廣告　商業(yè)廣告，理性選擇

　　《CUDA 加速下的九分量互相關(guān)算法在地震背景噪聲信號處理中應(yīng)用》論文提出的基于CUDA加速的九分量互相關(guān)算法，主要用于地震信號處理領(lǐng)域。然而，其高效的并行計算能力和對復(fù)雜數(shù)據(jù)的處理優(yōu)勢，使其在石油行業(yè)的地震勘探和儲層監(jiān)測中具有潛在的應(yīng)用價值。

　　1. 地震勘探數(shù)據(jù)處理：

　　石油勘探過程中，地震數(shù)據(jù)的處理和分析是關(guān)鍵環(huán)節(jié)。傳統(tǒng)的CPU計算方法在處理大規(guī)模地震數(shù)據(jù)時可能存在效率瓶頸。 采用CUDA加速的九分量互相關(guān)算法，可以通過GPU的并行計算能力，顯著提高地震數(shù)據(jù)處理的速度和效率。

　　2. 儲層監(jiān)測與成像：

　　高效的地震數(shù)據(jù)處理有助于更精確地提取地下結(jié)構(gòu)信息。通過加速的互相關(guān)算法，可以更清晰地識別地層特征，提升地震成像的分辨率和準(zhǔn)確性。 這對于石油勘探中的儲層識別和評估至關(guān)重要。

　　3. 計算成本與效率：

　　GPU的高性能計算能力使得在相同時間內(nèi)處理更多的數(shù)據(jù)成為可能。這不僅提高了工作效率，還可能降低計算資源的消耗和成本。 對于需要處理大量地震數(shù)據(jù)的石油公司而言，具有重要的經(jīng)濟意義。

　　4. 支持復(fù)雜的地震反演和建模：

　　石油勘探中，地震反演和建模是理解地下結(jié)構(gòu)的關(guān)鍵技術(shù)。加速的九分量互相關(guān)算法可以處理更復(fù)雜的地震數(shù)據(jù)，支持更精細(xì)的反演和建模工作。這有助于提高儲層描述的精度和可靠性。

　　5. 促進技術(shù)創(chuàng)新和應(yīng)用：

　　將CUDA加速技術(shù)應(yīng)用于地震信號處理，展示了高性能計算在地球物理領(lǐng)域的潛力。 石油行業(yè)可以借鑒這一經(jīng)驗，探索更多高性能計算技術(shù)在勘探和開發(fā)中的應(yīng)用，推動技術(shù)創(chuàng)新。

　　綜上所述，《CUDA 加速下的九分量互相關(guān)算法在地震背景噪聲信號處理中應(yīng)用》論文為石油行業(yè)提供了在地震數(shù)據(jù)處理、成像、建模等方面的技術(shù)借鑒，有助于提升勘探效率和精度，降低成本，促進技術(shù)進步。

　　該研究通過并行計算，有效地縮短了處理時間，為地震學(xué)研究提供了新的技術(shù)路徑。其方法不僅具有較高的計算效率，還在實際應(yīng)用中取得了顯著成果。其高效的信號處理能力為潤滑油行業(yè)的性能評估和質(zhì)量控制提供了潛在的技術(shù)參考。中國潤滑油信息網(wǎng)轉(zhuǎn)載此文，旨在為潤滑油行業(yè)的科研人員和工程師提供先進的信號處理技術(shù)參考，促進跨領(lǐng)域的技術(shù)交流與合作。

　　我們期待該研究成果的推廣能為潤滑油行業(yè)的優(yōu)化性能測試、模擬工況分析、質(zhì)量檢測與監(jiān)控、設(shè)備故障診斷與預(yù)測、 產(chǎn)品研發(fā)與創(chuàng)新等方面提供新的思路和方法。

　　1 背景與動機

　　大洋風(fēng)暴翻騰不息，掀起洶涌海浪。這些海浪產(chǎn)生的微弱信號，遠(yuǎn)在陸地的地震臺也能聽到。從上世紀(jì)中葉起，科學(xué)家們便開始關(guān)注這些幾乎被湮沒在地震圖中的背景噪聲；新世紀(jì)以來，噪聲成像方法逐漸被廣泛應(yīng)用，乃至成為一種常規(guī)手段，為我們更加全面地探測地球內(nèi)部打開了新視角。

　　海浪激發(fā)地脈動信號示意圖。風(fēng)暴激起的海浪將力作用于海底和海岸，通過固體地球?qū)⑿盘杺鬟f到遠(yuǎn)處陸地上的觀測臺陣 （Prieto, 2012）

　　與依賴天然地震或主動震源的研究方法相比，噪聲地震學(xué)使用截然不同的信號源。地震背景噪聲(Ambient Noise) 幾乎在地球上無時無刻不在發(fā)生，它源自海浪、微震、各種環(huán)境振動及人類活動等。

　　通過對不同臺站的噪聲進行互相關(guān)處理，我們能從嘈雜信號中提取出兩個臺站之間的經(jīng)驗格林函數(shù)(Empirical Green’s function) ，對應(yīng)臺站之間地下介質(zhì)對脈沖信號的響應(yīng)。

　　這一技術(shù)不僅可應(yīng)用于地球內(nèi)部結(jié)構(gòu)的成像，還能用于監(jiān)測局部區(qū)域的速度變化、應(yīng)力場演化等，為我們揭示地球內(nèi)部的演化過程。

　　地震儀通常在三個方向上記錄地震動信號，包括東西（E-W），南北（N-S）和垂直方向（U-D），當(dāng)我們對兩個臺站的三分量信號進行互相關(guān)時，就會得到九分量互相關(guān)函數(shù)。不同分量的互相關(guān)函數(shù)里，蘊含了不同類型變形信息：

　　Z-Z（垂直-垂直分量）常常含有豐富的瑞利波，用于分析地下SV波速度結(jié)構(gòu)和方位各向異性。

　　T-T分量（垂直于臺站連線的水平分量）則包含豐富的勒夫波，可用于反演SH波速度結(jié)構(gòu)。勒夫波和瑞利波的頻散曲線可聯(lián)合揭示地下介質(zhì)的徑向各向異性。

　　這些信息幫助我們認(rèn)識地下結(jié)構(gòu)的三維空間變化和介質(zhì)的變形特征，也為后續(xù)成像與監(jiān)測研究帶來更多可能。

　　然而，面對日益增多的臺站與不斷延長的觀測時長，如何快速高效地完成龐大的九分量互相關(guān)計算，成了一個亟待解決的關(guān)鍵問題。

　　2 海量計算挑戰(zhàn)

　　海量計算規(guī)模是九分量互相關(guān)計算面臨的第一個挑戰(zhàn)，也是最基本的挑戰(zhàn)。

　　當(dāng)臺站數(shù)量為 N 時，每兩臺站之間都要做互相關(guān)，參與計算的臺站對總數(shù)達(dá)到 N×(N?1)/2。而每對臺站的三分量又需與另一臺站的三分量逐一互相關(guān)，計算量隨之增加 9 倍。更何況，這些互相關(guān)往往要對連續(xù)波形記錄開展，動輒幾個月甚至幾年的數(shù)據(jù)累積，體量之大令人咋舌。

　　在如此龐大的數(shù)據(jù)規(guī)模下，即使是CPU 多核并行計算方案 也往往需要漫長的計算時間。有的團隊會將數(shù)據(jù)打包上傳到云端或分布式集群，雖然能將運算負(fù)載分擔(dān)到各個節(jié)點上，但昂貴的費用和網(wǎng)絡(luò)傳輸瓶頸也隨之而來。

　　于是，更具靈活性的方案——CPU-GPU 異構(gòu)并行計算開始受到關(guān)注。通過CPU-GPU異構(gòu)計算，我們能在一臺裝載一張或多張GPU設(shè)備的工作站上，處理海量九分量互相關(guān)數(shù)據(jù)，顯著縮短計算周期。這為大規(guī)模背景噪聲研究掃清了關(guān)鍵障礙。

　　接下來，我們將具體探討GPU 加速在九分量互相關(guān)中的原理與實現(xiàn)。

　　3 CUDA計算技術(shù)

　　可以打一個簡單的比方：

　　CPU 就像手藝高超但人數(shù)有限的專家團隊，能獨立完成各種精巧操作，卻難以同時處理海量重復(fù)性工作。

　　GPU 則像由成百上千名普通工匠組成的大軍，雖然每位工匠只能干相對簡單的活兒，卻能齊頭并進、同時出力。

　　CPU：少量強大的核心，適合復(fù)雜、單線程任務(wù)，如邏輯計算、系統(tǒng)管理。GPU：海量小核心，適合并行計算、批量處理，如圖像渲染、深度學(xué)習(xí)。本圖由 GPT 使用DALL·E 自動生成，直觀展示CPU 和GPU 的工作模式差異。

　　CUDA (Compute Unified Device Architecture)是NVIDIA 推出的開發(fā)環(huán)境，能夠讓研究者輕松指揮這支 GPU 大軍。

　　對于地震學(xué)從業(yè)者來說，在CUDA的助力下，只要把適合并行的那部分算法（如 FFT、卷積或互相關(guān)）包裝好，調(diào)用合適的函數(shù)或庫，就能充分釋放 GPU 的算力。

　　為什么地震學(xué)格外適合 GPU 加速？

　　因為在許多場景中（如互相關(guān)、卷積、數(shù)值積分、有限差分模擬），我們需要進行成千上萬次類似的運算。這些操作都有一個共同點：可將大塊數(shù)據(jù)拆分成無數(shù)小任務(wù)，再并行派給 GPU 核心處理。如此一來，以往在 CPU 環(huán)境下可能需要數(shù)天甚至更久的計算，借助 GPU 通常能在數(shù)小時甚至更短時間內(nèi)完成，大大提升研究與應(yīng)用效率。

　　4 預(yù)處理和疊加：提升NCF信噪比的關(guān)鍵

　　要真正從背景噪聲中挖掘出有用信號，互相關(guān)之前，往往少不了預(yù)處理。

　　為什么要預(yù)處理？因為我們收集到的連續(xù)記錄里，既有微震、海潮、風(fēng)浪帶來的隨機振動，也可能混進高能強震或其他非背景事件（例如PL源，Persist and Localized Source, 固定位置持續(xù)發(fā)出固定頻率信號的噪聲源）。如果不及時抑制這些無關(guān)干擾，互相關(guān)結(jié)果中就可能出現(xiàn)顯著的無物理意義的信號。

　　常見的預(yù)處理方式包括時間域歸一化（如one-bit、滑動窗平均歸一化）和頻域譜白化（frequency-domain whitening）。

　　它們的主要思路是在時間和頻率兩個維度上將噪聲均衡化，避免特定時段或頻帶能量過于集中，從而干擾后續(xù)互相關(guān)的結(jié)果。在我們的工作中，我們進一步引入了分頻帶滑動窗時間域歸一化（Multi-band running absolute time domain normalization）(Zhang et al., 2018)，進一步提升了目標(biāo)信號的信噪比。

　　(a)使用不同預(yù)處理手段對噪聲信號進行預(yù)處理后得到的互相關(guān)函數(shù)。 (b)使用分頻帶滑動窗時間域歸一化+譜白化；(c)譜白化+不分頻帶的滑動窗時間域歸一化

　　那么，獲得互相關(guān)函數(shù)之后，該怎么進一步通過疊加提升互相關(guān)函數(shù)中主要信號的信噪比（SNR）呢？最簡單的線性疊加并不能總是抑制噪聲。根據(jù)高斯噪聲的特性，信噪比與線性疊加數(shù)量的平方根成正比。

　　這時就需要效率更高的相位加權(quán)疊加（Phase-Weighted Stacking，PWS）和時頻相位加權(quán)疊加(tf-PWS) (Schimmel et al. 1997; Schimmel et al., 2011)出馬了：

　　·PWS 通過捕捉不同時段互相關(guān)結(jié)果在相位上的一致性來賦予權(quán)重，從而抑制相位紊亂的噪聲；

　　·tf-PWS 更進一步，將相位加權(quán)操作延伸到時-頻域，不同頻率成分在不同時間段都能得到“個性化”加權(quán)，進而讓信噪比獲得更全面的提升。

　　不同疊加方法的互相關(guān)函數(shù)結(jié)果，測試數(shù)據(jù)為日本Hi-net，(a)中黑色三角形為測試臺站。

　　值得一提的是，在我們的計算框架里，預(yù)處理和高級疊加算法也借由CUDA實現(xiàn)了并行加速。對高信噪比處理技術(shù)的高性能優(yōu)化，為我們帶來更加優(yōu)質(zhì)、高效、干凈和豐富的互相關(guān)結(jié)果。

　　5 我們的解決方案

　　在此前提及的預(yù)處理與疊加技術(shù)基礎(chǔ)上，我們搭建了一套 CPU+GPU 異構(gòu)計算框架，以兼顧靈活性與高效性。

　　通過這種CPU負(fù)責(zé)管理調(diào)度(以及不多的數(shù)據(jù)處理)、GPU 專注數(shù)值并行的模式，重復(fù)性最強、計算量最大的互相關(guān)和信號處理環(huán)節(jié)可以在 GPU 上獲得顯著加速，而CPU 則更好地承擔(dān)文件讀寫與流程管理任務(wù)，最大化整體效率。

　　速度對比：CPU并行 vs. CPU-GPU異構(gòu)

　　為驗證加速效果，我們選取了305個三分量臺站連續(xù)92天的噪聲記錄作為測試數(shù)據(jù)，數(shù)據(jù)采樣率為10Hz，數(shù)據(jù)規(guī)模為243GB。

　　若僅用CPU并行方案（在我們的實驗中使用了60個核心），一次完整的九分量互相關(guān)往往需要幾天甚至數(shù)周；而在 CPU-GPU 并行方案下，通過合理的顯存管理與算法設(shè)計，運算時間可顯著縮短至不到一天，加速比達(dá)到176。

結(jié)果檢驗

　　架構(gòu)設(shè)計為了讓研究者在實際操作中更加便捷高效，我們對CPU 端與GPU 端做了明確分工，并通過多任務(wù)隊列來調(diào)度多張顯卡：

　　CPU 端任務(wù)

　　SAC 文件匹配：借助正則表達(dá)式快速篩選所需地震記錄，極大地方便用戶導(dǎo)入數(shù)據(jù)。

　　濾波器設(shè)計：在此階段靈活定義濾波參數(shù)，為后續(xù) GPU 大規(guī)模并行處理做準(zhǔn)備。

　　多卡調(diào)度：使用 ThreadPoolExecutor(源自concurrent.futures)管理多任務(wù)隊列，將數(shù)據(jù)批次動態(tài)分配給多張GPU，充分利用硬件資源。

　　GPU 端任務(wù)  

　　并行濾波、譜白化與時間域歸一化：在 GPU 上完成大量重復(fù)性預(yù)處理操作，大幅降低傳統(tǒng) CPU 串行或小規(guī)模并行方式下的時間損耗。

　　自適應(yīng)批次（Adaptive Batch Size）互相關(guān)：根據(jù)數(shù)據(jù)規(guī)模自動調(diào)整批次大小來做互相關(guān)，既充分利用顯存，又適應(yīng)小規(guī)模及超大規(guī)模數(shù)據(jù)的處理需求。

　　PWS/tf-PWS 疊加框架：在 GPU 上直接調(diào)用高階疊加算法（PWS、tf-PWS），讓原本耗時巨大的信號增強流程也能順暢融入常規(guī)化處理。

　　兩種對連續(xù)波形數(shù)據(jù)進大規(guī)?；ハ嚓P(guān)分批處理的手段。(a) 優(yōu)先處理同一時段所有臺站對的數(shù)據(jù)，(b) 優(yōu)先處理單一臺站對所有時間段的數(shù)據(jù)。兩種方法都可以根據(jù)GPU內(nèi)存能力進行自動化分批處理。

　　在這樣一套架構(gòu)下，CPU主要負(fù)責(zé)數(shù)據(jù)組織與任務(wù)調(diào)度，GPU 則專攻計算密集型環(huán)節(jié)，從而達(dá)成最大化整體效率的目標(biāo)。對用戶而言，無需深度掌握 GPU 的底層指令或編程邏輯，只要準(zhǔn)備好 SAC 數(shù)據(jù)、指定必要參數(shù)，系統(tǒng)便可自動完成從預(yù)處理到九分量互相關(guān)及后續(xù)疊加的一系列操作——既易用又高效。

　　此外，這種設(shè)計在動輒數(shù)百GB乃至更大規(guī)模的背景噪聲數(shù)據(jù)處理中尤為實用。以往，單機 CPU 可能算力吃緊，或者要耗費大量時間排隊云端和超算資源。現(xiàn)在，通過一臺帶顯卡的服務(wù)器，就能輕松完成海量九分量互相關(guān)與疊加處理，為后續(xù)的地震學(xué)成像和監(jiān)測研究提供強力支撐。

　　通過以上方法與成果，我們成功突破了九分量互相關(guān)在大規(guī)模數(shù)據(jù)下的運算瓶頸，也讓高階疊加算法（PWS、tf-PWS）的計算效率大幅提升。

　　6 總結(jié)

　　在大數(shù)據(jù)時代，密集臺陣對與長時間觀測的傳統(tǒng) CPU 難以招架背景噪聲互相關(guān)計算；而GPU 并行的出現(xiàn)，為我們提供了一個靈活、高效并且更具性價比的解決思路。

　　當(dāng)然，要想真正發(fā)揮GPU 并行的威力，還需要在程序設(shè)計和算法層面進行不斷優(yōu)化。像減少 CPU 與GPU 之間的頻繁數(shù)據(jù)傳輸、合理安排數(shù)據(jù)塊大小和巧用 GPU 共享內(nèi)存等技巧，都能顯著提升最終的加速效果。

　　展望未來，這種GPU 并行 + 先進算法 的思路并不限于九分量互相關(guān)。

　　任何具有大量可并行操作的數(shù)值流程都能從 GPU 算力中受益。在學(xué)術(shù)研究和生產(chǎn)實踐里，我們也能在更短時間內(nèi)完成更多迭代與更復(fù)雜的實驗，獲取更細(xì)致的結(jié)果。

　　更為重要的是，相比堆疊更多 CPU 核心或依賴大規(guī)模集群，單臺 GPU 工作站往往能在單位能耗下獲得更高的計算吞吐量，既節(jié)省成本（根據(jù)Google Cloud的報價推算，使用CPU-GPU異構(gòu)計算的成本是使用純粹CPU并行架構(gòu)的1/50），也更加綠色環(huán)保。

　　我們相信，在不遠(yuǎn)的將來，經(jīng)過CUDA加速并裝載了更高級疊加方法的九分量互相關(guān)計算程序，將會逐漸成為背景噪聲研究中的常規(guī)配置，幫助研究者高效處理海量數(shù)據(jù)、提煉更多細(xì)節(jié)，邁向更深更廣的未知領(lǐng)域。

　　聲明和致謝：

　　本程序最初由中國地震局地球物理研究所王偉濤老師委托中國科學(xué)技術(shù)大學(xué)網(wǎng)絡(luò)和信息中心的孫廣中、吳超老師團隊開發(fā)完成。最初的單分量版本加速代碼的相關(guān)論文已發(fā)表在在DOI: 10.1109/paap56126.2022.10010612。

　　后續(xù)的改進（包括預(yù)處理方法、批處理和多卡適配、高級疊加算法加速以及九分量擴展等）由本文作者中國科學(xué)技術(shù)大學(xué)博士研究生王景熙完成，相關(guān)成果已發(fā)表在High-performance CPU-GPU Heterogeneous Computing Method for 9-Component Ambient Noise Cross-correlation, Earthquake Research Advances, https://doi.org/10.1016/j.eqrea.2024.100357，

　　閱讀原文：

　　本程序已在https://github.com/wangkingh/FastXC上開源。

　　本文的測試數(shù)據(jù)來自日本精度密集臺網(wǎng)Hi-net以及中國科學(xué)技術(shù)大學(xué)姚華建老師課題組。程序已通過多套數(shù)據(jù)集的校驗測試，效果優(yōu)異，能夠完成不同尺度的數(shù)據(jù)規(guī)模的計算。相關(guān)程序，特別是經(jīng)過加速的高級疊加算法，已成功應(yīng)用于示范礦區(qū)成像、斷裂帶成像、區(qū)域結(jié)構(gòu)成像等實驗。

　　歡迎大家使用我們的程序并引用我們的論文，也歡迎大家提出各種建議和意見！同時，再次感謝在程序測試過程中各單位伙伴們的信任與支持！

　　參考文獻(xiàn):

　　1. Wang, J., et al., High-performance CPU-GPU Heterogeneous Computing Method for 9-Component Ambient Noise Cross-correlation. Earthquake Research Advances, 2025: p. 100357.

　　2. Prieto, G.A., Imaging the Deep Earth. Science, 2012. 338(6110): p. 1037-1038.

　　3. Schimmel, M. and H. Paulssen, Noise reduction and detection of weak, coherent signals through phase-weighted stacks. Geophysical Journal International, 1997. 130(2): p. 497-505.

　　4. Schimmel, M., E. Stutzmann, and J. Gallart, Using instantaneous phase coherence for signal extraction from ambient noise data at a local to a global scale. Geophysical Journal International, 2011. 184(1): p. 494-506.

　　5. Wu, C., et al., An Efficient Ambient Noise Cross-Correlation Algorithm on Heterogeneous CPU-GPU Cluster. 2022 IEEE 13th International Symposium on Parallel Architectures, Algorithms and Programming (PAAP), 2022: p. 1-5.

　　6. Zhang, Y., et al., 3-D Crustal Shear-Wave Velocity Structure of the Taiwan Strait and Fujian, SE China, Revealed by Ambient Noise Tomography. Journal of Geophysical Research: Solid Earth, 2018. 123(9): p. 8016-8031.

　　文章來源：ERA期刊/地震學(xué)科普