CN110794456A - 一种利用高斯模型的微震信号重构方法和系统 - Google Patents

一种利用高斯模型的微震信号重构方法和系统 Download PDF

Info

Publication number
CN110794456A
CN110794456A CN201911062690.2A CN201911062690A CN110794456A CN 110794456 A CN110794456 A CN 110794456A CN 201911062690 A CN201911062690 A CN 201911062690A CN 110794456 A CN110794456 A CN 110794456A
Authority
CN
China
Prior art keywords
gaussian
exp
signal
opt
matrix
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.)
Withdrawn
Application number
CN201911062690.2A
Other languages
English (en)
Inventor
翟明岳
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.)
Guangdong University of Petrochemical Technology
Original Assignee
Guangdong University of Petrochemical Technology
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 Guangdong University of Petrochemical Technology filed Critical Guangdong University of Petrochemical Technology
Priority to CN201911062690.2A priority Critical patent/CN110794456A/zh
Publication of CN110794456A publication Critical patent/CN110794456A/zh
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • 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. for interpretation or for event detection
    • G01V1/288—Event detection in seismic signals, e.g. microseismics

Landscapes

  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Environmental & Geological Engineering (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • Emergency Management (AREA)
  • Business, Economics & Management (AREA)
  • Acoustics & Sound (AREA)
  • Geology (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Geophysics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明的实施例公开一种利用高斯模型的微震信号重构方法和系统，所述方法包括：步骤1，输入实测的信号序列S；步骤2，根据高斯模型对所述信号序列S进行数据重构，重构后的信号序列为SNEW。具体为：SNEW＝SRS+SCSEXP其中：SR＝[GTG+μWOPT]‑1[S‑SEXP]T[S‑SEXP]为信号重构分量；SC＝[GT‑μWOPT]为信号调整分量；G为高斯预测矩阵；WOPT为高斯最佳权重矩阵；SEXP为期望序列；μ为高斯调整因子。

Description

一种利用高斯模型的微震信号重构方法和系统
技术领域
本发明涉及地学领域，尤其涉及一种微震信号重构方法和系统。
背景技术
水力压裂微震监测技术是近年来在低渗透率储层压裂、油藏驱动和水驱前缘等领域发展起来的一项重要新技术，也是页岩气开发的重要支撑技术。该项技术在邻井中布置多级三分量检波器排列，监测压裂井目的层段在水力压裂过程中所产生的微震事件，反演微震事件求取震源位置等参数，从而描述水力压裂过程中裂缝生长的几何形状及空间分布，实时提供水力压裂产生裂缝的长度、高度、宽度及方位，实现页岩气的工业化开发。水力压裂微震检测是当前页岩气开发领域科学研究的热点和难点。从社会和国家的需求角度考虑，开展微震监测系统方面的研究十分重要，具有重大的社会和经济价值。
微震监测系统中重要的一项工作是微震事件的定位。定位精度是影响微震监测系统应用效果的最为重要的因素，而微震事件定位的准确程度则主要依赖于波动初至(又可称为初至)读取的准确性等有关因素。但问题是，初至拾取并不如想象中的那般简单。受地面仪器采动以及地质构造的影响，岩石破裂形式十分复杂，继而产生各种形式和能量的微震波动，其形式可多达几十甚至上百种，不仅主频、延时和能量等方面有差异，而且在初至位置附近的波形形态差异巨大，这种波形特征的不统一为初至拾取到来了很大困难。进一步的研究还表明，微震震源机制也会影响初至点特征：硬岩剪切作用产生的微震波动大多能量大、主频较高、延时短以及最大峰值位置紧跟初始初至，这类波的初至点清晰、起跳延时短，拾取较为容易；但拉伸作用产生的微震波动大多能量小、主频低、延时长、起跳缓慢、能量分布较为均匀，这类波初至点处振幅较小，容易被干扰信号淹没，初至点的特征表现不一致，初至拾取并不容易；而软岩所产生的微震波动，能量分布集中、初始初至点模糊、分界线不明显，与硬岩有明显的不同，初至拾取也较为困难。同时，根据国外的研究发现，由于P波速度大于S波速度，很多算法想当然地认为初至波为P波，但事实可能更为复杂：初至可能是P波，也可能是S波，甚至还有可能是异常点(outliers)。根据研究，41％的初至为S波，10％的初至是outliers造成的。这些都给初至拾取带来了相当大的难度。
除了初至点特征复杂外，初至拾取还面临着另外一个更大的挑战：微震记录是海量数据。例如，2005年1月某试验区记录了近1万个微震事件。同时为了满足生产需求，微震监测系统需要一天24小时连续记录。不但如此，这些数据中有很大一部分都是人类或者机械活动所造成的噪声和干扰，与微震无关。文献更是将噪声分为三种基本类型：高频(>200Hz)噪声，由各种作业相关活动造成；低频噪声(<10Hz)，通常是由远离记录地点的机器活动造成，以及工业电流(50Hz)。除此之外，微震信号本身也并不纯粹，例如我国学者窦林名教授等认为微震信号包括多种信号。
因此，如何从海量数据中识别微震事件、拾取初至，是微震数据处理的基础。与此形成对比的是，生产上多采取人工方法，费时费力且精度与可靠性差，拾取质量无法保证，也无法处理海量数据。初至自动拾取是解决方法之一，微震波动初至自动拾取是微震监测数据处理的关键技术之一，也是实现微震震源自动定位的技术难点。
发明内容
如前所述，微震信号采集环境非常复杂，常常会造成所采集的微震信号不完整，数据缺失的现象较为严重，严重影响了微震事件检测算法的性能。
本发明的目的是提供一种利用高斯模型的微震信号重构方法和系统，所提出的方法利用了微震信号的连续性，通过高斯模型性质区分微震信号和背景噪声。所提出的方法具有较好的信号重构性能，计算也较为简单。
为实现上述目的，本发明提供了如下方案：
一种利用高斯模型的微震信号重构方法，包括：
步骤001 输入实测的信号序列S；
步骤002 根据高斯模型对所述信号序列S进行数据重构，重构后的信号序列为SNEW。具体为：SNEW＝SRS+SCSEXP其中：SR＝[GTG+μWOPT]-1[S-SEXP]T[S-SEXP]为信号重构分量；SC＝[GT-μWOPT]为信号调整分量；G为高斯预测矩阵；WOPT为高斯最佳权重矩阵；SEXP为期望序列；μ为高斯调整因子。
一种利用高斯模型的微震信号重构系统，包括：
获取模块 输入实测的信号序列S；
重构模块 根据高斯模型对所述信号序列S进行数据重构，重构后的信号序列为SNEW。具体为：SNEW＝SRS+SCSEXP其中：SR＝[GTG+μWOPT]-1[S-SEXP]T[S-SEXP]为信号重构分量；SC＝[GT-μWOPT]为信号调整分量；G为高斯预测矩阵；WOPT为高斯最佳权重矩阵；SEXP为期望序列；μ为高斯调整因子。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
如前所述，微震信号采集环境非常复杂，常常会造成所采集的微震信号不完整，数据缺失的现象较为严重，严重影响了微震事件检测算法的性能。
本发明的目的是提供一种利用高斯模型的微震信号重构方法和系统，所提出的方法利用了微震信号的连续性，通过高斯模型性质区分微震信号和背景噪声。所提出的方法具有较好的信号重构性能，计算也较为简单。
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，下面将对实施例中所需要使用的附图作简单地介绍。显而易见，下面描述中的附图仅仅是本发明的一些实施例，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，还可以根据这些附图获得其他的附图。
图1为本发明的方法流程示意图；
图2为本发明的系统流程示意图；
图3为本发明的具体实施案例流程示意图。
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。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1一种利用高斯模型的微震信号重构方法的流程示意图
图1为本发明一种利用高斯模型的微震信号重构方法的流程示意图。如图1所示，所述的一种利用高斯模型的微震信号重构方法具体包括以下步骤：
步骤001 输入实测的信号序列S；
步骤002 根据高斯模型对所述信号序列S进行数据重构，重构后的信号序列为SNEW。具体为：SNEW＝SRS+SCSEXP其中：SR＝[GTG+μWOPT]-1[S-SEXP]T[S-SEXP]为信号重构分量；SC＝[GT-μWOPT]为信号调整分量；G为高斯预测矩阵；WOPT为高斯最佳权重矩阵；SEXP为期望序列；μ为高斯调整因子。
所述步骤002之前，所述方法还包括：
步骤003 求取所述高斯预测矩阵G、高斯最佳权重矩阵WOPT、高斯调整因子μ和期望序列SEXP。
所述步骤003还包括：
步骤301 生成循环延迟矩阵
Figure BDA0002258462510000034
具体为：
Figure BDA0002258462510000031
其中：
sn：所述信号序列S的第n个元素
N：所述信号序列S的长度
Figure BDA0002258462510000032
循环参数
以N为模下取整
SNR：所述信号序列S的信噪比
步骤302 生成信号差分序列ΔS，具体为：
ΔS＝[0,0 s3-s1,s4-s2,···,sN-sN-2]
步骤303 求取所述期望序列SEXP，具体为：
Figure BDA0002258462510000041
其中：
σS：所述信号序列S的均方差
σΔS：所述信号差分序列ΔS的均方差
步骤304 求取Lagrange因子矢量aOPT，具体为：
Figure BDA0002258462510000047
其中：
选择矩阵
步骤305 求取所述高斯最佳权重矩阵WOPT，具体为：
Figure BDA0002258462510000043
其中：
Zk：期望矩阵E的第k个特征矢量
Figure BDA0002258462510000044
Figure BDA0002258462510000045
κk：所述期望矩阵E的第k个特征值
k：特征值下标，k＝1,2,···,N
q：中间参量，q＝1,2,···,N
步骤306 求取所述高斯调整因子μ
Figure BDA0002258462510000046
其中：
λMAX：相关矩阵A的最大特征值
A＝[S-SEXP]TSEXP
λi：所述相关矩阵A的第i个特征值
i：特征值序号，i＝1,2,···N
图2一种利用高斯模型的微震信号重构系统的结构意图
图2为本发明一种利用高斯模型的微震信号重构系统的结构示意图。如图2所示，所述一种利用高斯模型的微震信号重构系统包括以下结构：
获取模块401 输入实测的信号序列S；
重构模块402 根据高斯模型对所述信号序列S进行数据重构，重构后的信号序列为SNEW。具体为：SNEW＝SRS+SCSEXP其中：SR＝[GTG+μWOPT]-1[S-SEXP]T[S-SEXP]为信号重构分量；SC＝[GT-μWOPT]为信号调整分量；G为高斯预测矩阵；WOPT为高斯最佳权重矩阵；SEXP为期望序列；μ为高斯调整因子。
所述的系统，还包括：
计算模块403 求取所述高斯预测矩阵G、高斯最佳权重矩阵WOPT、高斯调整因子μ和期望序列SEXP。
所述计算模块403还包括下列单元，具体包括：
计算单元4031 生成循环延迟矩阵
Figure BDA0002258462510000055
具体为：
Figure BDA0002258462510000051
其中：
sn：所述信号序列S的第n个元素
N：所述信号序列S的长度
Figure BDA0002258462510000052
循环参数
Figure BDA0002258462510000053
以N为模下取整
SNR：所述信号序列S的信噪比
计算单元4032 生成信号差分序列ΔS，具体为：
ΔS＝[0,0 s3-s1,s4-s2,···,sN-sN-2]
计算单元4033 求取所述期望序列SEXP，具体为：
其中：
σS：所述信号序列S的均方差
σΔS：所述信号差分序列ΔS的均方差
计算单元4034 求取Lagrange因子矢量aOPT，具体为：
Figure BDA0002258462510000061
其中：
Figure BDA0002258462510000062
选择矩阵
计算单元4035 求取所述高斯最佳权重矩阵WOPT，具体为：
其中：
Zk：期望矩阵E的第k个特征矢量
κk：所述期望矩阵E的第k个特征值
k：特征值下标，k＝1,2,···,N
q：中间参量，q＝1,2,···,N
计算单元4036 求取所述高斯调整因子μ
Figure BDA0002258462510000066
其中：
λMAX：相关矩阵A的最大特征值
A＝[S-SEXP]TSEXP
λi：所述相关矩阵A的第i个特征值
i：特征值序号，i＝1,2,···N
下面提供一个具体实施案例，进一步说明本发明的方案
图3为本发明具体实施案例的流程示意图。如图3所示，具体包括以下步骤：
0 开始：输入实测的信号数据序列
S＝[s1,s2,···,sN-1,sN]
其中：
S：实测信号序列，长度为N
sn：所述信号序列S中的第n个元素
n：下标，n＝1,2,···,N
1 生成循环延迟矩阵
Figure BDA0002258462510000071
具体为：
Figure BDA0002258462510000072
其中：
sn：所述信号序列S的第n个元素
N：所述信号序列S的长度
Figure BDA0002258462510000073
循环参数
Figure BDA0002258462510000074
以N为模下取整
SNR：所述信号序列S的信噪比
2 生成信号差分序列ΔS，具体为：
ΔS＝[0,0 s3-s1,s4-s2,···,sN-sN-2]
3 求取所述期望序列SEXP，具体为：
其中：
σS：所述信号序列S的均方差
σΔS：所述信号差分序列ΔS的均方差
4 求取Lagrange因子矢量aOPT，具体为：
Figure BDA0002258462510000076
其中：
Figure BDA0002258462510000077
选择矩阵
5 求取所述高斯最佳权重矩阵WOPT，具体为：
其中：
Zk：期望矩阵E的第k个特征矢量
Figure BDA0002258462510000081
Figure BDA0002258462510000082
κk：所述期望矩阵E的第k个特征值
k：特征值下标，k＝1,2,···,N
q：中间参量，q＝1,2,···,N
6 求取所述高斯调整因子μ
Figure BDA0002258462510000083
其中：
λMAX：相关矩阵A的最大特征值
A＝[S-SEXP]TSEXP
λi：所述相关矩阵A的第i个特征值
i：特征值序号，i＝1,2,···N
7 结束：滤波处理
根据高斯模型对所述信号序列S进行数据重构，重构后的信号序列为SNEW。具体为：SNEW＝SRS+SCSEXP其中：SR＝[GTG+μWOPT]-1[S-SEXP]T[S-SEXP]为信号重构分量；SC＝[GT-μWOPT]为信号调整分量；G为高斯预测矩阵；WOPT为高斯最佳权重矩阵；SEXP为期望序列；μ为高斯调整因子。
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。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述较为简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (5)

1.一种利用高斯模型的微震信号重构方法，其特征在于，包括：
步骤001 输入实测的信号序列S；
步骤002 根据高斯模型对所述信号序列S进行数据重构，重构后的信号序列为SNEW。具体为：SNEW＝SRS+SCSEXP其中：SR＝[GTG+μWOPT]-1[S-SEXP]T[S-SEXP]为信号重构分量；SC＝[GT-μWOPT]为信号调整分量；G为高斯预测矩阵；WOPT为高斯最佳权重矩阵；SEXP为期望序列；μ为高斯调整因子。
2.根据权利要求1所述的方法，其特征在于，所述步骤2之前，所述方法还包括：
步骤003 求取所述高斯预测矩阵G、高斯最佳权重矩阵WOPT、高斯调整因子μ和期望序列SEXP。
3.根据权利要求2所述的方法，其特征在于，所述步骤3包括：
步骤301 生成循环延迟矩阵
Figure FDA0002258462500000011
具体为：
Figure FDA0002258462500000012
其中：
sn：所述信号序列S的第n个元素
N：所述信号序列S的长度
循环参数
Figure FDA0002258462500000014
以N为模下取整
SNR：所述信号序列S的信噪比
步骤302 生成信号差分序列ΔS，具体为：
ΔS＝[0,0 s3-s1,s4-s2,···,sN-sN-2]
步骤303 求取所述期望序列SEXP，具体为：
Figure FDA0002258462500000015
其中：
σS：所述信号序列S的均方差
σΔS：所述信号差分序列ΔS的均方差
步骤304 求取Lagrange因子矢量aOPT，具体为：
其中：
选择矩阵
步骤305 求取所述高斯最佳权重矩阵WOPT，具体为：
Figure FDA0002258462500000022
其中：
Zk：期望矩阵E的第k个特征矢量
Figure FDA0002258462500000024
κk：所述期望矩阵E的第k个特征值
k：特征值下标，k＝1,2,···,N
q：中间参量，q＝1,2,···,N
步骤306 求取所述高斯调整因子μ
Figure FDA0002258462500000025
其中：
λMAX：相关矩阵A的最大特征值
A＝[S-SEXP]TSEXP
λi：所述相关矩阵A的第i个特征值
i：特征值序号，i＝1,2,···N。
4.一种利用高斯模型的微震信号重构系统，其特征在于，包括：
获取模块 输入实测的信号序列S；
重构模块 根据高斯模型对所述信号序列S进行数据重构，重构后的信号序列为SNEW。具体为：SNEW＝SRS+SCSEXP其中：SR＝[GTG+μWOPT]-1[S-SEXP]T[S-SEXP]为信号重构分量；SC＝[GT-μWOPT]为信号调整分量；G为高斯预测矩阵；WOPT为高斯最佳权重矩阵；SEXP为期望序列；μ为高斯调整因子。
5.根据权利要求4所述的系统，其特征在于，还包括：
计算模块 求取所述高斯预测矩阵G、高斯最佳权重矩阵WOPT、高斯调整因子μ和期望序列SEXP。
CN201911062690.2A 2019-11-03 2019-11-03 一种利用高斯模型的微震信号重构方法和系统 Withdrawn CN110794456A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911062690.2A CN110794456A (zh) 2019-11-03 2019-11-03 一种利用高斯模型的微震信号重构方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911062690.2A CN110794456A (zh) 2019-11-03 2019-11-03 一种利用高斯模型的微震信号重构方法和系统

Publications (1)

Publication Number Publication Date
CN110794456A true CN110794456A (zh) 2020-02-14

Family

ID=69440846

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911062690.2A Withdrawn CN110794456A (zh) 2019-11-03 2019-11-03 一种利用高斯模型的微震信号重构方法和系统

Country Status (1)

Country Link
CN (1) CN110794456A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112257577A (zh) * 2020-10-21 2021-01-22 华北电力大学 一种利用线性流形投影的微震信号重构方法和系统
CN112307986A (zh) * 2020-11-03 2021-02-02 华北电力大学 一种利用高斯梯度的负荷开关事件检测方法和系统

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112257577A (zh) * 2020-10-21 2021-01-22 华北电力大学 一种利用线性流形投影的微震信号重构方法和系统
CN112307986A (zh) * 2020-11-03 2021-02-02 华北电力大学 一种利用高斯梯度的负荷开关事件检测方法和系统
CN112307986B (zh) * 2020-11-03 2022-02-08 华北电力大学 一种利用高斯梯度的负荷开关事件检测方法和系统

Similar Documents

Publication Publication Date Title
CN110794456A (zh) 一种利用高斯模型的微震信号重构方法和系统
CN110146920B (zh) 基于幅值相对变化的微震事件检测方法和系统
CN110146918B (zh) 基于分群的微震事件检测方法和系统
CN110703321B (zh) 一种利用字典理论的微震事件检测方法和系统
CN110361779B (zh) 一种基于卡方分布的微震事件检测方法和系统
CN111596362A (zh) 一种利用拉格朗日因子的微震信号滤波方法和系统
CN110703319B (zh) 一种基于Khinchin-Einstein定理的微震事件检测方法和系统
CN111596367A (zh) 一种利用子空间学习优化的微震信号重构方法和系统
CN111856563A (zh) 一种利用转换稀疏性的微震信号重构方法和系统
CN111679321A (zh) 一种利用泛化梯度的微震信号重构方法和系统
CN110703324A (zh) 一种利用随机字典表示的微震事件检测方法和系统
CN110161560B (zh) 一种微震事件的检测方法和装置
CN110146921B (zh) 基于狄拉克分布概率的微震事件检测方法和系统
CN110685665A (zh) 一种基于边界探测的微震事件检测方法和系统
CN112257560B (zh) 一种利用累积相似性的微震事件检测方法和系统
CN110333530B (zh) 一种微震事件检测方法和系统
CN112180438A (zh) 一种利用选择矩阵的微震信号重构方法和系统
CN110146919B (zh) 基于正交投影的微震事件检测方法和系统
CN110909639A (zh) 一种利用字典滤波矩阵的微震信号滤波方法和系统
CN112394403B (zh) 一种利用边缘探测的微震事件检测方法和系统
CN111679323A (zh) 一种利用误差矢量优化的微震信号滤波方法和系统
CN111596361A (zh) 一种利用局限点的微震信号滤波方法和系统
CN112257565B (zh) 一种利用最大Hull距离的微震事件检测方法和系统
CN112257577A (zh) 一种利用线性流形投影的微震信号重构方法和系统
CN110764141A (zh) 一种利用非齐次多项式核的微震事件检测方法和系统

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
WW01 Invention patent application withdrawn after publication

Application publication date: 20200214

WW01 Invention patent application withdrawn after publication