CN110909639A - 一种利用字典滤波矩阵的微震信号滤波方法和系统 - Google Patents
一种利用字典滤波矩阵的微震信号滤波方法和系统 Download PDFInfo
- Publication number
- CN110909639A CN110909639A CN201911096572.3A CN201911096572A CN110909639A CN 110909639 A CN110909639 A CN 110909639A CN 201911096572 A CN201911096572 A CN 201911096572A CN 110909639 A CN110909639 A CN 110909639A
- Authority
- CN
- China
- Prior art keywords
- matrix
- signal
- filtering
- sequence
- dictionary
- 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- Withdrawn
Links
Images
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/28—Determining representative reference patterns, e.g. by averaging or distorting; Generating dictionaries
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Signal Processing (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明的实施例公开一种利用字典滤波矩阵的微震信号滤波方法和系统,所述方法包括:步骤1,输入实测的信号序列S;步骤2,根据字典滤波矩阵对所述信号序列S进行滤除噪声处理,滤除噪声后的信号序列为SNEW。具体为:SNEW=WOPTS。其中,WOPT为字典滤波矩阵。
Description
技术领域
本发明涉及地学领域,尤其涉及一种微震信号滤波方法和系统。
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
由于水利压力微震检测工作环境复杂,微震信号遭受到严重的背景噪声干扰,背景噪声呈现出明显的非平稳性和非高斯特性,常用的低通滤波器在非平稳和非高斯噪声环境中难以达到理想的滤波效果,很难滤除非平稳非高斯噪声,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字典滤波矩阵的微震信号滤波方法和系统,所提出的方法利用了微震信号和背景噪声在信号表示领域中的差异,通过字典滤波矩阵性质区分微震信号和背景噪声。所提出的方法具有较好的噪声滤除性能,计算也较为简单。
为实现上述目的,本发明提供了如下方案:
一种利用字典滤波矩阵的微震信号滤波方法,包括:
步骤001 输入实测的信号序列S;
步骤002 根据字典滤波矩阵对所述信号序列S进行滤除噪声处理,滤除噪声后的信号序列为SNEW。具体为:SNEW=WOPTS。其中,WOPT为字典滤波矩阵。
一种利用字典滤波矩阵的微震信号滤波系统,包括:
获取模块 输入实测的信号序列S;
滤波模块 根据字典滤波矩阵对所述信号序列S进行滤除噪声处理,滤除噪声后的信号序列为SNEW。具体为:SNEW=WOPTS。其中,WOPT为字典滤波矩阵。
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:
由于水利压力微震检测工作环境复杂,微震信号遭受到严重的背景噪声干扰,背景噪声呈现出明显的非平稳性和非高斯特性,常用的低通滤波器在非平稳和非高斯噪声环境中难以达到理想的滤波效果,很难滤除非平稳非高斯噪声,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字典滤波矩阵的微震信号滤波方法和系统,所提出的方法利用了微震信号和背景噪声在信号表示领域中的差异,通过字典滤波矩阵性质区分微震信号和背景噪声。所提出的方法具有较好的噪声滤除性能,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1一种利用字典滤波矩阵的微震信号滤波方法的流程示意图
图1为本发明一种利用字典滤波矩阵的微震信号滤波方法的流程示意图。如图1所示,所述的一种利用字典滤波矩阵的微震信号滤波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 根据字典滤波矩阵对所述信号序列S进行滤除噪声处理,滤除噪声后的信号序列为SNEW。具体为:SNEW=WOPTS。其中,WOPT为字典滤波矩阵。
所述步骤002之前,所述方法还包括:
步骤003 求取所述字典滤波矩阵WOPT。
所述步骤003还包括:
步骤301 生成信号差分序列,具体为:
ΔS=[0,s2-s1,s3-s2,···,sN-sN-1]
其中:
ΔS:所述信号差分序列
sn:所述信号序列S的第n个元素
n:序列下标,n=1,2,···,N
N:所述信号序列S的长度
步骤302计算最优估计序列S*,具体为:
subject to
其中:
D:随机正演矩阵
Mrand=M+rand[00.01]σ:随机调整因子
rand[00.01]:区间[00.01]内均匀分布的随机变量
M:所述信号差分序列ΔS的均值
σ:所述信号差分序列ΔS的均方差
x:中间矢量
步骤303 求取所述字典滤波矩阵WOPT,具体为:
其中:
U:调整矩阵[S*-DΔS]T[S*-DΔS]的右特征矢量矩阵
A:所述调整矩阵[S*-DΔS]T[S*-DΔS]的特征值矩阵
图2一种利用字典滤波矩阵的微震信号滤波系统的结构意图
图2为本发明一种利用字典滤波矩阵的微震信号滤波系统的结构示意图。如图2所示,所述一种利用字典滤波矩阵的微震信号滤波系统包括以下结构:
获取模块401 输入实测的信号序列S;
滤波模块402 根据字典滤波矩阵对所述信号序列S进行滤除噪声处理,滤除噪声后的信号序列为SNEW。具体为:SNEW=WOPTS。其中,WOPT为字典滤波矩阵。
所述的系统,还包括:
计算模块403 求取所述字典滤波矩阵WOPT。
所述计算模块403还包括下列单元,具体包括:
计算单元4031 生成信号差分序列,具体为:
ΔS=[0,s2-s1,s3-s2,···,sN-sN-1]
其中:
ΔS:所述信号差分序列
sn:所述信号序列S的第n个元素
n:序列下标,n=1,2,···,N
N:所述信号序列S的长度
计算单元4032 计算最优估计序列S*,具体为:
subject to
其中:
D:随机正演矩阵
Mrand=M+rand[00.01]σ:随机调整因子
rand[00.01]:区间[00.01]内均匀分布的随机变量
M:所述信号差分序列ΔS的均值
σ:所述信号差分序列ΔS的均方差
x:中间矢量
计算单元4033 求取所述字典滤波矩阵WOPT,具体为:
其中:
U:调整矩阵[S*-DΔS]T[S*-DΔS]的右特征矢量矩阵
A:所述调整矩阵[S*-DΔS]T[S*-DΔS]的特征值矩阵
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 生成信号差分序列,具体为:
ΔS=[0,s2-s1,s3-s2,···,sN-sN-1]
其中:
ΔS:所述信号差分序列
sn:所述信号序列S的第n个元素
n:序列下标,n=1,2,···,N
N:所述信号序列S的长度
2 计算最优估计序列S*,具体为:
subject to
其中:
D:随机正演矩阵
Mrand=M+rand[00.01]σ:随机调整因子
rand[00.01]:区间[00.01]内均匀分布的随机变量
M:所述信号差分序列ΔS的均值
σ:所述信号差分序列ΔS的均方差
x:中间矢量
3 求取所述字典滤波矩阵WOPT,具体为:
其中:
U:调整矩阵[S*-DΔS]T[S*-DΔS]的右特征矢量矩阵
A:所述调整矩阵[S*-DΔS]T[S*-DΔS]的特征值矩阵
4 结束:滤波
根据字典滤波矩阵对所述信号序列S进行滤除噪声处理,滤除噪声后的信号序列为SNEW。具体为:SNEW=WOPTS。其中,WOPT为字典滤波矩阵。
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)
1.一种利用字典滤波矩阵的微震信号滤波方法,其特征在于,包括:
步骤001 输入实测的信号序列S;
步骤002 根据字典滤波矩阵对所述信号序列S进行滤除噪声处理,滤除噪声后的信号序列为SNEW。具体为:SNEW=WOPTS。其中,WOPT为字典滤波矩阵。
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 求取所述字典滤波矩阵WOPT。
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 生成信号差分序列,具体为:
ΔS=[0,s2-s1,s3-s2,···,sN-sN-1]
其中:
ΔS:所述信号差分序列
sn:所述信号序列S的第n个元素
n:序列下标,n=1,2,···,N
N:所述信号序列S的长度
步骤302 计算最优估计序列S*,具体为:
subject to
其中:
D:随机正演矩阵
Mrand=M+rand[0 0.01]σ:随机调整因子
rand[0 0.01]:区间[0 0.01]内均匀分布的随机变量
M:所述信号差分序列ΔS的均值
σ:所述信号差分序列ΔS的均方差
x:中间矢量
步骤303 求取所述字典滤波矩阵WOPT,具体为:
其中:
U:调整矩阵[S*-DΔS]T[S*-DΔS]的右特征矢量矩阵
A:所述调整矩阵[S*-DΔS]T[S*-DΔS]的特征值矩阵。
4.一种利用字典滤波矩阵的微震信号滤波系统,其特征在于,包括:
获取模块 输入实测的信号序列S;
滤波模块 根据字典滤波矩阵对所述信号序列S进行滤除噪声处理,滤除噪声后的信号序列为SNEW。具体为:SNEW=WOPTS。其中,WOPT为字典滤波矩阵。
5.根据一种利用字典滤波矩阵的微震信号滤波权利要求4所述的系统,其特征在于,还包括:
计算模块 求取所述字典滤波矩阵WOPT。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911096572.3A CN110909639A (zh) | 2019-11-11 | 2019-11-11 | 一种利用字典滤波矩阵的微震信号滤波方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911096572.3A CN110909639A (zh) | 2019-11-11 | 2019-11-11 | 一种利用字典滤波矩阵的微震信号滤波方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110909639A true CN110909639A (zh) | 2020-03-24 |
Family
ID=69816501
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911096572.3A Withdrawn CN110909639A (zh) | 2019-11-11 | 2019-11-11 | 一种利用字典滤波矩阵的微震信号滤波方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110909639A (zh) |
-
2019
- 2019-11-11 CN CN201911096572.3A patent/CN110909639A/zh not_active Withdrawn
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110146920B (zh) | 基于幅值相对变化的微震事件检测方法和系统 | |
CN110794456A (zh) | 一种利用高斯模型的微震信号重构方法和系统 | |
CN110146918B (zh) | 基于分群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 | |
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 | |
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 | |
CN110703324A (zh) | 一种利用随机字典表示的微震事件检测方法和系统 | |
CN111679321A (zh) | 一种利用泛化梯度的微震信号重构方法和系统 | |
CN111856563A (zh) | 一种利用转换稀疏性的微震信号重构方法和系统 | |
CN110161560B (zh) | 一种微震事件的检测方法和装置 | |
CN110685665A (zh) | 一种基于边界探测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 | |
CN110146921B (zh) | 基于狄拉克分布概率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 | |
CN112257560B (zh) | 一种利用累积相似性的微震事件检测方法和系统 | |
CN112394403B (zh) | 一种利用边缘探测的微震事件检测方法和系统 | |
CN110146919B (zh) | 基于正交投影的微震事件检测方法和系统 | |
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 | |
CN112180438A (zh) | 一种利用选择矩阵的微震信号重构方法和系统 | |
CN111679323A (zh) | 一种利用误差矢量优化的微震信号滤波方法和系统 | |
CN111679320A (zh) | 一种利用Lipschitz投影的微震信号滤波方法和系统 | |
CN111614344A (zh) | 一种利用近端梯度的微震信号滤波方法和系统 |
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: 20200324 |
|
WW01 | Invention patent application withdrawn after publication |