CN111126471A - 微地震事件检测方法及系统 - Google Patents
微地震事件检测方法及系统 Download PDFInfo
- Publication number
- CN111126471A CN111126471A CN201911308462.9A CN201911308462A CN111126471A CN 111126471 A CN111126471 A CN 111126471A CN 201911308462 A CN201911308462 A CN 201911308462A CN 111126471 A CN111126471 A CN 111126471A
- Authority
- CN
- China
- Prior art keywords
- neural network
- convolutional neural
- data set
- network model
- training
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Mining
Abstract
本发明涉及一种微地震事件检测方法及系统,所述方法的步骤为:采集压裂过程中多个监测站点的微地震信号,建立训练数据集和测试数据集;建立卷积神经网络模型,将训练数据集样本输入到卷积神经网络模型中进行训练,将测试数据集样本输入至训练后的卷积神经网络模型中检验训练后的卷积神经网络模型的性能;存储卷积神经网络模型完成训练后的参数;采集实时压裂过程中多个监测站点的微地震信号,建立待测试数据集;将待测试数据集的数据输入至训练后的卷积神经网络模型中进行检测,获得各监测站点波形数据的样本分类结果,并根据该样本分类结果确定是否存在微地震事件。本发明能够实现微地震事件的实时在线检测,识别速度快,识别精度高。
Description
技术领域
本发明属于油气勘探技术领域,涉及油气井压裂过程中的监测数据处理技术,具体地说,涉及了一种微地震事件检测方法及系统。
背景技术
微地震水力压裂监测技术是近年来非常规油气资源勘探开发领域应用的一项重要技术。水力压裂是通过井筒向目标储层注入高粘度的高压流体,使地层岩石破裂而释放能量级别很低的微地震信号。微地震水力压裂监测技术就是对此微地震信号进行检测和处理,以确定每个微地震事件的震源点,进而通过一系列震源点的分布描述压裂裂缝形态和分布规律。
实现对微地震事件快速准确地检测是后期微地震数据处理的基础。由于阵列式地面微地震监测系统的检波器都埋设在地表的浅层土壤,容易收到各种干扰的影响。因此,在实际压裂过程中地面监测站点采集的微地震信号背景噪声强,有效事件检测困难。传统的微地震事件检测技术在信号信噪比比较高时可以取得良好的检测效果,但在低信噪比情况下检测常常不准确,这将直接影响后续数据处理的质量。同时传统技术往往需要人工设定阈值,而阈值的设定影响检测结果,这就使得检测过程中引入了主观因素,进一步降低了检测的准确性。
发明内容
本发明针对现有技术存在的检测不准确等上述不足,提供一种微地震事件检测方法及系统,该方法和系统直接采集原始时域波形数据,经过训练后的模型能够高效精确的提取微地震信号的特征,实现微地震事件的实时在线检测,识别速度快,识别精度高。
为了达到上述目的,本发明提供了一种微地震事件检测方法,含有以下步骤:
采集压裂过程中多个监测站点的微地震信号,建立训练数据集和测试数据集;
建立卷积神经网络模型,将训练数据集样本输入到卷积神经网络模型中进行训练,将测试数据集样本输入至训练后的卷积神经网络模型中检验训练后的卷积神经网络模型的性能;
存储卷积神经网络模型完成训练后的参数;
采集实时压裂过程中多个监测站点的微地震信号,建立待测试数据集;
将待测试数据集的数据输入至训练后的卷积神经网络模型中进行检测,获得各监测站点波形数据的样本分类结果,并根据该样本分类结果确定是否存在微地震事件。
优选的,选用微地震信号中的垂直分量波形数据进行归一化和分组处理,每256个采样点作为一个数据样本,按照不同的样本类别分别标注标签,制作训练数据集和测试数据集。
优选的,所述卷积神经网络模型共6层隐含层,采用2层卷积层、2层降采样池化层与2层全连接层组成的模型框架。
优选的,训练卷积神经网络模型的具体步骤为:
(1)从训练数据集中均匀抽出小批量样本mini-batch按照批次顺序输入卷积神经网络模型中,计算损失函数值;
(2)通过反向传播进行迭代计算完成梯度的计算,采用自适应性矩估计算法更新卷积神经网络模型的参数,使损失函数值最小;
(3)循环训练所有批次,将所有数据迭代计算一遍成为一个epoch,若epoch 未达到设定值,则返回步骤(1),继续进行训练,若epoch达到设定值,则完成训练。
优选的,所述参数包括卷积神经网络模型中每层网络层的权重参数和偏置项参数。
优选的,所述损失函数采用交叉熵损失函数,定义为:
式中,L(θ)表示交叉熵损失函数,θ表示卷积神经网络模型的权重参数,m表示样本个数,k表示样本种类总数,xi表示第i个样本的输入。
优选的,采用自适应性矩估计算法更新卷积神经网络模型的参数的步骤为:
当交叉熵损损失函数L(θ)未收敛或者训练次数n未到规定次数时,
n←n+1
更新偏一阶矩估计,s←ρ1s+(1-ρ1)g
更新偏二阶矩估计,t←ρ2t+(1-ρ2)g⊙g
达到迭代终止条件,返回参数θ;
其中,g反向传播计算的梯度,ε表示输入学习率,ρ1表示一阶矩估计衰减率,ρ2表示二阶矩估计衰减率,δ表示数值稳定的常数,m表示batch size,s=0 表示一阶矩,表示一阶矩偏差,t表示二阶矩,表示二阶矩偏差。
优选的,由根据理论时差合成微地震数值模拟信号和实时采集的微地震信号共同建立待测试数据集,或仅由实时采集的微地震信号建立待测试数据集,且待测试数据集与所述训练数据集和所述测试数据集无重复数据。
优选的,根据该样本分类结果确定是否存在微地震事件的方法为:利用投票机制统计同一事件的各监测站点波形数据的分类结果,若存在50%及以上的监测站点分类结果为包含微地震波形,即确定为有效微地震事件。
为了达到上述目的,本发明还提供了一种微地震事件检测系统,包括:
数据采集装置,用于采集压裂过程中多个监测站点的微地震信号;
数据集生成模块,用于根据微地震信号建立训练数据集、测试数据集及待测试数据集;
模型生成及训练模块,用于建立卷积神经网络模型,并根据训练数据集训练卷积神经网络模型;
模型性能评估模块,用于根据测试数据集检验训练后的卷积神经网络模型的性能;
存储模块,用于存储卷积神经网络模型完成训练后的参数;
判断模块,用于根据训练后的卷积神经网络模型对待测试数据集进行检测获得的各监测站点波形数据的样本分类结果确定是否存在微地震事件。
优选的,还包括数据预处理模块,用于对采集的微地震信号进行归一化和分组处理。
与现有技术相比,本发明的有益效果在于:
本发明提供的微地震事件检测方法及系统,根据阵列式地面微地震监测的特性,以单站点监测数据检测结果为基础,综合考虑事件发生时各站点波形数据的特点来判别微地震事件,通过获取压裂过程中的微地震信号建立数据集,无需建立精确的数学模型,便于实际部署。本发明检测方法及系统在整个检测过程基于训练后的卷积神经网络模型自适应提取数据特征,自动输出检测结果,避免了人工干预,能够高效精确地实现微地震事件的实时在线检测,检测精度高。本发明中的卷积神经网络模型在训练完成后,对于待测试数据能够在1s内输出卷积神经网络模型的分类结果,利用投票机制统计各站点分类结果,识别速度快,同时卷积神经网络模型能够通过增加训练数据,可以进一步进行训练进而提高识别精度。
附图说明
图1为本发明实施例微地震事件检测方法的流程图;
图2-5为本发明实施例卷积神经网络模型的结构图;
图6为本发明实施例卷积神经网络建立及训练的流程图;
图7为本发明实施例微地震事件检测系统的结构框图;
图8为本发明实施例训练过程中训练数据集和测试数据集准确率曲线图;
图9为本发明实施例训练过程中训练数据集和测试数据集损失函数曲线图;
图10a-10d为本发明实施例叠加不同程度噪声的数值模拟信号图;
图11a-11d为本发明实施例各数值模拟信号细化显示的检测结果图;
图12a-12d为本发明实施例某油气井实际压裂过程中几种典型的波形数据图;
图13a-13d为本发明实施例实际监测数据细化显示的检测结果图。
具体实施方式
下面,通过示例性的实施方式对本发明进行具体描述。然而应当理解,在没有进一步叙述的情况下,一个实施方式中的元件、结构和特征也可以有益地结合到其他实施方式中。
卷积神经网络是一种特殊的深层神经网络模型,它的特殊性主要体现在两个方面,一方面是输入单元和输出单元是稀疏交互的,另一方面是同一层的神经元共享权重。这些特殊性是通过卷积核实现的,使得网络参数的个数减少,也大大提高了网络的学习效率。
本发明提供的一种微地震事件检测方法及系统,通过直接采集的原始微地震信号的时域波形数据,建立卷积神经网络模型,并对模型进行训练,经过训练后的模型能够高效精确的提取微地震信号的特征,实现了微地震事件的实时在线监测,且检测精度高。
以下结合附图,对上述微地震事件检测方法及系统进行详细说明。
参见图1,本发明提供的一种微地震事件检测方法,其具体步骤为:
S1、采集压裂过程中多个监测站点的微地震信号,建立训练数据集和测试数据集。
具体地,采用高灵敏度三分量检波器对某待测地区(例如:川渝地区)多口油气井加砂压裂地面微地震信号进行采集,采集的微地震信号中有各种干扰信号,也有有效的微地震信号。选用微地震信号中的垂直分量波形数据进行归一化和分组处理,每256个采样点作为一个数据样本,按照不同的样本类别分别标注标签,制作训练数据集和测试数据集。需要说明的是,此处采集了20-40 个监测站点的微地震信号,涉及不同的储层类型和井类型,包括多个通道(例如33个通道)的波形数据。对每个通道的波形数据进行归一化操作,以消除原始波形数据的幅度波动影响,之后采用分组处理,解决了样本均衡问题。
此处需要说明的是,还可以选取微地震信号中的其他两个分量波形数据建立训练数据集和测试数据集,其波形数据的处理方法与上述对垂直风量波形数据的处理方法相同。
S2、建立卷积神经网络模型,将训练数据集样本输入到卷积神经网络模型中进行训练,将测试数据集样本输入至训练后的卷积神经网络模型中检验训练后的卷积神经网络模型的性能。
具体地,卷积神经网络模型能够对有效的微地震信号以及数据采集过程中的背景噪声(即各种干扰信号)进行分类识别。考虑到输入数据只有两类,数据结果比较简单,盲目增加网络层数会增大卷积神经网络模型的存储需求,而且降低统计效率。因此,在一优选具体实施方式中,采集的微地震信号包括有效的微地震信号和背景噪声两类,鉴于此,参见图2,所述卷积神经网络模型共 6层隐含层,采用2层卷积层、2层降采样池化层与2层全连接层组成的模型框架,对两种不同类型的样本进行识别。经过多次实验卷积神经网络模型各层参数设置参见表1。
表1
所述卷积神经网络模型的结构不限于6层隐含层,只是采用6层时,存储需求最小,统计效率最高。针对微地震信号含有的不同类型的信号还可以根据实际需要设计为8层、10层甚至更多层,例如:参见图3,卷积神经网络模型由输出层、三个卷积层、三个池化层、一个全连接层和输出层共九层组成,其中卷积核大小为3*1,池化区域大小为2*1。参见图4,该模型由输出层、四个卷积层、四个池化层、一个全连接层和输出层共十一层组成,其中卷积核大小为3*1,池化区域大小为2*1。参见图5,该模型由输出层、四个卷积层、四个池化层、一个全连接层和输出层共十一层组成,其中卷积核大小为5*1,池化区域大小为2*1。
上述卷积神经网络模型各网络层的工作机制如下:
卷积层,卷积层通过使用卷积核以固定步长遍历一遍一次输入信号,对输入的局部区域进行卷积运算,并产生相应的特征。
卷积过程的操作如下:
池化层,卷积层后一般就要通过池化层,在卷积层后面周期插入的池化层可以压缩输入的数据矩阵,从而简化从卷积层输出的信息。常见的池化标准有两个,分别是平均值池化和最大值池化。
平均值池化定义如下:
最大值池化定义如下:
y=max(x1,......,xi)=xi
式中,y表示池化层的输出,s*s表示池化区域的大小,xi表示池化s*s块中的第i个元素,k表示池化s*s块中的元素个数。
全连接层,全连接层的作用是配合输出层将滤波级提取出的特征进行分类。其输入和输出的神经元之间是全连接的,综合了前一层的输出特征。
全连接层计算定义如下:
xl=f(zl)
zl=Wlxl-1+bl
式中,xl表示第l层的输出,f(·)表示非线性激活函数,zl表示第l层的输入,xl-1表示第l-1层的输出,Wl表示全连接层的权重,bl表示全连接层的偏置项。
具体地,参见图6,建立并训练卷积神经网络模型的具体步骤为:
S21、以时域波形数据作为输入,提取微地震事件发生时的数据特征,建立卷积神经网络模型。
S22、从训练数据集中均匀抽出小批量样本mini-batch按照批次顺序输入卷积神经网络模型中,计算损失函数值。
具体地,在处理分类问题时,交叉熵softmax函数最常用作分类器的输出来表示n个不同类上的概率分布。本发明具体实施方式中,训练数据集样本的标签为one-hot类型的向量,表示微地震信号和背景噪声两类,卷积神经网络模型最终输出的也是二维的one-hot类型的向量,若波形数据对应的是微地震信号,则输出为[0,1],若波形数据对应的是检测过程中的背景噪音,则输出为[1,0]。损失函数根据标签向量与卷积神经网络模型预测出的概率向量构造,采用交叉熵损失函数,定义为:
式中,L(θ)表示交叉熵损失函数,θ表示卷积神经网络模型的权重参数,m表示样本个数,k表示样本种类总数,xi表示第i个样本的输入。
S23、通过反向传播进行迭代计算完成梯度的计算,采用自适应性矩估计算法更新卷积神经网络模型的参数,使损失函数值最小。卷积神经网络模型通过梯度下降法不断更新参数,使卷积神经网络模型损失函数收敛到最小。
具体地,采用自适应性矩估计算法更新卷积神经网络模型的参数的步骤为:
参考现有的深度学习库,初始化输入学习率ε=0.001,一阶矩估计衰减率ρ1为0.9,二阶矩估计衰减率ρ2为0.99,数值稳定的常数δ=10-8,初始化神经网络的权重参数θ采用标准差为0.1的随机初始化,同时初始化一阶矩s=0,二阶矩 t=0,训练次数n为0。
当交叉熵损损失函数L(θ)未收敛或者训练次数n未到规定次数时,
n←n+1
更新偏一阶矩估计,s←ρ1s+(1-ρ1)g
更新偏二阶矩估计,t←ρ2t+(1-ρ2)g⊙g
达到迭代终止条件,返回参数θ;
S24、循环训练所有批次,将所有数据迭代计算一遍成为一个epoch,若epoch 未达到设定值,则返回步骤(1),继续进行训练,若epoch达到设定值,则完成训练。
S3、存储卷积神经网络模型完成训练后的参数,该参数包括卷积神经网络模型中每层网络层的权重参数和偏置项参数。
S4、采集实时压裂过程中多个监测站点的微地震信号,建立待测试数据集。具体地,根据实时采集的微地震信号,将微地震信号归一化处理后截取为同样长度的数据,建立待测试数据集。需要说明的是,待测试数据集与所述训练数据集和所述测试数据集无重复数据。
在另一具体实施中,由根据理论时差合成微地震数值模拟信号和实时采集的微地震信号共同建立待测试数据集,且待测试数据集与所述训练数据集和所述测试数据集无重复数据。由于模型没有见过之前数据集中的样本,因此可以模拟模型在实际部署之后的情况。
S5、将待测试数据集的数据输入至训练后的卷积神经网络模型中进行检测,获得各监测站点波形数据的样本分类结果,并根据该样本分类结果确定是否存在微地震事件。按批将待测试数据集中输入至卷积神经网络模型中,由此检测出各监测站点包含P波波动的样本号,根据各监测站点P波到时比较近的特点,利用投票机制统计同一事件的各监测站点波形数据的分类结果,根据分类结果确定是否为有效微地震事件。具体地,若存在50%及以上的站点分类结果为包含微地震波形,即确定为有效微地震事件。利用投票机制统计各监测站点分类结果,从而实现微地震事件的实时在线检测,识别速度快,识别精度高。
需要说明的是,上述步骤S4可以在步骤S2之前、步骤S1之后进行,也可以与步骤S1同时进行。
参见图7,本发明提供的一种微地震事件检测系统,包括:
数据采集装置1,用于采集压裂过程中多个监测站点的微地震信号;
数据集生成模块2,用于根据微地震信号建立训练数据集、测试数据集及待测试数据集;
模型生成及训练模块3,用于建立卷积神经网络模型,并根据训练数据集训练卷积神经网络模型;
模型性能评估模块4,用于根据测试数据集检验训练后的卷积神经网络模型的性能;
存储模块5,用于存储卷积神经网络模型完成训练后的参数;
判断模块6,用于根据训练后的卷积神经网络模型对待测试数据集进行检测获得的各监测站点波形数据的样本分类结果确定是否存在微地震事件。
在一具体实施方式中,上述微地震事件检测系统还包括数据预处理模块7,用于对采集的微地震信号进行归一化和分组处理。在建立数据集之前对采集的数据进行归一化和分组处理,对波形数据进行归一化操作,以消除原始波形数据的幅度波动影响,之后采用分组处理,解决了样本均衡问题。
数据采集装置1、数据集生成模块2共同完成上述微地震事件检测方法中的步骤S1和S4的操作,模型生成及训练模块3、模型性能评估模块4共同完成上述微地震事件检测方法中的步骤S2的操作,存储模块5执行上述微地震事件检测方法中的步骤S3的操作,模型生成及训练模块3及判断模块6执行上述微地震事件检测方法中的步骤S5的操作。需要说明的是,待测试数据集生成之后输入至模型生成及训练模块,通过训练后获得的卷积神经网络模型进行检测,获得的各监测站点波形数据的样本分类结果输入至判断模块,由判断模块确定是否存在微地震事件。
为了验证本发明上述方法和系统对地面监测波形数据的有效性,采用川渝地区某压裂井微地震实际监测波形数据制作训练数据集与测试数据集。数据样本分为两类,即包含微地震事件(即包含P波波动)的样本与只含背景噪声的样本,不同样本类型编码如表2所示。
表2
样本类型 | ONE—HOT编码 |
包含P波波动 | 01 |
背景噪声 | 10 |
本实施例采用Python语言tensorflow架构用于编程环境,输入学习率为 0.001。为了抑制过拟合加入了Dropout调整策略(训练时保留率为0.5,而在测试时保留率为1.0,即所有隐层节点均参与运算)。在输入样本的过程中,引入了小批量样本mini-batch(训练中设置为20个样本)来降低运算复杂度。本实施例部分在配备CPU Intel Core i5-7400处理器的3.0GHz,8GBRAM的PC上训练20 个epoch(约1800步迭代),之后对卷积神经网络模型进行性能测试。训练测试过程中准确率和交叉熵损失函数曲线分别如图8、图9所示,可以看出训练终止时训练数据集和测试数据集上准确率都能够达到95%以上,并且损失函数曲线已经达到了比较好的收敛效果。
将上述卷积神经网络模型的参数保存,利用训练好的卷积神经网络模型分别对叠加不同程度噪声的数值模拟信号和某油气井压裂过程中实际监测数据进行微地震事件检测。图10a--图10d分别为无噪声叠加和信噪比等于15dB、6dB、 0.5dB时的数值模拟信号。利用事件检测通道比M对方法性能进行评估,定义为:其中,表示监测站点的总数,Xi表示在卷积神经网络模型将第i个样本分类识别为包含P波波动的样本的站点数。
遍历站点数1-Y,若其中某个站点中的第i个样本被分类识别为包含P波波动,则Xi=Xi+1。根据微地震事件的特点,以及通过使用该方法对于微地震事件的检测和标注的微地震事件的多次对比实验,若以第i个样本为中心,左右两个样本范围内的样本被分类识别为包含P波波动,则Xi=Xi+1。有:
对各数值模拟信号的检测结果如表3所示,需要说明的是,表3中为i=65时各数值模拟信号检测结果。
表3
信噪比(dB) | X<sub>i</sub> | Y | M(%) |
无噪声 | 32 | 32 | 100 |
15 | 32 | 32 | 100 |
6 | 32 | 32 | 100 |
0.5 | 32 | 32 | 100 |
由表3可以看出,当没有叠加高斯噪声以及波形数据信噪比为15dB时,由于信号信噪比较高,对于65号样本计算得到M的值均为100%,即全部监测站点的波形数据的第65个样本均被分类识别为包含P波波动,因此可认为该事件为微地震事件。当波形数据信噪比为6dB时,对于第65个样本,M的值也为 100%,即第65个样本也被分类识别为包含P波波动,但是随着信噪比的降低,在实际检测过程中出现了个别站点的背景噪声样本被分类识别为包含P波波动样本的误判情况。当波形数据信噪比为0.5dB时,噪声污染严重,大多数甚至全部监测站点的波形数据都出现卷积神经网络模型将一些噪声样本误判的情况,而背景噪声样本被误判为包含P波波动样本只有个别的监测站点共同包含,即这些噪声样本号对应的M<50%,因此可判断这些样本为背景噪声。相比之下所有监测站点的波形数据的第65个样本均被分类识别为包含P波波动,即M的值均为100%。根据微地震事件的特点,可确认此事件为微地震事件。对各数值模拟合成信号的其中8个站点部分区段波形数据的检测结果的细化显示分别如图 11a--图11d所示。
在对各数值模拟信号检测之后,利用相同的卷积神经网络模型对某油气井实际压裂中部分时刻的微地震事件进行检测。图12a--图12d是该井几种比较典型的地面站点监测数据。对图12a--图12d中的微地震事件检测结果如表4所示。
表4
图9 | i | X<sub>i</sub> | Y | M(%) |
a | 87 | 30 | 31 | 96.77 |
b | 96 | 30 | 32 | 93.78 |
c | 15 | 22 | 32 | 68.75 |
d | 113 | 5 | 32 | 15.63 |
图12a--图12c中的波形数据在i分别为87,96,15时,M值均大于50%,故可判断该事件为微地震事件。对于图12d,全部监测站点中最多有5个站点的波形数据的背景噪声样本被误判为包含P波波动的样本,其M值仍小于50%,因此可判断图12d中无微地震事件。其中对上述监测信号中其中8个站点部分区段波形数据的检测结果的细化显示如图13a--图13d所示。
以上所举实施例仅用为方便举例说明本发明,并非对本发明保护范围的限制,在本发明所述技术方案范畴,所属技术领域的技术人员所作各种简单变形与修饰,均应包含在以上申请专利范围中。
Claims (10)
1.一种微地震事件检测方法,其特征在于,含有以下步骤:
采集压裂过程中多个监测站点的微地震信号,建立训练数据集和测试数据集;
建立卷积神经网络模型,将训练数据集样本输入到卷积神经网络模型中进行训练,将测试数据集样本输入至训练后的卷积神经网络模型中检验训练后的卷积神经网络模型的性能;
存储卷积神经网络模型完成训练后的参数;
采集实时压裂过程中多个监测站点的微地震信号,建立在线待测试数据集;
将待测试数据集的数据输入至训练后的卷积神经网络模型中进行检测,获得各监测站点波形数据的样本分类结果,并根据该样本分类结果确定是否存在微地震事件。
2.如权利要求1所述的微地震事件检测方法,其特征在于,选用微地震信号中的垂直分量波形数据进行归一化和分组处理,每256个采样点作为一个数据样本,按照不同的样本类别分别标注标签,制作训练数据集和测试数据集。
3.如权利要求2所述的微地震事件检测方法,其特征在于,所述卷积神经网络模型共6层隐含层,采用2层卷积层、2层降采样池化层与2层全连接层组成的模型框架。
4.如权利要求3所述的微地震事件检测方法,其特征在于,训练卷积神经网络模型的具体步骤为:
(1)从训练数据集中均匀抽出小批量样本mini-batch按照批次顺序输入卷积神经网络模型中,计算损失函数值;
(2)通过反向传播进行迭代计算完成梯度的计算,采用自适应性矩估计算法更新卷积神经网络模型的参数,使损失函数值最小;
(3)循环训练所有批次,将所有数据迭代计算一遍成为一个epoch,若epoch未达到设定值,则返回步骤(1),继续进行训练,若epoch达到设定值,则完成训练。
7.如权利要求1所述的微地震事件检测方法,其特征在于,由根据理论时差合成微地震数值模拟信号和实时采集的微地震信号共同建立在线待测试数据集,或仅由实时采集的微地震信号建立在线待测试数据集,且在线待测试数据集与所述训练数据集和所述测试数据集无重复数据。
8.如权利要求1所述的微地震事件检测方法,其特征在于,根据该样本分类结果确定是否存在微地震事件的方法为:利用投票机制统计同一事件的各监测站点波形数据的分类结果,若存在50%及以上的监测站点分类结果为包含微地震波形,即确定为有效微地震事件。
9.一种微地震事件检测系统,其特征在于,包括:
数据采集装置,用于采集压裂过程中多个监测站点的微地震信号;
数据集生成模块,用于根据微地震信号建立训练数据集、测试数据集及在线待测试数据集;
模型生成及训练模块,用于建立卷积神经网络模型,并根据训练数据集训练卷积神经网络模型;
模型性能评估模块,用于根据测试数据集检验训练后的卷积神经网络模型的性能;
存储模块,用于存储卷积神经网络模型完成训练后的参数;
判断模块,用于根据训练后的卷积神经网络模型对在线待测试数据集进行检测获得的各监测站点波形数据的样本分类结果确定是否存在微地震事件。
10.一种权利要求9所述的微地震事件检测系统,其特征在于,还包括数据预处理模块,用于对采集的微地震信号进行归一化和分组处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911308462.9A CN111126471A (zh) | 2019-12-18 | 2019-12-18 | 微地震事件检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911308462.9A CN111126471A (zh) | 2019-12-18 | 2019-12-18 | 微地震事件检测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111126471A true CN111126471A (zh) | 2020-05-08 |
Family
ID=70499506
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911308462.9A Pending CN111126471A (zh) | 2019-12-18 | 2019-12-18 | 微地震事件检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111126471A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112699788A (zh) * | 2020-12-29 | 2021-04-23 | 东华理工大学 | 一种微地震p波极性识别方法、装置、存储介质及设备 |
CN112731518A (zh) * | 2020-12-09 | 2021-04-30 | 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 |
CN113095364A (zh) * | 2021-03-12 | 2021-07-09 | 西安交通大学 | 利用卷积神经网络的高铁地震事件提取方法、介质及设备 |
CN113222250A (zh) * | 2021-05-13 | 2021-08-06 | 中国工程物理研究院激光聚变研究中心 | 基于卷积神经网络的大功率激光装置输出波形预测方法 |
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 |
CN113534240A (zh) * | 2021-07-07 | 2021-10-22 | 中国石油大学(华东) | 微地震事件检测与定位方法及系统 |
CN113671564A (zh) * | 2021-08-11 | 2021-11-19 | 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 |
CN113792685A (zh) * | 2021-09-17 | 2021-12-14 | 东北石油大学 | 一种基于多尺度卷积神经网络的微地震事件检测方法 |
CN114139579A (zh) * | 2021-11-23 | 2022-03-04 | 吉林大学 | 一种基于方差分形的深度学习微地震事件检测方法 |
CN116307706A (zh) * | 2023-03-08 | 2023-06-23 | 东北石油大学 | 一种基于时序模型的储气库运行地质风险预警和注采气方案优化方法 |
CN116990865A (zh) * | 2023-09-28 | 2023-11-03 | 中国石油大学(华东) | 基于深度迁移学习的微地震事件检测方法及系统 |
CN117313557A (zh) * | 2023-11-29 | 2023-12-29 | 中国石油大学(华东) | 基于深度学习的压裂磁法实时监测中裂缝诊断方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107784276A (zh) * | 2017-10-13 | 2018-03-09 | 中南大学 | 微震事件识别方法和装置 |
CN109597123A (zh) * | 2018-10-26 | 2019-04-09 | 长江大学 | 一种有效信号检测方法及系统 |
CN109871938A (zh) * | 2019-01-21 | 2019-06-11 | 重庆大学 | 一种基于卷积神经网络的零部件喷码检测方法 |
CN110501742A (zh) * | 2019-08-22 | 2019-11-26 | 东北大学 | 一种采用Boosting集成学习算法对地震事件进行区分的方法 |
-
2019
- 2019-12-18 CN CN201911308462.9A patent/CN111126471A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107784276A (zh) * | 2017-10-13 | 2018-03-09 | 中南大学 | 微震事件识别方法和装置 |
CN109597123A (zh) * | 2018-10-26 | 2019-04-09 | 长江大学 | 一种有效信号检测方法及系统 |
CN109871938A (zh) * | 2019-01-21 | 2019-06-11 | 重庆大学 | 一种基于卷积神经网络的零部件喷码检测方法 |
CN110501742A (zh) * | 2019-08-22 | 2019-11-26 | 东北大学 | 一种采用Boosting集成学习算法对地震事件进行区分的方法 |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN112731518A (zh) * | 2020-12-09 | 2021-04-30 | 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 |
US11570060B2 (en) | 2020-12-09 | 2023-01-31 | Institute Of Geology And Geophysics, Chinese Academy Of Sciences | Artificial intelligence real-time microseism monitoring node |
CN112699788A (zh) * | 2020-12-29 | 2021-04-23 | 东华理工大学 | 一种微地震p波极性识别方法、装置、存储介质及设备 |
CN113095364B (zh) * | 2021-03-12 | 2023-12-19 | 西安交通大学 | 利用卷积神经网络的高铁地震事件提取方法、介质及设备 |
CN113095364A (zh) * | 2021-03-12 | 2021-07-09 | 西安交通大学 | 利用卷积神经网络的高铁地震事件提取方法、介质及设备 |
CN113222250A (zh) * | 2021-05-13 | 2021-08-06 | 中国工程物理研究院激光聚变研究中心 | 基于卷积神经网络的大功率激光装置输出波形预测方法 |
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 |
CN113534240A (zh) * | 2021-07-07 | 2021-10-22 | 中国石油大学(华东) | 微地震事件检测与定位方法及系统 |
CN113671564A (zh) * | 2021-08-11 | 2021-11-19 | 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 |
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 |
CN113792685A (zh) * | 2021-09-17 | 2021-12-14 | 东北石油大学 | 一种基于多尺度卷积神经网络的微地震事件检测方法 |
CN113792685B (zh) * | 2021-09-17 | 2024-03-12 | 东北石油大学 | 一种基于多尺度卷积神经网络的微地震事件检测方法 |
CN114139579A (zh) * | 2021-11-23 | 2022-03-04 | 吉林大学 | 一种基于方差分形的深度学习微地震事件检测方法 |
CN114139579B (zh) * | 2021-11-23 | 2024-04-30 | 吉林大学 | 一种基于方差分形的深度学习微地震事件检测方法 |
CN116307706B (zh) * | 2023-03-08 | 2023-11-03 | 东北石油大学 | 一种基于时序模型的储气库运行地质风险预警和注采气方案优化方法 |
CN116307706A (zh) * | 2023-03-08 | 2023-06-23 | 东北石油大学 | 一种基于时序模型的储气库运行地质风险预警和注采气方案优化方法 |
CN116990865B (zh) * | 2023-09-28 | 2024-01-16 | 中国石油大学(华东) | 基于深度迁移学习的微地震事件检测方法及系统 |
CN116990865A (zh) * | 2023-09-28 | 2023-11-03 | 中国石油大学(华东) | 基于深度迁移学习的微地震事件检测方法及系统 |
CN117313557A (zh) * | 2023-11-29 | 2023-12-29 | 中国石油大学(华东) | 基于深度学习的压裂磁法实时监测中裂缝诊断方法 |
CN117313557B (zh) * | 2023-11-29 | 2024-01-23 | 中国石油大学(华东) | 基于深度学习的压裂磁法实时监测中裂缝诊断方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111126471A (zh) | 微地震事件检测方法及系统 | |
CN110533631B (zh) | 基于金字塔池化孪生网络的sar图像变化检测方法 | |
CN111913156B (zh) | 基于深度学习模型与特征联合的雷达辐射源个体识别方法 | |
CN112308008B (zh) | 基于迁移学习的工作模式开集的雷达辐射源个体识别方法 | |
CN111562108A (zh) | 一种基于cnn和fcmc的滚动轴承智能故障诊断方法 | |
CN113534240B (zh) | 微地震事件检测与定位方法及系统 | |
CN108897975A (zh) | 基于深度信念网络的煤层气测井含气量预测方法 | |
CN114595732B (zh) | 基于深度聚类的雷达辐射源分选方法 | |
CN112036239B (zh) | 一种基于深度学习网络的雷达信号工作模式识别方法及系统 | |
CN106656357B (zh) | 一种工频通信信道状态评估系统和方法 | |
CN113792685B (zh) | 一种基于多尺度卷积神经网络的微地震事件检测方法 | |
CN113642484B (zh) | 一种基于bp神经网络的大地电磁信号噪声压制方法及系统 | |
CN113109782B (zh) | 一种直接应用于雷达辐射源幅度序列的分类方法 | |
CN114818809A (zh) | 基于交叉小波的sca-svm电机滚动轴承的故障诊断方法 | |
CN111983569B (zh) | 基于神经网络的雷达干扰抑制方法 | |
CN114980122A (zh) | 一种小样本射频指纹智能识别系统与方法 | |
CN114487129A (zh) | 基于声发射技术的柔性材料的损伤识别方法 | |
CN111104876A (zh) | 一种基于神经网络的红外光谱反卷积方法 | |
CN107884744B (zh) | 无源被动式室内定位方法及装置 | |
CN112329535B (zh) | 基于cnn的电力系统低频振荡模态特征的快速辨识方法 | |
CN108053093A (zh) | 一种基于平均影响值数据变换的k-近邻故障诊断方法 | |
CN112529035B (zh) | 识别不同电台个体种类的智能识别方法 | |
CN116990865B (zh) | 基于深度迁移学习的微地震事件检测方法及系统 | |
CN116405368B (zh) | 一种高维不平衡数据条件下的网络故障诊断方法、系统 | |
CN111814108B (zh) | 一种基于自组织神经网络的连接型间歇故障诊断方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200508 |
|
RJ01 | Rejection of invention patent application after publication |