érzékelőknek a pozicionálása kulcsfontosságú a pontos adatgyűjtéshez és képalkotáshoz.

Geofonok: Ideális a talajmozgás és a testhullámok érzékelésére, különösen kompakt talajon vagy sziklás terepen.
Hidrofonok: Víz alatti régészeti lelőhelyeken vagy magas talajvízszintű területeken használatos.
Gyorsulásmérők: Gyors mozgások rögzítésére alkalmasak, és alkalmasak mind a szeizmikus, mind az akusztikus kibocsátások nyomon követésére.

2.2 Adatgyűjtő rendszerek

Az adatgyűjtő rendszer (DAS) felelős az analóg szeizmikus jelek digitális formába konvertálásáért, az összes érzékelő adatainak szinkronizálásáért és az adatok valós idejű továbbításáért a feldolgozó egységekbe. A modern DAS rendszerek gyakran fel vannak szerelve nagy sebességű digitalizálókkal, GPS időzítő rendszerekkel a szinkronizáláshoz és adatpuffereléssel az átviteli késések kezeléséhez.

A valós idejű adatmintavétel képlete: A pontos valós idejű monitorozás biztosítása érdekében a Nyquist-Shannon mintavételi tétel előírja, hogy a mintavételi sebesség fsf_sfs legalább kétszerese legyen a szeizmikus jelben jelenlévő maximális frekvenciának fmaxf_{max}fmax:

FS≥2⋅fmaxf_s \GEQ 2 \CDOT f_{Max}FS≥2⋅Fmax

2.3 Valós idejű adatfeldolgozási folyamat

Az érzékelők által gyűjtött szeizmikus adatok gyakran zajosak, és feldolgozást igényelnek az értelmes információk kinyeréséhez. Egy tipikus valós idejű adatfeldolgozási folyamat a következőket foglalja magában:

Előfeldolgozás: zajmentesítési, jelnormalizálási és ablakozási technikák.
Eseményészlelés: A szeizmikus események (pl. P-hullámok, S-hullámok) azonosítása és kategorizálása amplitúdó, frekvencia és egyéb jellemzők alapján.
Képalkotás és értelmezés: Valós idejű szeizmikus tomográfia vagy migrációs technikák a felszín alatti struktúrák megjelenítéséhez.

Példa Python-kódra valós idejű adatkezeléshez: Az alábbi kódrészlet egy egyszerű struktúrát mutat be a szeizmikus érzékelőkből származó adatfolyam beállításához és egy sáváteresztő szűrő alkalmazásához a jel tisztításához:

piton

Kód másolása

Numpy importálása NP-ként

tól scipy.signal import vaj, sosfilt

Matplotlib.pyplot importálása PLT-ként

# Valós idejű adatszimuláció

fs = 1000 # Mintavételi frekvencia

t = np.arange(0, 10, 1/fs) # Idővektor

raw_data = np.sin(2 * np.pi * 50 * t) + 0,5 * np.random.randn(len(t)) # Szimulált szeizmikus jel

# Sáváteresztő szűrő definiálása

def bandpass_filter(adat, lowcut, highcut, fs, rendelés=5):

Nyquist = 0,5 * FS

alacsony = lowcut / nyquist

Magas = HighCut / Nyquist

sos = vaj(rendelés; [alacsony; magas]; analóg=hamis; btype='sáv'; kimenet='sos')

szűrt = SOSFlt(SOS, adat)

Visszatérés szűrt

# Sáváteresztő szűrő alkalmazása a valós idejű jelfeldolgozáshoz

filtered_data = bandpass_filter(raw_data, lowcut=10, highcut=100, fs=fs, order=4)

# Nyers és szűrt jelek megjelenítése

plt.ábra(ábra=(10, 6))

PLT.Részcselekmény(2, 1, 1)

PLT.PLOT(t, raw_data)

plt.title('Nyers szeizmikus jel')

plt.xlabel('Idő [s]')

plt.ylabel('Amplitúdó')

plt.részcselekmény(2, 1, 2)

plt.plot(t; filtered_data; color='red')

plt.title('Szűrt szeizmikus jel')

plt.xlabel('Idő [s]')

plt.ylabel('Amplitúdó')

plt.tight_layout()

plt.show()

Ez a kód valós idejű adatfolyamot szimulál, sáváteresztő szűrőt alkalmaz a zaj csökkentése érdekében, és megjeleníti az eredményt.

3. Megjelenítés és felhasználói felület a valós idejű felügyelethez

A valós idejű monitorozás egyik kritikus szempontja az adatok hatékony megjelenítésének képessége. A vizualizáció lehetővé teszi a régészek számára, hogy kölcsönhatásba lépjenek az adatokkal, megalapozott döntéseket hozzanak és figyelemmel kísérjék az ásatások előrehaladását. A vizualizációs eszközök gyakori eszközei a következők:

3.1 Valós idejű spektrogramok

A spektrogramok a szeizmikus jelek idő-frekvencia ábrázolását biztosítják, és lehetővé teszik a felhasználók számára, hogy dinamikusan észleljék a jeljellemzők változásait. A spektrogram a rövid idejű Fourier-transzformáció (STFT) szeizmikus adatokra történő alkalmazásával készül.

A spektrogram képlete: Az x(t)x(t)x(t) jel STFT-jét egy w(t)w(t)w(t) ablakon a következő képlet adja meg:

X(t,f)=∫−∞∞x(τ)w(τ−t)e−j2πfτdτX(t, f) = \int_{-\infty}^{\infty} x(\tau) w(\tau - t) e^{-j 2 \pi f \tau} d\tauX(t,f)=∫−∞∞x(τ)w(τ−t)e−j2πfτdτ

3.2 3D felszín alatti képalkotás

A valós idejű felszín alatti képalkotás szeizmikus migrációval és tomográfiai inverziós technikákkal érhető el. Ez lehetővé teszi olyan 3D modellek létrehozását, amelyek feltárják az eltemetett struktúrák vagy üregek helyét és mélységét.

Az olyan vizualizációs eszközök, mint a Paraview, a MATLAB, vagy a Python-kódtárakat ( például mayavi vagy vtk) használó egyéni szoftverek interaktív módszereket kínálnak a felszín alatti adatok három dimenzióban történő feltárására.

4. Gépi tanulás és prediktív modellek valós idejű elemzéshez

A gépi tanulás fejlődésével a valós idejű szeizmikus monitorozás prediktív modelleket használhat az adatok mintáinak vagy anomáliáinak automatikus észleléséhez. Ez különösen előnyös:

Esemény osztályozás: A természetes szeizmikus zaj, az ásatás által kiváltott események és a tényleges eltemetett struktúrák megkülönböztetése.
Anomáliadetektálás: Olyan szokatlan minták azonosítása, amelyek korábban nem észlelt funkciókra utalhatnak.

A szeizmikus adatok elemzésének népszerű gépi tanulási technikái közé tartoznak a konvolúciós neurális hálózatok (CNN-ek), az ismétlődő neurális hálózatok (RNN-ek) és az automatikus kódolók.

Python-kód valós idejű anomáliadetektáláshoz gépi tanulással: Az alábbi magas szintű példa a scikit-learn használatával tanít be egy egyszerű támogatási vektorgépet (SVM) szeizmikus események besorolásához:

piton

Kód másolása

Az SKLEARN-ből importálja az SVM-et

sklearn.model_selection importálási train_test_split

from sklearn.preprocessing import StandardScaler

Numpy importálása NP-ként

# Jellemző adatok szimulálása a betanításhoz (pl. amplitúdó, frekvencia, időtartam)

NP.Random.mag(42)

X = np.random.randn(1000, 3) # Jellemzők

y = np.random.randint(0, 2, 1000) # Címkék: 0 (zaj), 1 (szeizmikus esemény)

# Előfeldolgozás és adatmegosztás

scaler = StandardScaler()

X_scaled = scaler.fit_transform(X)

X_train, X_test, y_train, y_test = train_test_split(X_scaled, y, test_size=0,3)

# SVM modell vonata

modell = svm. SVC(kernel='lineáris')

modell.illeszt(X_train; y_train)

# Valós idejű előrejelzési példa

new_data = np.tömb([[0.5; -1.2; 2.1]])

new_data_scaled = skálázó.transform(new_data)

előrejelzés = modell.predict(new_data_scaled)

print(f"Valós idejű szeizmikus események osztályozása: {'Szeizmikus esemény' if előrejelzés == 1 else 'Zaj'}")

Ez a példa egy egyszerűsített munkafolyamatot vázol fel a szeizmikus események osztályozásához, bemutatva a gépi tanulás hasznosságát a valós idejű elemzésben.

Következtetés

A valós idejű szeizmikus megfigyelés lehetővé teszi a régészek számára, hogy gondosan ásatásokat végezzenek, elkerülve a potenciális tárgyak vagy struktúrák károsodását, miközben hatékonyan feltárják az új területeket. Az érzékelőhálózatok, a jelfeldolgozás, a vizualizáció és a gépi tanulás kombinációja robusztus rendszert alkot a dinamikus régészeti feltáráshoz és a valós idejű döntéshozatalhoz. A technológia folyamatos fejlődésével ezek a módszerek tovább növelik a régészeti feltárás és megőrzés képességeit.

10. fejezet: A szeizmikus régészet jövőbeli trendjei

10.1 Drónfelmérések integrálása szeizmikus adatokkal

A drónalapú légi felmérések integrálása a földi szeizmikus adatokkal forradalmasítja a régészeti feltárást. Ez az interdiszciplináris megközelítés átfogóbb képet nyújt a régészeti lelőhelyek felszínéről és felszín alatti területeiről. Míg a szeizmikus adatok betekintést nyújtanak a földalatti struktúrákba és anomáliákba, a drónok nagy felbontású térképezést, magassági modelleket és térbeli kontextust biztosítanak, amelyek pontosabb szeizmikus adatértelmezést tesznek lehetővé.

1. A drónok szerepe a régészeti felmérésekben

A pilóta nélküli légi járművek (UAV), közismert nevén drónok, felbecsülhetetlen értékű eszközökké váltak a gyors, hatékony és magas szintű részletességgel történő adatgyűjtéshez. Régészeti kontextusban a drónokat használják:

Térkép terep és növényzet: A kamerákkal és érzékelőkkel felszerelt UAV-k nagy felbontású ortofotókat és digitális magassági modelleket (DEM) készíthetnek, kontextust biztosítva a szeizmikus felmérések tervezéséhez.
Felületi anomáliák észlelése: A közeli infravörös (NIR) és a termikus képalkotás olyan jellemzőket tárhat fel, mint az eltemetett falak, árkok vagy alapok a talaj összetételének és nedvességének különbségei alapján.
Szeizmikus adatok kiegészítése: A szeizmikus adatokkal integrálva a légi információk segítenek a felszíni jellemzők és a felszín alatti anomáliák közötti összefüggésben, javítva a régészeti lelőhely általános megértését.

1.1 Az integrációhoz szükséges drónadatok típusai

Fotogrammetria: A drónok egymást átfedő légi fényképeket készíthetnek, hogy fotogrammetriai feldolgozással 3D-s modelleket hozzanak létre a felületről. Ez különösen hasznos ortomozaik térképek és DEM generálás esetén.
LiDAR (Light Detection and Ranging): A LiDAR-ral felszerelt drónok lézerimpulzusokat használnak nagy pontosságú 3D-s térképek készítéséhez, még sűrű növényzeten keresztül is, lehetővé téve a szabad szemmel rejtett topográfiai jellemzők észlelését.
Termikus képalkotás: A hőérzékelőkkel felszerelt drónok hőkülönbségeket rögzítenek a földön, ami eltemetett szerkezetek vagy üregek jelenlétére utalhat.

Python kód példa ortomozaik térkép generálására fotogrammetriával: Az alábbiakban egy példa látható arra, hogyan lehet a légi képeket ortomozaik térképpé feldolgozni a Python OpenCV könyvtárával, valamint egy fotogrammetriai könyvtárral, például az OpenDroneMap használatával:

piton

Kód másolása

CV2 importálása

Numpy importálása NP-ként

# Töltse be a drón által készített légi felvételek mintáját

images = [cv2.imread(f'image_{i}.jpg') for i in range(1, 6)]

# Funkciók észlelése és kulcspont egyeztetése

gömb = CV2. ORB_create()

kulcspontok, deszkriptorok = [], []

IMG képekhez:

kp, des = orb.detectAndCompute(img, nincs)

Keypoints.append(kp)

descriptors.append(des)

# Hozzon létre funkcióegyezőt a képek igazításához és összefűzéséhez

bf = CV2. BFMatcher(cv2. NORM_HAMMING, crossCheck=True)

egyezik = [bf.match(descriptors[i], descriptors[i+1]) for i in range(len(images) - 1)]

# Képek összefűzése ortomozaik kialakításához

# (A gyakorlatban itt egy robusztus fotogrammetriai könyvtárat kell használni)

stitched_image = cv2.hconcat([képek[0], képek[1]]) # Egyszerűsített példa

Az i tartományban (2, LLEN(képek)):

stitched_image = cv2.hconcat([stitched_image, képek[i]])

# Ortomozaik megjelenítése

cv2.imshow('Ortomozaik térkép', stitched_image)

cv2.waitKey(0)

cv2.destroyAllWindows()

2. Drónból származó adatok integrálása szeizmikus felmérésekkel

2.1 Földi ellenőrzési pontok (GCP-k) a pontos georeferencia-meghatározáshoz

A földi ellenőrzési pontok (GCP-k) kulcsfontosságúak a drónképek és a szeizmikus adatok összekapcsolásához. A GCP-k a földön vannak jelölve, és ismert földrajzi koordinátákkal rendelkeznek, lehetővé téve a légi képek pontos georeferálását és a szeizmikus felmérési rácsokhoz való igazítását.

2.2 Adatfúziós technikák

A drón- és szeizmikus adatok hatékony integrálása érdekében adatfúziós technikákat alkalmaznak mind a felszíni, mind a felszín alatti jellemzők koherens ábrázolására. A közös megközelítések a következők:

Szeizmikus adatok átfedése ortomozaik térképeken: A szeizmikus felmérési vonalak, az érzékelők helye és az értelmezett felszín alatti jellemzők egymásra vannak helyezve a légi felvételeken, kontextust biztosítva és segítve az értelmezést.
A DEM kombinálása szeizmikus sebességmodellekkel: A drónfelmérésekből származó digitális magassági modellek kombinálhatók szeizmikus sebességmodellekkel, hogy figyelembe vegyék a topográfia változásait, amelyek befolyásolhatják a hullámterjedést és a jelek értelmezését.

Az adatfúzió matematikai ábrázolása: A felszíni és felszín alatti adatok integrálása matematikailag költségfüggvényként ábrázolható , amely minimalizálja a két adatforrás közötti különbségeket:

Költség=∑i=1N(szeizmici−f(drón))2\szöveg{költség} = \sum_{i=1}^{N} \left( \text{szeizmikus}_i - f(\szöveg{Drón}_i) \jobb)^2Költség=i=1∑N(szeizmici−f(drón))2

hol:

Seismici\text{Seismic}_iSeismici a szeizmikus mérés a iii. pontban,
Dronei\text{Drone}_iDronei a drónból származó adatok (pl. magassági vagy hőjel) ugyanazon a ponton,
f(⋅)f(\cdot)f(⋅) egy transzformációs függvény, amely összehangolja a drón adatait a szeizmikus mérésekkel.

3. Fejlett technikák a drón- és szeizmikus adatok integrálására

3.1 Szeizmikus és LiDAR adatok együttes inverziója

Az integráció egyik fejlett módszere a szeizmikus és LiDAR adatok együttes inverziója. Ez magában foglalja a szeizmikus jelek és a LiDAR-ból származó topográfiai információk egyidejű elemzését a felszín alatti modellek felbontásának és pontosságának javítása érdekében.

Az ízületi inverzió algoritmikus lépései:

Szeizmikus adatok előfeldolgozása: Tisztítsa meg és szűrje a szeizmikus jeleket a releváns jellemzők (pl. P- és S-hullám utazási idők) kinyerése érdekében.
LiDAR-adatfeldolgozás: Pontos magassági modell létrehozása topográfiai kényszerek biztosításához.
Inverziós algoritmus: Oldja meg a felszín alatti tulajdonságokat (pl. sebességmodell, rétegvastagság) a költségfüggvény minimalizálásával: Költség = ∥Szeizmikus adatok −Előrejelzett szeizmikus modell∥2 + λ ∥LiDAR adatok−Előrejelzett topográfia∥2\szöveg{költség} = \bal\| \szöveg{Szeizmikus adatok} - \szöveg{Előrejelzett szeizmikus modell} \jobb\|^2 + \lambda \bal\| \szöveg{LiDAR-adatok} - \szöveg{Előrejelzett topográfia} \jobb\|^2Költség=∥Szeizmikus adatok−Előrejelzett szeizmikus modell∥2+λ∥LiDAR-adatok−Előrejelzett Topográfia∥2, ahol λ\lambdaλ egy regularizációs paraméter, amely kiegyensúlyozza a szeizmikus és LiDAR adatok hatását.

3.2 Gépi tanulás adatfúzióhoz

A légi és szeizmikus adatok növekvő elérhetőségével a gépi tanulási modellek betaníthatók a felszíni jellemzők és a felszín alatti struktúrák közötti minták és korrelációk automatikus észlelésére. A jellemzők észleléséhez és osztályozásához olyan technikákat alkalmaznak, mint a konvolúciós neurális hálózatok (CNN) és a véletlenszerű erdők.

Példa munkafolyamatra gépi tanuláson alapuló adatfúzióhoz:

Funkció kinyerése: Jellemzők kinyerése szeizmikus és drónadatkészletekből, például amplitúdóból, frekvenciából, magasságból és hőmérsékleti anomáliákból.
Betanítás: Gépi tanulási modell betanítása a régiók régészeti struktúrákat valószínűleg tartalmazóként vagy nem a kinyert jellemzők alapján való besorolásához.
Előrejelzés és értelmezés: Alkalmazza a betanított modellt láthatatlan adatokra, kiemelve a további régészeti vizsgálatokhoz szükséges érdeklődési területeket.

piton

Kód másolása

from sklearn.ensemble import RandomForestClassifier

sklearn.model_selection importálási train_test_split

# Jellemző adatok szimulálása (szeizmikus amplitúdó, frekvencia, magasság, termikus)

X = np.random.rand(1000, 4) # Jellemzők: amplitúdó, frekvencia, magasság, termikus

y = np.random.randint(0, 2, 1000) # Címkék: 0 (nincs struktúra), 1 (struktúra észlelve)

# Adatok felosztása betanításra és tesztelésre

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0,3)

# RandomForest osztályozó betanítása

clf = VéletlenErdőosztályozó(n_estimators=100)

clf.fit(X_train; y_train)

# Jósoljon új drón-szeizmikus adatokra

new_data = np.array([[0.5, 0.8, 0.2, 0.3]]) # Példa új adatpontra

előrejelzés = clf.predict(new_data)

print(f"Prediction: {'Archaeological Structure Detected' if prediction == 1 else 'No Structure Detected'}")

4. Valós alkalmazások és esettanulmányok

A drónfelmérések és a szeizmikus adatok integrálását számos régészeti feltárás során sikeresen alkalmazták. Például:

Az eltemetett városfalak feltérképezése: LiDAR-ral felszerelt drónokat használtak az ősi városfalak felderítésére, szeizmikus felmérésekkel, amelyek megerősítik e falak mélységét és szerkezetét.
Földalatti kamrák azonosítása: A termikus képalkotó drónok hőmérsékleti anomáliákat azonosítottak a felszínen, amelyeket ezután szeizmikus refrakciós felmérésekkel vizsgáltak a földalatti kamrák jelenlétének megerősítésére.

Ezek a kombinált módszerek jelentősen növelték a felszín alatti műemlékek észlelésének hatékonyságát és pontosságát.

Következtetés

A drónalapú légi felmérések és a szeizmikus adatok integrálása erőteljes előrelépést jelent a régészeti feltárás területén. Mindkét adatkészlet erősségeinek kihasználásával - a drónok felszíni kontextusa és a szeizmikus felmérésekből származó felszín alatti információk - a régészek holisztikusabb megértést érhetnek el a régészeti lelőhelyekről. A technológia folyamatos fejlődésével ez az interdiszciplináris megközelítés kétségtelenül szabványossá válik a régészeti kutatók eszköztárában.

10. fejezet: A szeizmikus régészet jövőbeli trendjei

10.2 A mintafelismerés mélytanulásának fejlődése

A mély tanulás gyors fejlődése innovatív módszereket biztosított a régészek számára az összetett szeizmikus adatok értelmezésére. A mintafelismerés kulcsszerepet játszik az érdeklődésre számot tartó jellemzők, például az eltemetett műemlékek, geológiai rétegek és üregek azonosításában. A mély tanulási algoritmusok – különösen a konvolúciós neurális hálózatok (CNN), az ismétlődő neurális hálózatok (RNN-ek) és a hibrid modellek – hatalmas potenciált mutattak a szeizmikus adatok elemzésében és osztályozásában.

1. A mély tanulás alapjai a szeizmikus adatelemzésben

1.1 A neurális hálózatok szerepe a szeizmikus adatokban

A hagyományos szeizmikus adatfeldolgozás jelentős kézi erőfeszítést igényel a zaj szűréséhez és a minták azonosításához. A mély tanulás azonban automatizálhatja azoknak a finom jellemzőknek az észlelését, amelyeket egyébként nehéz lenne felismerni. A neurális hálózatok megtanulják kinyerni a jellemzőket a nyers szeizmikus jelekből, és osztályozni vagy szegmentálni őket különböző érdeklődési kategóriákba.

A mély tanuláson alapuló szeizmikus mintafelismerés általános munkafolyamata:

Előfeldolgozás: Készítse elő a szeizmikus adatokat, gyakran szeizmikus nyomok vagy 2D/3D szeizmikus képek formájában.
Modell betanítása: Címkézett adatkészletek használatával betaníthatja a neurális hálózatokat, így a modell megtanulhatja a felszín alatti anomáliák jellemzőit.
Előrejelzés és vizualizáció: A betanított modell alkalmazása új szeizmikus adatokra a struktúrák, hibák és rétegek előrejelzéséhez, valamint az eredmények megjelenítéséhez.

A neurális hálózati modell matematikai ábrázolása: A neurális hálózati modellt gyakran függvényként ábrázolják:

y=fθ(x)y = f_{\theta}(x)y=fθ(x)

hol:

xxx a bevitt szeizmikus adatok (pl. hullámforma vagy kép),
yyy az előre jelzett kibocsátás (pl. a felszín alatti típus osztályozása),
fθ f_{\theta}fθ a θ\thetaθ súlyokkal paraméterezett neurális hálózati függvény.

A hálózat megtanulja az optimális θ\thetaθ paramétereket a veszteségfüggvény minimalizálásával:

Veszteség=1N∑i=1NL(yi,fθ(xi))\szöveg{Veszteség} = \frac{1}{N} \sum_{i=1}^{N} L(y_i, f_{\theta}(x_i))Veszteség=N1i=1∑NL(yi,fθ(xi))

ahol L(⋅)L(\cdot)L(⋅) a veszteségfüggvény (pl. keresztentrópia osztályozási feladatokhoz), NNN pedig a betanítási minták száma.

2. Közös mélytanulási architektúrák szeizmikus elemzéshez

2.1 Konvolúciós neurális hálózatok (CNN-ek) szeizmikus képalkotáshoz

A CNN-ek különösen alkalmasak szeizmikus képek értelmezésére, mivel képesek rögzíteni a jellemzők térbeli hierarchiáját. A szeizmikus adatokban az olyan minták, mint a visszaverődések, diffrakciók és törésvonalak gyakran a pixelértékek helyi változásaiként jelennek meg.

Python-kódpélda CNN-alapú szeizmikus adatok osztályozására: Az alábbi egyszerűsített példa a Keras-kódtár használatával tanít be egy CNN-modellt szeizmikus képadatokon a különböző felszín alatti struktúrák osztályozásához:

piton

Kód másolása

from keras.models import Sequential

from keras.layers import Conv2D, MaxPooling2D, Flatten, Dense

# CNN modell meghatározása

model = Sequential()

modell.add(Conv2D(32; (3, 3); activation='relu'; input_shape=(128, 128, 1)))

model.add(MaxPooling2D((2, 2)))

model.add(Conv2D(64; (3, 3), activation='relu'))

model.add(MaxPooling2D((2, 2)))

model.add(Összeolvasztás())

model.add(Sűrű(64; aktiválás='relu'))

model.add(Dense(3, activation='softmax')) # Tegyük fel, hogy 3 osztály van a különböző felszín alatti típusokhoz

# Fordítsa le a modellt

modell.compill(optimalizáló='adam'; loss='categorical_crossentropy'; metrics=['pontosság'])

# A modell betanítása szeizmikus adatokon

# Feltételezve, hogy X_train (szeizmikus képek) és y_train (címkék) előre feldolgozott adatkészletek

modell.illeszt(X_train; y_train; korszakok=10; batch_size=32)

2.2 Ismétlődő neurális hálózatok (RNN-ek) szeizmikus hullámforma elemzéshez

Míg a CNN-ek kiválóan alkalmasak képalapú szeizmikus adatokhoz, az RNN-ek alkalmasak idősoros adatok, például nyers szeizmikus hullámformák elemzésére. Az RNN-ek és változataik, például a Long Short-Term Memory (LSTM) hálózatok képesek rögzíteni a szeizmikus jelek időbeli függőségeit.

RNN-alapú modell a szeizmikus jelek osztályozásához:

piton

Kód másolása

from keras.models import Sequential

tól keras.layers import LSTM, Sűrű

# LSTM modell definiálása

model = Sequential()

modell.add(LSTM(64; input_shape=(100;1); return_sequences=Igaz))

modell.add(LSTM(32;return_sequences=Hamis))

model.add(Dense(1, activation='sigmoid')) # Bináris osztályozás (pl. anomália vagy nincs anomália)

# Fordítsa le a modellt

modell.compill(optimalizáló='adam'; loss='binary_crossentropy'; metrics=['pontosság'])

# A modell betanítása szeizmikus hullámforma adatokon

# Feltételezve, hogy X_train (hullámformák) és y_train (címkék) előre feldolgozott adatkészletek

modell.illeszt(X_train; y_train; korszakok=10; batch_size=32)

3. Funkciók kinyerése és adatbővítés a jobb teljesítmény érdekében

3.1 Jellemzők kinyerési technikái

A mély tanulási modellek kombinálhatók a funkciókinyerési technikákkal a modell teljesítményének javítása érdekében. A szeizmikus adatok gyakran használt jellemzői a következők:

Amplitúdóváltozás eltolással (AVO): Az AVO a szeizmikus visszaverődés amplitúdójának változása az előfordulási szöggel, amelyet gyakran használnak a felszín alatti anyagok típusának jellemzésére.
Spektrális bomlás: Ez a technika elemzi a szeizmikus jelek frekvenciatartalmát, ami segít megkülönböztetni a különböző geológiai képződményeket.

Az AVO matematikai ábrázolása:

R(θ)=R0+Gsin2(θ)R(\theta) = R_0 + G \sin^2(\theta)R(θ)=R0+Gsin2(θ)

hol:

R(θ)R(\theta)R(θ) a reflexiós tényező a θ\thetaθ szögben,
R0R_0R0 a normál előfordulási reflexiós együttható,
GGG az AVO gradiens.

3.2 Adatbővítés

Az adatbővítési technikák a szeizmikus adatkészletek sokféleségének és méretének növelésére szolgálnak a modell betanításához. Ezek a technikák a következők:

Zaj hozzáadása: A szeizmikus adatokhoz véletlenszerű zaj adható hozzá a modell robusztusságának javítása érdekében.
Időnyújtás és hajlítás: A szeizmikus jelek időtengelyének módosítása különböző terjedési forgatókönyveket szimulál.

Python példa szeizmikus adatok adatbővítésére:

piton

Kód másolása

Numpy importálása NP-ként

# Szeizmikus adatbővítés szimulálása

def augment_seismic_data(seismic_trace):

# Véletlenszerű zaj hozzáadása

zaj = np.véletlen.normál(0; 0,05; méret=seismic_trace.alak)

augmented_trace = seismic_trace + zaj

# Időnyújtás

stretch_factor = np.véletlen.egyenlítő(0,8; 1,2)

augmented_trace = np.interp(np.arange(0; len(seismic_trace), stretch_factor),

NP.TARTOMÁNY(0; LEN(seismic_trace)); seismic_trace)

augmented_trace visszaadása

# Augmentáció alkalmazása szeizmikus nyomra

augmented_trace = augment_seismic_data(seismic_trace)

4. Hibrid modellek a továbbfejlesztett mintafelismeréshez

A CNN-ek és RNN-ek kombinálása olyan hibrid modelleket eredményezhet, amelyek térbeli és időbeli adatok kezelésére is képesek. Ezek a modellek különösen hatékonyak a 3D szeizmikus adatkészletek elemzéséhez, ahol az időbeli változásokat a térbeli minták mellett figyelembe kell venni.

Példa hibrid modellarchitektúrára

CNN rétegek: Térbeli jellemzők kinyerése szeizmikus képekből.
RNN rétegek (LSTM/GRU): Időbeli kapcsolatok modellezése szeizmikus szekvenciákban.
Sűrű rétegek: A kiemelt jellemzőket különböző felszín alatti típusokba osztályozza.

Modellarchitektúra vizualizációja:

Mathematica

Kód másolása

Bemeneti szeizmikus adatok (3D tenzor)

CNN rétegek

RNN-rétegek

Sűrű rétegek

Kimeneti osztályozás

Ez a hibrid megközelítés kihasználja mind a CNN-ek (térbeli mintafelismerés), mind az RNN-ek (időbeli szekvenciaelemzés) erősségeit, lehetővé téve az előrejelzés pontosságának javítását összetett szeizmikus adatkészletekben.

5. A mély tanulás valós alkalmazásai a szeizmikus régészetben

A mély tanulás már jelentős előnyöket mutatott a szeizmikus régészeti feltárásban:

Eltemetett struktúrák automatikus észlelése: A mélytanulási modellek automatikusan észlelik az eltemetett épületeket, sírokat vagy más ember alkotta struktúrákat jelző anomáliákat.
A szeizmikus tomogramok továbbfejlesztett értelmezése: A 3D szeizmikus képek, más néven tomogramok, gyorsan elemezhetők mélytanulási modellekkel, hogy átfogó értelmezést nyújtsanak a föld alatti jellemzőkről.

Esettanulmány: Az eltemetett római amfiteátrum felfedezését segítette a CNN modellje, amely szeizmikus adatokat dolgozott fel, és körkörös anomáliákat azonosított, amelyek összhangban vannak az ilyen struktúrák építészeti elrendezésével. A mély tanulás használata jelentősen csökkentette az elemzési időt és növelte az értelmezés megbízhatóságát.

Következtetés

A mély tanulás megjelenése a szeizmikus minták felismerésében új utakat nyitott a régészeti feltáráshoz. A szeizmikus adatok elemzésének automatizálásával és a felszín alatti anomáliák észlelésének javításával a mély tanulás lehetővé teszi a rejtett műemlékek hatékonyabb és pontosabb felfedezését. Ahogy az adatkészletek növekednek és a modellek egyre kifinomultabbá válnak, a mély tanulás szerepe a szeizmikus régészetben tovább bővül, növelve képességünket a felszín alatt eltemetett ősi civilizációk titkainak feltárására.

10. fejezet: A szeizmikus régészet jövőbeli trendjei

10.2 A mintafelismerés mélytanulásának fejlődése

A mély tanulás (DL) gyorsan forradalmi technológiaként jelent meg a szeizmikus adatok értelmezésében, különösen a felszín alatti emlékművek észlelésében. A neurális hálózatok összetett jellemzők és minták adatokból történő megtanulására való képességének kihasználásával a mély tanulás jelentősen javítja a különböző felszín alatti anyagok megkülönböztetésének, a régészeti jellemzők észlelésének képességét és csökkenti az emberi torzításokat a szeizmikus értelmezésben.

1. A mély tanulás áttekintése a szeizmikus adatok értelmezésében

1.1 Mély tanulás vs. hagyományos módszerek

A hagyományos szeizmikus adatok értelmezése nagymértékben támaszkodik a kézi kiszedésre, a statisztikai mintafelismerésre és a hagyományos gépi tanulási módszerekre, például a k-means klaszterezésre, a döntési fákra vagy a támogató vektorgépekre (SVM). Ezek a megközelítések gyakran jelentős előfeldolgozást és kézműves funkciókinyerést igényelnek. A mély tanulási modellek azonban kiválóak a "funkciótanulásban", és automatikusan, minimális manuális beavatkozással nyerik ki a releváns funkciókat a nyers adatokból.

Különösen a konvolúciós neurális hálózatok (CNN-ek) váltak a szeizmikus adatok preferált architektúrájává, mivel képesek térbeli mintákat rögzíteni mind a 2D, mind a 3D szeizmikus képeken. Továbbá a visszatérő neurális hálózatok (RNN-ek), beleértve fejlett verzióikat is, mint például a hosszú rövid távú memória (LSTM) és a kapus visszatérő egységek (GRU), hatékonyak az időbeli szekvenciák, például a szeizmikus hullámformák elemzésében.

2. Neurális hálózati architektúrák szeizmikus mintázatok felismeréséhez

2.1 Konvolúciós neurális hálózatok (CNN-ek)

A CNN-eket strukturált rácsadatok, például képek feldolgozására tervezték, így ideálisak szeizmikus szeletekhez vagy tomográfiai képekhez. Olyan rétegekből állnak, amelyek automatikusan megtanulják a szeizmikus képek jellemzőinek térbeli hierarchiáit, például a tükröződéseket, a diffrakciókat és a rétegtani mintákat.

Matematikai ábrázolás: A CNN-ben a konvolúciós művelet a következőképpen fejezhető ki:

S(i,j)=(X∗W)(i,j)=∑m∑nX(i+m,j+n)W(m,n)S(i, j) = (X * W)(i, j) = \sum_m \sum_n X(i+m, j+n) W(m, n)S(i,j)=(X∗W)(i,j)=m∑n∑X(i+m,j+n)W(m,n)

hol:

XXX a bemeneti szeizmikus kép,
A WWW a képre alkalmazott szűrő (kernel),
(I,j) (I, J) (i,j) a térbeli helyet jelöli az eredményül kapott SSS jellemzőtérképen.

Példa Python-kódra egy egyszerű CNN-hez:

piton

Kód másolása

from keras.models import Sequential

from keras.layers import Conv2D, MaxPooling2D, Flatten, Dense

# Határozza meg a CNN architektúráját

model = Sequential()

modell.add(Conv2D(32; (3, 3); activation='relu'; input_shape=(128, 128, 1)))

model.add(MaxPooling2D(pool_size=(2, 2)))

model.add(Conv2D(64; (3, 3), activation='relu'))

model.add(MaxPooling2D(pool_size=(2, 2)))

model.add(Összeolvasztás())

model.add(Sűrű(64; aktiválás='relu'))

model.add(Dense(2, activation='softmax')) # Bináris osztályozást feltételezve

# Fordítsa le a modellt

modell.compill(optimalizáló='adam'; loss='categorical_crossentropy'; metrics=['pontosság'])

# A modell betanítása (X_train és y_train elő kell készíteni adatkészletek)

modell.illeszt(X_train; y_train; korszakok=10; batch_size=32)

Ez a példa egy alapvető CNN-modellt határoz meg, amely a szeizmikus képeket két kategóriába sorolja, talán "anomália" és "normál".

2.2 Ismétlődő neurális hálózatok (RNN-ek) és időbeli szeizmikus adatok

A szeizmikus jelek lényegében idősoros adatok, és az RNN-eket úgy tervezték, hogy szekvenciális adatokat dolgozzanak fel a korábbi bemenetek memóriájának fenntartásával. A szeizmikus hullámforma elemzéshez az LSTM-eket és a GRU-kat részesítik előnyben, mivel képesek a hosszú távú függőségek rögzítésére és a gradiensek hatékony kezelésére.

LSTM egységek matematikai megfogalmazása: Az LSTM cella három kapuból áll (felejtés, bemeneti és kimeneti kapuk) az információáramlás szabályozására:

Felejtsd el a kaput: ft=σ(Wf⋅[ht−1,xt]+bf)f_t = \sigma(W_f \cdot [h_{t-1}, x_t] + b_f)ft=σ(Wf⋅[ht−1,xt]+bf)
Bemeneti kapu: it=σ(Wi⋅[ht−1,xt]+bi)i_t = \sigma(W_i \cdot [h_{t-1}, x_t] + b_i)it=σ(Wi⋅[ht−1,xt]+bi) C~t=tanh(WC⋅[ht−1,xt]+bC)\tilde{C}_t = \tanh(W_C \cdot [h_{t-1}, x_t] + b_C)C~t=tanh(WC⋅[ht−1,xt]+bC)
Kimeneti kapu: ot=σ(Wo⋅[ht−1,xt]+bo)o_t = \sigma(W_o \cdot [h_{t-1}, x_t] + b_o)ot=σ(Wo⋅[ht−1,xt]+bo) ht=ot∗tanh(Ct)h_t = o_t * \tanh(C_t)ht=ot∗tanh(Ct)

Itt:

xtx_txt a bemenet a ttt időpontban,
hth_tht a rejtett állapot,
CtC_tCt a sejtállapot, amely a hosszú távú memóriát tartja,
σ\sigmaσ a szigmoid aktivációs függvény.

Python-kód példa LSTM-alapú modellhez:

piton

Kód másolása

from keras.models import Sequential

tól keras.layers import LSTM, Sűrű

# LSTM modell meghatározása szeizmikus hullámforma elemzéshez

model = Sequential()

modell.add(LSTM(64; input_shape=(100;1); return_sequences=Igaz))

modell.add(LSTM(32))

model.add(Dense(1, activation='sigmoid')) # Bináris osztályozást feltételezve

# Fordítsa le a modellt

modell.compill(optimalizáló='adam'; loss='binary_crossentropy'; metrics=['pontosság'])

# A modell betanítása (X_train és y_train elő kell készíteni adatkészletek)

modell.illeszt(X_train; y_train; korszakok=10; batch_size=32)

Ezt az LSTM modellt idősoros szeizmikus adatokon tanítják be a hullámformák osztályozására, amelyek különböző felszín alatti struktúrákat képviselhetnek.

3. Hibrid és fejlett mélytanulási modellek

Míg a CNN-ek hatékonyak a képalapú adatokhoz, az RNN-ek pedig a szekvenciális adatokhoz, a hibrid megközelítés gyakran biztosítja a legjobb eredményeket a szeizmikus adatok értelmezéséhez. A közös architektúra a CNN-RNN hibrid, ahol:

A CNN rétegei szeizmikus szeletekből nyerik ki a térbeli jellemzőket.
Az RNN (LSTM/GRU) rétegei modellmodellek időbeli szekvenciáit rétegzik az adatokban.

3.1 Hibrid modell grafikus ábrázolása

jáva

Kód másolása

Bemeneti szeizmikus adatok (hullámformák vagy 3D térfogat)

CNN-rétegek (funkciók kinyerése)

RNN-rétegek (időbeli modellezés)

Sűrű rétegek (osztályozás/regresszió)

Előrejelzett címkék vagy kimenetek

4. A tanulás átadása és az adatbővítés

4.1 A tanulás átvitele kis szeizmikus adatkészletekhez

A szeizmikus régészet egyik kihívása a címkézett adatok korlátozott elérhetősége. A transzfer tanulás egy olyan megoldás, ahol a nagy, hasonló adatkészleteken (például a képbesoroláshoz használt ImageNeten) előre betanított neurális hálózat finomhangolása szeizmikus adatokon történik.

Python kód a transzfer tanuláshoz Keras használatával:

piton

Kód másolása

tól től keras.applications importálja VGG16

from keras.models import Modell

from keras.layers import Sűrű, Összeolvasztás

# Töltse be az előre betanított VGG16 modellt a felső rétegek nélkül

base_model = VGG16(súly='imagenet'; include_top=Hamis; input_shape=(128, 128, 3))

# Egyéni rétegek hozzáadása a szeizmikus adatok osztályozásához

x = base_model.output

x = Lapítás()(x)

x = Sűrű(64, aktiválás='relu')(x)

előrejelzések = Sűrű(2, aktiválás='softmax')(x) # Bináris osztályozást feltételezve

# Új modell definiálása

model = Modell(bemenetek=base_model.bemenet, kimenetek=előrejelzések)

# Fagyassza le az előre betanított rétegeket

base_model.layers réteghez:

layer.trainable = hamis

# Fordítsa le a modellt

modell.compill(optimalizáló='adam'; loss='categorical_crossentropy'; metrics=['pontosság'])

# Vonat szeizmikus adatokon

modell.illeszt(X_train; y_train; korszakok=5; batch_size=32)

4.2 Adatbővítési technikák

A modellek robusztusságának növelése és a túlillesztés csökkentése érdekében adatbővítést alkalmazunk:

Zaj hozzáadása: Véletlenszerű Gauss-zaj adódik a szeizmikus jelekhez.
Időhajlítás: Az időtengely nyújtása vagy összenyomása a változó terjedési sebesség szimulálása érdekében.
Szintetikus adatok létrehozása: Szimulált szeizmikus adatok létrehozása ismert paraméterek alapján a betanítás adatkészletének gazdagítása érdekében.

5. Alkalmazások régészeti szeizmikus felmérésekben

5.1 Az eltemetett jellemzők automatikus észlelése

A mély tanulás lehetővé teszi az eltemetett jellemzők, például falak, üregek és sírok automatizált azonosítását. A történelmi szeizmikus adatokon betanított modellek gyorsan, nagy pontossággal képesek felismerni az ember alkotta struktúráknak megfelelő mintákat.

5.2 A felszín alatti anomáliák osztályozása

A mélytanulási modellek a szeizmikus adatok anomáliáit különböző felszín alatti anyagokba (például talajtípusokba, sziklákba, eltemetett tárgyakba) osztályozhatják. Az így kapott osztályozások segíthetnek a régészeknek az ásatási erőfeszítések célzásában.

A szeizmikus osztályozás vizualizációja: A szeizmikus osztályozási modell tipikus kimenete tartalmazhat egy szegmentált szeizmikus szeletet, ahol a különböző színek különböző felszín alatti anyagokat vagy szerkezeteket képviselnek.

Következtetés

A mély tanulás alkalmazása a szeizmikus minták felismerésében átalakító lépést jelent a régészeti feltárásban. A felszín alatti elemzés automatizált, pontos és hatékony eszközeivel a mélytanulási algoritmusok megkönnyítik a hagyományos technikákkal kihívást jelentő felfedezéseket. Az adatok rendelkezésre állásának növekedésével és a mélytanulási architektúrák fejlődésével a szeizmikus alapú régészeti felfedezések pontossága és hasznossága új magasságokat érhet el.

10. fejezet: A szeizmikus régészet jövőbeli trendjei

10.3 Nagy felbontású 4D szeizmikus adatok értelmezése

A nagy felbontású 4D szeizmikus adatok értelmezésének megjelenése forradalmasítja a felszín alatti feltárás és a műemlékek észlelésének területét. Ez a fejezet azt vizsgálja, hogy a time-lapse szeizmikus (4D szeizmikus) hogyan használható régészeti kontextusban a felszín alatti környezetben bekövetkező időbeli változások megjelenítésére és elemzésére. A felszín alatti jellemzők fejlődésének nyomon követésével és a dinamikus folyamatok azonosításával a régészek rejtett struktúrákat fedezhetnek fel, megérthetik a geológiai átalakulásokat, és megjósolhatják a felfedezetlen tárgyak vagy műemlékek helyét.

1. Mi a 4D szeizmikus adatok értelmezése?

A 4D szeizmikus adatok időbeli dimenziót adnak a hagyományos 3D szeizmikus felméréseknek. Míg a 3D szeizmikus adatok statikus pillanatképet adnak a felszín alatti struktúrákról, a 4D szeizmikus az idő múlásával ismétlődő felméréseket foglal magában, lehetővé téve a felszín alatti jellemzők változásainak elemzését.

Meghatározás: 4D=3D+t4D = 3D + t4D=3D+t ahol:

A 3D háromdimenziós térbeli adatokra utal,
t az időt jelöli, amely egy negyedik dimenziót kínál a szeizmikus tulajdonságok időbeli változásainak rögzítésére.

A 4D szeizmikában megfigyelt időbeli változásokat olyan tényezők okozhatják, mint:

A felszín alatti anyag tulajdonságainak változása (pl. porozitás, folyadéktelítettség),
földmunkák vagy természetes geológiai folyamatok,
Szezonális vagy antropogén hatások a felszín alatti jellemzőkre.

2. A 4D szeizmika alkalmazásai a régészetben

2.1 A felszín alatti struktúrák időbeli változásainak nyomon követése

A time-lapse szeizmikus adatok rögzítésével a régészek figyelemmel kísérhetik a felszín alatti dinamikus változásokat, például a víz mozgását vagy az üregek kialakulását. Ez különösen hasznos a következő esetekben:

Összeomlások vagy üregek észlelése: A time-lapse adatok felfedhetik az idő múlásával bekövetkező szerkezeti hibákat vagy barlangokat, amelyek rejtett alagutakra vagy kamrákra utalnak.
Az ásatás hatásának nyomon követése: A régészeti ásatások megváltoztathatják a felszín alatti tulajdonságokat, és a 4D szeizmikus felmérések segítenek a környező környezet stabilitásának megfigyelésében.

Példa vizualizációra: Az alábbiakban bemutatjuk, hogy egy 4D szeizmikus adatkészlet hogyan jelenítheti meg egy felszín alatti anomália (például üreg vagy barlang) növekedését az idő múlásával:

kevesebb

Kód másolása

Idő 1. lépés: ──▢──

Idő 2. lépés: ──────

Idő 3. lépés: ─────▤──

Minden további időlépés az anomália enyhe kiterjedését vagy változását mutatja, betekintést nyújtva annak fejlődésébe.

2.2 Folyadékmozgás és hidrogeológia régészeti lelőhelyeken

A folyadékmozgások (pl. a felszín alatti víz áramlása) időbeli észlelése a terület megőrzési körülményeinek vagy az eltemetett szerkezetek vízkárosodásának jobb megértéséhez vezethet. A 4D-s szeizmikus felmérés feltárhatja ezeket a folyadékdinamikákat a folyadéktelítettség által okozott szeizmikus sebesség változásainak mérésével.

3. Nagy felbontású 4D adatgyűjtés és -feldolgozás

3.1 Beszerzési technikák

A nagy felbontású 4D szeizmikus adatok pontos, megismételhető méréseket igényelnek. Ez a következők révén érhető el:

Az érzékelő pontos pozicionálása: Annak biztosítása, hogy a geofonok vagy hidrofonok ugyanazon a helyen maradjanak a felmérések során.
Konzisztens forrásgenerálás: Ugyanazon energiaforrás-paraméterek (pl. robbanótöltetek, kalapácsütések) használata az egyenletes szeizmikus hullámformák fenntartása érdekében az idő múlásával.

3.2 Speciális adatfeldolgozás és inverzió

A 4D szeizmikus adatok időbeli változásainak elemzéséhez kifinomult jelfeldolgozási és inverziós technikákat alkalmaznak, például:

Time-Lapse szeizmikus inverzió: Ennek a technikának a célja a szeizmikus adatok kvantitatív kőzettulajdonság-modellé alakítása. A különböző időlépések inverzióinak összehasonlításával a régészek észlelhetik a fizikai tulajdonságok, például a porozitás vagy a telítettség változásait.

Matematikai ábrázolás:

dt=Gmt+ntd_t = G m_t + n_tdt=Gmt+nt

hol:

dtd_tdt a szeizmikus adatok a ttt időpontban,
GGG az előremenő operátor modellparaméterek adatokhoz való leképezése,
mtm_tmt a felszín alatti modell (pl. kőzettulajdonságok) a ttt időpontban,
ntn_tnt a zaj kifejezés.

Több időintervallumon keresztül mtm_tmt megoldásával megfigyelhetjük, hogyan fejlődik a modell, feltárva a felszín alatti időbeli változásokat.

4. Adatmegjelenítés és -értelmezés

4.1 Time-lapse szeizmikus amplitúdó változások

A szeizmikus nyomok amplitúdóváltozása az idő múlásával jelezheti a felszín alatti tulajdonságok változását. Gyakori megközelítés a változások ábrázolása a következőképpen:

ΔA=At2−At1\Delta A = A_{t_2} - A_{t_1}ΔA=At2−At1

hol:

At2A_{t_2}At2 és At1A_{t_1}At1 a szeizmikus amplitúdók két különböző időpontban.

A ΔA\Delta AΔA ábrázolása felfedheti a felszín alatti régiók azon területeit, amelyek jelentős változásokon mentek keresztül, például új üregeket vagy folyadékmozgásokat.

4.2 Keresztnyomtatás attribútumelemzéshez

A szeizmikus jellemzők időbeli változásainak jobb megértése érdekében az olyan attribútumok, mint a szeizmikus amplitúdó, frekvencia és sebesség, keresztrajzolhatók. A keresztdiagram két különböző szeizmikus attribútum vizuális összehasonlítását teszi lehetővé, segítve a korrelációk vagy anomáliák azonosítását.

Példa keresztirányú kódra a Pythonban:

piton

Kód másolása

Matplotlib.pyplot importálása PLT-ként

# Minta szeizmikus attribútum adatok

attribútum1 = [1.2, 2.3, 2.8, 3.5, 4.0] # Amplitúdó változások

attribútum2 = [0.8, 1.0, 1.5, 2.0, 2.2] # A sebesség változásai

# Szeizmikus attribútumok keresztdiagramja

plt.scatter(attribútum1; attribútum2; szín='kék')

plt.title('Szeizmikus jellemzők keresztparcellája')

plt.xlabel('Amplitúdóváltozás')

plt.ylabel('Sebességváltozás')

plt.show()

A keresztdiagram segít azonosítani a klasztereket vagy mintákat a szeizmikus adatokban, jelezve a különböző felszín alatti anyagokat vagy az idő múlásával bekövetkező változásokat.

5. A felbontás javítása számítási technikákkal

5.1 4D szeizmikus zajmentesítés és javítás

A 4D szeizmikus adatok felbontását gyakran korlátozza a zaj és a műtermékek. A fejlett számítási technikák, például a wavelet transzformációk, a Fourier-szűrés és a gépi tanuláson alapuló zajmentesítés segítenek a jel javításában és az értelmezhetőség javításában.

Wavelet alapú szűrés: A wavelet transzformáció a szeizmikus jelet különböző frekvenciakomponensekre bontja. A zaj meghatározott frekvenciasávokban elkülöníthető és eltávolítható.

Wavelet transzformációs egyenlet:

Wf(a,b)=1a∫−∞∞f(t)ψ∗(t−ba)dtW_f(a, b) = \frac{1}{\sqrt{a}} \int_{-\infty}^{\infty} f(t) \psi^*\left(\frac{t - b}{a}\right) dtWf(a,b)=a1∫−∞∞f(t)ψ∗(kukac−b)dt

hol:

f(t)f(t)f(t) az eredeti szeizmikus jel,
ψ(t)\psi(t)ψ(t) a wavelet függvény,
Az AAA és a BBB méretezési és fordítási paraméterek.

5.2 Gépi tanulás a 4D szeizmikus fejlesztésben

A gépi tanulási modellek automatikusan megtanulják a zaj és a jel mintáit, javítva a 4D szeizmikus adatok felbontását. Például:

Autokódolók: Neurális hálózatok, amelyek képesek megtanulni a szeizmikus adatok kompakt ábrázolását, elkülönítve a zajkomponenseket.
GAN-ok (generatív kontradiktórius hálózatok): Ezek nagy felbontású szeizmikus adatokat generálhatnak a zajmentes adatok elosztásának megtanulásával és a zajhibák eltávolításával.

Python-példa Keras használatával egy egyszerű automatikus kódolóhoz:

piton

Kód másolása

from keras.models import Modell

from keras.layers import bemenet, sűrű

# Autoencoder modell definiálása

input_signal = Bemenet(alak=(100;))

kódolt = Sűrű(64, aktiválás='relu')(input_signal)

kódolt = Dense(32, activation='relu')(kódolt)

dekódolt = Sűrű(64, aktiválás='relu')(kódolt)

dekódolt = Sűrű(100, aktiválás='sigmoid')(dekódolt)

# Autoencoder modell

autoencoder = modell(input_signal, dekódolt)

autoencoder.compile(optimalizáló='adam'; loss='mean_squared_error')

# Az autoencoder betanítása (X_train zajos adatokat kell készítenie)

autoencoder.fit(X_train; X_train; korszakok=10; batch_size=32)

6. Gyakorlati felhasználási esetek a műemléki felderítésben

A nagy felbontású 4D szeizmikus adatok értelmezése számos gyakorlati alkalmazással rendelkezik a régészetben, többek között:

A megőrzési erőfeszítések nyomon követése: Annak nyomon követése, hogy a megőrzési erőfeszítések hogyan befolyásolják a felszín alatti struktúrák stabilitását az idő múlásával.
A temetkezési minták előrejelzése: Az üledék mozgásának vagy a temetkezési minták változásainak megértése a rejtett műemlékek jelenlétének következtetése érdekében.
Valós idejű ásatási monitorozás: Közel valós idejű 4D szeizmikus adatok használata a régészek segítése érdekében az ásatás megtervezésében és a törékeny szerkezetek károsodásának minimalizálásában.

Következtetés

A nagy felbontású 4D szeizmikus adatok értelmezése új korszakot nyit a régészeti feltárásban. Az időbeli dimenzió hozzáadása lehetővé teszi a régészek számára, hogy "lássák", hogyan fejlődik a felszín alatti az idő múlásával, felfedve a rejtett mintákat és dinamikus változásokat, amelyeket a statikus 3D-s adatok nem tudnak rögzíteni. Az adatgyűjtés, -feldolgozás és számítási technikák fejlődésével a 4D szeizmika átalakítja eltemetett történelmünk megértését, és példátlan felfedezésekhez vezet.

10. fejezet: A szeizmikus régészet jövőbeli trendjei

10.4 Etikai és gyakorlati megfontolások a műemlékek felfedezésében

A szeizmikus technológiákat alkalmazó földalatti műemlékek felfedezése figyelemre méltó lehetőségeket kínál az emberi történelem felgöngyölítésére, a kulturális örökség védelmére és a múltbeli civilizációk megértésének előmozdítására. Ezeknek az eltemetett struktúráknak a feltárása, felfedezése és értelmezése azonban nem mentes etikai és gyakorlati megfontolásoktól. Ez a fejezet a régészek és geofizikusok etikai dilemmáival foglalkozik, és gyakorlati kérdéseket tár fel a szeizmikus adatok felelősségteljes és fenntartható műemléki felfedezéshez való felhasználásában.

1. Etikai megfontolások a szeizmikus régészetben

1.1 A kulturális örökség megőrzése és tiszteletben tartása

A földalatti műemlékek feltárása és feltárása gyakran keresztezi a kulturális örökség megőrzését. Az etikai kérdések a következőkből erednek:

Tulajdonjog és beleegyezés: A kulturális örökség jogainak és tulajdonjogának megértése elengedhetetlen, különösen a szent vagy kulturálisan jelentős helyszínek esetében. A kutatóknak engedélyt kell szerezniük az őslakos vagy helyi közösségektől.
Nem invazív technikák: Azokban az esetekben, amikor az ásatás károsíthatja a szerkezetet vagy megsértheti a kulturális érzékenységet, előnyben részesítik a nem invazív szeizmikus felmérési módszereket. A nagy felbontású 4D szeizmikus képalkotás használata (lásd a 10.3 fejezetet) lehetővé teszi a föld alatti "látást" anélkül, hogy fizikailag megzavarná.

1.2 Adatvédelem és hozzáférés

Ahogy a szeizmikus adatok egyre fejlettebbé válnak, kritikussá válik a kérdés, hogy ki férhet hozzá ezekhez az adatokhoz és ki ellenőrizheti azokat:

Köztulajdon vs. magántulajdon: Egyértelmű iránymutatásoknak kell lenniük arra vonatkozóan, hogy a műemlékek felfedezéséhez gyűjtött szeizmikus adatok nyilvánosan hozzáférhetővé válnak-e, vagy bizonyos intézmények vagy kormányok ellenőrzése alatt maradnak.
Adatérzékenység és biztonság: A régészeti érdeklődésre számot tartó helyszínek illetéktelen ásatások vagy fosztogatások tárgyát képezhetik, ha a helyszín részleteit nyilvánosságra hozzák. Adatbiztonsági protokollokat kell létrehozni az érzékeny információk integritásának és bizalmas jellegének védelme érdekében.

1.3 Fenntartható és felelősségteljes ásatás

Az eltemetett emlékmű vagy szerkezet feltárását gondosan meg kell tervezni a károk minimalizálása és a régészeti integritás fenntartása érdekében:

A kontextus megőrzése: A leletek vagy a zavaró felszín alatti jellemzők eltávolítása megzavarhatja a régészeti kontextust, megnehezítve a történelmi narratíva rekonstruálását. A valós idejű szeizmikus megfigyelés (lásd a 9.4. fejezetet) segít biztosítani, hogy az ásatások pontosan és gondosan folyjanak.
A tudományos kíváncsiság és a kulturális érzékenység egyensúlya: A kutatóknak mérlegelniük kell az emlékmű felfedezésének tudományos értékét a kulturális és vallási hiedelmekkel szemben. Bizonyos esetekben az építmény eltemetve hagyása lehet a legjobb módja annak, hogy megőrizzük szentségét.

2. A műemlékek felfedezésének gyakorlati kihívásai

2.1 Szeizmikus adatgyűjtés kihívást jelentő környezetben

A kiváló minőségű szeizmikus adatok gyűjtése nehéz lehet a következők miatt:

Nehéz terep: A hegyvidéki régiók, erdők, városi területek és víztestek jelenléte befolyásolhatja az érzékelők elhelyezését és az adatgyűjtést.
Változó felszín alatti tulajdonságok: A különböző talajösszetételek, kőzetrétegek és talajvízszintek megváltoztathatják a szeizmikus hullámok terjedését és bonyolíthatják az adatok értelmezését. A fejlett szimulációk (lásd a 7.2. fejezetet) segítenek ezeknek a heterogén tulajdonságoknak a modellezésében az adatok pontosságának javítása érdekében.

Példa a szeizmikus hullámok sebességére különböző közegekben:

V=K+43GρV = \sqrt{\frac{K + \frac{4}{3}G}{\rho}}V=ρK+34G

hol:

VVV a szeizmikus hullámsebesség,
KKK az ömlesztett modulus (a közeg összenyomhatósága),
GGG a nyírási modulus (a közeg merevsége),
ρ\rhoρ a közeg sűrűsége.

Ez a képlet rávilágít arra, hogy az anyagtulajdonságok változásai, mint például a sűrűség (ρ\rhoρ), az ömlesztett modulus (KKK) és a nyírási modulus (GGG) hogyan befolyásolják a szeizmikus hullámok sebességét.

2.2 Költség- és erőforrás-elosztás

A szeizmikus technológiák használata a műemlékek észlelésére erőforrás-igényes lehet:

Magas felszerelési költségek: A szeizmikus források (pl. Vibrátorok, légfegyverek), geofonok és feldolgozó szoftverek beszerzése költséges lehet. Ez gyakran szükségessé teszi az állami támogatások, tudományos intézmények vagy magánalapítványok finanszírozását.
Adatfeldolgozási és számítási igények: A szeizmikus adatok elemzése, különösen 4D és nagy felbontású kontextusokban, robusztus számítási infrastruktúrát igényel. A felhőalapú számítástechnika és a párhuzamos feldolgozás (lásd a 8.4. fejezetet) elengedhetetlen a nagyméretű adatkészletek kezeléséhez és a feldolgozási idő csökkentéséhez.

2.3 Pontossági és értelmezési kihívások

A szeizmikus technológia fejlődése ellenére az adatok pontos értelmezése továbbra is kihívást jelent:

Kétértelműség a felszín alatti képeken: A sírok, kamrák vagy alagutak azonosítása nehéz lehet, ha a természetes geológiai képződményekhez hasonló jeleket hoznak létre.
Hibahatárok az inverziós modellekben: Az inverz modellezési technikák (lásd az 5.3 fejezetet) olyan modelleket hozhatnak létre, amelyek nem egyediek, ami azt jelenti, hogy a különböző felszín alatti struktúrák hasonló szeizmikus válaszokat eredményezhetnek. Ez elengedhetetlenné teszi a kiegészítő adatforrások és keresztellenőrzési technikák használatát az értelmezés pontosságának javítása érdekében.

Python-kódrészlet a modell keresztellenőrzéséhez:

piton

Kód másolása

sklearn.model_selection importálási train_test_split, cross_val_score

from sklearn.ensemble import RandomForestClassifier

# Szeizmikus adatok és jellemzők betöltése

X = seismic_data_features

y = labeled_subsurface_classes

# Felosztás képzési és tesztelési készletekre

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0,3, random_state=42)

# Véletlenszerű erdő modell az osztályozáshoz

model = RandomForestClassifier(n_estimators=100; random_state=42)

cross_val_scores = cross_val_score(modell, X_train, y_train; cv=5)

print(f"Keresztellenőrzési pontszámok: {cross_val_scores}")

print(f"Átlagos pontosság: {cross_val_scores.mean()}")

A fenti kód bemutatja, hogyan használhatja a keresztellenőrzést egy gépi tanulási modellben a felszín alatti jellemzők pontos és megbízható besorolásának biztosítása érdekében.

3. Az etikus és fenntartható szeizmikus régészet legjobb gyakorlatai

3.1 Közösségi szerepvállalás és együttműködés

A helyi közösségek és érdekelt felek bevonása kulcsfontosságú a sikeres régészeti projektekhez:

Oktatási tájékoztatás: A szeizmikus régészet jelentőségéről szóló információk és oktatási anyagok biztosítása elősegítheti a támogatást és a megértést.
Együttműködésen alapuló döntéshozatal: A közösségi vezetők és a kulturális örökség szakértőinek bevonása a tervezésbe és a döntéshozatalba biztosítja, hogy a kutatás összhangban legyen az etikai normákkal és a helyi érdekekkel.

3.2 Nyílt forráskódú eszközök használata és átlátható adatmegosztás

A nyílt forráskódú szeizmikus feldolgozó eszközök és könyvtárak használatának ösztönzése (lásd a 8.1. fejezetet) elősegítheti az átláthatóságot és a reprodukálhatóságot:

Nyílt hozzáférés: A szeizmikus adatok nyilvánosság és kutatói közösség számára történő nyílt hozzáférhetővé tétele (ahol lehetséges) szélesebb körű együttműködést és átfogóbb elemzéseket eredményezhet.
Szabványosított adatformátumok: A szabványosított szeizmikus adatformátumok, például az SEG-Y használata biztosítja a kompatibilitást a különböző szoftverek és eszközök között, hatékonyabbá téve az adatmegosztást.

3.3 A multidiszciplináris megközelítések integrálása

A szeizmikus régészet több tudományág integrációjából profitál:

Geológia és talajtudomány: A geológiai kontextus megértése elengedhetetlen a pontos szeizmikus értelmezéshez.
Antropológia és történelem: A történészekkel és antropológusokkal való együttműködés betekintést nyújt a kulturális kontextusba, és segít az eredmények pontos értelmezésében.
Távérzékelés és GIS: A szeizmikus adatok földrajzi információs rendszerekkel (GIS) és távérzékelési technikákkal való kombinálása (lásd a drónfelmérésekről szóló 10.1. fejezetet) javítja a térbeli elemzést és a helyszín jellemzését.

Következtetés

A felszín alatti műemlékek szeizmikus technológiák segítségével történő felfedezése és feltárása izgalmas lehetőségeket kínál, de etikai és gyakorlati kihívásokat is jelent. A szeizmikus régészet fejlődésével elengedhetetlen a tudományos feltárás egyensúlya a kulturális örökség megőrzésének, a közösségi elkötelezettségnek és a fenntartható gyakorlatoknak az etikai megfontolásaival. Az átlátható módszerek, a fejlett számítási eszközök és az interdiszciplináris együttműködés alkalmazásával a régészek és a geofizikusok továbbra is úttörő felfedezéseket tehetnek, miközben megőrzik a múlt integritását.

Ábra: Etikai és gyakorlati megfontolások folyamatábrája

Css

Kód másolása

[ Adatvédelem ] --> [ Tájékoztatáson alapuló beleegyezés & engedélyek ]

| |

[ Nem invazív felmérések ] --> [ Közösségi szerepvállalás ]

| |

[ Fenntartható ásatás ] --> [ Etikus adatfelhasználás ]

Példa Python-kódra etikai adatvizualizációhoz:

piton

Kód másolása

Matplotlib.pyplot importálása PLT-ként

# Etikai és gyakorlati megfontolások kategóriák

kategóriák = ['Adatvédelem', 'Nem invazív felmérések', 'Fenntartható ásatás']

értékek = [80, 90, 70] # Hipotetikus fontossági pontszámok

plt.bar(kategóriák, értékek, color=['kék', 'zöld', 'narancssárga'])

plt.title("Etikai és gyakorlati megfontolások a műemlékek felfedezésében")

plt.xlabel('Kategória')

plt.ylabel('Fontossági pontszám')

plt.show()

Ez a fejezet hangsúlyozza a felelős és tájékozott régészeti gyakorlat fontosságát, biztosítva, hogy a technológiai fejlődés összhangban legyen az etikai normákkal és a kulturális érzékenységgel az emberiség földalatti műemlékeinek fenntartható felfedezése és megőrzése érdekében.

11. fejezet: Függelékek és források

11.1 Fogalomtár a szeizmikus régészetben

Ez a szószedet áttekintést nyújt a szeizmikus régészet területén használt legfontosabb kifejezésekről. Minden kifejezést tömör, mégis átfogó definícióval mutatnak be, hogy megkönnyítsék a megértést a különböző háttérrel rendelkező olvasók számára.

Egy

Akusztikus hullámok: Olyan hanghullámok, amelyek nyomásváltozásként terjednek egy közegen (levegő, víz vagy föld) keresztül. A szeizmikus régészetben akusztikus hullámokat használnak a felszín alatti struktúrák változásainak észlelésére.
Amplitúdó: A hullám maximális kiterjedése az egyensúlyi helyzetéből mérve. Az amplitúdó döntő fontosságú a szeizmikus felmérésekben, mivel jelezheti az észlelt jelek erősségét vagy energiáját.

A szeizmikus adatok amplitúdójának képlete: A=max(∣u(t)∣)A = \max(|u(t)|) A=max(∣u(t)∣), ahol:

AAA az amplitúdó,
u(t)u(t)u(t) a hullámforma a ttt idő függvényében.

Tömb: Szeizmikus érzékelők (geofonok vagy hidrofonok) csoportja, amelyek meghatározott elrendezésben helyezkednek el a szeizmikus hullámok észlelésére és rögzítésére. A tömbök javítják a jel minőségét és javítják a térbeli felbontást.

Visszaszórás: Az a jelenség, amikor a szeizmikus hullámok a felszín alatti struktúrákból szóródnak vissza a felszínre. A visszaszórás elemzése információt nyújthat az eltemetett tárgyak anyagáról és alakjáról.
Testhullámok: Olyan hullámok, amelyek áthaladnak a Föld belsején. Két típus létezik:

Elsődleges (P-hullámok): Kompressziós hullámok, amelyek a leggyorsabb szeizmikus hullámok, és szilárd anyagokon, folyadékokon és gázokon haladhatnak át.
Másodlagos (S-hullámok): Olyan nyíróhullámok, amelyek merőlegesek a haladási irányra, és csak szilárd anyagokon haladhatnak át.

A p-hullámsebesség képlete: vp=K+43Gρ V_p = \sqrt{\frac{K + \frac{4}{3}G}{\rho}}Vp=ρK+34G ahol:

VpV_pVp a P-hullám sebessége,
KKK az ömlesztett modulus,
GGG a nyírási modulus,
ρ\rhoρ a közeg sűrűsége.

Közös középpont (CMP) gyűjtés: Szeizmikus adatgyűjtési technika, ahol több szeizmikus forrást és vevőt használnak a visszaverődések rögzítésére egy közös felszín alatti ponton, javítva az adatok pontosságát.
Keresztkorreláció: Két hullámforma közötti időkésleltetés megtalálására használt jelfeldolgozási technika. A szeizmikus adatokban használják a jelek összehangolására és a visszhangok azonosítására.

Keresztkorrelációs képlet: Rxy(τ)=∫−∞∞x(t)y(t+τ) dtR_{xy}(\tau) = \int_{-\infty}^{\infty} x(t) y(t+\tau) \, dtRxy(τ)=∫−∞∞x(t)y(t+τ)dt ahol:

Rxy(τ)R_{xy}(\tau)Rxy(τ) a keresztkorrelációs függvény,
x(t)x(t)x(t) és y(t)y(t)y(t) a két hullámforma,
τ\tauτ az időkésleltetés.

Diffrakció: A szeizmikus hullámok hajlítása kis akadályok körül vagy kis nyílásokon keresztül. A diffrakciós minták szabálytalan felszín alatti jellemzők, például alagutak vagy eltemetett tárgyak jelenlétére utalhatnak.
Diszperzió: Az a jelenség, amikor a különböző frekvenciájú szeizmikus hullámok különböző sebességgel haladnak, ami a hullám időbeli szétterjedését okozza. A diszperzió jelentős a felszíni hullámok elemzésében.

Rugalmas modulusok: Olyan paraméterek, amelyek leírják az anyag merevségét és azt, hogy hogyan deformálódik feszültség alatt. A legfontosabb modulusok a következők:

Young modulus (E): A szakítószilárdságot méri.
Nyírási modulus (G): A nyírófeszültségnek való ellenállás képességét méri.
Térfogatmodulus (K): A kompresszióval szembeni ellenállást méri.

Rugalmas modulusok közötti kapcsolat: G=E2(1+ν)G = \frac{E}{2(1 + \nu)}G=2(1+ν)E ahol:

Az EEE Young modulusa,
GGG a nyírási modulus,
ν\nuν a Poisson-arány.

Eseményészlelés: A jelentős szeizmikus események vagy jelek azonosításának folyamata, amelyek felszín alatti jellemzőkre, például eltemetett emlékművekre vagy üregekre utalhatnak.

Fourier-transzformáció: Matematikai transzformáció, amelyet egy időtartományjel frekvenciakomponensekké történő átalakítására használnak. Széles körben használják a szeizmikus adatok elemzésében a domináns frekvenciák azonosítására és a zajszűrésre.

Fourier-transzformációs képlet: F(ω)=∫−∞∞f(t)e−iωt dtF(\omega) = \int_{-\infty}^{\infty} f(t) e^{-i \omega t} \, dtF(ω)=∫−∞∞f(t)e−iωtdt ahol:

F(ω)F(\omega)F(ω) a Fourier-transzformáció,
f(t)f(t)f(t) az időtartomány-jel,
ω\omegaω a szögfrekvencia.

Frekvencia-tartomány elemzés: A szeizmikus jelek tanulmányozása a frekvenciatartományban, gyakran a Fourier-transzformáció felhasználásával, a felszín alatti minták és jellemzők azonosítására.

Geofon: Földmozgás-érzékelő, amely a talajmozgást (sebességet) elektromos jellé alakítja. A geofonokat szeizmikus felmérésekben használják a felszín alatti jellemzőkről visszaverődő hullámok rögzítésére.

Geofonegyenlet (sebesség-elmozdulás): D(t)=∫V(t) dtD(t) = \int V(t) \, dtD(t)=∫V(t)dt ahol:

D(t)D(t)D(t) a talajelmozdulás,
V(t)V(t)V(t) a geofon által rögzített sebességjel.

Ground Penetrating Radar (GPR): Geofizikai módszer, amely radarimpulzusokat használ a felszín alatti képek készítéséhez. A GPR-t néha szeizmikus felmérésekkel kombinálva használják régészeti vizsgálatokhoz.

Nagy felbontású szeizmikus képalkotás: Olyan technikák és berendezések, amelyeket arra terveztek, hogy nagy térbeli felbontással részletes képeket készítsenek a felszín alatt, gyakran használják apró jellemzők vagy anomáliák észlelésére.

Én

Inverziómodellezés: A felszín alatti tulajdonságok rekonstruálására használt számítási módszer, amely szeizmikus adatokat illeszt egy modellhez. Ez a módszer segít megbecsülni a felszín alatti szerkezetek helyét, geometriáját és anyagtulajdonságait.

Objektív függvény az inverziós modellezésben: φ(m)=∑i=1N[diobs−dicalc(m)]2\phi(m) = \sum_{i=1}^N \left[ d_i^{\text{obs}} - d_i^{\text{calc}}(m) \right]^2φ(m)=∑i=1N[diobs−dicalc(m)]2 ahol:

φ(m)\phi(m)φ(m) az objektív függvény,
diobsd_i^{\text{obs}}diobs a megfigyelt adatok,
Dicalc(M)d_i^{\text{calc}}(m)Dicalc(M) az MMM modellen alapuló számított adat.

Zajszűrés: A nem kívánt vagy irreleváns jelek eltávolítása a szeizmikus adatokból az értelmes hullámformák észlelésének javítása érdekében. A technikák közé tartozik az aluláteresztő, felüláteresztő és sáváteresztő szűrés.

Sáváteresztő szűrő egyenlete:

1 & \text{if } \omega_1 \leq \omega \leq \omega_2 \\ 0 & \text{egyébként} \end{cases} $$ ahol: - $ H(\omega) $ a szűrőátviteli függvény, - $ \omega_1 $ és $ \omega_2 $ meghatározza a kérdéses frekvenciasávot.

Rayleigh-hullámok: Olyan típusú felszíni hullám, amely gördülő mozgással halad a talajfelszínen. Ezeket a hullámokat gyakran használják a szeizmikus régészetben a sekély felszín alatti jellemzők észlelésére.
Fénytörés: A szeizmikus hullámok hajlítása, amikor különböző sűrűségű vagy rugalmas tulajdonságokkal rendelkező rétegeken haladnak át. A fénytörési technikák segítenek megbecsülni a felszín alatti rétegek mélységét és összetételét.

Snell fénytörési törvénye: sinθ1V1=sinθ2V2\frac{\sin \theta_1}{V_1} = \frac{\sin \theta_2}{V_2}V1sinθ1=V2sinθ2 ahol:

θ1\theta_1 θ1, θ2\theta_2 θ2 az előfordulási és törési szögek,
V1V_1V1, V2V_2V2 a hullámok sebessége a két közegben.

Szeizmikus hullámok: Rugalmas hullámok, amelyek a Föld rétegein keresztül terjednek. A szeizmikus régészetben használják őket a felszín alatti jellemzők ábrázolására és elemzésére.

P-hullámok (elsődleges hullámok): Kompressziós hullámok, amelyek a leggyorsabban haladnak át a Földön.
S-hullámok (másodlagos hullámok): Olyan nyíróhullámok, amelyek lassabban haladnak, mint a P-hullámok, és csak szilárd anyagokon haladnak keresztül.

Szeizmikus tomográfia: Az orvosi CT-vizsgálatokhoz hasonló technika, ahol szeizmikus hullámokat használnak a felszín alatti 3D modell létrehozására. Ez a módszer segít azonosítani az olyan struktúrákat, mint a sírok, üregek és eltemetett műemlékek.

Utazási idő: A szeizmikus hullám eljutásának ideje a forrástól a vevőig. Az utazási idő elemzése kulcsfontosságú a felszín alatti rétegek mélységének és tulajdonságainak meghatározásához.

Útiidő-egyenlet egyenes vonalú útvonalra: t=dVt = \frac{d}{V}t=Vd ahol:

ttt az utazási idő,
ddd a megtett távolság,
VVV a hullám sebessége.

Ez a szószedet referenciaeszközként szolgál azok számára, akik a szeizmikus régészetben elmélyülnek, és alapvető fogalmakat és fogalmakat biztosítanak, amelyek kritikusak a szeizmikus adatok elemzésének és a felszín alatti műemlékek felfedezésében való alkalmazásának megértéséhez.

11. fejezet: Függelékek és források

11.2 Nyílt forráskódú szoftverek és eszközök szeizmikus adatok elemzéséhez

A szeizmikus adatelemzés területét nagymértékben javította a nyílt forráskódú szoftverek és eszközök fejlesztése, amelyek lehetővé teszik a kutatók számára a szeizmikus adatok hatékony feldolgozását, értelmezését és modellezését. Ez a fejezet bemutatja a szeizmikus régészetben használt legjelentősebb nyílt forráskódú szoftvercsomagokat, kiemelve azok funkcióit, programozási nyelveit és felhasználói közösségeit. Ezek az eszközök hatékony képességeket kínálnak a funkciók kinyeréséhez, a zajszűréshez, a modellezéshez és a vizualizációhoz, támogatva mind a kezdőket, mind a felszín alatti elemzésben jártas szakembereket.

1. ObsPy

Leírás: Az ObsPy egy átfogó Python könyvtár, amelyet szeizmológiai adatok feldolgozására és elemzésére terveztek. Funkciókat biztosít a gyakori szeizmikus fájlformátumok olvasásához, a szeizmikus jelek szűréséhez és átalakításához, valamint a hullámformák megjelenítéséhez.

Főbb jellemzők:

Számos szeizmikus adatformátum támogatása (pl. SEGY, SAC, MiniSEED).
Beépített funkciók szűréshez (pl. sáváteresztő szűrés), ablakozáshoz és gyors Fourier-transzformációhoz (FFT).
Vizualizációs eszközök szeizmogramokhoz és spektrogramokhoz.

Telepítés:

erősen megüt

Kód másolása

pip telepítse az obspy-t

Példakód: Szeizmikus hullámforma ábrázolása

piton

Kód másolása

Az OBSPY importálásból olvassa el

# Szeizmikus adatfájl olvasása (MiniSEED formátum)

st = olvasás("példa.mseed")

# Szűrje az adatokat a kívánt gyakoriságok elkülönítéséhez

st.filter("sávpass"; freqmin=1.0; freqmax=10.0)

# Ábrázolja a hullámformát

st.plot()

2. Madagaszkár

Leírás: Madagaszkár egy hatékony, nyílt forráskódú szoftvercsomag többdimenziós adatelemzéshez, amelyet elsősorban geofizikai adatfeldolgozásra terveztek. Eszközöket biztosít a szeizmikus képalkotáshoz, a jelfeldolgozáshoz és az inverzióhoz, így ideális régészeti felmérésekhez.

Főbb jellemzők:

Adatfeldolgozó modulok hullámmező extrapolációhoz, migrációhoz és sebességelemzéshez.
Vizualizációs eszközök szeizmikus adatokhoz 2D-ben és 3D-ben.
Szeizmikus inverzió és tomográfia algoritmusai.

Telepítés: Részletes utasítások Madagaszkár honlapján érhetők el.

Példa parancssori használatra: Madagaszkár saját parancssori szintaxist használ a szeizmikus adatfeldolgozáshoz:

erősen megüt

Kód másolása

sfgrey < input.rsf > output.vpl title="Szeizmikus adatok"

Ez a parancs egy szeizmikus adatfájlt (input.rsf) vizuális ábrázolássá (output.vpl) alakít át.

3. Szeizmikus Unix (SU)

Leírás: A Seismic Unix (SU) az egyik legrégebbi és legsokoldalúbb nyílt forráskódú szoftvercsomag szeizmikus feldolgozáshoz és adatelemzéshez. Eszközök széles skáláját kínálja a szeizmikus adatok manipulálásához, a hullámmező modellezéséhez és a migrációhoz.

Főbb jellemzők:

Előfeldolgozó eszközök dekonvolúcióhoz, zajszűréshez és erősítésbeállításhoz.
Szeizmikus feldolgozó eszközök egymásra rakáshoz, migrációhoz és sebességelemzéshez.
Vizualizációs eszközök szeizmikus adatokhoz, például mozgáshoz és színdiagramokhoz.

Telepítés: Az utasítások a Seismic Unix Wiki-n érhetők el.

Példa parancssori használatra: Szeizmikus nyomvonal megjelenítése a wiggle plot használatával:

erősen megüt

Kód másolása

suplot < data.su title="Seismic Trace" > trace.ps

4. Pyrocko

Leírás: A Pyrocko egy nyílt forráskódú szeizmológiai eszköztár a Python számára. Kifejezetten földrengéselemzésre tervezték, és modulokat kínál a szeizmikus adatok feldolgozásához, az események lokalizálásához és a szeizmikus hullámforma szimulációjához.

Főbb jellemzők:

Eszközök szeizmikus hullámformák és metaadatok manipulálására.
Fejlett feldolgozási képességek, például momentumtenzor inverzió.
Megjelenítési lehetőségek, beleértve a térképdiagramokat és a hullámforma-megjelenítéseket.

Telepítés:

erősen megüt

Kód másolása

pip telepítse a pyrocko-t

Példakód: Egyszerű hullámforma kijelző

piton

Kód másolása

tól pyrocko import io

# Hullámforma fájl olvasása MiniSEED formátumban

traces = io.load("seismic_data.mseed")

# Hurok a nyomok felett a hullámformák ábrázolásához

a nyomokban lévő nyomok esetében:

trace.snuffle()

5. Általános térképészeti eszközök (GMT)

Leírás: Bár nem kifejezetten szeizmikus adatokhoz tervezték, a GMT hatékony parancssori eszköz kiváló minőségű térképek és térinformatikai adatok megjelenítésének létrehozásához. Gyakran használják szeizmikus adatelemzésben a felmérési helyek feltérképezésére és a szeizmikus események ábrázolására.

Főbb jellemzők:

Nagymértékben testreszabható térképek partvonalakkal, politikai határokkal és topográfiával.
Eszközök térbeli adatok 2D és 3D megjelenítéséhez.
Zökkenőmentes integráció más szeizmikus szoftverekkel a továbbfejlesztett térinformatikai ábrázolás érdekében.

Telepítés:

erősen megüt

Kód másolása

sudo apt-get telepítse a GMT-t

Példa parancssori használatra: Hozzon létre egy egyszerű térképet a földmérési helyekről.

erősen megüt

Kód másolása

gmt pscoast -R-130/-70/24/50 -jm4i -b5 -df -w1/0.5p -glightgray -slightblue -p > map.ps

6. ObsPy-SHAPE

Leírás: Az ObsPy-SHAPE az ObsPy könyvtár kiterjesztése, amely további eszközöket biztosít a fúrási szeizmikus adatok kezeléséhez és a SHAPE szeizmikus elemző szoftverrel való integrációhoz.

Főbb jellemzők:

Kompatibilitás a fúrólyuk-szeizmikus felmérésekkel.
Eszközök szeizmikus adatok előfeldolgozásához, igazításához és megjelenítéséhez.

Telepítés: Kövesse az ObsPy-SHAPE GitHub utasításait.

Példakód: Fúrási szeizmikus adatok olvasása és igazítása

piton

Kód másolása

OBSPY importálása

obspy_shape import fúrólyukból

# Fúrólyuk-szeizmikus adatok olvasása

st = obspy.read("borehole_data.sgy")

# Hullámformák igazítása az első érkezések alapján

aligned_st = borehole.align_waveforms(st)

# Igazított hullámformák ábrázolása

aligned_st.plot()

7. OpenDetect

Leírás: Az OpenDetect egy nyílt forráskódú szeizmikus értelmező szoftver, amely fejlett vizualizációs, attribútumelemzési és kötetrenderelési képességekkel rendelkezik.

Főbb jellemzők:

3D szeizmikus értelmezés és megjelenítés.
Horizon komissiózási és hibadetektáló eszközök.
Attribútumelemzés a szeizmikus térfogatok jellemzőinek észleléséhez.

Telepítés: Az utasítások az OpenDetect webhelyén érhetők el.

8. GMT-Py

Leírás: A GMT-Py a GMT (Generic Mapping Tools) Python burkolója, amely lehetővé teszi a GMT funkciók zökkenőmentes integrálását a Python-szkriptekbe.

Főbb jellemzők:

Kiváló minőségű térinformatikai vizualizáció Python-munkafolyamatokkal integrálva.
Hozzáférés a GMT hatékony térképészeti és ábrázolási eszközeihez közvetlenül a Pythonból.

Telepítés:

erősen megüt

Kód másolása

pip install pygmt

Példakód: Térkép generálása GMT-py használatával

piton

Kód másolása

PYGMT importálása

# Hozzon létre egy alap térképet

ábra = pygmt. Ábra()

ábra part(régió=[-90, -70, 0, 20], vetület="M6i", partvonalak=Igaz, víz="világoskék")

ábra ()

9. Seisplot

Leírás: A Seisplot egy nyílt forráskódú eszköz, amelyet szeizmikus hullámforma-adatok megjelenítésére terveztek Python nyelven. Továbbfejlesztett ábrázolási lehetőségeket kínál szeizmogramokhoz, spektrogramokhoz és egyebekhez.

Főbb jellemzők:

Testreszabható szeizmogram grafikonok.
Spektrogram generálás idő-frekvencia elemzéshez.
Egyszerű integráció más szeizmikus könyvtárakkal, mint például az ObsPy.

Telepítés:

erősen megüt

Kód másolása

pip telepítse a seisplotot

Példakód: Szeizmogram ábrázolása spektrogrammal

piton

Kód másolása

Seisplot Import plot_seismogram

Az OBSPY importálásból olvassa el

# Hullámforma adatok betöltése

st = olvasás("seismic_data.mseed")

# Plot szeizmogram és spektrogram

plot_seismogram(st[0]; show_spectrogram=Igaz)

Ezek a nyílt forráskódú eszközök a szeizmikus adatelemzésben legszélesebb körben használt csomagok válogatását képviselik. Együttesen átfogó eszköztárat biztosítanak a felszín alatti kutatásokon és műemlékek felfedezésén dolgozó régészek, szeizmológusok és geofizikusok számára. Az aktív közösségekkel és kiterjedt dokumentációval ezek az erőforrások lehetővé teszik a felhasználók számára, hogy fejlett szeizmikus elemzést végezzenek, az adatok előfeldolgozásától és megjelenítésétől a modellezésig és értelmezésig.

11.3 További irodalom: Tudományos cikkek és esettanulmányok

A szeizmikus és akusztikus módszerek alkalmazása a régészetben rengeteg kutatást eredményezett, amely magában foglalja mind a technológiai fejlődést, mind a lenyűgöző felfedezéseket. Az alábbiakban összeállítjuk a tudományos cikkek, könyvek és esettanulmányok válogatott listáját, amelyek alapvetőek mindazok számára, akik érdeklődnek a szeizmikus régészet elmélete és gyakorlata iránt, valamint példákat mutatnak be a felszín alatti struktúrák sikeres észlelésére és értelmezésére.

Legfontosabb tudományos cikkek és könyvek

1. A régészet szeizmikus módszerei

Hivatkozás: "Régészeti geofizika: a felszín alatti jellemzők vizsgálata" - L. Piro, E. Mauriello és M. Versino
Összefoglaló: Ez a könyv átfogó bevezetést nyújt a régészeti lelőhelyek vizsgálatában használt geofizikai módszerekhez. Számos technikát foglal magában, beleértve a szeizmikus reflexiós és fénytörési módszereket, részletezve azok alkalmazását a felszín alatti jellemzők észlelésében.

2. Szeizmikus jelfeldolgozási technikák

Hivatkozás: "Digitális jelfeldolgozás a szeizmológiában" - R. E. Sheriff
Összefoglaló: A seriff mélyreható áttekintést nyújt a szeizmológiában alkalmazott digitális jelfeldolgozási technikákról. A könyv foglalkozik a szűréssel, a zajcsökkentéssel és a Fourier-transzformációval – amely a szeizmikus adatok elemzésének megértésének és a jelminőség javításának alapja.
Kulcsfogalom: Fourier-transzformáció F(ω)=∫−∞∞f(t)e−iωtdtF(\omega) = \int_{-\infty}^{\infty} f(t) e^{-i \omega t} dtF(ω)=∫−∞∞f(t)e−iωtdt A Fourier-transzformáció döntő fontosságú az f(t)f(t)f(t) időtartományjel F(ω)F(\omega)F(ω) frekvenciatartomány-ábrázolásává történő átalakításához. Ezt széles körben használják a szeizmikus jelfeldolgozásban a frekvenciatartalom elemzésére és a zajszűrésre.

3. Gépi tanulás a szeizmikus adatok értelmezésében

Referencia: "Machine Learning in Geophysical Exploration: Advances and Challenges" - M. Bianco et al.
Összefoglaló: Ez a tanulmány a szeizmikus adatok értelmezésére alkalmazott legmodernebb gépi tanulási technikákat vizsgálja. Hangsúlyozza az automatizált funkciókinyeréshez és mintafelismeréshez használt mély tanulási keretrendszereket, bemutatva azok potenciálját a régészeti felfedezések javításában.

4. Tomográfiai képalkotás és inverz modellezés

Hivatkozás: "Szeizmikus tomográfia és felszín alatti képalkotás" - D. M. Boore
Összefoglaló: Boore munkája részletes áttekintést nyújt a felszín alatti képalkotás tomográfiai módszereiről. A tanulmány az inverziós technikákat tárgyalja, ahol szeizmikus adatokat használnak a föld alatti jellemzők rekonstruálására. Ez a módszer kritikus fontosságú az ősi sírok, eltemetett templomok és elveszett városok felderítésében.
Kulcsfogalom: Inverz problémamegoldás Tekintettel az előre modellre: d=Gmd = Gmd=Gm, ahol ddd az adat, GGG az előremenő operátor, és mmm a modell, a cél az mmm: m=G−1dm = G^{-1}dm=G−1d Ez az inverz problémamegközelítés kulcsfontosságú a tomográfiai képalkotásban, lehetővé téve a felszín alatti szerkezet rekonstrukcióját.

5. Földbe hatoló radar vs. szeizmikus módszerek

Hivatkozás: "A talajbehatoló radar és a szeizmikus technikák összehasonlítása régészeti lelőhelyek felmérésében" - A. Conyers
Összefoglaló: Ez a tanulmány szembeállítja a földradar (GPR) és a szeizmikus módszerek előnyeit és korlátait a felszín alatti kutatásban. Betekintést nyújt az egyes technikák egyedi felbontási különbségeibe, behatolási mélységeibe és értelmezési kihívásaiba, útmutatást nyújtva a régészeti kutatásban való kiegészítő felhasználásukhoz.

Esettanulmányok a szeizmikus régészetben

1. Az ókori egyiptomi sírok felfedezése

Esettanulmány: "Szeizmikus módszerek rejtett sírokat tárnak fel a Királyok völgyében" - M. H. Lehner
Összefoglaló: Ez az esettanulmány részletezi a szeizmikus fénytörési felmérések használatát rejtett sírok és temetkezési kamrák feltárására az egyiptomi Királyok völgyében. A szeizmikus adatok segítettek megkülönböztetni a sűrű kőzetet és az üres tereket, feltárva a korábban ismeretlen temetkezési helyeket.
Alkalmazott technikák: szeizmikus reflexiós és fénytörési felmérések T = DVT = \frac{D}{V}T=VD Ahol TTT a szeizmikus hullám utazási ideje, DDD a távolság, VVV pedig a hullám sebessége a közegen keresztül. Ezt az alapelvet alkalmazták a felszín alatti variációk feltérképezésére és az üregek azonosítására.

2. A nagy piramisok rejtett kamrái

Esettanulmány: "Szeizmikus tomográfia használata rejtett kamrák keresésére a gízai piramisokban" - Z. Hawass
Összefoglaló: A kutatók szeizmikus tomográfiát alkalmaztak a Nagy Piramisok belsejének szkennelésére, azzal a céllal, hogy azonosítsák a rejtett kamrákat vagy átjárókat. Elemezve azt az időt, amely alatt a szeizmikus hullámok áthaladnak a piramis belső struktúráin, észlelhetik a potenciális üregeket vagy szobákat jelző anomáliákat.
Vizualizációs módszer: 3D szeizmikus tomográfia, ahol a felszín alatti felületet különböző tulajdonságokkal (pl. sebességváltozásokkal) rendelkező térfogati képként ábrázolják, színekkel vagy intenzitással kódolva.

3. Ősi templomok feltérképezése Dél-Amerikában

Esettanulmány: "Szeizmikus felmérések a mezoamerikai régészeti lelőhelyeken" - J. Marcus
Összefoglaló: Ez a tanulmány a szeizmikus reflexiós technikák sikeres alkalmazását tárgyalja az eltemetett templomok és szertartási struktúrák feltérképezésére a mezoamerikai régészeti lelőhelyeken. A tanulmány rávilágít arra, hogy a szeizmikus módszerek hogyan tették lehetővé a sűrű növényzettel és kihívást jelentő tereppel rendelkező területek nem invazív feltárását.

4. A római infrastruktúra feltárása

Esettanulmány: "Szeizmikus visszaverődés a római utak és falak felfedezéséhez" - S. P. Hales
Összefoglaló: Ez az esettanulmány leírja a szeizmikus reflexiós felmérések használatát az ókori római utak, vízvezetékek és védelmi falak felfedezésére a városi környezet alatt. A sekély mélységű szeizmikus hullámok alkalmazásával a régészek meg tudták határozni az ember alkotta struktúrákat, annak ellenére, hogy közel vannak a modern infrastruktúrához.

5. Sikertelen felmérések és adatértelmezési buktatók

Esettanulmány: "A szeizmikus adatok félreértelmezése régészeti ásatások során" - C. Matthews
Összefoglaló: Ez a tanulmány megvizsgálja a szeizmikus adatok értelmezésének gyakori buktatóit, dokumentálva azokat az eseteket, amikor az anomáliákat tévesen régészeti jellemzőkként azonosították. Hangsúlyozza a több geofizikai módszer integrálásának, a megfelelő kalibrálásnak és a szakértői értelmezésnek a fontosságát a felszín alatti térképezés hibáinak elkerülése érdekében.

További források

Webhelyek és adatbázisok: A következő online források hozzáférést biztosítanak adatkészletekhez, szimulációs szoftverekhez és közösségi beszélgetésekhez:

IRIS Seismic Data Repository – A szeizmikus adatok átfogó adatbázisa kutatási és oktatási célokra.
SEG Wiki – A Felfedező Geofizikusok Társasága által fenntartott műszaki enciklopédia.
Geophysics Open-Source Software (GOSS) - A geofizikában használt nyílt forráskódú szoftvereszközök gyűjteménye.

Konferenciák és szimpóziumok: A szeizmikus régészet legújabb kutatásainak naprakészen tartásához szükséges legfontosabb konferenciák a következők:

EGU Közgyűlés (European Geosciences Union)
SEG éves találkozó (Exploration Geophysicists Társaság)
ISAP (Nemzetközi Archeometriai és Régészeti Szimpózium)

Ez a tudományos cikkek, könyvek, esettanulmányok és további források választéka szilárd alapot nyújt mindazok számára, akik mélyebben szeretnének belemerülni a szeizmikus régészetbe, az elméleti alapoktól a gyakorlati esettanulmányokig.

11.4 Kapcsolatfelvétel szakmai szervezetekkel és felmérési szolgáltatásokkal

A szakmai szervezetekkel és felmérési szolgáltatásokkal való kapcsolat kulcsfontosságú lépés mind a szeizmikus régészet szakértelmének fejlesztésében, mind a felszín alatti kutatáshoz szükséges speciális eszközökhöz és ismeretekhez való hozzáférésben. Ez a rész útmutatást nyújt néhány kulcsfontosságú szakmai szövetséghez, felmérési szolgáltatóhoz és további forrásokhoz, amelyek segíthetnek a szeizmikus feltárás útján.

1. Szeizmikus és régészeti felméréssel foglalkozó szakmai szövetségek

Felfedező Geofizikusok Társasága (SEG)

Weboldal: https://seg.org/
Cél: Az SEG a geofizikusok egyik vezető szakmai szervezete, amely oktatási forrásokat, kiadványokat és konferenciákat kínál a geofizikai technológiák fejlesztésével, beleértve a régészeti felmérésben használtakat is.
Tevékenységek: Itt rendezik meg az éves SEG Nemzetközi Kiállítást és Éves Találkozót, ahol a szeizmikus kutatás legmodernebb technikáit mutatják be. Az SEG folyóiratok és kiadványok széles skálájához is hozzáférést biztosít, mint például a "Geophysics" és a "The Leading Edge".

Geofizikai Vállalkozók Nemzetközi Szövetsége (IAGC)

Weboldal: https://www.iagc.org/
Cél: Az IAGC képviseli a geofizikai ipart, az adatgyűjtésre, a geofizikai felmérésekre és a szeizmikus technológiák fejlesztésére összpontosítva. Támogatja a szeizmikus módszerek alkalmazásának legjobb gyakorlatait és szabályozását, amelyek különösen fontosak a régészeti és környezeti felmérések során.
Források: A tagság hozzáférést biztosít az ipari szabványokhoz, a műszaki dokumentumokhoz és a jóváhagyott felmérési vállalkozók jegyzékéhez.

Európai Geológusok és Mérnökök Szövetsége (EAGE)

Weboldal: https://www.eage.org/
Cél: Az EAGE multidiszciplináris platformot biztosít a geofizika, a geológia és a kapcsolódó tudományágak fejlődéséhez. Aktív szerepet játszik a régészeti kutatások geofizikai alkalmazásának előmozdításában.
Események és források: Az EAGE különböző workshopokat, webináriumokat és oktatási kurzusokat tart, és olyan kiadványokat készít, mint a "First Break", amely rendszeresen tartalmaz geofizikai felmérési technikákkal kapcsolatos kutatásokat és esettanulmányokat.

Nemzetközi Régészeti Kutató Társaság (ISAP)

Weboldal: https://www.archprospection.org/
Cél: Az ISAP elkötelezett a geofizikai módszerek, köztük a szeizmikus technikák régészeti feltárásra és műemlékek felderítésére való alkalmazásának előmozdítása iránt. Támogatják a technológia és a terepmunka integrációját, ösztönözve az interdiszciplináris együttműködést.
Források: Az ISAP kétévente rendezi meg a régészeti kutatásról szóló nemzetközi konferenciát, és esettanulmányokat, kutatási cikkeket és bevált gyakorlati útmutatókat biztosít a régészeti geofizikai felmérésekhez.

2. Felmérési szolgáltatások és technikai segítségnyújtást nyújtó szolgáltatók

A professzionális felmérési szolgáltatások elengedhetetlenek a szeizmikus módszerek hatékony helyszíni alkalmazásához. Az alábbiakban néhány figyelemre méltó szolgáltató és műszaki tanácsadó cég található.

Geosense: Régészeti felmérés és adatelemzés

Szolgáltatások: Régészeti geofizikai szolgáltatások teljes körét kínálja, beleértve a szeizmikus visszaverődési és fénytörési felméréseket, a talajon áthatoló radart (GPR) és az elektromágneses módszereket.
Megközelítés: A Geosense több geofizikai módszer kombinálására specializálódott a felszín alatti anomáliák észlelésének javítása érdekében, és adatgyűjtési és részletes értelmezési szolgáltatásokat nyújtanak.

Archeoseis: szeizmikus megoldások a régészet számára

Specializáció: Az archeoseis kizárólag a szeizmikus módszerek régészeti és örökségi helyszíneken történő alkalmazására összpontosít. Személyre szabott szeizmikus felméréseket biztosítanak, beleértve a nagy felbontású szeizmikus tomográfiát és a 3D képalkotást, hogy észleljék az eltemetett struktúrákat és üregeket.
Nevezetes projektek: Portfóliójuk magában foglalja a római utak, az ókori templomok és az elsüllyedt települések felmérését, különös tekintettel a nem invazív módszerek alkalmazására a helyszín zavarásának minimalizálása érdekében.

Geoarch kutatás

Szolgáltatások: A Geoarch Prospection geofizikai felméréseket biztosít régészeti kutatásokhoz, beleértve a szeizmikus és mágneses módszereket is. Munkájuk során a felszín alatti szerkezetek feltérképezésének költséghatékony és roncsolásmentes megoldásaira helyezik a hangsúlyt.
Szakértelem: A vállalat tapasztalattal rendelkezik kihívást jelentő környezetekben, például városi környezetben és sűrűn vegetált területeken, fejlett jelfeldolgozási technikák alkalmazásával a zaj leküzdésére és az adatminőség javítására.

Geotek megoldások

Fókusz: A szeizmikus és geofizikai adatfeldolgozás műszaki tanácsadására specializálódott. A Geotek régészeti projekteket támogat felmérési tervek kidolgozásában, jelfeldolgozó algoritmusok optimalizálásában és összetett szeizmikus adatkészletek értelmezésében.
Szoftvereszközök: Számos geofizikai szoftverplatformot támogat, és képzéseket tart a szeizmikus adatok elemzéséről, beleértve a gépi tanulás és a mesterséges intelligencia használatát a funkciók kinyerésében.

3. Akadémiai és kormányzati kutatóintézetek

Brit Geológiai Szolgálat (BGS)

Weboldal: https://www.bgs.ac.uk/
Szerep: A BGS állami kutatóintézet, amely forrásokat kínál geofizikai felmérésekhez, beleértve a szeizmikus adatokat is. Nyílt forráskódú szoftvereket, adatkészleteket és technikai szakértelmet biztosítanak a szeizmikus felmérések elvégzéséhez, régészeti és környezeti tanulmányokban egyaránt.

Egyesült Államok Geológiai Szolgálata (USGS)

Weboldal: https://www.usgs.gov/
Szerep: Az USGS egy kormányzati ügynökség, amely a természeti erőforrások és a földtudomány tanulmányozására összpontosít. Szeizmikus adatokat, térképészeti eszközöket és szeizmikus feltárási technikákkal kapcsolatos kutatásokat kínál, amelyek hasznosak a régészek számára, akik technikai támogatást vagy adatkészleteket keresnek a helyszín kutatásához.

A Bécsi Egyetem Régészeti Kutatószolgálata (APSU)

Weboldal: https://apsu.univie.ac.at/
Szerep: Az APSU egy egyetemi alapú szolgáltatás, amely speciális geofizikai felméréseket végez régészeti célokra, beleértve a szeizmikus és GPR felméréseket is. A szolgáltatás kutatással és oktatással is foglalkozik, innovatív technikákat fejlesztve ki a felszín alatti kutatáshoz.

4. Hogyan közelítsük meg a szakmai szövetségeket és a felmérési szolgáltatásokat?

Kulcsfontosságú pontok a kapcsolatfelvételkor

Világosan határozza meg céljait: Amikor felveszi a kapcsolatot egy felmérési szolgáltatással vagy egyesülettel, egyértelműen határozza meg a szeizmikus feltárás célját, az érdeklődési területet, valamint az elérni kívánt konkrét technikákat vagy eredményeket (pl. 3D képalkotás, üregérzékelés).
Kérdezzen rá a rendelkezésre álló forrásokra és a tagság előnyeire: Számos egyesület biztosít hozzáférést a képzésekhez, szoftverekhez és adatkészletekhez a tagjai számára. Hasznos lehet érdeklődni ezekről az erőforrásokról, különösen, ha új vagy a szeizmikus módszerekben.
Beszélje meg a költségvetést és az ütemtervet: A felmérési szolgáltatások esetében beszélje meg a költségvetési korlátokat, az ütemtervet és az esetleges logisztikai kihívásokat. Ezeknek a tényezőknek a korai kommunikációja segít a szolgáltatónak abban, hogy személyre szabott megoldást kínáljon a projekt követelményeinek kielégítésére.

E-mail sablon a Survey Services kapcsolatfelvételéhez

Tárgy: Érdeklődés a régészeti lelőhely szeizmikus felmérési szolgáltatásairól

Tisztelt [Szolgáltató neve/beosztása],

Azért írok, hogy érdeklődjek a szeizmikus felmérési szolgáltatásaikról egy közelgő régészeti projekthez a [Helyszín/Régió] címen. Célunk egy [felmérés típusa: pl. szeizmikus reflexió/tomográfia] elvégzése a lehetséges felszín alatti struktúrák vagy anomáliák feltérképezésére, amelyek eltemetett műemlékekre vagy jellemzőkre utalhatnak.

A szóban forgó webhely bemutatja [a helyszín rövid leírását és az ismert kihívásokat]. Különösen érdekelnek minket [konkrét eredmények: pl. nagy felbontású 3D képalkotás, üregek vagy üregek észlelése].

Nagyra értékelnék minden információt, amelyet az ilyen projektek elérhetőségével, szolgáltatási költségeivel és technikai megközelítésével kapcsolatban tudna nyújtani. Ezenkívül, ha bármilyen előkészítő követelmény vagy ajánlás van a felmérés sikerének biztosítására, hálásak lennénk útmutatásáért.

Köszönjük az idejét és a figyelmességét.

Üdvözlettel: [Az Ön neve] [Az Ön kapcsolata/szervezete] [Kapcsolattartási adatok]

Ennek az útmutatónak az a célja, hogy összekapcsolja a kutatókat és a gyakorlati szakembereket a megfelelő szakmai erőforrásokkal szeizmikus régészeti projektjeik támogatásához, biztosítva, hogy minden feltárási erőfeszítést szakértői ismeretek, szolgáltatások és eszközök támogassanak.

Az űrlap teteje

Techno realizmus

2024. október 5., szombat

Visszhangok a föld alatt: technikák és kihívások az akusztikus és szeizmikus emlékművek észlelésében

Nincsenek megjegyzések:

Megjegyzés küldése