CN112464721A - 微地震事件自动识别方法及装置 - Google Patents
微地震事件自动识别方法及装置 Download PDFInfo
- Publication number
- CN112464721A CN112464721A CN202011169836.6A CN202011169836A CN112464721A CN 112464721 A CN112464721 A CN 112464721A CN 202011169836 A CN202011169836 A CN 202011169836A CN 112464721 A CN112464721 A CN 112464721A
- Authority
- CN
- China
- Prior art keywords
- layer
- convolutional
- neural network
- network model
- event
- 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
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 217
- 238000012549 training Methods 0.000 claims abstract description 54
- 238000007781 pre-processing Methods 0.000 claims abstract description 15
- 230000006870 function Effects 0.000 claims description 44
- 238000011176 pooling Methods 0.000 claims description 26
- 230000004913 activation Effects 0.000 claims description 24
- 238000012360 testing method Methods 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 14
- 238000002372 labelling Methods 0.000 claims description 5
- 239000013598 vector Substances 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 24
- 230000008569 process Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 241001251371 Betula chinensis Species 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000003796 beauty Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013144 data compression Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000009891 weiqi Substances 0.000 description 1
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
- G06F2218/12—Classification; Matching
-
- 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
-
- 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
- G01V1/36—Effecting static or dynamic corrections on records, e.g. correcting spread; Correlating seismic signals; Eliminating effects of unwanted energy
- G01V1/364—Seismic filtering
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Remote Sensing (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Environmental & Geological Engineering (AREA)
- Artificial Intelligence (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geology (AREA)
- Geophysics (AREA)
- Acoustics & Sound (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Computing Systems (AREA)
- Emergency Management (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明提供了一种微地震事件自动识别方法及装置,该方法包括:构建不同信噪比下的微地震事件样本和非微地震事件样本;按照预先设定的标签对所述微地震事件样本和非微地震事件样本添加标签;采用添加标签后的微地震事件样本和非微地震事件样本,训练CNN卷积神经网络模型,获得训练好的CNN卷积神经网络模型,所述CNN卷积神经网络模型包括6层卷积核和2层全连接层,其中每层卷积核中至少包括一个批量标准化BN层;将实际三分量微地震数据进行预处理后,输入至训练好的CNN卷积神经网络模型,获得微地震事件识别结果。本发明可以自动识别微地震事件,低信噪比事件识别效果好,不需要人为干预。
Description
技术领域
本发明涉及微地震事件自动识别技术,具体涉及基于深度学习卷积神经网络的微地震事件自动识别方法。
背景技术
目前,微地震事件识别方法主要有能量比法、AIC算法、多道相似法、多道相关法以及多道扫描叠加法等几种,其中应用最多的是能量比法、AIC算法和多道扫描叠加法。
能量比法微地震事件识别,利用的是微地震数据中有效事件出现前后振幅(或能量)上的差别,从而判断是否出现微地震事件。该方法最初由Allen于1987年提出,它利用短时窗振幅平均值与长时窗振幅平均值之比识别地震事件,原理简单,容易实现,能有效高信噪比微地震事件识别。但对低信噪比微地震事件识别无法取得令人满意的效果,且没有考虑微地震事件识别各道信息特征。Massa(2006)等利用能量比法自动检测微地震事件;Jubran(2012)等采用自适应阈值选取法检测微地震事件;段建华(2015)等提出了一种基于能量比法的微地震事件自动识别技术并对各类能量比法进行了分析研究。
AIC(Akaike information criterion,赤池信息准则)算法是一种基于自回归模型的假设算法,微地震事件识别当中假设噪音信号和微地震信号可以用不同的自回归模型表示,且模型阶数不一致。该方法最初由Akaike于1973年提出,方法实现简单便于计算,适合少量微地震数据事件识别,但对海量微地震数据处理效率有待提高。Zhang Haijing(2003)等在各个尺度的小波分频结果上进行AIC拾取,判断有效微地震事件有无;王洪超(2017)年提出了一种Fast-AIC算法的微地震事件自动识别。
还有一些学者在微地震事件识别提出了一些优良算法,如宋维琪(2013)等形成多级检波器微地震有效事件自动识别方法;钱建伟(2014)提出了基于能量比与多道时差约束的微地震事件识别方法;谭玉阳(2015)等提出基于多道相似系数的微地震事件自动识别方法;刘美丽(2015)等提出基于多道扫描叠加的微地震事件自动识别方法。
然而,实际水力压裂微地震资料复杂,低信噪比事件多,井筒波,仪器噪音等规则噪音常规方法往往难以拾取准确,且不能判断微地震事件单,多震相类型。因此,上述现有的微地震事件识别都存在低信噪比事件难以识别,最适阈值选取,事件单震相、多震相判断需要人为干预等问题。
发明内容
本发明实施例提出一种微地震事件自动识别方法,用以自动识别微地震事件,低信噪比事件识别效果好,不需要人为干预,该方法包括:
构建不同信噪比下的微地震事件样本和非微地震事件样本;
按照预先设定的标签对所述微地震事件样本和非微地震事件样本添加标签;
采用添加标签后的微地震事件样本和非微地震事件样本,训练CNN卷积神经网络模型,获得训练好的CNN卷积神经网络模型,所述CNN卷积神经网络模型包括6层卷积核和2层全连接层,其中每层卷积核中至少包括一个批量标准化BN层;
将实际三分量微地震数据进行预处理后,输入至训练好的CNN卷积神经网络模型,获得微地震事件识别结果。
本发明实施例提出一种微地震事件自动识别装置,用以自动识别微地震事件,低信噪比事件识别效果好,不需要人为干预,该装置包括:
样本构建模块,用于构建不同信噪比下的微地震事件样本和非微地震事件样本;
添加标签模块,用于按照预先设定的标签对所述微地震事件样本和非微地震事件样本添加标签;
训练模块,用于采用添加标签后的微地震事件样本和非微地震事件样本,训练CNN卷积神经网络模型,获得训练好的CNN卷积神经网络模型,所述CNN卷积神经网络模型包括6层卷积核和2层全连接层,其中每层卷积核中至少包括一个批量标准化BN层;
识别模块,用于将实际三分量微地震数据进行预处理后,输入至训练好的CNN卷积神经网络模型,获得微地震事件识别结果。
本发明实施例还提出了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述微地震事件自动识别方法。
本发明实施例还提出了一种计算机可读存储介质,所述计算机可读存储介质存储有执行上述微地震事件自动识别方法的计算机程序。
在本发明实施例中,构建不同信噪比下的微地震事件样本和非微地震事件样本;按照预先设定的标签对所述微地震事件样本和非微地震事件样本添加标签;采用添加标签后的微地震事件样本和非微地震事件样本,训练CNN卷积神经网络模型,获得训练好的CNN卷积神经网络模型,所述CNN卷积神经网络模型包括6层卷积核和2层全连接层,其中每层卷积核中至少包括一个批量标准化BN层;将实际三分量微地震数据进行预处理后,输入至训练好的CNN卷积神经网络模型,获得微地震事件识别结果。在本发明实施例中,CNN卷积神经网络模型至少包括一个批量标准化BN层,使得CNN卷积神经网络模型在训练过程中不会出现奇异值,CNN卷积神经网络模型的预测准确度高,而采用准确度高的CNN卷积神经网络模型来识别微地震事件,可识别出低信噪比事件;且无需进行阈值选取,无需进行人为干预。
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,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,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。在附图中:
图1为本发明实施例中微地震事件自动识别方法的流程图;
图2为本发明实施例中CNN卷积神经网络模型的结构示意图;
图3为本发明实施例中微地震事件自动识别方法的详细流程图;
图4为本发明实施例中样本分类示意图;
图5为本发明实施例中训练过程中损失函数随迭代次数变化的示意图;
图6为本发明实施例中准确率随迭代次数变化的示意图;
图7为本发明实施例中微地震事件识别结果示意图;
图8为本发明实施例中微地震事件自动识别装置的示意图;
图9为本发明实施例中微地震事件自动识别装置的另一示意图;
图10为本发明实施例中计算机设备的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚明白,下面结合附图对本发明实施例做进一步详细说明。在此,本发明的示意性实施例及其说明用于解释本发明,但并不作为对本发明的限定。
在本说明书的描述中,所使用的“包含”、“包括”、“具有”、“含有”等,均为开放性的用语,即意指包含但不限于。参考术语“一个实施例”、“一个具体实施例”、“一些实施例”、“例如”等的描述意指结合该实施例或示例描述的具体特征、结构或者特点包含于本申请的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。各实施例中涉及的步骤顺序用于示意性说明本申请的实施,其中的步骤顺序不作限定,可根据需要作适当调整。
众所周知,微地震信号不同于一般的反射地震勘探信号,其特点是有用信号弱、震相类型多、事件能量大小不一。一般微地震事件的识别主要根据微地震事件发生前后信号的能量,频率及相位的变化来进行,并且需要设定阈值判断微地震事件是否发生,阈值过大时事件识别准确率提高,但能量弱微地震事件难以检测,阈值过小时可以检测能量弱事件,但识别准确率降低,大量噪音将会被误拾。因此,本发明实施例提出了一种微地震事件自动识别方法,该方法基于深度学习卷积神经网络模型(CNN卷积神经网络模型),只需要将信号输入训练好的模型当中,该方法会自动计算输入信号对应各分类中的概率,选取所大概率对应标签结果即为预测结果。
图1为本发明实施例中微地震事件自动识别方法的流程图,如图1所示,该方法包括:
步骤101,构建不同信噪比下的微地震事件样本和非微地震事件样本;
步骤102,按照预先设定的标签对所述微地震事件样本和非微地震事件样本添加标签;
步骤103,采用添加标签后的微地震事件样本和非微地震事件样本,训练CNN卷积神经网络模型,获得训练好的CNN卷积神经网络模型,所述CNN卷积神经网络模型包括6层卷积核和2层全连接层,其中每层卷积核中至少包括一个批量标准化BN层;
步骤104,将实际三分量微地震数据进行预处理后,输入至训练好的CNN卷积神经网络模型,获得微地震事件识别结果。
在本发明实施例中,CNN卷积神经网络模型至少包括一个批量标准化BN层,使得CNN卷积神经网络模型在训练过程中不会出现奇异值,CNN卷积神经网络模型的预测准确度高,而采用准确度高的CNN卷积神经网络模型来识别微地震事件,可识别出低信噪比事件;且无需进行阈值选取,无需进行人为干预。
步骤101中,构建不同信噪比下的微地震事件样本和非微地震事件样本,即微地震事件样本和非微地震事件样本包括不同的信噪比,包括低信噪比事件,因此,本发明实施例训练出的CNN卷积神经网络模型可以识别出低信噪比事件。其中,微地震事件样本还可以包括单震相微地震事件样本和多震相微地震事件样本,非微地震事件即背景噪音,这些样本可从实际水力压裂监测的三分量微地震数据中选取,在选取了三分量微地震数据后,可对所述三分量微地震数据进行三分量叠加,以及连续波形数据切分,从而形成微地震事件样本和非微地震事件样本。
在步骤102中,按照预先设定的标签对所述微地震事件样本和非微地震事件样本添加标签。在一实施例中,所述预先设定的标签至少包括背景噪音标签、单震微地震相事件标签、双震相微地震事件标签。也就是说,对微地震事件样本和非微地震事件样本分别添加标签,然后将添加标签后的微地震事件样本和非微地震事件样本随机打乱,从而训练CNN卷积神经网络模型。
本发明实施例中,所述CNN卷积神经网络模型包括6层卷积核和2层全连接层,其中每层卷积核中至少包括一个批量标准化BN层,其中,CNN卷积神经网络模型在设计时通常采用行列数相同或近似相同数据作为输入数据。实际水力压裂多采用多道检波器长时间监测,导致输入数据的行列数有很大差别。神经网络结构中卷积核默认设计为单数,由于实际微地震事件样本和非微地震事件样本的行列中有一数值较小,经过多个池化层的数据压缩和特征提取,使得行列中有一值达到最小值1,此时卷积核和池化层只能设计为1×1大小。为了防止训练过程数据出现奇异值,在每一卷积层加入BN(批量标准化)层。同时,为了保证特征向量个数、质量以及防止数据过拟合,整个CNN卷积神经网络模型的结构设计为6层卷积核和2层全连接层。该CNN卷积神经网络模型的结构的优势,在于能够对实际多道微地震监测数据进行稳定训练,并保持有较高的训练准确度。
图2为本发明实施例中CNN卷积神经网络模型的结构示意图。在一实施例中,所述CNN卷积神经网络模型中6层卷积核包括第1卷积层、第2卷积层、第3卷积层、第4卷积层、第5卷积层、第6卷积层,其中,第1卷积层包括一个3×3大小的64深度卷积核、一个BN层、一个Relu激活函数、一个2×2大小的池化层,第1卷积层输出数量为11×1000×64的特征图;第2卷积层包括一个3×3的大小64深度卷积核、一个BN层、一个Relu激活函数、一个3×3大小的池化层,第2卷积层输出数量为6×500×64的特征图;第3卷积层包括一个3×3大小的64深度卷积核、一个BN层、一个Relu激活函数、一个2×2大小的池化层,第3卷积层输出数量为3×250×64的特征图;第4卷积层包括一个3×3大小的64深度卷积核、一个BN层、一个Relu激活函数、一个2×2大小的池化层,第4卷积层输出数量为1×125×64的特征图;第5卷积层包括一个1×1大小的32深度卷积核、一个BN层、一个Relu激活函数、一个1×1大小的池化层,第5卷积层输出数量为1×63×32的特征图;第6卷积层包括一个1×1大小的32深度卷积核、一个BN层、一个Relu激活函数、一个1×1大小的池化层,第6卷积层输出数量为1×32×32的特征图。
在图2所示的CNN卷积神经网络模型可用于22道2000采样点的三分量微地震数据。在一实施例中,所述CNN卷积神经网络模型中2层全连接层包括第1全连接层和第2全连接层,其中,第1全连接层将1024个特征图的特征向量全连接到100个特征值,第2全连接层将100个特征值全连接到预先设定的标签上。
在一实施例中,采用添加标签后的微地震事件样本和非微地震事件样本,训练CNN卷积神经网络模型,包括:
将添加标签后的微地震事件样本和非微地震事件样本分为训练集数据和测试集数据;
采用训练集数据迭代训练CNN卷积神经网络模型,获得损失函数最小时的CNN卷积神经网络模型的参数;采用测试集测试损失函数最小时的CNN卷积神经网络模型,计算准确率,获得准确率最大时的CNN卷积神经网络模型的参数。
在上述实施例中,训练集数据和测试集数据可以按照8:2的比例,当然,还可以按照其他比例,这里不做限制。
在进行迭代训练时,损失函数可采用如下公式表示:
其中,M表示一次训练所选取的样本数(Batch Size),N表示标签类数,yi,j表示单个训练样本对应的真实分类标签,pi,j表示单个训练样本对应的预测分类标签的概率。
在进行测试时,准确率可采用如下公式表示:
其中,E为准确率;W表示训练预测标签中与测试标签相符总数,T表示测试标签总个数。
通过上述训练,可获得准确率最大时的CNN卷积神经网络模型的参数,此时的CNN卷积神经网络模型为训练好的CNN卷积神经网络模型。
在步骤104中,将实际三分量微地震数据进行预处理后,输入至训练好的CNN卷积神经网络模型,获得微地震事件识别结果。其中,所述预处理为三分量叠加处理。
在一实施例中,将实际三分量微地震数据进行预处理,包括:
将实际三分量微地震数据进行三分量叠加处理。
基于上述实施例,本发明提出如下一个实施例来说明微地震事件自动识别方法的详细流程,图3为本发明实施例中微地震事件自动识别方法的详细流程图,如图3所示,包括:
步骤301,构建不同信噪比下的微地震事件样本和非微地震事件样本;
步骤302,按照预先设定的标签对所述微地震事件样本和非微地震事件样本添加标签;
步骤303,将添加标签后的微地震事件样本和非微地震事件样本分为训练集数据和测试集数据;
步骤304,采用训练集数据迭代训练CNN卷积神经网络模型,获得损失函数最小时的CNN卷积神经网络模型的参数;采用测试集测试损失函数最小时的CNN卷积神经网络模型,计算准确率,获得准确率最大时的CNN卷积神经网络模型的参数,获得训练好的CNN卷积神经网络模型;
步骤305,将实际三分量微地震数据进行三分量叠加处理后,输入至训练好的CNN卷积神经网络模型,获得微地震事件识别结果。
当然,可以理解的是,上述详细流程还可以有其他变化例,相关变化例均应落入本发明的保护范围。
下面给出一个具体实施例,来说明微地震事件自动识别方法的具体应用。
从实际水力压裂监测的三分量微地震数据中选取部分数据进行三分量叠加处理,将三分量叠加处理后的三分量微地震数据的连续波形数据切分为22×2000定长制作成样本数据集,包括微地震事件样本和非微地震事件样本,并将上述样本分为3类,图4为本发明实施例中样本分类示意图,其中,第(0)类代表非微地震事件,即为背景噪音,第(1)类代表单震相微地震事件,第(2)类代表多震相微地震事件。图4中三类样本分别有418、47和95个,共计560样本,对上述样本添加标签,将添加了标签的样本进行随机打乱,将整体样本的80%作为训练数据集,20%作为测试集数据。
采用训练集数据迭代训练CNN卷积神经网络模型,获得损失函数最小时的CNN卷积神经网络模型的参数;采用测试集测试损失函数最小时的CNN卷积神经网络模型,计算准确率,获得准确率最大时的CNN卷积神经网络模型的参数。
在上述训练过程中,通过设定一次训练所选取的样本数(Batch Size)为50,迭代一次全部训练样本需要循环9次,设定Epoch(完整训练次数)为20,共180次迭代训练,图5为本发明实施例中训练过程中损失函数随迭代次数变化的示意图,图6为本发明实施例中准确率随迭代次数变化的示意图。
将全部实际水力压裂监测的三分量微地震数据进行三分量叠加处理后,输入至训练好的CNN卷积神经网络模型中进行微地震事件类型预测。一段实际水力压裂监测的三分量微地震数据共11440个22×2000数据集,最后通过该方法检测到697个有效微地震事件,其中231个单震相微地震事件,466多震相微地震事件,图7为本发明实施例中微地震事件识别结果示意图。
综上所述,在本发明实施例提出的方法中,构建不同信噪比下的微地震事件样本和非微地震事件样本;按照预先设定的标签对所述微地震事件样本和非微地震事件样本添加标签;采用添加标签后的微地震事件样本和非微地震事件样本,训练CNN卷积神经网络模型,获得训练好的CNN卷积神经网络模型,所述CNN卷积神经网络模型包括6层卷积核和2层全连接层,其中每层卷积核中至少包括一个批量标准化BN层;将实际三分量微地震数据进行预处理后,输入至训练好的CNN卷积神经网络模型,获得微地震事件识别结果。在本发明实施例中,CNN卷积神经网络模型至少包括一个批量标准化BN层,使得CNN卷积神经网络模型在训练过程中不会出现奇异值,CNN卷积神经网络模型的预测准确度高,而采用准确度高的CNN卷积神经网络模型来识别微地震事件,可识别出低信噪比事件;且无需进行阈值选取,无需进行人为干预。
本发明实施例还提出一种微地震事件自动识别装置,其原理与微地震事件自动识别方法类似,这里不再赘述。
图8为本发明实施例中微地震事件自动识别装置的示意图,如图8所示,该图为理论数据对应的微地震事件自动识别装置,该装置包括:
样本构建模块801,用于构建不同信噪比下的微地震事件样本和非微地震事件样本;
添加标签模块802,用于按照预先设定的标签对所述微地震事件样本和非微地震事件样本添加标签;
训练模块803,用于采用添加标签后的微地震事件样本和非微地震事件样本,训练CNN卷积神经网络模型,获得训练好的CNN卷积神经网络模型,所述CNN卷积神经网络模型包括6层卷积核和2层全连接层,其中每层卷积核中至少包括一个批量标准化BN层;
识别模块804,用于将实际三分量微地震数据进行预处理后,输入至训练好的CNN卷积神经网络模型,获得微地震事件识别结果。
在一实施例中,所述CNN卷积神经网络模型中6层卷积核包括第1卷积层、第2卷积层、第3卷积层、第4卷积层、第5卷积层、第6卷积层,其中,第1卷积层包括一个3×3大小的64深度卷积核、一个BN层、一个Relu激活函数、一个2×2大小的池化层,第1卷积层输出数量为11×1000×64的特征图;第2卷积层包括一个3×3的大小64深度卷积核、一个BN层、一个Relu激活函数、一个3×3大小的池化层,第2卷积层输出数量为6×500×64的特征图;第3卷积层包括一个3×3大小的64深度卷积核、一个BN层、一个Relu激活函数、一个2×2大小的池化层,第3卷积层输出数量为3×250×64的特征图;第4卷积层包括一个3×3大小的64深度卷积核、一个BN层、一个Relu激活函数、一个2×2大小的池化层,第4卷积层输出数量为1×125×64的特征图;第5卷积层包括一个1×1大小的32深度卷积核、一个BN层、一个Relu激活函数、一个1×1大小的池化层,第5卷积层输出数量为1×63×32的特征图;第6卷积层包括一个1×1大小的32深度卷积核、一个BN层、一个Relu激活函数、一个1×1大小的池化层,第6卷积层输出数量为1×32×32的特征图。
在一实施例中,所述CNN卷积神经网络模型中2层全连接层包括第1全连接层和第2全连接层,其中,第1全连接层将1024个特征图的特征向量全连接到100个特征值,第2全连接层将100个特征值全连接到预先设定的标签上。
在一实施例中,所述预先设定的标签至少包括背景噪音标签、单震微地震相事件标签、双震相微地震事件标签。
在一实施例中,训练模块803具体用于:
将添加标签后的微地震事件样本和非微地震事件样本分为训练集数据和测试集数据;
采用训练集数据训练CNN卷积神经网络模型,获得损失函数最小时的CNN卷积神经网络模型的参数;采用测试集测试损失函数最小时的CNN卷积神经网络模型,计算准确率,获得准确率最大时的CNN卷积神经网络模型的参数。
在一实施例中,还包括预处理模块805,如图9所示,图9为实际资料对应的实际资料微地震事件自动识别装置,其中,预处理模块805用于:
将实际三分量微地震数据进行三分量叠加处理。
综上所述,在本发明实施例提出的装置中,构建不同信噪比下的微地震事件样本和非微地震事件样本;按照预先设定的标签对所述微地震事件样本和非微地震事件样本添加标签;采用添加标签后的微地震事件样本和非微地震事件样本,训练CNN卷积神经网络模型,获得训练好的CNN卷积神经网络模型,所述CNN卷积神经网络模型包括6层卷积核和2层全连接层,其中每层卷积核中至少包括一个批量标准化BN层;将实际三分量微地震数据进行预处理后,输入至训练好的CNN卷积神经网络模型,获得微地震事件识别结果。在本发明实施例中,CNN卷积神经网络模型至少包括一个批量标准化BN层,使得CNN卷积神经网络模型在训练过程中不会出现奇异值,CNN卷积神经网络模型的预测准确度高,而采用准确度高的CNN卷积神经网络模型来识别微地震事件,可识别出低信噪比事件;且无需进行阈值选取,无需进行人为干预。
本申请的实施例还提供一种计算机设备,图10为本发明实施例中计算机设备的示意图,该计算机设备能够实现上述实施例中的微地震事件自动识别方法中全部步骤,所述计算机设备具体包括如下内容:
处理器(processor)1001、存储器(memory)1002、通信接口(CommunicationsInterface)1003和通信总线1004;
其中,所述处理器1001、存储器1002、通信接口1003通过所述通信总线1004完成相互间的通信;所述通信接口1003用于实现服务器端设备、检测设备以及用户端设备等相关设备之间的信息传输;
所述处理器1001用于调用所述存储器1002中的计算机程序,所述处理器执行所述计算机程序时实现上述实施例中的微地震事件自动识别方法中的全部步骤。
本申请的实施例还提供一种计算机可读存储介质,能够实现上述实施例中的微地震事件自动识别方法中全部步骤,所述计算机可读存储介质上存储有计算机程序,该计算机程序被处理器执行时实现上述实施例中的微地震事件自动识别方法的全部步骤。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (14)
1.一种微地震事件自动识别方法,其特征在于,包括:
构建不同信噪比下的微地震事件样本和非微地震事件样本;
按照预先设定的标签对所述微地震事件样本和非微地震事件样本添加标签;
采用添加标签后的微地震事件样本和非微地震事件样本,训练CNN卷积神经网络模型,获得训练好的CNN卷积神经网络模型,所述CNN卷积神经网络模型包括6层卷积核和2层全连接层,其中每层卷积核中至少包括一个批量标准化BN层;
将实际三分量微地震数据进行预处理后,输入至训练好的CNN卷积神经网络模型,获得微地震事件识别结果。
2.如权利要求1所述的微地震事件自动识别方法,其特征在于,所述CNN卷积神经网络模型中6层卷积核包括第1卷积层、第2卷积层、第3卷积层、第4卷积层、第5卷积层、第6卷积层,其中,第1卷积层包括一个3×3大小的64深度卷积核、一个BN层、一个Relu激活函数、一个2×2大小的池化层,第1卷积层输出数量为11×1000×64的特征图;第2卷积层包括一个3×3的大小64深度卷积核、一个BN层、一个Relu激活函数、一个3×3大小的池化层,第2卷积层输出数量为6×500×64的特征图;第3卷积层包括一个3×3大小的64深度卷积核、一个BN层、一个Relu激活函数、一个2×2大小的池化层,第3卷积层输出数量为3×250×64的特征图;第4卷积层包括一个3×3大小的64深度卷积核、一个BN层、一个Relu激活函数、一个2×2大小的池化层,第4卷积层输出数量为1×125×64的特征图;第5卷积层包括一个1×1大小的32深度卷积核、一个BN层、一个Relu激活函数、一个1×1大小的池化层,第5卷积层输出数量为1×63×32的特征图;第6卷积层包括一个1×1大小的32深度卷积核、一个BN层、一个Relu激活函数、一个1×1大小的池化层,第6卷积层输出数量为1×32×32的特征图。
3.如权利要求1所述的微地震事件自动识别方法,其特征在于,所述CNN卷积神经网络模型中2层全连接层包括第1全连接层和第2全连接层,其中,第1全连接层将1024个特征图的特征向量全连接到100个特征值,第2全连接层将100个特征值全连接到预先设定的标签上。
4.如权利要求1所述的微地震事件自动识别方法,其特征在于,所述预先设定的标签至少包括背景噪音标签、单震微地震相事件标签、双震相微地震事件标签。
5.如权利要求1所述的微地震事件自动识别方法,其特征在于,采用添加标签后的微地震事件样本和非微地震事件样本,训练CNN卷积神经网络模型,包括:
将添加标签后的微地震事件样本和非微地震事件样本分为训练集数据和测试集数据;
采用训练集数据迭代训练CNN卷积神经网络模型,获得损失函数最小时的CNN卷积神经网络模型的参数;采用测试集测试损失函数最小时的CNN卷积神经网络模型,计算准确率,获得准确率最大时的CNN卷积神经网络模型的参数。
6.如权利要求1所述的微地震事件自动识别方法,其特征在于,将实际三分量微地震数据进行预处理,包括:
将实际三分量微地震数据进行三分量叠加处理。
7.一种微地震事件自动识别装置,其特征在于,包括:
样本构建模块,用于构建不同信噪比下的微地震事件样本和非微地震事件样本;
添加标签模块,用于按照预先设定的标签对所述微地震事件样本和非微地震事件样本添加标签;
训练模块,用于采用添加标签后的微地震事件样本和非微地震事件样本,训练CNN卷积神经网络模型,获得训练好的CNN卷积神经网络模型,所述CNN卷积神经网络模型包括6层卷积核和2层全连接层,其中每层卷积核中至少包括一个批量标准化BN层;
识别模块,用于将实际三分量微地震数据进行预处理后,输入至训练好的CNN卷积神经网络模型,获得微地震事件识别结果。
8.如权利要求7所述的微地震事件自动识别装置,其特征在于,所述CNN卷积神经网络模型中6层卷积核包括第1卷积层、第2卷积层、第3卷积层、第4卷积层、第5卷积层、第6卷积层,其中,第1卷积层包括一个3×3大小的64深度卷积核、一个BN层、一个Relu激活函数、一个2×2大小的池化层,第1卷积层输出数量为11×1000×64的特征图;第2卷积层包括一个3×3的大小64深度卷积核、一个BN层、一个Relu激活函数、一个3×3大小的池化层,第2卷积层输出数量为6×500×64的特征图;第3卷积层包括一个3×3大小的64深度卷积核、一个BN层、一个Relu激活函数、一个2×2大小的池化层,第3卷积层输出数量为3×250×64的特征图;第4卷积层包括一个3×3大小的64深度卷积核、一个BN层、一个Relu激活函数、一个2×2大小的池化层,第4卷积层输出数量为1×125×64的特征图;第5卷积层包括一个1×1大小的32深度卷积核、一个BN层、一个Relu激活函数、一个1×1大小的池化层,第5卷积层输出数量为1×63×32的特征图;第6卷积层包括一个1×1大小的32深度卷积核、一个BN层、一个Relu激活函数、一个1×1大小的池化层,第6卷积层输出数量为1×32×32的特征图。
9.如权利要求7所述的微地震事件自动识别装置,其特征在于,所述CNN卷积神经网络模型中2层全连接层包括第1全连接层和第2全连接层,其中,第1全连接层将1024个特征图的特征向量全连接到100个特征值,第2全连接层将100个特征值全连接到预先设定的标签上。
10.如权利要求7所述的微地震事件自动识别装置,其特征在于,所述预先设定的标签至少包括背景噪音标签、单震微地震相事件标签、双震相微地震事件标签。
11.如权利要求7所述的微地震事件自动识别装置,其特征在于,训练模块具体用于:
将添加标签后的微地震事件样本和非微地震事件样本分为训练集数据和测试集数据;
采用训练集数据训练CNN卷积神经网络模型,获得损失函数最小时的CNN卷积神经网络模型的参数;采用测试集测试损失函数最小时的CNN卷积神经网络模型,计算准确率,获得准确率最大时的CNN卷积神经网络模型的参数。
12.如权利要求7所述的微地震事件自动识别装置,其特征在于,还包括预处理模块,用于:
将实际三分量微地震数据进行三分量叠加处理。
13.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6任一项所述方法。
14.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有执行权利要求1至6任一项所述方法的计算机程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011169836.6A CN112464721A (zh) | 2020-10-28 | 2020-10-28 | 微地震事件自动识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011169836.6A CN112464721A (zh) | 2020-10-28 | 2020-10-28 | 微地震事件自动识别方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112464721A true CN112464721A (zh) | 2021-03-09 |
Family
ID=74834595
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011169836.6A Pending CN112464721A (zh) | 2020-10-28 | 2020-10-28 | 微地震事件自动识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112464721A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114879252A (zh) * | 2022-07-11 | 2022-08-09 | 中国科学院地质与地球物理研究所 | 基于深度学习的das同井监测实时微地震有效事件识别方法 |
CN114994751A (zh) * | 2022-07-21 | 2022-09-02 | 中国矿业大学(北京) | 一种基于模型实验的煤矿微震信号识别与分类的方法 |
CN115220094A (zh) * | 2022-07-18 | 2022-10-21 | 北京石油化工学院 | 基于BiLSTM和注意力机制的微地震事件检测方法 |
-
2020
- 2020-10-28 CN CN202011169836.6A patent/CN112464721A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114879252A (zh) * | 2022-07-11 | 2022-08-09 | 中国科学院地质与地球物理研究所 | 基于深度学习的das同井监测实时微地震有效事件识别方法 |
CN114879252B (zh) * | 2022-07-11 | 2022-09-13 | 中国科学院地质与地球物理研究所 | 基于深度学习的das同井监测实时微地震有效事件识别方法 |
CN115220094A (zh) * | 2022-07-18 | 2022-10-21 | 北京石油化工学院 | 基于BiLSTM和注意力机制的微地震事件检测方法 |
CN114994751A (zh) * | 2022-07-21 | 2022-09-02 | 中国矿业大学(北京) | 一种基于模型实验的煤矿微震信号识别与分类的方法 |
CN114994751B (zh) * | 2022-07-21 | 2023-01-31 | 中国矿业大学(北京) | 一种基于模型实验的煤矿微震信号识别与分类的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Mousavi et al. | Unsupervised clustering of seismic signals using deep convolutional autoencoders | |
CN112464721A (zh) | 微地震事件自动识别方法及装置 | |
Ma et al. | Automated arrival-time picking using a pixel-level network | |
CN112799128B (zh) | 一种地震信号检测和震相提取的方法 | |
Jia et al. | Automatic event detection in low SNR microseismic signals based on multi-scale permutation entropy and a support vector machine | |
CN111134664A (zh) | 一种基于胶囊网络的癫痫放电识别方法、系统和存储介质 | |
CN111160106A (zh) | 一种基于gpu的光纤振动信号特征提取及分类的方法及系统 | |
Wang et al. | Identifying microseismic events using a dual-channel CNN with wavelet packets decomposition coefficients | |
CN111882057A (zh) | 一种面向时空序列数据建模的多阶段深度学习方法及应用 | |
KR102635610B1 (ko) | 딥러닝을 이용한 지진 데이터 생성 방법 및 그 장치 | |
CN112578435A (zh) | 岩石超声测试初至拾取方法及系统 | |
CN111797690B (zh) | 基于小波神经网络光栅阵列光纤周界入侵识别方法及装置 | |
CN116594057B (zh) | 一种基于深度学习和边缘计算的地震预警方法与装置 | |
CN116884435A (zh) | 一种基于音频提示学习的声音事件检测方法及装置 | |
Madureira et al. | A neural network seismic detector | |
CN115563500A (zh) | 基于数据增强技术的配电设备局部放电模式识别方法、装置及系统 | |
CN112380949B (zh) | 一种微震波到时点检测方法及系统 | |
Sun et al. | Micro‐seismic Event Detection of Hot Dry Rock based on the Gated Recurrent Unit Model and a Support Vector Machine | |
CN115169407B (zh) | 基于时域深度特征学习的微弱瞬态信号检测方法及系统 | |
CN116990865B (zh) | 基于深度迁移学习的微地震事件检测方法及系统 | |
CN118131200A (zh) | 一种基于度量学习的水下声学目标识别方法 | |
Silverberg | Feature and event analysis of seismic data using machine learning at Åknes. | |
CN117574056B (zh) | 基于混合神经网络模型的广域电磁数据去噪方法及系统 | |
CN114549912B (zh) | 引力波侯选体筛选方法、装置及存储介质 | |
CN111950609A (zh) | 基于稀疏且鲁棒FisherSVM的声纳信号判别系统及方法 |
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 |