CN111596367A - 一种利用子空间学习优化的微震信号重构方法和系统 - Google Patents

一种利用子空间学习优化的微震信号重构方法和系统 Download PDF

Info

Publication number
CN111596367A
CN111596367A CN202010593754.8A CN202010593754A CN111596367A CN 111596367 A CN111596367 A CN 111596367A CN 202010593754 A CN202010593754 A CN 202010593754A CN 111596367 A CN111596367 A CN 111596367A
Authority
CN
China
Prior art keywords
matrix
subspace
signal sequence
reconstruction
circulant 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Withdrawn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
CN202010593754.8A
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 CN202010593754.8A priority Critical patent/CN111596367A/zh
Publication of CN111596367A publication Critical patent/CN111596367A/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Withdrawn legal-status Critical Current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
    • G01V1/40—Seismology; Seismic or acoustic prospecting or detecting specially adapted for well-logging
    • G01V1/44—Seismology; Seismic or acoustic prospecting or detecting specially adapted for well-logging using generators and receivers in the same well
    • G01V1/48—Processing data
    • G01V1/50—Analysing data
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V2210/00—Details of seismic processing or analysis
    • G01V2210/60—Analysis
    • G01V2210/61—Analysis by combining or comparing a seismic data set with other data
    • G01V2210/616—Data from specific type of measurement
    • G01V2210/6169—Data from specific type of measurement using well-logging

Landscapes

  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Acoustics & Sound (AREA)
  • Environmental & Geological Engineering (AREA)
  • Geology (AREA)
  • Remote Sensing (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Geophysics (AREA)
  • Complex Calculations (AREA)

Abstract

本发明的实施例公开一种利用子空间学习优化的微震信号重构方法和系统，所述方法包括：步骤101：获取按时间顺序采集的信号序列S；步骤102：求取循环矩阵C；步骤103：生成子空间学习优化矩阵A；步骤104：求取重构矩阵W；步骤105：求取重构后的信号序列Snew。

Description

一种利用子空间学习优化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子空间学习优化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，通过子空间学习优化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：
一种利用子空间学习优化的微震信号重构方法，包括：
步骤101获取按时间顺序采集的信号序列S
步骤102求取循环矩阵C，具体为：所述循环矩阵C的第i行第j列元素cij＝s|i+j|N。其中，s|i+j|N为所述信号序列S的第|i+j|N个元素；|i+j|N表示对i+j以N为模下取整；i为行序号，取值范围为i＝1,2,···,N；j为列序号，取值范围为j＝1,2,···,N；N为所述信号序列S的长度；
步骤103生成子空间学习优化矩阵A，具体为：所述子空间学习优化矩阵A的计算公式为
Figure BDA0002556766300000021
其中，μm为所述循环矩阵C的第m个左特征矢量；vm为所述循环矩阵C的第m个右特征矢量；λm为所述循环矩阵C的第m个特征值；NA为子空间秩，所述子空间秩NA的值为所述循环矩阵C的特征值大于ε0的个数；ε0为子空间阈值，所述子空间阈值ε0的计算公式为
Figure BDA0002556766300000022
h为所述信号序列S的均值；σ为所述信号序列S的均方差；
步骤104求取重构矩阵W，具体为：所述重构矩阵W的计算公式为
Figure BDA0002556766300000023
Figure BDA0002556766300000024
其中，an为所述子空间学习优化矩阵A的第n行元素；τ为重构因子，所述重构因子τ的计算公式为
Figure BDA0002556766300000025
||F为Frobenius模；
步骤105求取重构后的信号序列Snew，具体为：所述重构后的信号序列Snew的计算公式为Snew＝S-[STS+A]S。
一种利用子空间学习优化的微震信号重构系统，包括：
模块201获取按时间顺序采集的信号序列S
模块202求取循环矩阵C，具体为：所述循环矩阵C的第i行第j列元素cij＝s|i+j|N。其中，s|i+j|N为所述信号序列S的第|i+j|N个元素；|i+j|N表示对i+j以N为模下取整；i为行序号，取值范围为i＝1,2,···,N；j为列序号，取值范围为j＝1,2,···,N；N为所述信号序列S的长度；
模块203生成子空间学习优化矩阵A，具体为：所述子空间学习优化矩阵A的计算公式为
Figure BDA0002556766300000026
其中，μm为所述循环矩阵C的第m个左特征矢量；vm为所述循环矩阵C的第m个右特征矢量；λm为所述循环矩阵C的第m个特征值；NA为子空间秩，所述子空间秩NA的值为所述循环矩阵C的特征值大于ε0的个数；ε0为子空间阈值，所述子空间阈值ε0的计算公式为
Figure BDA0002556766300000031
h为所述信号序列S的均值；σ为所述信号序列S的均方差；
模块204求取重构矩阵W，具体为：所述重构矩阵W的计算公式为
Figure BDA0002556766300000032
Figure BDA0002556766300000033
其中，an为所述子空间学习优化矩阵A的第n行元素；τ为重构因子，所述重构因子τ的计算公式为
Figure BDA0002556766300000034
||F为Frobenius模；
模块205求取重构后的信号序列Snew，具体为：所述重构后的信号序列Snew的计算公式为Snew＝S-[STS+A]S。
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子空间学习优化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，通过子空间学习优化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1一种利用子空间学习优化的微震信号重构方法的流程示意图
图1为本发明一种利用子空间学习优化的微震信号重构方法的流程示意图。如图1所示，所述的一种利用子空间学习优化的微震信号重构方法具体包括以下步骤：
步骤101获取按时间顺序采集的信号序列S
步骤102求取循环矩阵C，具体为：所述循环矩阵C的第i行第j列元素cij＝s|i+j|N。其中，s|i+j|N为所述信号序列S的第|i+j|N个元素；|i+j|N表示对i+j以N为模下取整；i为行序号，取值范围为i＝1,2,···,N；j为列序号，取值范围为j＝1,2,···,N；N为所述信号序列S的长度；
步骤103生成子空间学习优化矩阵A，具体为：所述子空间学习优化矩阵A的计算公式为
Figure BDA0002556766300000041
其中，μm为所述循环矩阵C的第m个左特征矢量；vm为所述循环矩阵C的第m个右特征矢量；λm为所述循环矩阵C的第m个特征值；NA为子空间秩，所述子空间秩NA的值为所述循环矩阵C的特征值大于ε0的个数；ε0为子空间阈值，所述子空间阈值ε0的计算公式为
Figure BDA0002556766300000042
h为所述信号序列S的均值；σ为所述信号序列S的均方差；
步骤104求取重构矩阵W，具体为：所述重构矩阵W的计算公式为
Figure BDA0002556766300000043
Figure BDA0002556766300000044
其中，an为所述子空间学习优化矩阵A的第n行元素；τ为重构因子，所述重构因子τ的计算公式为
Figure BDA0002556766300000045
||F为Frobenius模；
步骤105求取重构后的信号序列Snew，具体为：所述重构后的信号序列Snew的计算公式为Snew＝S-[STS+A]S。
图2一种利用子空间学习优化的微震信号重构系统的结构意图
图2为本发明一种利用子空间学习优化的微震信号重构系统的结构示意图。如图2所示，所述一种利用子空间学习优化的微震信号重构系统包括以下结构：
模块201获取按时间顺序采集的信号序列S
模块202求取循环矩阵C，具体为：所述循环矩阵C的第i行第j列元素cij＝s|i+j|N。其中，s|i+j|N为所述信号序列S的第|i+j|N个元素；|i+j|N表示对i+j以N为模下取整；i为行序号，取值范围为i＝1,2,···,N；j为列序号，取值范围为j＝1,2,···,N；N为所述信号序列S的长度；
模块203生成子空间学习优化矩阵A，具体为：所述子空间学习优化矩阵A的计算公式为
Figure BDA0002556766300000046
其中，μm为所述循环矩阵C的第m个左特征矢量；vm为所述循环矩阵C的第m个右特征矢量；λm为所述循环矩阵C的第m个特征值；NA为子空间秩，所述子空间秩NA的值为所述循环矩阵C的特征值大于ε0的个数；ε0为子空间阈值，所述子空间阈值ε0的计算公式为
Figure BDA0002556766300000047
h为所述信号序列S的均值；σ为所述信号序列S的均方差；
模块204求取重构矩阵W，具体为：所述重构矩阵W的计算公式为
Figure BDA0002556766300000051
Figure BDA0002556766300000052
其中，an为所述子空间学习优化矩阵A的第n行元素；τ为重构因子，所述重构因子τ的计算公式为
Figure BDA0002556766300000053
||F为Frobenius模；
模块205求取重构后的信号序列Snew，具体为：所述重构后的信号序列Snew的计算公式为Snew＝S-[STS+A]S。
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：
步骤301获取按时间顺序采集的信号序列S
步骤302求取循环矩阵C，具体为：所述循环矩阵C的第i行第j列元素cij＝s|i+j|N。其中，s|i+j|N为所述信号序列S的第|i+j|N个元素；|i+j|N表示对i+j以N为模下取整；i为行序号，取值范围为i＝1,2,···,N；j为列序号，取值范围为j＝1,2,···,N；N为所述信号序列S的长度；
步骤303生成子空间学习优化矩阵A，具体为：所述子空间学习优化矩阵A的计算公式为
Figure BDA0002556766300000054
其中，μm为所述循环矩阵C的第m个左特征矢量；vm为所述循环矩阵C的第m个右特征矢量；λm为所述循环矩阵C的第m个特征值；NA为子空间秩，所述子空间秩NA的值为所述循环矩阵C的特征值大于ε0的个数；ε0为子空间阈值，所述子空间阈值ε0的计算公式为
Figure BDA0002556766300000055
h为所述信号序列S的均值；σ为所述信号序列S的均方差；
步骤304求取重构矩阵W，具体为：所述重构矩阵W的计算公式为
Figure BDA0002556766300000056
Figure BDA0002556766300000057
其中，an为所述子空间学习优化矩阵A的第n行元素；τ为重构因子，所述重构因子τ的计算公式为
Figure BDA0002556766300000058
||F为Frobenius模；
步骤305求取重构后的信号序列Snew，具体为：所述重构后的信号序列Snew的计算公式为Snew＝S-[STS+A]S。
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 (2)

1.一种利用子空间学习优化的微震信号重构方法，其特征在于，包括：
步骤101获取按时间顺序采集的信号序列S
步骤102求取循环矩阵C，具体为：所述循环矩阵C的第i行第j列元素
Figure FDA0002556766290000017
其中，
Figure FDA0002556766290000018
为所述信号序列S的第|i+j|N个元素；|i+j|N表示对i+j以N为模下取整；i为行序号，取值范围为i＝1,2,…,N；j为列序号，取值范围为j＝1,2,…,N；N为所述信号序列S的长度；
步骤103生成子空间学习优化矩阵A，具体为：所述子空间学习优化矩阵A的计算公式为
Figure FDA0002556766290000011
其中，μm为所述循环矩阵C的第m个左特征矢量；vm为所述循环矩阵C的第m个右特征矢量；λm为所述循环矩阵C的第m个特征值；NA为子空间秩，所述子空间秩NA的值为所述循环矩阵C的特征值大于ε0的个数；ε0为子空间阈值，所述子空间阈值ε0的计算公式为
Figure FDA0002556766290000012
h为所述信号序列S的均值；σ为所述信号序列S的均方差；
步骤104求取重构矩阵W，具体为：所述重构矩阵W的计算公式为
Figure FDA0002556766290000013
其中，an为所述子空间学习优化矩阵A的第n行元素；τ为重构因子，所述重构因子τ的计算公式为
Figure FDA0002556766290000014
||F为Frobenius模；
步骤105求取重构后的信号序列Snew，具体为：所述重构后的信号序列Snew的计算公式为Snew＝S-[STS+A]S。
2.一种利用子空间学习优化的微震信号重构系统，其特征在于，包括：
模块201获取按时间顺序采集的信号序列S
模块202求取循环矩阵C，具体为：所述循环矩阵C的第i行第j列元素
Figure FDA0002556766290000019
其中，
Figure FDA00025567662900000110
为所述信号序列S的第|i+j|N个元素；|i+j|N表示对i+j以N为模下取整；i为行序号，取值范围为i＝1,2,…,N；j为列序号，取值范围为j＝1,2,…,N；N为所述信号序列S的长度；
模块203生成子空间学习优化矩阵A，具体为：所述子空间学习优化矩阵A的计算公式为
Figure FDA0002556766290000015
其中，μm为所述循环矩阵C的第m个左特征矢量；vm为所述循环矩阵C的第m个右特征矢量；λm为所述循环矩阵C的第m个特征值；NA为子空间秩，所述子空间秩NA的值为所述循环矩阵C的特征值大于ε0的个数；ε0为子空间阈值，所述子空间阈值ε0的计算公式为
Figure FDA0002556766290000016
h为所述信号序列S的均值；σ为所述信号序列S的均方差；
模块204求取重构矩阵W，具体为：所述重构矩阵W的计算公式为
Figure FDA0002556766290000021
其中，an为所述子空间学习优化矩阵A的第n行元素；τ为重构因子，所述重构因子τ的计算公式为
Figure FDA0002556766290000022
||F为Frobenius模；
模块205求取重构后的信号序列Snew，具体为：所述重构后的信号序列Snew的计算公式为Snew＝S-[STS+A]S。
CN202010593754.8A 2020-06-28 2020-06-28 一种利用子空间学习优化的微震信号重构方法和系统 Withdrawn CN111596367A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010593754.8A CN111596367A (zh) 2020-06-28 2020-06-28 一种利用子空间学习优化的微震信号重构方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010593754.8A CN111596367A (zh) 2020-06-28 2020-06-28 一种利用子空间学习优化的微震信号重构方法和系统

Publications (1)

Publication Number Publication Date
CN111596367A true CN111596367A (zh) 2020-08-28

Family

ID=72179682

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010593754.8A Withdrawn CN111596367A (zh) 2020-06-28 2020-06-28 一种利用子空间学习优化的微震信号重构方法和系统

Country Status (1)

Country Link
CN (1) CN111596367A (zh)

Cited By (1)

* 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

Cited By (1)

* 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

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
CN110146918B (zh) 基于分群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
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
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
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
CN110703319B (zh) 一种基于Khinchin-Einstein定理的微震事件检测方法和系统
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
CN112257565B (zh) 一种利用最大Hull距离的微震事件检测方法和系统
CN110146921B (zh) 基于狄拉克分布概率的微震事件检测方法和系统
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
CN110146919B (zh) 基于正交投影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
CN112180438A (zh) 一种利用选择矩阵的微震信号重构方法和系统
CN112257577A (zh) 一种利用线性流形投影的微震信号重构方法和系统
CN111596361A (zh) 一种利用局限点的微震信号滤波方法和系统
CN112162320A (zh) 一种利用相似时间窗口的微震事件检测方法和系统
CN112180439A (zh) 一种利用凸函数优化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

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
WW01 Invention patent application withdrawn after publication

Application publication date: 20200828