CN112699788A - 一种微地震p波极性识别方法、装置、存储介质及设备 - Google Patents
一种微地震p波极性识别方法、装置、存储介质及设备 Download PDFInfo
- Publication number
- CN112699788A CN112699788A CN202011604646.2A CN202011604646A CN112699788A CN 112699788 A CN112699788 A CN 112699788A CN 202011604646 A CN202011604646 A CN 202011604646A CN 112699788 A CN112699788 A CN 112699788A
- Authority
- CN
- China
- Prior art keywords
- wave
- data
- polarity
- training
- sample data
- 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- Withdrawn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
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000003860 storage Methods 0.000 title claims abstract description 13
- 238000012549 training Methods 0.000 claims abstract description 107
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 46
- 238000009826 distribution Methods 0.000 claims abstract description 39
- 230000006870 function Effects 0.000 claims description 20
- 230000015654 memory Effects 0.000 claims description 14
- 238000011176 pooling Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 3
- 238000000265 homogenisation Methods 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 description 15
- 230000008569 process Effects 0.000 description 14
- 238000012544 monitoring process Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000001514 detection method Methods 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012360 testing method Methods 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
- G06F2218/08—Feature extraction
-
- 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
- G01V1/30—Analysis
- G01V1/307—Analysis for determining seismic attributes, e.g. amplitude, instantaneous phase or frequency, reflection strength or polarity
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Remote Sensing (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Evolutionary Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Signal Processing (AREA)
- Probability & Statistics with Applications (AREA)
- Acoustics & Sound (AREA)
- Environmental & Geological Engineering (AREA)
- Geology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geophysics (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本文提供一种微地震P波极性识别方法、装置、设备及存储介质，所述方法包括：获取检波器采集到的微地震待测P波数据；将所述待测P波数据输入到已训练完成的卷积神经网络，计算得到所述待测P波极性类型概率分布，所述已训练完成的卷积神经网络是基于所述检波器采集的训练样本数据训练得到，所述训练样本数据全部已知所述P波极性类型；将所述待测P波极性类型概率分布中最大概率对应的P波极性类型确定为所述待测P波极性，通过多道采集的数据结合卷积神经网络构架，训练出能准确识别出P波极性的训练模型，可以提高P波极性识别的准确性和训练模型的适应范围。
Description
技术领域
本发明属于微地震监测技术领域，具体涉及一种微地震P波极性识别方法、装置、存储介质及设备。
背景技术
水力压裂是页岩气、煤层气等非常规油气资源开采过程中的关键环节，而微地震监测技术是监测压裂过程以及评估压裂效果的重要手段。水力压裂过程中岩石破裂产生的地震波信号可以被放置在井中或地表的检波器接收，这些信号能够用来反演震源位置、震源机制解、震级等参数，从而监测裂缝的发育过程以及评估压裂效果。地面监测和井中监测是两种常用的监测方式。与井中监测相比，地面监测的检波器记录由于地震波衰减严重通常显示出较低的信噪比，但其不仅具有较高的覆盖次数和较宽的方位角，更易于反演震源机制解，而且具有简单、经济以及适应性强等优势，得到了越来越广泛的应用。
微地震监测的主要内容是反演震源位置和震源机制解。震源位置能够提供裂缝的位置和分布信息，而震源机制解可用于描述裂缝破裂类型、了解工区地应力状态。大量的压裂监测结果表明微地震事件主要是由剪切为主的裂缝破裂产生的，因此地面观测记录会出现P波(纵波)极性变化。P波极性信息的确定对地面微地震的震源定位和震源机制反演具有重要意义：
P波极性物理图像明确，是稳定的地震波信息。鉴于地面监测范围广、微地震事件震级较小，利用不同方位的检波器记录的P波极性能够反演出较为稳定的震源机制解，且求解过程具有简单、快速等优点。因此P波极性的识别成为目前震源机制反演重要的内容，如何提高P波极性识别的准确度成为目前亟需解决的技术问题。
发明内容
针对现有技术的上述问题，本文的目的在于，提供一种微地震P波极性识别方法、装置、存储介质及设备，可以提高P波极性识别的准确性。
为了解决上述技术问题，本文的具体技术方案如下：
第一方面，本文提供一种微地震P波极性识别方法，所述方法包括：
获取检波器采集到的微地震待测P波数据；
将所述待测P波数据输入到已训练完成的卷积神经网络，计算得到所述待测P波极性类型概率分布，所述已训练完成的卷积神经网络是基于所述检波器采集的训练样本数据训练得到，所述训练样本数据全部已知所述P波极性类型；
将所述待测P波极性类型概率分布中最大概率对应的P波极性类型确定为所述待测P波极性。
进一步地，所述卷积神经网络包括多个卷积层、多个池化层和全连接层；
每个所述卷积层连接一个所述池化层；所述卷积层用于提取输入数据的特征向量，所述池化层用于降低输入数据的维度，所述全连接层用于连接输出所述卷积层和所述池化层的输出结果，并计算分布概率。
进一步地，所述已训练完成的卷积神经网络是基于所述检波器采集的训练样本数据训练得到进一步包括：
构建卷积神经网络；
获取检波器采集的训练样本数据，所述训练样本数据包括多道P波数据和目标道的P波极性类型；
根据所述训练样本数据，训练所述卷积神经网络，并得到损失函数；
重复所述卷积神经网络的训练步骤，知道所述损失函数得到预设阈值，得到训练完成的卷积神经网络。
进一步地，所述损失函数为交叉熵损失函数，所述损失函数的计算公式为：
其中Loss为损失函数，k为P波不同的极性对应类别，N为样本数据中P波极性类型分布，pk为P波极性实际概率分布，qk为卷积神经网络输出的P波极性预测概率分布。
进一步地，当所述多道P波数据为奇数道P波数据时，所述目标道的P波极性类型为所述奇数道的中间道的P波极性类型；或，
当所述多道P波数据为偶数道P波数据时，增加单道P波数据形成奇数道P波数据，所述目标道的P波极性类型为所述奇数道的中间道的P波极性类型，增加的所述单道P波数据为所述目标道的P波数据，同时将形成后的所述奇数道P波数据更新为所述训练样本数据。
进一步地，所述获取检波器采集的训练样本数据进一步包括：
获取检波器采集的原始样本数据；
根据所述原始样本数据，进行去除均值、带通滤波和均一化处理，获得所述训练样本数据。
进一步地，所述获取检波器采集的训练样本数据之后还包括：
对所述训练数据进行数据增强处理，将增强处理后的数据和所述训练样本数据合并，并将合并后的数据更新为所述训练样本数据。
第二方面，本文还提供一种微地震P波数据极性识别装置，所述装置包括：
待测数据获取模块，用于获取检波器采集到的微地震待测P波数据；
概率分布计算模块，用于将所述待测P波数据输入到已训练完成的卷积神经网络，计算得到所述待测P波极性类型概率分布，所述已训练完成的卷积神经网络是基于所述检波器采集的训练样本数据训练得到，所述训练样本数据全部已知所述P波极性类型；
P波极性确定模块，用于将所述待测P波极性类型概率分布中最大概率对应的P波极性类型确定为所述待测P波极性。
第三方面，本文还提供一种计算机设备，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如上述所述的方法步骤。
第四方面，本文还提供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计算机程序，所述计算机程序被处理器执行时实现如上述所述的方法步骤。
采用上述技术方案，本文所述一种微地震P波极性识别方法、装置、存储介质及设备，通过多道采集的数据结合卷积神经网络构架，训练出能准确识别出P波极性的训练模型，可以提高P波极性识别的准确性和训练模型的适应范围。
为让本文的上述和其他目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附图式，作详细说明如下。
附图说明
为了更清楚地说明本文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文的一些实施例，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示出了本文实施例中微地震P波极性识别方法步骤示意图；
图2示出了本文实施例中卷积神经网络训练步骤示意图；
图3示出了本文实施例中地表检波器分布示意图；
图4示出了本文实施例中数据预处理示例示意图；
图5示出了本文实施例中卷积神经网络训练模型数据处理流程示意图；
图6示出了本文实施例中微地震P波极性识别装置结构示意图；
图7示出了本文实施例中一种设备的结构示意图。
附图符号说明：
100、待测数据获取模块；
200、概率分布计算模块；
300、P波极性确定模块；
702、计算机设备；
704、处理器；
706、存储器；
708、驱动机构；
710、输入/输出模块；
712、输入设备；
714、输出设备；
716、呈现设备；
718、图形用户接口；
720、网络接口；
722、通信链路；
724、通信总线。
具体实施方式
下面将结合本文实施例中的附图，对本文实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本文一部分实施例，而不是全部的实施例。基于本文中的实施例，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，都属于本文保护的范围。
需要说明的是，本文的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本文的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、装置、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
现有技术中，P波极性问题的研究一直是比较热点的方向，通过P波极性可以反演微地震的震源机制和位置，而对于P波的极性识别很难有较高的准确性，同时识别效率也较低，很难满足针对批量数据的P波极性识别。
为了解决上述问题，本文实施例提供了一种微地震P波极性识别方法，能够提高微地震P波极性识别的准确性，图1是本文实施例提供的一种微地震P波极性识别方法的步骤示意图，本说明书提供了如实施例或流程图所述的方法操作步骤，但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的系统或装置产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行。具体的如图1所示，所述方法可以包括：
S101：获取检波器采集到的微地震待测P波数据；
S102：将所述待测P波数据输入到已训练完成的卷积神经网络，计算得到所述待测P波极性类型概率分布，所述已训练完成的卷积神经网络是基于所述检波器采集的训练样本数据训练得到，所述训练样本数据全部已知所述P波极性类型；
S103：将所述待测P波极性类型概率分布中最大概率对应的P波极性类型确定为所述待测P波极性。
通过训练得到的卷积神经网络的分类模型，对待测P波数据进行模型输入得到不同的极性类型概率分布，再确地概率分布中的最大概率所对应的极性类型作为待测P波数据的极性类型，本说明书实施例能够提高P波数据的准确性和高效性。
其中，所述P波极性类型可以包括正极性、负极性以及不能被识别的不确定极性。不同的极性类型能反馈出不同的震源位置和机制。
在实际工作中，为了全面反映微地震事件，由于P波的辐射花样，相邻的检波器应显示出规则的极性分布，可以根据矿井的位置设置多组检波器采集微地震的P波信息，作为可选地，如图3所示，所述检波器可以为网格状或矩阵排着，从而形成多道检波器组合，多道检波器组合获得的数据为多道P波数据，所述P波数据可以为P波初至波的波形信息，每道检波器组合可以保持相同的距离，比如间距25m，同一道检波器中检波器可以设置相同的距离，这样可以保证所述检波器检测的数据可以呈现连续性的特点，这样在进行特征提取时更具可靠性。
由于微地震的特点，实际检测的时间很短，因此检测同一矿井的检波器可以设置相同的检测时间和检测频率，这样可以在同一微地震事件中每个检波器获得相同的检测数据，保证数据之间的特征联系度更好，训练获得的训练模型更可靠，作为可选地，每个检波器采集初至波的时间长度为1s，时间采样率为1ms。
在本说明书实施例中，所述卷积神经网络(Convolutional Neural Network，简称CNN)为多层前馈神经网络，所述卷积神经网络包括多个卷积层、多个池化层和全连接层；每个所述卷积层连接一个所述池化层；所述卷积层用于提取输入数据的特征向量，所述池化层用于降低输入数据的维度，所述全连接层用于连接输出所述卷积层和所述池化层的输出结果，并计算分布概率。其中每个所述卷积层可以包括一组滤波器，可以对接收的数据进行卷积计算，提取数据的相应特征。
通过已经训练完成的卷积神经网络进行输入待测P波数据的训练，所述待测P波数据可以为P波初至波的波性特征，可以输出P波极性的不同概率，可以理解为，已经训练完成的卷积神经网络输出的数据是正极性、负极性和不能被识别的不确定极性的分布概率，比如为[0.05，0.55，0.4]，当然，输出概率的类型顺序也可以不同，在本说明书不做限定。进一步实施例中，为了提高数据输出的效率还可以将正极性、负极性和不能被识别的不确定极性进行数字标定，可以通过输出的标定数据表示相应的极性特征，比如可以为不确定性为0，正极性为1，负极性为2，这样在极性概率输出以及最终极性确定时可以通过数字的形式快速表示，在数据量很大的情况下提高了训练模型的输出效率。
如图2所示，为本说明书实施例中卷积神经网络训练步骤，具体为：
S201：构建卷积神经网络；
S202：获取检波器采集的训练样本数据，所述训练样本数据包括多道P波数据和目标道的P波极性类型；
S203：根据所述训练样本数据，训练所述卷积神经网络，并得到损失函数；
S204：重复所述卷积神经网络的训练步骤，直到所述损失函数低于预设阈值，得到训练完成的卷积神经网络。
在实际工作中，所述训练样本数据可以为人工根据P波初至波的拾取结果，本说明书将P波数据分为三类：正极性、负极性和不能被人工所识别的不确定极性。
通过步骤S201构建的卷积神经网络为网络结构和内部参数不固定的初始模型，通过已知的训练样本数据进行训练得到网络结构和内部参数固定的收敛的卷积神经网络，其中是以多道P波数据为输入层，输入层是一个大小为n×M的向量，其中n代表道数为n(n≥2)，M代表时间域采样点的个数，数据样本经过若干个相互交替的卷积层、池化层提取极性特征后，再经过一个或一个以上的全连接层，最后由Softmax分类器输出三个值，分别为数据样本为不确定、正极性、负极性的概率值，其中最大概率值所对应的类别即为该网络模型的预测结果。
P波初至波极性的确定可以当作一个简单的图像分类问题，分类问题一般采用交叉熵损失函数(Cross Entropy)来优化网络参数，通常用于量化输入(真实)概率分布p和预测概率分布q之间的差异，因此在本说明书实施例中，所述损失函数的计算公式为：
其中Loss为损失函数，k为P波不同的极性对应类别，N为样本数据中P波极性类型分布，pk为P波极性实际概率分布，qk为卷积神经网络输出的P波极性预测概率分布，每次迭代后，卷积核和权重将会被更新，经过多次迭代，最终获得损失函数低于预设损失值的训练模型。
通过在同一工区多道P波数据进行训练得到泛化的训练模型，提高对P波极性预测的准确性，同时为了进一步提高训练模型的适应范围，还可以从不同的工区获得不同的P波数据及其极性组成训练数据进行训练得到适应性更广的训练模型，提高训练模型的泛化能力和鲁棒性。
所述多道P波数据可以连续设置的多道数据，其中当所述多道P波数据为奇数道P波数据时，所述目标道的P波极性类型为所述奇数道的中间道的P波极性类型；或，当所述多道P波数据为偶数道P波数据时，增加单道P波数据形成奇数道P波数据，所述目标道的P波极性类型为所述奇数道的中间道的P波极性类型，增加的所述单道P波数据为所述目标道的P波数据，同时将形成后的所述奇数道P波数据更新为所述训练样本数据。
在实际工作中，可以预先设置好目标道，在所述目标道两侧选择样本数据共同组成训练样本数据，比如，对于第K道的检波器记录，选取前后各N1道数据，时间域的采样点数为M，则训练样本的大小为(2*N1+1)×M。数据样本经过若干个相互交替的卷积层、池化层提取极性特征后，再经过一个或一个以上的全连接层，最后由Softmax分类器输出三个值，分别为数据样本为不确定、正极性、负极性的概率值，其中最大概率值所对应的类别即为该网络的预测结果，输出结果为第K道的极性，多道样本标签标记方式可以为不确定性为0，正极性为1，负极性为2，如图5所示，为5道P波数据的训练结果示意图，其中输出最大概率值为0.96，对应的类别为2，表明该5道的中间道P波极性为负极性。
在本说明书实施例中，检波器采集的原始数据的信噪比低，难以肉眼识别出微地震事件，如图4中a图可以看出为多个垂直分量检波器记录的微震事件，微震事件很难直接识别出来，更别说是通过P波初至波极性进行判断，因此进行模型训练的训练样本是通过原始数据的预处理得到的，所述预处理过程包括：
获取检波器采集的原始样本数据；
根据所述原始样本数据，进行去除均值、带通滤波和均一化处理，获得所述训练样本数据。
如图4中b图为经过预处理得到的训练样本数据，可以得到较为清晰的微地震事件，进一步实施例中，许多页岩气生产基地位于地势复杂的山区，检波器不是在同一高度下工作，作为可选地，检波器高度范围在1290–1450m。因此还可以对样本数据进行高程校正得到更准确的P波数据信息，经过高程静校正后，地震事件的记录变得更具连续性，且可以观察到极性逆转的现象。如图4中的c图为高程校正后的波形，从中可以看出P波极性逆转的现象，图4中c图左侧箭头为正极性，右侧箭头为负极性。
在确定训练样本数据的基础上，为了提高训练模型的识别准确性，可以需要大量的训练数据进行训练，因此还可以对得到的训练样本数据进行增强处理，所述增强处理步骤为：
对所述训练数据进行数据增强处理，将增强处理后的数据和所述训练样本数据合并，并将合并后的数据更新为所述训练样本数据。
可以理解理解为，通过对训练样本数据进行增强处理，可以提高训练模型的泛华能力和鲁棒性，微震数据(训练样本数据)可以看作二维图像数据，参照图像识别，使用反转、平移的方式进行数据增强。反转是指对已有的训练样本值乘以-1，相应的极性类型也反转；平移是指沿着时间轴滑动样本，使P波极性信息出现在时窗的任意位置，从而获得更多的训练数据，在一些其他实施例中，还可以有其他的数据增强方式，在本说明书不做限定。
需要说明的是，所述训练样本数据为确定P波极性的数据，在训练完成获得相应的训练模型基础上，还可以进行数据测试或验证，为了避免过拟合，训练数据和验证数据采用不同的数据，所述验证数据中P波数据输入到已经训练的模型中得到相应的训练结果，通过训练结果和验证数据中已知的P波极性进行误差分析，当所述误差分析满足预设条件时，则表示训练模型符合要求，作为可选地，所述误差分析可以通过计算方差进行分析。
本说明书实施例提供的微地震P波极性识别方法通过多道数据的卷积训练来确定目标道的P波初至波的极性，多道数据的卷积神经网络模型不仅可以提取波形特征和极性之间的关系，还可以学习到相邻检波器的P波极性分布规律，进一步提高目标道的预测精度。
在获得待测P波极性之后还可以通过确定的P波极性进行反演震源机制和震源位置，具体的反演过程在本说明书实施例不做赘述。
在上述提供的方法基础上，本说明书实施例还提供一种微地震P波极性识别装置，所述装置包括：
待测数据获取模块100，用于获取检波器采集到的微地震待测P波数据；
概率分布计算模块200，用于将所述待测P波数据输入到已训练完成的卷积神经网络，计算得到所述待测P波极性类型概率分布，所述已训练完成的卷积神经网络是基于所述检波器采集的训练样本数据训练得到，所述训练样本数据全部已知所述P波极性类型；
P波极性确定模块300，用于将所述待测P波极性类型概率分布中最大概率对应的P波极性类型确定为所述待测P波极性。
本说明书实施例提供的装置和上述方法所取得的有益效果一致，就不一一赘述了。
如图7所示，为本文实施例提供的一种计算机设备，所述计算机设备702可以包括一个或多个处理器704，诸如一个或多个中央处理单元(CPU)，每个处理单元可以实现一个或多个硬件线程。计算机设备702还可以包括任何存储器706，其用于存储诸如代码、设置、数据等之类的任何种类的信息。非限制性的，比如，存储器706可以包括以下任一项或多种组合：任何类型的RAM，任何类型的ROM，闪存设备，硬盘，光盘等。更一般地，任何存储器都可以使用任何技术来存储信息。进一步地，任何存储器可以提供信息的易失性或非易失性保留。进一步地，任何存储器可以表示计算机设备702的固定或可移除部件。在一种情况下，当处理器704执行被存储在任何存储器或存储器的组合中的相关联的指令时，计算机设备702可以执行相关联指令的任一操作。计算机设备702还包括用于与任何存储器交互的一个或多个驱动机构708，诸如硬盘驱动机构、光盘驱动机构等。
计算机设备702还可以包括输入/输出模块710(I/O)，其用于接收各种输入(经由输入设备712)和用于提供各种输出(经由输出设备714))。一个具体输出机构可以包括呈现设备716和相关联的图形用户接口(GUI)718。在其他实施例中，还可以不包括输入/输出模块710(I/O)、输入设备712以及输出设备714，仅作为网络中的一台计算机设备。计算机设备702还可以包括一个或多个网络接口720，其用于经由一个或多个通信链路722与其他设备交换数据。一个或多个通信总线724将上文所描述的部件耦合在一起。
通信链路722可以以任何方式实现，例如，通过局域网、广域网(例如，因特网)、点对点连接等、或其任何组合。通信链路722可以包括由任何协议或协议组合支配的硬连线链路、无线链路、路由器、网关功能、名称服务器等的任何组合。
对应于图1-图2中的方法，本文实施例还提供了一种计算机可读存储介质，该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运行时执行上述方法的步骤。
本文实施例还提供一种计算机可读指令，其中当处理器执行所述指令时，其中的程序使得处理器执行如图1至图2所示的方法。
应理解，在本文的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本文实施例的实施过程构成任何限定。
还应理解，在本文实施例中，术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系。例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本文的范围。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本文所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接，也可以是电的，机械的或其它的形式连接。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本文实施例方案的目的。
另外，在本文各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本文的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本文各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本文中应用了具体实施例对本文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文的方法及其核心思想；同时，对于本领域的一般技术人员，依据本文的思想，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文的限制。
Claims (10)
1.一种微地震P波极性识别方法，其特征在于，所述方法包括：
获取检波器采集到的微地震待测P波数据；
将所述待测P波数据输入到已训练完成的卷积神经网络，计算得到所述待测P波极性类型概率分布，所述已训练完成的卷积神经网络是基于所述检波器采集的训练样本数据训练得到，所述训练样本数据全部已知所述P波极性类型；
将所述待测P波极性类型概率分布中最大概率对应的P波极性类型确定为所述待测P波极性。
2.根据权利要求1所述的方法，其特征在于，所述卷积神经网络包括多个卷积层、多个池化层和全连接层；
每个所述卷积层连接一个所述池化层；所述卷积层用于提取输入数据的特征向量，所述池化层用于降低输入数据的维度，所述全连接层用于连接输出所述卷积层和所述池化层的输出结果，并计算分布概率。
3.根据权利要求1所述的方法，其特征在于，所述已训练完成的卷积神经网络是基于所述检波器采集的训练样本数据训练得到进一步包括：
构建卷积神经网络；
获取检波器采集的训练样本数据，所述训练样本数据包括多道P波数据和目标道的P波极性类型；
根据所述训练样本数据，训练所述卷积神经网络，并得到损失函数；
重复所述卷积神经网络的训练步骤，直到所述损失函数低于预设阈值，得到训练完成的卷积神经网络。
4.根据权利要求3所述的方法，其特征在于，所述损失函数为交叉熵损失函数，所述损失函数的计算公式为：
其中Loss为损失函数，k为P波不同的极性对应类别，N为样本数据中P波极性类型分布，pk为P波极性实际概率分布，qk为卷积神经网络输出的P波极性预测概率分布。
5.根据权利要求3所述的方法，其特征在于，
当所述多道P波数据为奇数道P波数据时，所述目标道的P波极性类型为所述奇数道的中间道的P波极性类型；或，
当所述多道P波数据为偶数道P波数据时，增加单道P波数据形成奇数道P波数据，所述目标道的P波极性类型为所述奇数道的中间道的P波极性类型，增加的所述单道P波数据为所述目标道的P波数据，同时将形成后的所述奇数道P波数据更新为所述训练样本数据。
6.根据权利要求3所述的方法，其特征在于，所述获取检波器采集的训练样本数据进一步包括：
获取检波器采集的原始样本数据；
根据所述原始样本数据，进行去除均值、带通滤波和均一化处理，获得所述训练样本数据。
7.根据权利要求6所述的方法，其特征在于，所述获取检波器采集的训练样本数据之后还包括：
对所述训练数据进行数据增强处理，将增强处理后的数据和所述训练样本数据合并，并将合并后的数据更新为所述训练样本数据。
8.一种微地震P波数据极性识别装置，其特征在于，所述装置包括：
待测数据获取模块，用于获取检波器采集到的微地震待测P波数据；
概率分布计算模块，用于将所述待测P波数据输入到已训练完成的卷积神经网络，计算得到所述待测P波极性类型概率分布，所述已训练完成的卷积神经网络是基于所述检波器采集的训练样本数据训练得到，所述训练样本数据全部已知所述P波极性类型；
P波极性确定模块，用于将所述待测P波极性类型概率分布中最大概率对应的P波极性类型确定为所述待测P波极性。
9.一种计算机设备，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如权利要求1至7任一项所述的方法步骤。
10.一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计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的方法步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011604646.2A CN112699788A (zh) | 2020-12-29 | 2020-12-29 | 一种微地震p波极性识别方法、装置、存储介质及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011604646.2A CN112699788A (zh) | 2020-12-29 | 2020-12-29 | 一种微地震p波极性识别方法、装置、存储介质及设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112699788A true CN112699788A (zh) | 2021-04-23 |
Family
ID=75512300
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011604646.2A Withdrawn CN112699788A (zh) | 2020-12-29 | 2020-12-29 | 一种微地震p波极性识别方法、装置、存储介质及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112699788A (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111027452A (zh) * | 2019-12-05 | 2020-04-17 | 中国矿业大学(北京) | 基于深度神经网络的微震信号到时和震相识别方法及系统 |
| CN111126471A (zh) * | 2019-12-18 | 2020-05-08 | 中国石油大学(华东) | 微地震事件检测方法及系统 |
-
2020
- 2020-12-29 CN CN202011604646.2A patent/CN112699788A/zh not_active Withdrawn
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111027452A (zh) * | 2019-12-05 | 2020-04-17 | 中国矿业大学(北京) | 基于深度神经网络的微震信号到时和震相识别方法及系统 |
| CN111126471A (zh) * | 2019-12-18 | 2020-05-08 | 中国石油大学(华东) | 微地震事件检测方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| XIAO TIAN等: ""Comparison of Single-Trace and Multiple-Trace Polarity Determination for Surface Microseismic Data Using Deep Learning"", 《SEISMOLOGICAL RESEARCH LETTERS》 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wilkins et al. | Identifying microseismic events in a mining scenario using a convolutional neural network | |
| Peng et al. | Automatic Classification of Microseismic Signals Based on MFCC and GMM‐HMM in Underground Mines | |
| CN105607121A (zh) | 一种煤炭陷落柱识别方法和装置 | |
| CN113792936A (zh) | 一种随钻岩性智能识别方法、系统、设备和存储介质 | |
| Konaté et al. | Capability of self-organizing map neural network in geophysical log data classification: Case study from the CCSD-MH | |
| CN115758212A (zh) | 一种基于并行网络和迁移学习的机械设备故障诊断方法 | |
| Li et al. | Automatic recognition and classification of microseismic waveforms based on computer vision | |
| Silversides et al. | Automated recognition of stratigraphic marker shales from geophysical logs in iron ore deposits | |
| Rojas et al. | Artificial neural networks as emerging tools for earthquake detection | |
| CN110837111B (zh) | 地震数据插值方法及系统 | |
| CN117292148B (zh) | 一种基于定向钻探及测试数据的隧道围岩级别评估方法 | |
| Ye et al. | A deep learning-based method for automatic abnormal data detection: Case study for bridge structural health monitoring | |
| Maity et al. | Neuro-evolutionary event detection technique for downhole microseismic surveys | |
| Baker et al. | Monitoring the 2020 Magna, Utah, earthquake sequence with nodal seismometers and machine learning | |
| Ghorbani et al. | A modern method to improve of detecting and categorizing mechanism for micro seismic events data using boost learning system | |
| CN117031566A (zh) | 一种地磁异常数据集的构建方法及系统 | |
| Xu et al. | An automatic P-wave onset time picking method for mining-induced microseismic data based on long short-term memory deep neural network | |
| Zhao et al. | Fast stratification of geological cross-section from CPT results with missing data using multitask and modified Bayesian compressive sensing | |
| CN112215307B (zh) | 一种应用机器学习自动检测地震仪器信号异常的方法 | |
| CN112578475B (zh) | 基于数据挖掘的致密储层双甜点识别方法 | |
| Han et al. | Seismic event and phase detection using deep learning for the 2016 Gyeongju earthquake sequence | |
| Orlic et al. | Earthquake—explosion discrimination using genetic algorithm-based boosting approach | |
| Sarkheil et al. | The fracture network modeling in naturally fractured reservoirs using artificial neural network based on image loges and core measurements | |
| CN111580179B (zh) | 一种有机碳含量确定方法、装置及系统 | |
| CN112699788A (zh) | 一种微地震p波极性识别方法、装置、存储介质及设备 |
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: 20210423 |