CN112162319A - 一种利用高斯拉普拉斯融合梯度的微震事件检测方法和系统 - Google Patents

一种利用高斯拉普拉斯融合梯度的微震事件检测方法和系统 Download PDF

Info

Publication number
CN112162319A
CN112162319A CN202011066844.8A CN202011066844A CN112162319A CN 112162319 A CN112162319 A CN 112162319A CN 202011066844 A CN202011066844 A CN 202011066844A CN 112162319 A CN112162319 A CN 112162319A
Authority
CN
China
Prior art keywords
matrix
column
cyclic delay
row
kth
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Withdrawn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
CN202011066844.8A
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 CN202011066844.8A priority Critical patent/CN112162319A/zh
Publication of CN112162319A publication Critical patent/CN112162319A/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Withdrawn legal-status Critical Current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)
  • Image Analysis (AREA)

Abstract

本发明的实施例公开一种利用高斯拉普拉斯融合梯度的微震事件检测方法和系统，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 生成循环延迟信号矩阵；步骤103 生成第K个窗口的循环延迟子矩阵JK；步骤104 对所述第K个窗口的循环延迟子矩阵JK进行滤波运算；步骤105 求取所述第K个窗口的高斯拉普拉斯融合梯度值HK；步骤106 求取微震事件判断阈值ε0；步骤107 检测微震事件。

Description

一种利用高斯拉普拉斯融合梯度的微震事件检测方法和系统
技术领域
本发明涉及石油领域，特别是涉及一种微震事件检测方法及系统。
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
常见的微震事件检测方法中，判断阈值大小的确定较为随意，没有统一的准则，其普遍适用性存在很大的局限性，尤其是当信噪比较低时，算法的性能受到很大影响。
本发明的目的是提供一种利用高斯拉普拉斯融合梯度的微震事件检测方法和系统，所提出的方法利用了微震信号与背景噪声在高斯拉普拉斯融合梯度方面的差异，消除了背景噪声对事件检测性能的影响，提高了事件检测的精度。所提出的方法具有较好的鲁棒性，计算也较为简单。
为实现上述目的，本发明提供了如下方案：
一种利用高斯拉普拉斯融合梯度的微震事件检测方法，包括：
步骤101获取按时间顺序采集的信号序列S；
步骤102生成循环延迟信号矩阵，具体为：
Figure BDA0002714019420000021
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
n：元素下标，取值范围为n＝1,2,···,N；
步骤103生成第K个窗口的循环延迟子矩阵JK,具体为：
Figure BDA0002714019420000022
其中：
dK-1,K-1：所述循环延迟矩阵D的第K-1行第K-1列元素
dK,K-1：所述循环延迟矩阵D的第K行第K-1列元素
dK+1,K-1：所述循环延迟矩阵D的第K+1行第K-1列元素
dK-1,K+1：所述循环延迟矩阵D的第K-1行第K+1列元素
dK,K+1：所述循环延迟矩阵D的第K行第K+1列元素
dK+1,K+1：所述循环延迟矩阵D的第K+1行第K+1列元素
dK-1,K：所述循环延迟矩阵D的第K-1行第K列元素
dK+1,K：所述循环延迟矩阵D的第K+1行第K列元素
dK,K：所述循环延迟矩阵D的第K行第K列元素
如果K-1<1，则K-1置为K
如果K+1>N，则K+1置为N；
K为窗口序号，取值范围为K＝1,2,···,N；
步骤104对所述第K个窗口的循环延迟子矩阵JK进行滤波运算，具体为：
Figure BDA0002714019420000031
其中，
yK：滤除噪声后的第K个窗口数据
Figure BDA0002714019420000032
所述循环延迟子矩阵JK的第i行第j列元素
Figure BDA0002714019420000033
滤波因子
σ：所述信号序列S的均方差
T：所述信号序列S的采样间隔；
步骤105求取所述第K个窗口的高斯拉普拉斯融合梯度值HK，具体为：
HK＝||YG||F
其中：
Figure BDA0002714019420000034
循环矩阵
G＝G1+G2：梯度矩阵
Figure BDA0002714019420000035
线性梯度矩阵
Figure BDA0002714019420000036
高斯拉普拉斯融合梯度矩阵
Figure BDA0002714019420000037
所述
高斯拉普拉斯融合梯度矩阵G2的第i行第j列元素
i＝1,2,···,5：行序号
j＝1,2,···,5：列序号
||YG||F：矩阵YG的Frobenus范数；
步骤106求取微震事件判断阈值ε0，具体为：
Figure BDA0002714019420000038
步骤107检测微震事件，具体为：如果第K个窗口的高斯拉普拉斯融合梯度值HK满足判断条件|HK|≥ε0，则在所述信号序列S的第K点处，检测到微震事件；否则，未检测到微震事件。
一种利用高斯拉普拉斯融合梯度的微震事件检测系统，包括：
模块201获取按时间顺序采集的信号序列S；
模块202生成循环延迟信号矩阵，具体为：
Figure BDA0002714019420000041
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
n：元素下标，取值范围为n＝1,2,···,N；
模块203生成第K个窗口的循环延迟子矩阵JK,具体为：
Figure BDA0002714019420000042
其中：
dK-1,K-1：所述循环延迟矩阵D的第K-1行第K-1列元素
dK,K-1：所述循环延迟矩阵D的第K行第K-1列元素
dK+1,K-1：所述循环延迟矩阵D的第K+1行第K-1列元素
dK-1,K+1：所述循环延迟矩阵D的第K-1行第K+1列元素
dK,K+1：所述循环延迟矩阵D的第K行第K+1列元素
dK+1,K+1：所述循环延迟矩阵D的第K+1行第K+1列元素
dK-1,K：所述循环延迟矩阵D的第K-1行第K列元素
dK+1,K：所述循环延迟矩阵D的第K+1行第K列元素
dK,K：所述循环延迟矩阵D的第K行第K列元素
如果K-1<1，则K-1置为K
如果K+1>N，则K+1置为N；
K为窗口序号，取值范围为K＝1,2,···,N；
模块204对所述第K个窗口的循环延迟子矩阵JK进行滤波运算，具体为：
Figure BDA0002714019420000051
其中，
yK：滤除噪声后的第K个窗口数据
Figure BDA0002714019420000052
所述循环延迟子矩阵JK的第i行第j列元素
Figure BDA0002714019420000053
滤波因子
σ：所述信号序列S的均方差
T：所述信号序列S的采样间隔；
模块205求取所述第K个窗口的高斯拉普拉斯融合梯度值HK，具体为：
HK＝||YG||F
其中：
Figure BDA0002714019420000054
循环矩阵
G＝G1+G2：梯度矩阵
Figure BDA0002714019420000055
线性梯度矩阵
Figure BDA0002714019420000056
高斯拉普拉斯融合梯度矩阵
Figure BDA0002714019420000057
所述
高斯拉普拉斯融合梯度矩阵G2的第i行第j列元素
i＝1,2,···,5：行序号
j＝1,2,···,5：列序号
||YG||F：矩阵YG的Frobenus范数；
模块206求取微震事件判断阈值ε0，具体为：
Figure BDA0002714019420000058
模块207检测微震事件，具体为：如果第K个窗口的高斯拉普拉斯融合梯度值HK满足判断条件|HK|≥ε0，则在所述信号序列S的第K点处，检测到微震事件；否则，未检测到微震事件。
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：
常见的微震事件检测方法中，判断阈值大小的确定较为随意，没有统一的准则，其普遍适用性存在很大的局限性，尤其是当信噪比较低时，算法的性能受到很大影响。
本发明的目的是提供一种利用高斯拉普拉斯融合梯度的微震事件检测方法和系统，所提出的方法利用了微震信号与背景噪声在高斯拉普拉斯融合梯度方面的差异，消除了背景噪声对事件检测性能的影响，提高了事件检测的精度。所提出的方法具有较好的鲁棒性，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1一种利用高斯拉普拉斯融合梯度的微震事件检测方法的流程示意图
图1为本发明一种利用高斯拉普拉斯融合梯度的微震事件检测方法的流程示意图。如图1所示，所述的一种利用高斯拉普拉斯融合梯度的微震事件检测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生成循环延迟信号矩阵，具体为：
Figure BDA0002714019420000061
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
n：元素下标，取值范围为n＝1,2,···,N；
步骤103生成第K个窗口的循环延迟子矩阵JK,具体为：
Figure BDA0002714019420000071
其中：
dK-1,K-1：所述循环延迟矩阵D的第K-1行第K-1列元素
dK,K-1：所述循环延迟矩阵D的第K行第K-1列元素
dK+1,K-1：所述循环延迟矩阵D的第K+1行第K-1列元素
dK-1,K+1：所述循环延迟矩阵D的第K-1行第K+1列元素
dK,K+1：所述循环延迟矩阵D的第K行第K+1列元素
dK+1,K+1：所述循环延迟矩阵D的第K+1行第K+1列元素
dK-1,K：所述循环延迟矩阵D的第K-1行第K列元素
dK+1,K：所述循环延迟矩阵D的第K+1行第K列元素
dK,K：所述循环延迟矩阵D的第K行第K列元素
如果K-1<1，则K-1置为K
如果K+1>N，则K+1置为N；
K为窗口序号，取值范围为K＝1,2,···,N；
步骤104对所述第K个窗口的循环延迟子矩阵JK进行滤波运算，具体为：
Figure BDA0002714019420000072
其中，
yK：滤除噪声后的第K个窗口数据
Figure BDA0002714019420000073
所述循环延迟子矩阵JK的第i行第j列元素
Figure BDA0002714019420000074
滤波因子
σ：所述信号序列S的均方差
T：所述信号序列S的采样间隔；
步骤105求取所述第K个窗口的高斯拉普拉斯融合梯度值HK，具体为：
HK＝||YG||F
其中：
Figure BDA0002714019420000081
循环矩阵
G＝G1+G2：梯度矩阵
Figure BDA0002714019420000082
线性梯度矩阵
Figure BDA0002714019420000083
高斯拉普拉斯融合梯度矩阵
Figure BDA0002714019420000084
所述高斯拉普拉斯融合梯度矩阵G2的第i行第j列元素
i＝1,2,···,5：行序号
j＝1,2,···,5：列序号
||YG||F：矩阵YG的Frobenus范数；
步骤106求取微震事件判断阈值ε0，具体为：
Figure BDA0002714019420000085
步骤107检测微震事件，具体为：如果第K个窗口的高斯拉普拉斯融合梯度值HK满足判断条件|HK|≥ε0，则在所述信号序列S的第K点处，检测到微震事件；否则，未检测到微震事件。
图2一种利用高斯拉普拉斯融合梯度的微震事件检测系统的结构意图
图2为本发明一种利用高斯拉普拉斯融合梯度的微震事件检测系统的结构示意图。如图2所示，所述一种利用高斯拉普拉斯融合梯度的微震事件检测系统包括以下结构：
模块201获取按时间顺序采集的信号序列S；
模块202生成循环延迟信号矩阵，具体为：
Figure BDA0002714019420000086
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
n：元素下标，取值范围为n＝1,2,···,N；
模块203生成第K个窗口的循环延迟子矩阵JK,具体为：
Figure BDA0002714019420000091
其中：
dK-1,K-1：所述循环延迟矩阵D的第K-1行第K-1列元素
dK,K-1：所述循环延迟矩阵D的第K行第K-1列元素
dK+1,K-1：所述循环延迟矩阵D的第K+1行第K-1列元素
dK-1,K+1：所述循环延迟矩阵D的第K-1行第K+1列元素
dK,K+1：所述循环延迟矩阵D的第K行第K+1列元素
dK+1,K+1：所述循环延迟矩阵D的第K+1行第K+1列元素
dK-1,K：所述循环延迟矩阵D的第K-1行第K列元素
dK+1,K：所述循环延迟矩阵D的第K+1行第K列元素
dK,K：所述循环延迟矩阵D的第K行第K列元素
如果K-1<1，则K-1置为K
如果K+1>N，则K+1置为N；
K为窗口序号，取值范围为K＝1,2,···,N；
模块204对所述第K个窗口的循环延迟子矩阵JK进行滤波运算，具体为：
Figure BDA0002714019420000092
其中，
yK：滤除噪声后的第K个窗口数据
Figure BDA0002714019420000093
所述循环延迟子矩阵JK的第i行第j列元素
Figure BDA0002714019420000094
滤波因子
σ：所述信号序列S的均方差
T：所述信号序列S的采样间隔；
模块205求取所述第K个窗口的高斯拉普拉斯融合梯度值HK，具体为：
HK＝||YG||F
其中：
Figure BDA0002714019420000101
循环矩阵
G＝G1+G2：梯度矩阵
Figure BDA0002714019420000102
线性梯度矩阵
Figure BDA0002714019420000103
高斯拉普拉斯融合梯度矩阵
Figure BDA0002714019420000104
所述
高斯拉普拉斯融合梯度矩阵G2的第i行第j列元素
i＝1,2,···,5：行序号
j＝1,2,···,5：列序号
||YG||F：矩阵YG的Frobenus范数；
模块206求取微震事件判断阈值ε0，具体为：
Figure BDA0002714019420000105
模块207检测微震事件，具体为：如果第K个窗口的高斯拉普拉斯融合梯度值HK满足判断条件|HK|≥ε0，则在所述信号序列S的第K点处，检测到微震事件；否则，未检测到微震事件。
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生成循环延迟信号矩阵，具体为：
Figure BDA0002714019420000106
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
n：元素下标，取值范围为n＝1,2,···,N；
步骤303生成第K个窗口的循环延迟子矩阵JK,具体为：
Figure BDA0002714019420000111
其中：
dK-1,K-1：所述循环延迟矩阵D的第K-1行第K-1列元素
dK,K-1：所述循环延迟矩阵D的第K行第K-1列元素
dK+1,K-1：所述循环延迟矩阵D的第K+1行第K-1列元素
dK-1,K+1：所述循环延迟矩阵D的第K-1行第K+1列元素
dK,K+1：所述循环延迟矩阵D的第K行第K+1列元素
dK+1,K+1：所述循环延迟矩阵D的第K+1行第K+1列元素
dK-1,K：所述循环延迟矩阵D的第K-1行第K列元素
dK+1,K：所述循环延迟矩阵D的第K+1行第K列元素
dK,K：所述循环延迟矩阵D的第K行第K列元素
如果K-1<1，则K-1置为K
如果K+1>N，则K+1置为N；
K为窗口序号，取值范围为K＝1,2,···,N；
步骤304对所述第K个窗口的循环延迟子矩阵JK进行滤波运算，具体为：
Figure BDA0002714019420000112
其中，
yK：滤除噪声后的第K个窗口数据
Figure BDA0002714019420000113
所述循环延迟子矩阵JK的第i行第j列元素
Figure BDA0002714019420000114
滤波因子
σ：所述信号序列S的均方差
T：所述信号序列S的采样间隔；
步骤305求取所述第K个窗口的高斯拉普拉斯融合梯度值HK，具体为：
HK＝||YG||F
其中：
Figure BDA0002714019420000121
循环矩阵
G＝G1+G2：梯度矩阵
Figure BDA0002714019420000122
线性梯度矩阵
Figure BDA0002714019420000123
高斯拉普拉斯融合梯度矩阵
Figure BDA0002714019420000124
所述
高斯拉普拉斯融合梯度矩阵G2的第i行第j列元素
i＝1,2,···,5：行序号
j＝1,2,···,5：列序号
||YG||F：矩阵YG的Frobenus范数；
步骤306求取微震事件判断阈值ε0，具体为：
Figure BDA0002714019420000125
步骤307检测微震事件，具体为：如果第K个窗口的高斯拉普拉斯融合梯度值HK满足判断条件|HK|≥ε0，则在所述信号序列S的第K点处，检测到微震事件；否则，未检测到微震事件。
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)

1.一种利用高斯拉普拉斯融合梯度的微震事件检测方法，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生成循环延迟信号矩阵，具体为：
Figure FDA0002714019410000011
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
n：元素下标，取值范围为n＝1,2,···,N；
步骤103生成第K个窗口的循环延迟子矩阵JK,具体为：
Figure FDA0002714019410000012
其中：
dK-1,K-1：所述循环延迟矩阵D的第K-1行第K-1列元素
dK,K-1：所述循环延迟矩阵D的第K行第K-1列元素
dK+1,K-1：所述循环延迟矩阵D的第K+1行第K-1列元素
dK-1,K+1：所述循环延迟矩阵D的第K-1行第K+1列元素
dK,K+1：所述循环延迟矩阵D的第K行第K+1列元素
dK+1,K+1：所述循环延迟矩阵D的第K+1行第K+1列元素
dK-1,K：所述循环延迟矩阵D的第K-1行第K列元素
dK+1,K：所述循环延迟矩阵D的第K+1行第K列元素
dK,K：所述循环延迟矩阵D的第K行第K列元素
如果K-1<1，则K-1置为K
如果K+1>N，则K+1置为N；
K为窗口序号，取值范围为K＝1,2,···,N；
步骤104对所述第K个窗口的循环延迟子矩阵JK进行滤波运算，具体为：
Figure FDA0002714019410000013
其中，
yK：滤除噪声后的第K个窗口数据
Figure FDA0002714019410000014
所述循环延迟子矩阵JK的第i行第j列元素
Figure FDA0002714019410000021
滤波因子
σ：所述信号序列S的均方差
T：所述信号序列S的采样间隔；
步骤105求取所述第K个窗口的高斯拉普拉斯融合梯度值HK，具体为：
HK＝||YG||F
其中：
Figure FDA0002714019410000022
循环矩阵
G＝G1+G2：梯度矩阵
Figure FDA0002714019410000023
线性梯度矩阵
Figure FDA0002714019410000024
高斯拉普拉斯融合梯度矩阵
Figure FDA0002714019410000025
所述高斯拉普拉斯融合梯度矩阵G2的第i行第j列元素
i＝1,2,···,5：行序号
j＝1,2,···,5：列序号
||YG||F：矩阵YG的Frobenus范数；
步骤106求取微震事件判断阈值ε0，具体为：
Figure FDA0002714019410000026
步骤107检测微震事件，具体为：如果第K个窗口的高斯拉普拉斯融合梯度值HK满足判断条件|HK|≥ε0，则在所述信号序列S的第K点处，检测到微震事件；否则，未检测到微震事件。
2.一种利用高斯拉普拉斯融合梯度的微震事件检测系统，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生成循环延迟信号矩阵，具体为：
Figure FDA0002714019410000031
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
n：元素下标，取值范围为n＝1,2,···,N；
模块203生成第K个窗口的循环延迟子矩阵JK,具体为：
Figure FDA0002714019410000032
其中：
dK-1,K-1：所述循环延迟矩阵D的第K-1行第K-1列元素
dK,K-1：所述循环延迟矩阵D的第K行第K-1列元素
dK+1,K-1：所述循环延迟矩阵D的第K+1行第K-1列元素
dK-1,K+1：所述循环延迟矩阵D的第K-1行第K+1列元素
dK,K+1：所述循环延迟矩阵D的第K行第K+1列元素
dK+1,K+1：所述循环延迟矩阵D的第K+1行第K+1列元素
dK-1,K：所述循环延迟矩阵D的第K-1行第K列元素
dK+1,K：所述循环延迟矩阵D的第K+1行第K列元素
dK,K：所述循环延迟矩阵D的第K行第K列元素
如果K-1<1，则K-1置为K
如果K+1>N，则K+1置为N；
K为窗口序号，取值范围为K＝1,2,···,N；
模块204对所述第K个窗口的循环延迟子矩阵JK进行滤波运算，具体为：
Figure FDA0002714019410000033
其中，
yK：滤除噪声后的第K个窗口数据
Figure FDA0002714019410000034
所述循环延迟子矩阵JK的第i行第j列元素
Figure FDA0002714019410000035
滤波因子
σ：所述信号序列S的均方差
T：所述信号序列S的采样间隔；
模块205求取所述第K个窗口的高斯拉普拉斯融合梯度值HK，具体为：
HK＝||YG||F
其中：
Figure FDA0002714019410000041
循环矩阵
G＝G1+G2：梯度矩阵
Figure FDA0002714019410000042
线性梯度矩阵
Figure FDA0002714019410000043
高斯拉普拉斯融合梯度矩阵
Figure FDA0002714019410000044
所述高斯拉普拉斯融合梯度矩阵G2的第i行第j列元素
i＝1,2,···,5：行序号
j＝1,2,···,5：列序号
||YG||F：矩阵YG的Frobenus范数；
模块206求取微震事件判断阈值ε0，具体为：
Figure FDA0002714019410000045
模块207检测微震事件，具体为：如果第K个窗口的高斯拉普拉斯融合梯度值HK满足判断条件|HK|≥ε0，则在所述信号序列S的第K点处，检测到微震事件；否则，未检测到微震事件。
CN202011066844.8A 2020-10-03 2020-10-03 一种利用高斯拉普拉斯融合梯度的微震事件检测方法和系统 Withdrawn CN112162319A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011066844.8A CN112162319A (zh) 2020-10-03 2020-10-03 一种利用高斯拉普拉斯融合梯度的微震事件检测方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011066844.8A CN112162319A (zh) 2020-10-03 2020-10-03 一种利用高斯拉普拉斯融合梯度的微震事件检测方法和系统

Publications (1)

Publication Number Publication Date
CN112162319A true CN112162319A (zh) 2021-01-01

Family

ID=73860993

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011066844.8A Withdrawn CN112162319A (zh) 2020-10-03 2020-10-03 一种利用高斯拉普拉斯融合梯度的微震事件检测方法和系统

Country Status (1)

Country Link
CN (1) CN112162319A (zh)

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
CN110703321B (zh) 一种利用字典理论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
CN110361779B (zh) 一种基于卡方分布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
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
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
CN112162319A (zh) 一种利用高斯拉普拉斯融合梯度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
CN110685665A (zh) 一种基于边界探测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
CN110161560B (zh) 一种微震事件的检测方法和装置
CN112257560B (zh) 一种利用累积相似性的微震事件检测方法和系统
CN112257565B (zh) 一种利用最大Hull距离的微震事件检测方法和系统
CN110146921B (zh) 基于狄拉克分布概率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
CN112162320A (zh) 一种利用相似时间窗口的微震事件检测方法和系统
CN112462419A (zh) 一种利用边缘探测的微震事件检测方法和系统
CN112083488A (zh) 一种利用pca分类的微震事件检测方法和系统
CN110703323A (zh) 一种利用时频统计量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
WW01 Invention patent application withdrawn after publication

Application publication date: 20210101