CN109212597B - 基于深度信念网络和扫描叠加的微震源自动定位方法 - Google Patents

基于深度信念网络和扫描叠加的微震源自动定位方法 Download PDF

Info

Publication number
CN109212597B
CN109212597B CN201811204925.2A CN201811204925A CN109212597B CN 109212597 B CN109212597 B CN 109212597B CN 201811204925 A CN201811204925 A CN 201811204925A CN 109212597 B CN109212597 B CN 109212597B
Authority
CN
China
Prior art keywords
seismic
data
microseism
component
belief network
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.)
Active
Application number
CN201811204925.2A
Other languages
English (en)
Other versions
CN109212597A (zh
Inventor
姜天琪
郑晶
彭苏萍
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China University of Mining and Technology Beijing CUMTB
Original Assignee
China University of Mining and Technology Beijing CUMTB
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China University of Mining and Technology Beijing CUMTB filed Critical China University of Mining and Technology Beijing CUMTB
Priority to CN201811204925.2A priority Critical patent/CN109212597B/zh
Priority to US16/204,056 priority patent/US20200116882A1/en
Publication of CN109212597A publication Critical patent/CN109212597A/zh
Application granted granted Critical
Publication of CN109212597B publication Critical patent/CN109212597B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
    • G01V1/28—Processing seismic data, e.g. analysis, for interpretation, for correction
    • G01V1/288—Event detection in seismic signals, e.g. microseismics
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
    • G01V1/28—Processing seismic data, e.g. analysis, for interpretation, for correction
    • G01V1/282—Application of seismic models, synthetic seismograms
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
    • G01V1/16—Receiving elements for seismic signals; Arrangements or adaptations of receiving elements
    • G01V1/18—Receiving elements, e.g. seismometer, geophone or torque detectors, for localised single point measurements
    • G01V1/181—Geophones
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
    • G01V1/28—Processing seismic data, e.g. analysis, for interpretation, for correction
    • G01V1/36—Effecting static or dynamic corrections on records, e.g. correcting spread; Correlating seismic signals; Eliminating effects of unwanted energy
    • G01V1/364—Seismic filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V2210/00—Details of seismic processing or analysis
    • G01V2210/40—Transforming data representation
    • G01V2210/41—Arrival times, e.g. of P or S wave or first break

Abstract

本发明公开了一种基于深度信念网络和扫描叠加的微地震自动定位方法，随机选取一个三分量检波器的数据，利用深度信念网络对其数据进行微地震事件波达时间拾取，并对微地震事件进行分类；然后，以得到的波达时间和事件类型为基础，利用全部三分量检波器接收到的微地震数据，进行扫描叠加定位成像。图像中，代表叠加能量最强的空间位置即可认为是微地震事件发生的真实空间位置，实现了微地震事件的自动、精准定位。

Description

基于深度信念网络和扫描叠加的微震源自动定位方法
技术领域
本发明涉及微地震监测定位反演方法技术领域，更具体的说是涉及一种基于深度信念网络和扫描叠加的微地震自动定位方法。
背景技术
在资源开采和地下应力条件监测的过程中，需要进行微地震监测以定量描述地下介质的破裂位置。微地震定位作为微震监测工作的重要一环，不仅关系到对震源空间位置的描述，也影响震源机制及震级的正确反演和计算,所以微震定位的准确性对微震监测工作十分重要。
基于盖格理论的微地震定位算法是一种简单、高效的定位算法。基于盖格理论的定位算法，通过人工或者自动拾取微地震事件从震源到达检波器的波达时间，基于最优化理论使目标函数达到全局最优从而达到定位的目的。但基于盖格理论的算法有两方面缺点：一是定位结果对微地震波达拾取结果非常敏感，不精确的波达时间拾取会对定位结果造成影响。而微地震数据的信噪比一般不高，给精确的波达时间拾取造成困难；二是利用最优化算法求取目标函数全局极小值的过程中，算法往往收敛到局部极值中，这同样也会影响定位结果的精确程度。所以基于盖格类的算法在处理低信噪比的微地震数据时，效果往往不太理想。
基于扫描叠加的微地震定位算法是另一种被广泛使用的定位算法。与盖格理论算法不同，基于扫描叠加的微地震定位算法利用微地震事件在地下空间中的走时信息和在检波器处的振幅响应，构建振幅能量叠加图像，图像中能量最强的空间位置被认定为真实的发震位置。基于扫描叠加的定位算法，其优点是利用了微地震记录中的振幅信息，使得算法对低信噪比数据有一定的鲁棒性，并对微地震事件的走时计算误差有一定的容忍度。这些优点使得基于扫描叠加的定位算法相较于盖格类的定位算法有更好的稳定性。但基于扫描叠加的定位算法也有如下缺点：一是基于扫描叠加的定位算法需要对监测区域进行网格划分，而且微地震发震时刻未知，所以在进行定位叠加成像的过程实际上是一个四维空间的搜索。当监测区域很大且需要精细网格划分时意味着巨大的计算量，这给微地震时间实时定位带来挑战；二是地震记录中涉及到不同种类的地震波形(如横波、纵波)，不同种类的地震波形在进行扫描叠加时需要不同的地下介质速度模型。现有的基于扫描叠加的定位算法大多为人工判断地震事件类型，使得定位算法不能进行自动定位。
因此，如何提供一种自动且精确的微震源定位方法是本领域技术人员亟需解决的问题。
发明内容
有鉴于此，本发明提供了一种基于深度信念网络和扫描叠加的微地震自动定位方法，实现了微震源的自动、精准定位。
为了实现上述目的，本发明采用如下技术方案：
一种基于深度信念网络和扫描叠加的微地震自动定位方法，包括如下步骤：
步骤一：随机选择监测区域内的一个三分量检波器，提取其三分量地震数据；
步骤二：将步骤一提取的三分量地震数据通过一组Gammatone滤波器得到输出响应；
步骤三：将步骤二得到的输出响应进行离散余弦变换，对应得到GFCC系数；
步骤四：利用受限玻尔兹曼机构建一个深度信念网络，通过训练数据来得到深度信念网络参数；
步骤五：将步骤三中得到的GFCC系数作为深度信念网络的输入层数据，其输出层的结果为步骤一中三分量地震数据中微地震事件类型以及波达时间；
步骤六：将监测区域的空间位置划分为i×j×k个三维空间网格点；
步骤七：针对所有三分量检波器采集的数据，选取长度为N的时窗，根据步骤六中每一个网格点到每一个检波器的理论地震波走时和步骤五中拾取的微地震事件类型以及波达时间来滑动时窗，获取振幅信息；其中，所述理论地震波走时包括：纵波走时和横波走时；
步骤八：根据步骤七中时窗所获取的振幅信息，对每一个空间网格点进行相应的相似性系数计算，从而得到一个扫描叠加的能量叠加数据体；其中，最大相似性系数对应网格点的空间位置，即是微震发生的真实位置。
优选的，在步骤二中，Gammatone滤波器的脉冲响应表达式为：
Figure BDA0001830986130000031
其中，a为增益系数，t为时间，n为滤波器的阶数，b为衰减系数，
Figure BDA0001830986130000032
为相位，f为中心频率。
优选的，在步骤二中，三分量地震数据通过一组Gammatone滤波器得到的输出响应为
Figure BDA0001830986130000033
Figure BDA0001830986130000034
为当α分量微地震数据信号通过Gammatone滤波器后，经过下采样得到的结果，下标d代表下采样；i＝0,1,2,...,N-1代表gammatone滤波器个数，m＝0,1,2,...M-1为对地震信号进行分帧后的帧数。
优选的，在步骤三中，GFCC系数的计算的表达式为：
Figure BDA0001830986130000035
其中，
Figure BDA0001830986130000041
表示第j个滤波器接收的α分量微地震信号在第m帧对应的GFCC系数，j＝0,1，…，N-1表示滤波器个数，m代表帧数。
优选的，在步骤八中，根据步骤七中时窗所获取的振幅信息，对每一个空间网格点进行相应的相似性系数计算，从而得到一个扫描叠加的能量叠加数据体，其具体计算公式为：
Figure BDA0001830986130000042
其中，
Figure BDA0001830986130000043
表示为步骤六中的空间网格点(i,j,k)对应的空间位置，分别到两个检波器位置ref和R的理论地震波走时差，其中ref代表步骤一中随机选取的检波器，R代表监测区域中第R个检波器；tβ代表步骤五中拾取到的微地震到时，β代表地震波类型，其中，纵波为P，横波为S；Δt代表采样间隔，NR代表检波器数量，NL代表时窗长度，L代表时窗内部所包含的采样数据点的序号；
Figure BDA0001830986130000044
代表监测区域中第R个检波器接收的α分量微地震信号，括号中对应的数值代表微地震数据采样点对应的序号。
经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种基于深度信念网络和扫描叠加的微地震自动定位方法，随机选取一个三分量检波器的数据，利用深度信念网络对其数据进行微地震事件波达时间拾取，并对微地震事件进行分类；然后，以得到的波达时间和事件类型为基础，利用全部三分量检波器接收到的微地震数据，进行扫描叠加定位成像。图像中，代表叠加能量最强的空间位置即可认为是微地震事件发生的真实空间位置。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本发明提供的基于深度信念网络和扫描叠加的微地震自动定位方法的流程图；
图2为本发明提供的监测区域及检波器的分布示意图；
图3为本发明提供的检波器接收到的微地震信号数据图；
图4a为本发明提供的微地震事件拾取结果图；
图4b为随机抽取道(参考道)的微地震事件识别结果图；
图5为本发明提供的扫描叠加定位结果图；
图6为本发明提供的在深度1500米处的叠加图像的切片图；
图7为本发明提供的DBN模型的示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
参见附图1，本发明实施例公开了一种基于深度信念网络和扫描叠加的微地震自动定位方法，具体步骤如下：
步骤一：随机选取监测区域中的一个三分量检波器，提取其三分量地震数据，随机挑选的检波器三分量地震数据的具体表现形式为Sx(i)，Sy(i)，Sz(i)，i＝1,2,...,N，N为数据的采样点数。
步骤二：将步骤一提取的三分量地震数据Sx(i)，Sy(i)，Sz(i)通过一组Gammatone滤波器得到输出响应Gx，Gy，Gz。在所述步骤二中，Gammatone滤波器的脉冲响应表达式为：
Figure BDA0001830986130000063
其中，a为增益系数，t为时间，n为滤波器的阶数，b为衰减系数，
Figure BDA0001830986130000064
为相位，f为中心频率；
步骤三：将步骤二得到的Gammatone滤波器得到输出响应Gx，Gy，Gz进行离散余弦变换(DCT)得到GFCC系数。其中，GFCC的具体表达式为：
Figure BDA0001830986130000061
其中，
Figure BDA0001830986130000062
表示第j个滤波器接收的α分量微地震信号在第m帧对应的GFCC系数，j＝0,1，…，N-1表示滤波器个数，m代表帧数。
步骤四：利用受限玻尔兹曼机构建一个深度信念网络，通过训练数据来得到深度信念网络参数。
步骤五：将步骤三中得到的GFCC系数作为深度信念网络的输入层数据，输出层的结果为步骤一中三分量数据中微地震事件类型以及波达时间，针对纵波到时和横波到时，分别记为tp和ts。
以上各个步骤实现了微地震事件的波达时间和类型的自动拾取。下面对这一部分做进一步论述。
对于一个自动拾取微地震事件的方法，其目标在于从混合信号(含背景噪声的地震信号)中，识别微地震事件的信号，主要分为两个阶段。第一阶段为“特征提取”阶段，此阶段将混合信号进行变换，变换后的信号将会被用来进行深度信念网络的训练和测试。第二个阶段就是基于DBN神经网络的分类器，将信号中的微地震事件和噪声进行分类。这个分类器的输入就是第一个阶段经过“特征提取”后的数据特征。
第一部分的实现过程为：考虑到音频信号和微地震信号的相似性，选取GFCC特征作为微地震信号的鲁棒性特征。为了获得GFCC特征向量，首先将微地震信号通过一个由Gammatone滤波器组成的滤波器组，并得到地震信号的听觉谱，再将听觉谱经过离散余弦变换(DCT)得到GFCC特征向量。
第二部分的实现过程为：为了实现自动探测微地震事件而建立深度信念网络。建立网络的过程有两个阶段，一个是训练阶段，另一个阶段是测试阶段。在训练阶段，主要过程在于利用训练数据建立网络的数学模型，训练数据可以是通过数值模拟得到的微地震数据的GFCC系数，也可以是已有的真实微地震数据的GFCC系数，通过迭代的方式得到网络的数学模型，完成步骤四。在测试阶段，主要过程是利用测试数据通过训练好的网络模型识别微地震事件，测试数据是指用来进行微地震定位的数据的GFCC系数，以此完成步骤五。图7就是一个深度信念网络(deep beliefneural network,DBN)图解模型，DBN模型是一个层状模型，最下面的层是输入层，最上面的层是输出层，中间的层叫隐藏层。DBN的输出层是一个分类过程，用于对DBN的输入进行分类。两个相邻层构成一个受限玻尔兹曼机，下层为可视层，上层为隐藏层，通过受限玻尔兹曼机(restricted Boltzmann machines，RBMs)的堆叠去构建DBN网络并在最上层的受限玻尔兹曼机的隐藏层后连接一个分类层。RBM在训练阶段的学习过程其实是无监督的，所以传统的DBN网络是不需要对微地震数据制作分类标签。在网络训练的过程中为了使DBN网络性能更优，还在DBN网络中加入了微调过程。为了实现微调过程，在DBN网络的输出层(见图7)增加了一个标签层。这个标签层包含了手动对训练数据集中的微地震数据进行打标的信息即制作分类标签，包含微地震事件的到时以及地震波类型。在网络训练阶段，网络模型的参数由RBM进行初始化，对输入数据的分类则由多分类逻辑回归层即分类层完成。标签层的作用是用来评估预测的输出与人工打标(人工拾取的微地震事件的到时与事件类型)之间的误差。使这个误差变小的最优化过程由随机梯度下降策略完成。当误差小于一定阈值时，微调过程结束，网络训练完成。
步骤六：将监测区域的空间位置划分为i×j×k个三维空间网格点。
步骤七：针对所有三分量检波器采集的数据，选取长度为N的时窗，根据步骤六中每一个网格点到每一个检波器的理论地震波走时和步骤五中拾取的微地震事件以及波达时间滑动时窗，获取振幅信息，其中，理论地震波走时包括：纵波走时和横波走时。
步骤八：根据步骤七中时窗所获取的振幅信息，对每一个空间网格点进行相应的相似性系数计算，从而得到一个扫描叠加的能量叠加数据体；其具体计算公式为：
Figure BDA0001830986130000081
其中，
Figure BDA0001830986130000082
表示为步骤六中的空间网格点(i,j,k)对应的空间位置，分别到两个检波器位置ref和R的理论地震波走时差，其中ref代表步骤一中随机选取的检波器，R代表监测区域中第R个检波器；tβ代表步骤五中拾取到的微地震到时，β代表地震波类型，其中，纵波为P，横波为S；Δt代表采样间隔，NR代表检波器数量，NL代表时窗长度，L代表时窗内部所包含的采样数据点的序号；
Figure BDA0001830986130000083
代表监测区域中第R个检波器接收的α分量微地震信号，括号中对应的数值代表微地震数据采样点对应的序号。其中，F(i,j,k)中最大相似性系数对应网格点的空间位置，即可认为是微震发生的真实位置。
本发明提出了一种基于深度信念网络和扫描叠加的微震源自动定位方法。本方法使用三分量检波器的地震数据进行定位。定位方法主要分为两部分：首先，随机选取一个检波器采集的三分量数据，通过基于深度信念的神经网络在微地震记录中拾取微地震事件，并对微地震事件的类型(纵波、横波)进行判断。在这个三分量数据中拾取的波达时间解决了由于微地震事件发震时刻未知造成的大计算量的问题；而拾取的地震事件类型(纵波、横波)也指导下一步扫描叠加时选用何种速度模型(横波、纵波)，使定位算法可以实现自动定位。第二部分是利用扫描叠加构建振幅能量叠加图像。需要对监测空间进行网格划分得到对应的网格点，利用第一部分得到的微地震到时和微地震事件类型，针对每一个网格点，计算相对应的振幅叠加能量。本发明选用相似度系数作为计算振幅叠加能量的方式，通过计算监测区域中每一个网格点对应的振幅能量叠加值，形成一幅振幅能量叠加图像。叠加能量最强的空间位置被认为是微地震事件发震的真实位置。
下面结合实验仿真结果对本发明的技术方案做进一步阐述。
建立一个微地震监测区域，假设此三维监测区域的大小为2000m*2000m*2000m，检波器布设在地表，监测区域与三分量检波器方位如图2所示。红色“*”标识代表检波器。监测区域内的介质是均匀的，介质速度为：纵波(P波)速度3600m/s，横波速度为2120m/s，以此建立地震波理论旅行时查询表。将一个微地震事件设置在监测区域(800，900，1500)m的位置处，检波器接收到的信号如图3所示。在接收的微地震信号数据中，随机抽取一个检测器采集的三分量数据作为参考数据，利用本发明提出的微地震事件识别方法进行识别，结果如图4所示。拾取方法不但准确的拾取出地震事件，并且可以判断地震信号的类型，图4中，红色实线代表纵波(P波)的到时，蓝色实线代表横波(S波)的到时。
根据微地震识别方法提供的信息，联合所有检波器采集的地震数据以及制作好的理论走时查询表，进行扫描叠加得到定位结果，定位图像如图5所示。在图中可以看出在真实震源(800，900，1500)m处附近有能量聚焦，其叠加能量最大位置，就在(800，900，1500)m处，图6为深度1500m处的能量叠加切片，能量最大值的位置，就是真实的震源位置，充分说明本发明提出的自动定位方法是准确、有效的。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (4)

1.一种基于深度信念网络和扫描叠加的微地震自动定位方法，其特征在于，包括如下步骤：
步骤一：随机选择监测区域内的一个三分量检波器，提取其三分量地震数据；
步骤二：将步骤一提取的三分量地震数据通过一组Gammatone滤波器得到输出响应；
步骤三：将步骤二得到的输出响应进行离散余弦变换，对应得到GFCC系数；
步骤四：利用受限玻尔兹曼机构建一个深度信念网络，通过训练数据来得到深度信念网络参数；
步骤五：将步骤三中得到的GFCC系数作为深度信念网络的输入层数据，其输出层的结果为三分量地震数据中微地震事件类型以及波达时间；
步骤六：将监测区域的空间位置划分为i×j×k个三维空间网格点；
步骤七：针对所有三分量检波器采集的数据，选取长度为N的时窗，根据步骤六中每一个网格点到每一个检波器的理论地震波走时和步骤五中拾取的微地震事件类型以及波达时间来滑动时窗，获取振幅信息；其中，所述理论地震波走时包括：纵波走时和横波走时；
步骤八：根据步骤七中时窗所获取的振幅信息，对每一个空间网格点进行相应的相似性系数计算，从而得到一个扫描叠加的能量叠加数据体；其中，最大相似性系数对应网格点的空间位置，即是微震发生的真实位置；
其中，在步骤八中，根据步骤七中时窗所获取的振幅信息，对每一个空间网格点进行相应的相似性系数计算，从而得到一个扫描叠加的能量叠加数据体，其具体计算公式为：
Figure FDA0002254802530000021
其中，
Figure FDA0002254802530000022
表示为步骤六中的空间网格点(i,j,k)对应的空间位置，分别到两个检波器位置ref和R的理论地震波走时差，其中ref代表步骤一中随机选取的检波器，R代表监测区域中第R个检波器；tβ代表步骤五中拾取到的微地震到时，β代表地震波类型，其中，纵波为P，横波为S；Δt代表采样间隔，NR代表检波器数量，NL代表时窗长度，L代表时窗内部所包含的采样数据点的序号；
Figure FDA0002254802530000023
代表监测区域中第R个检波器接收的α分量微地震信号，括号中对应的数值代表微地震数据采样点对应的序号。
2.根据权利要求1所述的基于深度信念网络和扫描叠加的微地震自动定位方法，其特征在于，在步骤二中，Gammatone滤波器的脉冲响应表达式为：
Figure FDA0002254802530000024
其中，a为增益系数，t为时间，n为滤波器的阶数，b为衰减系数，
Figure FDA0002254802530000028
为相位，f为中心频率。
3.根据权利要求1所述的基于深度信念网络和扫描叠加的微地震自动定位方法，其特征在于，在步骤二中，三分量地震数据通过一组Gammatone滤波器得到的输出响应为
Figure FDA0002254802530000025
Figure FDA0002254802530000026
为当α分量微地震数据信号通过Gammatone滤波器后，经过下采样得到的结果，下标d代表下采样；i＝0,1,2,...,N-1代表gammatone滤波器个数，m＝0,1,2,...M-1为对地震信号进行分帧后的帧数。
4.根据权利要求1所述的基于深度信念网络和扫描叠加的微地震自动定位方法，其特征在于，在步骤三中，GFCC系数的计算的表达式为：
Figure FDA0002254802530000027
其中，
Figure FDA0002254802530000031
表示第j个滤波器接收的α分量微地震信号在第m帧对应的GFCC系数，j＝0,1，…，N-1表示滤波器个数，m代表帧数。
CN201811204925.2A 2018-10-16 2018-10-16 基于深度信念网络和扫描叠加的微震源自动定位方法 Active CN109212597B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201811204925.2A CN109212597B (zh) 2018-10-16 2018-10-16 基于深度信念网络和扫描叠加的微震源自动定位方法
US16/204,056 US20200116882A1 (en) 2018-10-16 2018-11-29 Method for automatically locating microseismic events based on deep belief neural network and coherence scanning

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811204925.2A CN109212597B (zh) 2018-10-16 2018-10-16 基于深度信念网络和扫描叠加的微震源自动定位方法

Publications (2)

Publication Number Publication Date
CN109212597A CN109212597A (zh) 2019-01-15
CN109212597B true CN109212597B (zh) 2020-04-17

Family

ID=64980410

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811204925.2A Active CN109212597B (zh) 2018-10-16 2018-10-16 基于深度信念网络和扫描叠加的微震源自动定位方法

Country Status (2)

Country Link
US (1) US20200116882A1 (zh)
CN (1) CN109212597B (zh)

Families Citing this family (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110414675B (zh) * 2019-09-02 2022-05-27 中北大学 一种基于深度学习的地下浅层震源定位方法
CN112711604B (zh) * 2019-10-25 2023-10-31 中国石油天然气股份有限公司 物探训练数据集构建方法及装置
CN110954952B (zh) * 2019-12-05 2021-06-18 山东省科学院激光研究所 一种微震信号初至波类型判别和波速校正方法
CN111505706B (zh) * 2020-04-28 2023-04-18 长江大学 基于深度T-Net网络的微地震P波初至拾取方法及装置
CN112731518B (zh) 2020-12-09 2022-06-07 中国科学院地质与地球物理研究所 一种人工智能实时微地震监测节点
CN112733425B (zh) * 2020-12-10 2023-01-03 东华理工大学 神经网络训练方法、装置、计算机设备及存储介质
CN112748465B (zh) * 2020-12-30 2021-12-10 中国矿业大学(北京) 基于岩石特征的震源机制反演方法及装置
CN112946735B (zh) * 2021-02-23 2023-03-31 石家庄铁道大学 基于微震监测系统的落石冲击定位方法及装置
CN113296148A (zh) * 2021-05-25 2021-08-24 电子科技大学 基于时域和小波域双通道卷积神经网络的微震识别方法
CN113568043B (zh) * 2021-07-23 2022-05-24 哈尔滨工业大学 基于深度卷积神经网络的三阶段震相拾取方法
CN113671564B (zh) * 2021-08-11 2023-07-21 西安石油大学 基于narx动态神经网络的微地震有效事件自动拾取方法
CN113985475B (zh) * 2021-10-28 2023-09-05 北京石油化工学院 一种基于物联网端边云协同的微地震监测数据传输方法
CN114063150B (zh) * 2021-11-16 2023-05-23 西南科技大学 一种基于ml-knn算法的“震源-台站”速度模型选取方法
CN115421188B (zh) * 2022-08-23 2024-02-20 宿州学院 基于人工智能的微地震事件实时识别系统及方法
CN115657118B (zh) * 2022-09-01 2023-11-10 中国人民解放军63983部队 基于深度学习的声震信号数据识别方法及系统
CN115373029B (zh) * 2022-10-25 2023-01-31 中国科学院地质与地球物理研究所 基于深度学习的实时微地震震源机制计算方法及系统
CN115826042B (zh) * 2022-11-22 2023-05-12 中国地震局地球物理研究所 一种边云端结合的分布式地震数据处理方法与装置
CN116520419B (zh) * 2023-05-05 2024-01-30 中国矿业大学(北京) 一种热流体裂缝通道识别方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105549077A (zh) * 2015-12-16 2016-05-04 中国矿业大学(北京) 基于多级多尺度网格相似性系数计算的微震震源定位方法
CN106405640A (zh) * 2016-08-26 2017-02-15 中国矿业大学(北京) 基于深度信念神经网络的微震信号到时自动拾取方法
WO2017099717A1 (en) * 2015-12-07 2017-06-15 Halliburton Energy Services, Inc. Mapping fractures using micro-seismic events
CN108226995A (zh) * 2018-01-03 2018-06-29 中国电建集团贵阳勘测设计研究院有限公司 一种主动源微震监测装置及方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017099717A1 (en) * 2015-12-07 2017-06-15 Halliburton Energy Services, Inc. Mapping fractures using micro-seismic events
CN105549077A (zh) * 2015-12-16 2016-05-04 中国矿业大学(北京) 基于多级多尺度网格相似性系数计算的微震震源定位方法
CN106405640A (zh) * 2016-08-26 2017-02-15 中国矿业大学(北京) 基于深度信念神经网络的微震信号到时自动拾取方法
CN108226995A (zh) * 2018-01-03 2018-06-29 中国电建集团贵阳勘测设计研究院有限公司 一种主动源微震监测装置及方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
"An automatic microseismic or acoustic emission arrival identification scheme with deep recurrent neural networks";Jing Zheng el;《Geophysical Journal International》;20171108;第1389—1397页 *

Also Published As

Publication number Publication date
US20200116882A1 (en) 2020-04-16
CN109212597A (zh) 2019-01-15

Similar Documents

Publication Publication Date Title
CN109212597B (zh) 基于深度信念网络和扫描叠加的微震源自动定位方法
CN108805269B (zh) 一种基于lstm循环神经网络拾取震相到时的方法
Dokht et al. Seismic event and phase detection using time–frequency representation and convolutional neural networks
Hammer et al. A seismic‐event spotting system for volcano fast‐response systems
Zhu et al. An end‐to‐end earthquake detection method for joint phase picking and association using deep learning
US20060190180A1 (en) Petroleum exploration and prediction apparatus and method
CN110609320B (zh) 一种基于多尺度特征融合的叠前地震反射模式识别方法
CN111027452B (zh) 基于深度神经网络的微震信号到时和震相识别方法及系统
Othman et al. Automated event detection and denoising method for passive seismic data using residual deep convolutional neural networks
Saad et al. CapsPhase: Capsule neural network for seismic phase classification and picking
CN110823356B (zh) 基于梅尔频谱的分布式光纤入侵检测方法
CN111580151B (zh) 一种基于SSNet模型的地震事件到时识别方法
CN114509811B (zh) 一种基于深度学习的单台站后方位角估计方法与装置
Kim et al. Graph convolution networks for seismic events classification using raw waveform data from multiple stations
CN111381275A (zh) 一种地震数据的初至拾取方法和装置
Cruz et al. Improving accuracy of automatic fracture detection in borehole images with deep learning and GPUs
Lara-Cueva et al. On the use of multi-class support vector machines for classification of seismic signals at Cotopaxi volcano
CN112394324A (zh) 一种基于麦克风阵列的远距离声源定位的方法及系统
CN112464721A (zh) 微地震事件自动识别方法及装置
CN104570074B (zh) 一种基于奇异值分解技术的废道识别方法
CN108226997A (zh) 一种基于叠前地震数据的地震相划分方法
CN111310719A (zh) 一种未知辐射源个体识别及检测的方法
Elsayed et al. Attention-based fully convolutional DenseNet for earthquake detection
CN114842280A (zh) 一种基于卷积神经网络的自动识别微地震信号算法
US6904367B2 (en) Petroleum exploration and prediction apparatus and method

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