CN106154324A - 基于多道扫描叠加的井下微地震事件自动识别方法 - Google Patents

Abstract

本发明提供一种基于多道扫描叠加的井下微地震事件自动识别方法，该基于多道扫描叠加的井下微地震事件自动识别方法包括:对野外采集的原始微地震监测资料进行滤波，去除噪音干扰；选用滑动时窗将微地震记录划分成连续的多段记录；从分段记录中选择信噪比高的一道作为参考道，并计算参考道与其它各道的互相关函数，得到道时差信息；利用道时差信息调整各道的时窗位置对该段记录进行时差校正；计算多道相似系数，利用多道相似系数检测微地震事件。该基于多道扫描叠加的井下微地震事件自动识别方法，可以有效地从背景噪音中自动提取出微弱的微地震事件，提高识别效率的同时极大减轻了处理人员的劳动强度。

Description

基于多道扫描叠加的井下微地震事件自动识别方法

技术领域

本发明涉及油田开发技术领域，特别是涉及到一种基于多道扫描叠加的井下微地震事件自动识别方法。

背景技术

随着国内外非常规油气勘探开发程度的不断提高，水力压裂已经逐步成为提高非常规油气资源采收率的关键工程技术手段之一。水力压裂微地震监测技术是一项通过观测注水压裂过程所诱发的微弱地震事件来监测裂缝发育状况的技术，其中微地震事件的自动识别是该技术的一项关键处理步骤，其识别出的有效微地震事件数目将直接影响最终裂缝成像结果的可靠程度。通过观测注水压裂过程所诱发的微弱地震事件来监测裂缝发育状况的微地震监测技术也随之成为一项关键技术。微地震事件识别是以有效信号和环境噪声的差异识别为基础的，目前在微地震数据处理中最常用到的事件识别方法称为STA/LTA方法(即长、短时窗平均值之比)。STA/LTA方法最早用于天然地震研究领域中进行震相识别，许多专家学者对此做过深入的研究。STA/LTA方法的基本原理是利用有效信号与环境噪声在振幅(或能量)方面存在的明显差异来识别微地震事件，通过计算长、短滑动时窗内信号振幅(或能量)的平均值之比来作为检测微地震事件存在与否的依据。STA/LTA方法最显著的优点是原理简单、容易实现，但该方法只对识别信噪比较高的微地震事件较为有效，而对识别低信噪比事件则往往无法取得令人满意的效果。水力压裂所产生的大部分微地震事件的能量均十分微弱，容易湮没在环境噪声中。在处理过程中，如果仅仅采用信噪比较高的微地震事件进行裂缝作图，一般情况下只能对地下裂缝的形态特征和分布规律有一个大致的了解；如果能够从实际资料中识别出那些低信噪比事件，并利用这些事件进行裂缝成像，则有助于人们更加详细地了解裂缝的发育过程，对于改进压裂施工效率，提高油气藏改造的成功率具有重要的意义。为此我们发明了一种新的基于多道扫描叠加的井下微地震事件自动识别方法，解决了以上技术问题。

发明内容

本发明的目的是提供一种够从实际资料中识别出那些低信噪比事件，并利用这些事件进行裂缝成像，有助于人们更加详细地了解裂缝的发育过程的基于多道扫描叠加的井下微地震事件自动识别方法。

本发明的目的可通过如下技术措施来实现：基于多道扫描叠加的井下微地震事件自动识别方法，该基于多道扫描叠加的井下微地震事件自动识别方法包括:步骤1，对野外采集的原始微地震监测资料进行滤波，去除噪音干扰；步骤2，选用滑动时窗将微地震记录划分成连续的多段记录；步骤3，从分段记录中选择信噪比高的一道作为参考道，并计算参考道与其它各道的互相关函数，得到道之间的时差信息；步骤4，利用得到的道时差信息调整各道的时窗位置来对该段记录进行时差校正；以及步骤5，完成时差校正后，通过计算多道相似系数对事件和噪音进行区分，利用多道相似系数检测微地震事件的存在与否。

本发明的目的还可通过如下技术措施来实现：

步骤1包括：

分析原始微地震监测资料有效波、干扰的频谱特征；

选用合适的滤波参数对原始微地震监测资料进行滤波。

步骤2包括：

选用一个滑动时窗的长度；

利用滑动时窗的长度将整个微地震记录划分成连续的多段记录。

步骤3包括：

分析分段记录的信噪比；

选择分段记录中信噪比高的一道作为参考道，并计算该参考道与其它各道的互相关函数；

计算得到的互相关函数最大值所对应的时间采样点即为两道之间的时差。

在步骤3中，Rj为第j道和参考道之间的互相关函数，互相关函数的计算公式如下式：

$\begin{array}{c}{R}_j\left(n\right)=E\left[X_r\left(i\right)X_j(i+n)\right]\\ =\frac{1}{N}\underset{i=-\∞}{\overset{+\∞}{\mathrm{\Σ}}}{X}_r\left(i\right)X_j(i+n)\end{array}$

其中，r是参考道，j是第j道，n是指第j道相对于r道的时间位移量，N是归一化系数；

在计算互相关函数时，假设互相关函数Rj(n)的最大值所对应的时间采样点为nj,max，则它表示当Xj(i)向左或向右平移nj,max个采样点时，Xr(i)和Xj(i)的波形具有最大的相似度，因此，该时间采样点可视为两道之间的时差。

步骤4包括：

输入上述得到的时差信息；

根据每道记录的时差向前或向后移动其所对应的时窗。

步骤5包括：

完成时差校正后，计算多道相似系数；

预先设定一个触发阙值，进行比较；

某一时刻多道相似系数的值超过了预先设定的触发阈值，则在该时刻所对应的时窗内认为存在一个有效微地震事件。

在步骤5中，多道相似系数S的计算公式为：

$S=\frac{\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\left(\underset{j=1}{\overset{M}{\mathrm{\Σ}}}{X}_j\left(i\right)\right)}^2}{M\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\underset{j=1}{\overset{M}{\mathrm{\Σ}}}{X_j}^2\left(i\right)}$

公式中，Xj(i)表示第j道的第i个采样点，N为每道记录中的采样点个数，M为记录中总的道数。

在步骤5中，在预先设定触发阈值时，需要从一个较小的阈值开始，通过多次试验，直到选取某个值能够保证该方法的准确性达到要求，以避免触发阈值选取较小，增加错误识别的事件个数；或触发阈值选取较大，遗漏某些低信噪比事件。

本发明中的基于多道扫描叠加的井下微地震事件自动识别方法，在扫描过程中控制时间、强度门槛实现了连续记录中微地震事件自动识别，可以有效地从背景噪音中自动提取出微弱的微地震事件，提高识别效率的同时极大减轻了处理人员的劳动强度，对于改进压裂施工效率，提高油气藏改造的成功率具有重要的意义。

附图说明

图1为本发明的基于多道扫描叠加的井下微地震事件自动识别方法的一具体实施例的流程图；

图2为本发明的一具体实施例中基于多道扫描叠加的井下微地震事件自动识别方法的原理示意图；

图3为本发明的一具体实施例中合成微地震记录(各道数据均经过归一化处理)的示意图；

图4为本发明的一具体实施例中相似系数曲线；

图5为本发明的一具体实施例中STA/LTA比值曲线。

具体实施方式

为使本发明的上述和其他目的、特征和优点能更明显易懂，下文特举出较佳实施例，并配合附图所示，作详细说明如下。

如图1所示，图1为本发明的基于多道扫描叠加的井下微地震事件自动识别方法的流程图。

参照图1，在步骤110，对野外采集的原始微地震监测资料进行滤波，去除噪音干扰。

这里可对野外采集的原始微地震监测资料进行滤波，去除噪音干扰。步骤可包括：分析原始微地震监测资料有效波、干扰的频谱特征；选用合适的滤波参数对原始微地震监测资料进行滤波。这里频谱分析，滤波技术属于现有技术，为了不模糊本发明的主题，将不在这里进行详细描述。

在步骤120，选用滑动时窗将微地震记录划分成连续的多段记录的步骤可包括如下：选用一个滑动时窗的长度；利用滑动时窗的长度将整个微地震记录划分成连续的多段记录。如图2，第1道，第2道，第M—1道，第M道即为微地震记录。在选择该滑动时窗时要求其长度必须能够包含整个P波或S波初至，在实际应用时可以根据射孔记录来给出该时窗长度一个估计值。

在步骤130，从分段记录中选择信噪比高的一道作为参考道，并计算参考道与其它各道的互相关函数，得到道之间的时差信息，如图2中所示，互相关函数。Rj为第j道和参考道之间的互相关函数。互相关函数的计算公式如下式：

$\begin{array}{c}{R}_j\left(n\right)=E\left[X_r\left(i\right)X_j(i+n)\right]\\ =\frac{1}{N}\underset{i=-\∞}{\overset{+\∞}{\mathrm{\Σ}}}{X}_r\left(i\right)X_j(i+n)\end{array}$

r是参考道，j是第j道，n是指第j道相对于r道的时间位移量(这里是n个采样点值)，N是归一化系数。

在计算互相关函数时，假设互相关函数Rj(n)的最大值所对应的时间采样点为nj,max，则它表示当Xj(i)向左(或向右)平移nj,max个采样点时，Xr(i)和Xj(i)的波形具有最大的相似度，因此，该时间采样点可视为两道之间的时差。

在步骤140，利用得到的道时差信息调整各道的时窗位置来对该段记录进行时差校正。这里是根据每道记录的时差向前(或向后)移动其所对应的时窗。如果某一分段记录中包含了微地震事件的P波(或S波)初至，那么经过时差校正后，该初至波的同相轴会被拉平；而如果该分段记录中只含有随机噪声，那么经过时差校正后的记录中仍然只有噪声，图2所示，图中经过时差校正的记录(随机噪声)和经过时差校正的记录(微地震事件)。经过时差校正的记录(微地震事件)在不同记录道上能够表现出较好的波形一致性，而经过时差校正的记录(随机噪声)是互不相关的

在步骤150，计算多道相似系数对事件和噪音进行区分，利用多道相似系数检测微地震事件。在这里在完成时差校正后，计算一个多道相似系数来对事件和噪音进行筛选和识别。相似系数的计算公式为

$S=\frac{\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\left(\underset{j=1}{\overset{M}{\mathrm{\Σ}}}{X}_j\left(i\right)\right)}^2}{M\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\underset{j=1}{\overset{M}{\mathrm{\Σ}}}{X_j}^2\left(i\right)}$

公式中，Xj(i)表示第j道的第i个采样点，N为每道记录中的采样点个数，M为记录中总的道数。

利用该相似系数作为检测微地震事件存在与否的依据，即如果某一时刻它的值超过了预先设定的触发阈值，则在该时刻所对应的时窗内认为存在一个有效微地震事件。见图2所示，从图2中可以看出触发阈值是本方法的一个关键参数，其值选取得是否合适将极大影响该方法的检测能力和准确性。如果该阈值选取较小，将有助于识别信噪比较低的微地震事件，但这样做可能会增加错误识别的事件个数；反之，如果该阈值选取较大，虽然可以减小该方法的误拾率，但却有可能遗漏某些低信噪比事件。在实际应用时，如果仅仅需要提取出少数信噪比较高的微地震事件，则可以选取一个较大的触发阈值；而如果为了识别尽可能多的微地震事件，则需要从一个较小的阈值开始，通过多次试验，直到选取某个值能够保证该方法的准确性达到要求。

在应用本发明的一具体实施例中，利用合成数据来检验本方法的应用效果。图3为该算例所采用的合成微地震记录，其中包含了4个具有不同信噪比(从左到右依次为25.5,19.0,11.5和-2.5dB)的有效事件。这些事件是由同一子波(即一个50Hz雷克子波的一阶导数)按照不同的走时规律进行延迟合成得到的。另外对每个事件分别乘以了不同的加权系数以模拟不同传播路径对地震波产生的衰减效应。

在利用这一方法处理该合成数据时，选用的触发阈值为0.1，并选择第1道数据作为各分段记录的参考道。图4显示的是最终计算得到的相似系数曲线，其中横线表示触发阈值(0.1)，箭头表示在图3中4个有效事件所在的时段内超过触发阈值的峰值位置。通过该图可以看出，该相似系数曲线的4个峰值(图中箭头指示的位置)均超过了我们预先设定的触发阈值，并且它们的位置恰好对应于合成记录中4个有效事件的时间位置。这一结果表明虽然这4个微地震事件的信噪比各不相同，且最后一个事件的信噪比只有-2.5dB，但利用这一方法仍然能够成功地将它们识别出来。

为了与这一方法的应用效果进行对比，同时也采用了STA/LTA方法对该合成数据进行了处理。图5为该合成数据中每一道记录的STA/LTA比值，其中横线表示触发阈值(2)，箭头表示在图3中4个有效事件所在的时段内超过触发阈值的峰值位置。通过该图可以发现，在前三个事件所在的时段分别有16、14以及12道记录的STA/LTA比值超过了我们预先设定的触发阈值。在实时处理过程中，这一现象表明了在相应的时刻附近存在一个有效事件。然而对于最后一个事件，由于信噪比过低，在其所对应的时段内只有6道记录的STA/LTA比值超过了触发阈值。因此，在进行微地震事件自动检测时，该事件通常会被视为噪音而剔除。在应用效果上，本方法优于STA/LTA方法。

Claims (9)

1.基于多道扫描叠加的井下微地震事件自动识别方法，其特征在于，该基于多道扫描叠加的井下微地震事件自动识别方法包括:

步骤1，对野外采集的原始微地震监测资料进行滤波，去除噪音干扰；

步骤2，选用滑动时窗将微地震记录划分成连续的多段记录；

步骤3，从分段记录中选择信噪比高的一道作为参考道，并计算参考道与其它各道的互相关函数，得到道之间的时差信息；

步骤4，利用得到的道时差信息调整各道的时窗位置来对该段记录进行时差校正；

步骤5，完成时差校正后，通过计算多道相似系数对事件和噪音进行区分，利用多道相似系数检测微地震事件的存在与否。

2.根据权利要求1所述的基于多道扫描叠加的井下微地震事件自动识别方法，其特征在于，步骤1包括：

分析原始微地震监测资料有效波、干扰的频谱特征；

选用合适的滤波参数对原始微地震监测资料进行滤波。

3.根据权利要求1所述的基于多道扫描叠加的井下微地震事件自动识别方法，其特征在于，步骤2包括：

选用一个滑动时窗的长度；

利用滑动时窗的长度将整个微地震记录划分成连续的多段记录。

4.根据权利要求1所述的基于多道扫描叠加的井下微地震事件自动识别方法，其特征在于，步骤3包括：

分析分段记录的信噪比；

选择分段记录中信噪比高的一道作为参考道，并计算该参考道与其它各道的互相关函数；计算得到的互相关函数最大值所对应的时间采样点即为两道之间的时差。

5.根据权利要求4所述的基于多道扫描叠加的井下微地震事件自动识别方法，其特征在于，在步骤3中，Rj为第j道和参考道之间的互相关函数，互相关函数的计算公式如下式：

$\begin{array}{c}{R}_j\left(n\right)=E\left[X_r\left(i\right)X_j(i+n)\right]\\ =\frac{1}{N}\underset{i=-\∞}{\overset{+\∞}{\mathrm{\Σ}}}{X}_r\left(i\right)X_j(i+n)\end{array}$

其中，r是参考道，j是第j道，n是指第j道相对于r道的时间位移量，N是归一化系数；

在计算互相关函数时，假设互相关函数Rj(n)的最大值所对应的时间采样点为nj,max，则它表示当Xj(i)向左或向右平移nj,max个采样点时，Xr(i)和Xj(i)的波形具有最大的相似度，因此，该时间采样点可视为两道之间的时差。

6.根据权利要求1所述的基于多道扫描叠加的井下微地震事件自动识别方法，其特征在于，步骤4包括：

输入上述得到的时差信息；

根据每道记录的时差向前或向后移动其所对应的时窗。

7.根据权利要求1所述的基于多道扫描叠加的井下微地震事件自动识别方法，其特征在于，步骤5包括：

完成时差校正后，计算多道相似系数；

预先设定一个触发阙值，进行比较；

某一时刻多道相似系数的值超过了预先设定的触发阈值，则在该时刻所对应的时窗内认为存在一个有效微地震事件。

8.根据权利要求7所述的基于多道扫描叠加的井下微地震事件自动识别方法，其特征在于，在步骤5中，多道相似系数S的计算公式为：

$S=\frac{\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\left(\underset{j=1}{\overset{M}{\mathrm{\Σ}}}{X}_j\left(i\right)\right)}^2}{M\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\underset{j=1}{\overset{M}{\mathrm{\Σ}}}{X_j}^2\left(i\right)}$

公式中，Xj(i)表示第j道的第i个采样点，N为每道记录中的采样点个数，M为记录中总的道数。

9.根据权利要求7所述的基于多道扫描叠加的井下微地震事件自动识别方法，其特征在于，在步骤5中，在预先设定触发阈值时，需要从一个较小的阈值开始，通过多次试验，直到选取某个值能够保证该方法的准确性达到要求，以避免触发阈值选取较小，增加错误识别的事件个数，或触发阈值选取较大，遗漏某些低信噪比事件。