CN108038442A - 一种基于数据挖掘的微震信号的识别方法 - Google Patents
一种基于数据挖掘的微震信号的识别方法 Download PDFInfo
- Publication number
- CN108038442A CN108038442A CN201711296593.0A CN201711296593A CN108038442A CN 108038442 A CN108038442 A CN 108038442A CN 201711296593 A CN201711296593 A CN 201711296593A CN 108038442 A CN108038442 A CN 108038442A
- Authority
- CN
- China
- Prior art keywords
- mrow
- signal
- data mining
- derivative
- microseismic
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
- G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明公开了一种基于数据挖掘的微震信号识别的识别方法,首先采用时空异常检测分离出噪声信号和微震信号,然后采用数据挖掘提取微震信号的特征信息,最后采用时空预测与分类模型对微震信号做出识别;采用时空异常检测分离出噪声信号和微震信号,运算简单,快速;采用数据挖掘提取微震信号的特征信息,由于采集的数据只是时间序列,通过数据挖掘找出序列隐含的信息,为分类预测提供更多的信息,使分类正确率大大提高;本算法经时空异常检测分离信号,大大减少计算工作量,大大提高算法的实时性。
Description
技术领域
本发明涉及微震信号处理技术领域,具体是一种基于数据挖掘的微震信号的识别方法。
背景技术
今年来,随着智能化的时代发展,越来越多的电子设备应用到工程应用中。微震监测依靠它有效的地压监测手段越来越广泛的被应用到煤矿安全和高效生产的领域中。其全天24h处于工作状态,单轴加速传感器普通采样频率为1000Hz,为了增强采集数据的可靠性,通常通过增加通道数来保障采集数据的可靠性,现在常见的是采用三轴加速传感器采集微震数据,也就是每秒采集3000个数据。而我们知道,及时准确微震预警的时间是关乎旷工安全的核心问题,因此如何从海量的数据快速的筛选出有效信息,并准确做出微震信号识别是我们要解决的关键问题。
发明内容
本发明的目的在于克服现有技术的不足,而提供一种基于数据挖掘的微震信号的识别方法,该方法可以有效的筛选出信息,并准确的识别微震信号,对微震信号的分类正确率高。
实现本发明目的的技术方案是:
一种基于数据挖掘的微震信号识别的识别方法,具体包括如下步骤:
1)使用三轴加速传感器采集微震信号序列x(i),x(i+1)...;
2)对步骤1)采集到的微震信号进行时空异常检测;
3)判断D(i)>a,若满足条件,则执行步骤4);若不满足,则判断D(i+1);
4)对x(i+1)进行数据挖掘提取信号特征:
5)提取微震信号x的标准差,从宏观角度反映一个数据集的波动程度,其定义式如下:
上述公式(2)中N表示序列中每个元素的长度;为xi的均值,即
6)提取微震信号x的协方差,用来衡量两个样本之间的相关性的大小,从微观角度反映一个数据集中元素之间的相关性,协方差计算如下:
Cov(i,i+1)=E[x(i)x(i+1)] (2)
7)提取微震信号x的导数,导数能够直观的反映一个数据集的变换趋势;导数为1,说明序列平稳;导数为负,说明序列呈负增长,导数为正,说明序列呈正增长,基向量矩阵导数的定义如下:
d(i)=x(i+1)-x(i) (3)
8)建立时空分类模型,对微震信号提取出来的标准差、协方差和导数进行识别,具体如下:
s.t b,c,d,e,f,j∈R
所述的b,c,d,e,f,j的取值根据环境的不同,取不同参数值;
9)由步骤8)得出识别结果,算法结束。
步骤2)中,所述的时空异常检测,是计算步骤1)采集到的信号序列x(i)和x(i+1)的欧式距离,其计算公式为:
D(i)=dist(x(i),x(i+1)) (4)
对x(i)和x(i+1)的相邻序列做同样操作。
步骤3中),所述的a∈R,a的取值根据环境不同,取不同的参数值。
有益效果:本发明提供的一种基于数据挖掘的微震信号识别的识别方法,具有如下优点:
(1)采用时空异常检测分离出噪声信号和微震信号,运算简单,快速;
(2)采用数据挖掘提取微震信号的特征信息,由于采集的数据只是时间序列,通过数据挖掘找出序列隐含的信息,为分类预测提供更多的信息,使分类正确率大大提高;
(3)本算法经时空异常检测分离信号,大大减少计算工作量,大大提高算法的实时性。
附图说明
图1为本发明的一种基于数据挖掘的微震信号识别的识别方法的流程图;
图2为岩石破裂信号波形图;
图3为爆破信号波形图;
图4为机械噪声信号波形图;
图5为标准差的分布图;
图6为相关系数分布图;
图7为导数的分布图。
具体实施方式
下面结合附图和实施例对本发明做进一步阐述,但不是对本发明的限定。
实施例:
以三道沟井田实验为例进行说明。其地质特征属于典型的黄土丘陵沟壑地貌。浅层地质广泛分布第四系浅黄色黏土、亚粘土、粉沙、细沙层,底层偏松软;深层地岩主要为砂泥岩夹煤层,沉积较稳定,地层平缓,煤层埋藏浅,具体包括如下步骤:
1)使用三轴加速传感器采集微震信号序列x(i),x(i+1)...;
2)选取三种典型的岩石破裂信号、爆破信号、机械噪声信号作为研究样本,其波形分别如图2、图3和图4所示;
3)时空异常检测:计算微震信号序列x(i)和x(i+1)的欧式距离,其计算公式为:
D(i)=dist(x(i),x(i+1)) (1)
对x(i)和x(i+1)的相邻序列做同样操作;
4)判断D(i)>a,若满足条件,则执行步骤4);若不满足,则判断D(i+1);
5)对x(i+1)进行数据挖掘提取信号特征:
6)提取微震信号x的标准差,从宏观角度反映一个数据集的波动程度,其定义式如下:
上述公式(2)中N表示序列中每个元素的长度;为xi的均值,即其分布如图3所示,由图3可以明显看到岩石破裂信号的频域基向量的波动程度在整体上大于爆破信号的波动程度,爆破信号的波动程度又明显大于机械噪声的波动程度。岩石破裂信号和爆破信号存在明显的极值点,极小值分别为0.75mv2/s,0.25mv2/s,极大值点分别为2mv2/s,1.1mv2/s。岩石破裂信号时域位置向量的标准差和爆破信号的波动程度相当,但都大于机械噪声的波动程度,机械噪声的波动值较小接近于0,说明机械噪声的时域位置向量基本平稳7)提取微震信号x的协方差,用来衡量两个样本之间的相关性的大小,从微观角度反映一个数据集中元素之间的相关性,协方差计算如下:
Cov(i,i+1)=E[x(i)x(i+1)] (3)
协方差的分布图如图4所示,可以看出岩石破裂信号的相关性分布较均匀且基本大于1,说明岩石破裂信号的相邻时刻元素之间的变换存在较强的相互关系,相关系数在[1,3]之间,爆破信号的相关系数集中在[-0.5,1.5]之间,机械噪声的相关系数在[0,0.3]之间,相关性较小。
8)提取微震信号x的导数;能够直观的反映一个数据集的变换趋势。导数为1,说明序列平稳,导数为负,说明序列呈负增长,导数为正,说明序列呈正增长。基向量矩阵导数的定义如下:
d(i)=x(i+1)-x(i) (4)
导数的分布图如图5所示:可以很明显的看出在岩石破裂信号的发生的区域导数的变换比较急剧,这是由于岩石破裂信号是受剪切型应力作用的结果,导数分布呈现缓慢变换的趋势,这是由于爆破信号发生的受介质传播的影响,持续时间长,且产生子波。而机械噪声的导数基本稳定在零附近,说明机械噪声比较稳定。
9)建立时空分类模型,对微震信号提取出来的标准差、协方差和导数进行识别,具体如下:
10)由步骤8)得出识别结果,算法结束。
步骤4)中,a=1。
步骤9中,b=0.00001,c=0.1,d=0.00001,e=0.1,f=0.00001,j=1。
Claims (3)
1.一种基于数据挖掘的微震信号识别的识别方法,其特征在于,具体包括如下步骤:
1)使用三轴加速传感器采集微震信号序列x(i),x(i+1)...;
2)对步骤1)采集到的微震信号进行时空异常检测;
3)判断D(i)>a,若满足条件,则执行步骤4);若不满足,则判断D(i+1);
4)对x(i+1)进行数据挖掘提取信号特征:
5)提取微震信号x的标准差,从宏观角度反映一个数据集的波动程度,其定义式如下:
<mrow>
<msub>
<mi>SD</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<msqrt>
<mrow>
<mfrac>
<mn>1</mn>
<mi>N</mi>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<mo>|</mo>
<mo>|</mo>
<msup>
<mi>x</mi>
<mn>2</mn>
</msup>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msub>
<mover>
<mi>x</mi>
<mo>&OverBar;</mo>
</mover>
<mi>i</mi>
</msub>
<mo>|</mo>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
上述公式(2)中N表示序列中每个元素的长度;为xi的均值,即
6)提取微震信号x的协方差,用来衡量两个样本之间的相关性的大小,从微观角度反映一个数据集中元素之间的相关性,协方差计算如下:
Cov(i,i+1)=E[x(i)x(i+1)] (2)
7)提取微震信号x的导数,导数能够直观的反映一个数据集的变换趋势;导数为1,说明序列平稳;导数为负,说明序列呈负增长,导数为正,说明序列呈正增长,基向量矩阵导数的定义如下:
d(i)=x(i+1)-x(i) (3)
8)建立时空分类模型,对微震信号提取出来的标准差、协方差和导数进行识别,具体如下:
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>b</mi>
<mo><</mo>
<mi>S</mi>
<mi>D</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
<mo><</mo>
<mi>c</mi>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>d</mi>
<mo><</mo>
<mi>C</mi>
<mi>o</mi>
<mi>v</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
<mo><</mo>
<mi>e</mi>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>f</mi>
<mo><</mo>
<mi>d</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
<mo><</mo>
<mi>j</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
s.t b,c,d,e,f,j∈R
所述的b,c,d,e,f,j的取值根据环境的不同,取不同参数值;
9)由步骤8)得出识别结果,算法结束。
2.根据权利要求1所述的一种基于数据挖掘的微震信号识别的识别方法,其特征在于,步骤2)中,所述的时空异常检测,是计算步骤1)采集到的信号序列x(i)和x(i+1)的欧式距离,其计算公式为:
D(i)=dist(x(i),x(i+1)) (4)
对x(i)和x(i+1)的相邻序列做同样操作。
3.根据权利要求1所述的一种基于数据挖掘的微震信号识别的识别方法,其特征在于,步骤3中),所述的a∈R,a的取值根据环境不同,取不同的参数值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711296593.0A CN108038442B (zh) | 2017-12-08 | 2017-12-08 | 一种基于数据挖掘的微震信号的识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711296593.0A CN108038442B (zh) | 2017-12-08 | 2017-12-08 | 一种基于数据挖掘的微震信号的识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108038442A true CN108038442A (zh) | 2018-05-15 |
CN108038442B CN108038442B (zh) | 2021-10-08 |
Family
ID=62101705
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711296593.0A Active CN108038442B (zh) | 2017-12-08 | 2017-12-08 | 一种基于数据挖掘的微震信号的识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108038442B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108830328A (zh) * | 2018-06-21 | 2018-11-16 | 中国矿业大学 | 融合空间知识的微震信号smote识别方法及监测系统 |
CN116736375A (zh) * | 2023-07-05 | 2023-09-12 | 煤炭科学研究总院有限公司 | 基于稀疏规范变量分析的微震信号状态判识方法 |
CN117148434A (zh) * | 2023-11-01 | 2023-12-01 | 煤炭科学研究总院有限公司 | 基于时序贡献图分解的微震信号自适应解算方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
SU1583903A1 (ru) * | 1988-04-04 | 1990-08-07 | Научно-производственное объединение "Рудгеофизика" | Устройство дл регистрации и коррел ционной обработки многокомпонентных записей микросейсм |
CN106154332A (zh) * | 2015-05-13 | 2016-11-23 | 中国石油化工股份有限公司 | 一种井中微地震纵横波事件初至识别方法 |
CN107346349A (zh) * | 2016-05-06 | 2017-11-14 | 中国石油化工股份有限公司 | 基于多孔多级的井中微地震方位计算方法和装置 |
-
2017
- 2017-12-08 CN CN201711296593.0A patent/CN108038442B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
SU1583903A1 (ru) * | 1988-04-04 | 1990-08-07 | Научно-производственное объединение "Рудгеофизика" | Устройство дл регистрации и коррел ционной обработки многокомпонентных записей микросейсм |
CN106154332A (zh) * | 2015-05-13 | 2016-11-23 | 中国石油化工股份有限公司 | 一种井中微地震纵横波事件初至识别方法 |
CN107346349A (zh) * | 2016-05-06 | 2017-11-14 | 中国石油化工股份有限公司 | 基于多孔多级的井中微地震方位计算方法和装置 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108830328A (zh) * | 2018-06-21 | 2018-11-16 | 中国矿业大学 | 融合空间知识的微震信号smote识别方法及监测系统 |
CN108830328B (zh) * | 2018-06-21 | 2022-01-11 | 煤炭科学研究总院 | 融合空间知识的微震信号smote识别方法及监测系统 |
CN116736375A (zh) * | 2023-07-05 | 2023-09-12 | 煤炭科学研究总院有限公司 | 基于稀疏规范变量分析的微震信号状态判识方法 |
CN116736375B (zh) * | 2023-07-05 | 2024-01-23 | 煤炭科学研究总院有限公司 | 基于稀疏规范变量分析的微震信号状态判识方法 |
CN117148434A (zh) * | 2023-11-01 | 2023-12-01 | 煤炭科学研究总院有限公司 | 基于时序贡献图分解的微震信号自适应解算方法 |
CN117148434B (zh) * | 2023-11-01 | 2024-01-23 | 煤炭科学研究总院有限公司 | 基于时序贡献图分解的微震信号自适应解算方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108038442B (zh) | 2021-10-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3084124B1 (en) | Method for determining hydraulic fracture orientation and dimension | |
Li et al. | Cluster analysis of winds and wind-induced vibrations on a long-span bridge based on long-term field monitoring data | |
US9009010B2 (en) | Systems and methods for hydraulic fracture characterization using microseismic event data | |
EP2572214B1 (en) | Passive monitoring method for seismic events | |
CN108038442A (zh) | 一种基于数据挖掘的微震信号的识别方法 | |
CN106353792A (zh) | 一种适用于水力压裂微震震源定位的方法 | |
CN104730596A (zh) | 一种基于多尺度因素约束的离散裂缝建模方法 | |
CN110529087B (zh) | 一种评价地层水力压裂效果的方法及装置 | |
CN103592690A (zh) | 基于电成像测井孔隙度谱信息自动识别储层裂缝的方法 | |
CN107678064B (zh) | 一种声波时差实时提取方法 | |
CN105445800A (zh) | 一种厚层砂体顶部分异岩性油藏的识别方法 | |
CN103913774A (zh) | 基于微地震事件的储层地质力学参数反演方法 | |
CN104316958A (zh) | 一种识别不同尺度地层断裂的相干处理方法 | |
CN104880730A (zh) | 基于Synchrosqueezing变换的地震资料时频分析和衰减估计方法 | |
WO2020163040A1 (en) | Enhanced surveillance of subsurface operation integrity using neural network analysis of microseismic data | |
US11970939B2 (en) | Machine learning analysis of low-frequency signal data in fracturing operations | |
Shan et al. | Identification of flow units using the joint of WT and LSSVM based on FZI in a heterogeneous carbonate reservoir | |
CN114137616B (zh) | 一种利用量子力学原理进行储层含气性检测的方法 | |
Cheng | Singularity analysis of magmatic flare-ups caused by India–Asia collisions | |
CN107422373B (zh) | 一种基于特征漂移的煤矿冲击地压灾害在线预警方法 | |
CN111257933B (zh) | 基于低频阴影现象的油气藏预测新方法 | |
CN103334740A (zh) | 考虑启动压力梯度的确定泄油前缘的方法 | |
CN109669211B (zh) | 海底岩性薄砂体储层预测方法和装置、存储介质及终端 | |
US7908086B2 (en) | System and method for filtering seismic noise data to analyze seismic events | |
Kim et al. | Application of a probabilistic method to the forecast of production rate using a decline curve analysis of shale gas play |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |