CN113534240B - 微地震事件检测与定位方法及系统 - Google Patents

微地震事件检测与定位方法及系统 Download PDF

Info

Publication number
CN113534240B
CN113534240B CN202110769659.3A CN202110769659A CN113534240B CN 113534240 B CN113534240 B CN 113534240B CN 202110769659 A CN202110769659 A CN 202110769659A CN 113534240 B CN113534240 B CN 113534240B
Authority
CN
China
Prior art keywords
network model
data set
residual error
imaging
error network
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.)
Active
Application number
CN202110769659.3A
Other languages
English (en)
Other versions
CN113534240A (zh
Inventor
高明
官强
王维波
盛立
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.)
China University of Petroleum East China
Original Assignee
China University of Petroleum East China
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 China University of Petroleum East China filed Critical China University of Petroleum East China
Priority to CN202110769659.3A priority Critical patent/CN113534240B/zh
Publication of CN113534240A publication Critical patent/CN113534240A/zh
Application granted granted Critical
Publication of CN113534240B publication Critical patent/CN113534240B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G01MEASURING; TESTING
    • G01VGEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V1/00Seismology; Seismic or acoustic prospecting or detecting
    • G01V1/28Processing seismic data, e.g. for interpretation or for event detection
    • G01V1/288Event detection in seismic signals, e.g. microseismics
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01VGEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V1/00Seismology; Seismic or acoustic prospecting or detecting
    • G01V1/40Seismology; Seismic or acoustic prospecting or detecting specially adapted for well-logging
    • G01V1/44Seismology; Seismic or acoustic prospecting or detecting specially adapted for well-logging using generators and receivers in the same well
    • G01V1/48Processing data
    • G01V1/50Analysing data
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/21Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • G06N3/045Combinations of networks
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/08Learning methods
    • G06N3/084Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Remote Sensing (AREA)
  • Environmental & Geological Engineering (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Acoustics & Sound (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Geophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Geology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Business, Economics & Management (AREA)
  • Emergency Management (AREA)
  • Image Analysis (AREA)
  • Geophysics And Detection Of Objects (AREA)

Abstract

本发明涉及一种微地震事件检测与定位方法及系统,所述方法的步骤为:将采集的压裂过程中多个监测站点的微地震信号进行SET成像,将成像图按照是否发生微地震事件进行划分,建立训练数据集和测试数据集;将训练数据集样本输入到建立的残差网络模型中进行训练,将测试数据集样本输入至训练后的残差网络模型中检验其性能;存储训练后残差网络模型的参数;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,将待测试数据集数据输入至训练后的残差网络模型中进行检测,获得成像图分类结果,并根据成像图分类结果确定是否存在微地震事件及震源位置。本发明能够实现微地震事件及震源位置的实时在线检测,识别速度快,识别精度高。

Description

微地震事件检测与定位方法及系统
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,涉及一种微地震事件检测与定位方法及系统。
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。
地震发射层析(简称:SET)成像法是一种适用于地面监测的技术,该SET成像法首先将被监测区域进行网格划分,然后根据地层速度计算每个网格点到地面监测站点的理论走时,将监测站点的信号进行偏移叠加,来计算每个网格点的Semblance值,然后对Semblance最大值点所在层进行成像,从而生成成像图。SET成像法能处理低信噪比的信号,但是SET成像法在后置处理过程中都存在着一定的局限性,如在海量数据下成像图的识别问题。以我国为例,简述大数据下的微地震监测所面临的问题,首先大数据下的微地震监测系统需要满足实时性监测,以防遗漏有效微地震事件。另外在压裂过程中监测系统的部分监测站点极易受到噪声干扰,对此提出的解决方法是增加检波器的数量。以上所有措施都无疑增加了监测过程的数据量,因此对监测信号进行SET成像时,意味着成像图的数量非常大,显然海量数据下成像图的筛选不能依靠人工的方法来筛选,不仅识别速度慢,且识别精度低。因此如何正确并快速的检测以及定位微地震事件是当前研究的重要方向。
发明内容
本发明针对现有技术存在的识别速度慢、识别精度低等上述问题,提供一种微地震事件检测与定位方法及系统,能够实现微地震事件的实时在线检测及定位,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与定位方法,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,将采集到的微地震信号进行SET成像,根据成像结果建立训练数据集和测试数据集;
S2、建立残差网络模型,将训练数据集样本输入到残差网络模型中进行训练,将测试数据集样本输入至训练后的残差网络模型中检验训练后残差网络模型的性能;
S3、存储训练后残差网络模型的参数;
S4、采集实时压裂过程中多个监测站点的微地震信号,进行SET成像,根据成像结果建立待测试数据集;
S5、将待测试数据集的数据输入至训练后的残差网络模型中进行检测,获得成像图样本分类结果,并根据成像图的分类结果来确定是否存在微地震事件以及震源位置。
优选的,步骤S1中,建立训练数据集和测试数据集的具体步骤为:选用多通道微地震信号中的垂直分量波形数据进行SET成像,进行SET成像时,截取某一区间的多通道实时监测信号,再次以每1200个监测信号采样点作为一次成像过程的输入;成像结束后,将成像图按照不同的样本类别分别标注标签,建立训练数据集和测试数据集。
优选的,步骤S2中,所述残差网络模型共20层隐含层,采用1个卷积层、2个池化层与7个残差块组成的模型框架;两个池化层分别为最大池化层和平均池化层,7个残差块为2个Conv Block和5个Identity Block。
优选的,步骤S2中,训练残差网络模型的具体步骤为:
(1)从训练数据集内随机抽取小批量样本输入到残差网络模型中,计算损失函数;
(2)通过反向传播算法完成梯度的计算,采用自适应矩估计算法更新残差网络模型的参数,使损失函数最小;
(3)循环训练每个样本批次,当每次样本批次迭代完成后,将测试数据集输入到残差网络模型中,测试残差网络模型的可靠性,当测试数据集的精度符合要求时,完成残差网络模型训练,否则重复步骤(1)。
优选的,所述损失函数采用交叉熵损失函数,定义为:
Figure GDA0003647497530000031
式中,L(θ)表示交叉熵损失函数,θ表示残差网络模型的权重参数,h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,yi表示第i个样本的输出,T表示转置操作。
优选的,步骤S3中,所述参数包括残差网络模型中每层网络层的权重参数和偏置项参数。
优选的,步骤S4中,建立待测试数据集时,根据理论时差合成微地震数值模拟信号成像结果和实时监测的微地震信号成像结果共同建立待测试数据集,或仅适用于实时采集的微地震信号成像结果建立待测试数据集,且待测试数据集与所述训练数据集和测试数据集无重复数据。
优选的,步骤S5中,确定震源位置的具体方法为:
将成像图中被监测区域划分为网格点,然后根据地层速度计算每个网格点到地面监测站点的理论走时,将监测站点的信号进行偏移叠加,来计算每个网格点的Semblance值,Semblance最大值点为震源点;所述Semblance值定义为:
Figure GDA0003647497530000032
其中,
Figure GDA0003647497530000033
Figure GDA0003647497530000034
式中,Sijk是网格点ijk的Semblance值,M为地面监测站点的个数,N是所取时间窗内信号点的个数,aijk(tn)是在时差偏移后所有地面监测站点的第n个信号点能量和的平方,bijk(tn)是在时差偏移后所有地面监测站点的第n个信号点能量的平方和,βijkm是网格点ijk到第m个地面监测站点的波前扩散因子,Xm是第m个地面监测站点所接收的信号,tn是所取时间窗内信号的第n个信号点,τijkm代表的是网格点ijk到第m个地面监测站点的理论走时时差。
为了达到上述目的,本发明还提供了一种微地震事件检测与定位系统,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和背景噪声信号;
SET成像模块,用于将采集的微地震信号进行SET成像;
数据集生成模块,根据SET成像结果生成训练数据集、测试数据集及待测试数据集;
模型生成及模型训练模块,用于建立残差网络模型,并根据训练数据集训练残差网络模型;
模型性能评估模块,用于根据测试数据集检验训练后的残差网络模型的性能;
存储模块,用于存储残差网络模型完成训练后的参数;
判断模块,用于根据训练后的残差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SET成像图样本分类结果确定是否存在微地震事件以及震源位置。
进一步的,还包括数据预处理模块,用于对SET成像图进行批量归一化处理。
与现有技术相比,本发明的优点和积极效果在于:
本发明提供的微地震事件检测与定位方法及系统,根据阵列式地面微地震监测的特性,以多站点监测数据检测结果为基础,综合考虑事件发生时各监测站点波形数据的特点来判别微地震事件,通过对压裂过程中的微地震信号进行SET成像,SET成像图构建数据集,无需建立精确的数学模型,便于实际部署。本发明提供的微地震事件检测与定位方法及系统,在整个检测过程基于训练后的残差网络模型自适应提取数据特征,自动输出检测及定位结果,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以及实时定位,检测精度高。本发明中的残差网络模型在训练完成后,对于待测试SET成像图能够在0.3s内输出残差网络模型的分类结果,识别速度快,同时残差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为本发明实施例所述微地震事件检测与定位方法的流程图;
图2为本发明实施例所述残差网络模型的结构图;
图3为本发明实施例所述两种残差块的结构图;
图4为本发明实施例训练残差网路模型的流程图;
图5为本发明实施例所述微地震事件检测与定位系统的结构框图;
图6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7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8为本发明实施例所述残差网络模型与其他模型准确率曲线的对比图;
图9为本发明实施例所述残差网络模型与其他模型平均训练迭代时间的对比图;
图10-12为本发明实施例叠加不同程度噪声的数值模拟信号图;
图13-15为本发明实施例叠加不同程度噪声的数值模拟信号SET成像结果图;
图16-18为本发明实施例某油气井(33站点)实际压裂过程中几种典型的波形数据图;
图19-21为本发明实施例某油气井(33站点)实际压裂过程中几种典型的波形数据成像结果图;
图22-24为本发明实施例某油气井(22站点)实际压裂过程中几种典型的波形数据图;
图25-27为本发明实施例某油气井(22站点)实际压裂过程中几种典型的波形数据成像结果图。
图中,1、数据采集装置,2、SET成像模块,3、数据集生成模块,4、模型生成及模型训练模块,5、模型性能评估模块,6、存储模块,7、判断模块,8、数据预处理模块。
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。
残差网络是一种特殊的深层神经网络模型,残差网络通过在卷积层的输入和输出之间加一层通道,来减弱卷积操作过程中的特征丢失,该映射环节可以跨越多个卷积层,这样才可能继续加深网络的深度,提取到更多的特征,从而有效地提升网络的效果。
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,对原始信号进行SET成像,建立残差网络模型,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SET成像图的特征,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,本发明实施例提供了一种微地震事件检测与定位方法,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,将采集到的微地震信号进行SET成像,根据成像结果建立训练数据集和测试数据集。
具体地,建立训练数据集和测试数据集的具体步骤为:选用多通道微地震信号中的垂直分量波形数据进行SET成像,进行SET成像时,截取某一区间的多通道实时监测信号,再次以每1200个监测信号采样点作为一次成像过程的输入;成像结束后,将成像图按照不同的样本类别分别标注标签,建立训练数据集和测试数据集。需要说明的是,本实施例中采集了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。对每个多通道的波形数据进行SET成像,之后采用分组处理,解决了数据集构建问题。
S2、建立残差网络模型,将训练数据集样本输入到残差网络模型中进行训练,将测试数据集样本输入至训练后的残差网络模型中检验训练后残差网络模型的性能。具体地,以多通道时域波形数据的SET成像结果作为输入,提取SET成像图的特征,建立残差网络模型。
参见图4,具体地,训练残差网络模型的具体步骤为:
S21、从训练数据集内随机抽取小批量样本输入到残差网络模型中,计算损失函数。损失函数根据标签向量与残差网络模型预测出的概率向量构造。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。因此,所述损失函数采用交叉熵损失函数,定义为:
Figure GDA0003647497530000061
式中,L(θ)表示交叉熵损失函数,θ表示残差网络模型的权重参数,h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,yi表示第i个样本的输出,T表示转置操作。
S22、通过反向传播算法完成梯度的计算,采用自适应矩估计算法更新残差网络模型的参数,使损失函数最小。
S23、循环训练每个样本批次,当每次样本批次迭代完成后,将测试数据集输入到残差网络模型中,测试残差网络模型的可靠性,当测试数据集的精度符合要求时,完成残差网络模型训练,否则重复步骤S21。具体地说,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S21,继续进行训练,若epoch达到设定值,则完成训练。
S3、存储训练后残差网络模型的参数;所述参数包括残差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,进行SET成像,根据成像结果建立待测试数据集。具体地,根据实时采集的微地震信号,将微地震信号进行SET成像后,建立待测试数据集。
在本实施例的另一具体实施方式中,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的SET成像结果共同建立待测试数据集。
需要说明的是,待测试数据集与所述训练数据集和测试数据集无重复数据。
S5、将待测试数据集的数据输入至训练后的残差网络模型中进行检测,获得成像图样本分类结果,并根据成像图的分类结果来确定是否存在微地震事件以及震源位置。具体地,确定震源位置的具体方法为:
将成像图中被监测区域划分为网格点,然后根据地层速度计算每个网格点到地面监测站点的理论走时,将监测站点的信号进行偏移叠加,来计算每个网格点的Semblance值,Semblance最大值点为震源点;所述Semblance值定义为:
Figure GDA0003647497530000071
其中,
Figure GDA0003647497530000072
Figure GDA0003647497530000081
式中,Sijk是网格点ijk的Semblance值,M为地面监测站点的个数,N是所取时间窗内信号点的个数,aijk(tn)是在时差偏移后所有地面监测站点的第n个信号点能量和的平方,bijk(tn)是在时差偏移后所有地面监测站点的第n个信号点能量的平方和,βijkm是网格点ijk到第m个地面监测站点的波前扩散因子,Xm是第m个地面监测站点所接收的信号,tn是所取时间窗内信号的第n个信号点,τijkm代表的是网格点ijk到第m个地面监测站点的理论走时时差。
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。
具体地,上述实施例中,参见图2,所述残差网络模型共20层隐含层,采用1个卷积层、2个池化层与7个残差块组成的模型框架;两个池化层分别为最大池化层和平均池化层,7个残差块为2个识别块(即Conv Block)和5个识别块(即Identity Block)。经过多次实验残差网络模型各层参数设置参见表1。
表1
Figure GDA0003647497530000082
上述残差网络模型各网络层的工作机制如下:
卷积层是由一组卷积核组成,每个卷积核有设定的尺寸,并存储权值参数,类似于一个矩阵。卷积层可以有选择对特征图上的特征进行连接,通过卷积核在特征图上的卷积操作,来获取特征图的有效特征。
卷积过程的操作如下:
Figure GDA0003647497530000091
Figure GDA0003647497530000092
式中,σ表示激活函数,*表示卷积运算,
Figure GDA0003647497530000093
表示第l层卷积层线性输入,xl表示第l层卷积层的输出,
Figure GDA0003647497530000094
表示第l层卷积层卷积核,
Figure GDA0003647497530000095
表示第l层卷积层偏置。
池化操作的目的是为了降低输入特征图的大小,将特征图分成不同的区域,然后对不同的区域进行降维,来降低特征图的尺寸,从而加快网络运算速度,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:
Figure GDA0003647497530000096
最大值池化定义如下:
y=max(x1,......,xi)=xi (8)
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。
残差网络模型中还存在映射直接跨越了两个卷积层,输入数据x和残差函数F(x)相加构成一个映射层,其输出值为y,其表达式表示为:
y=F(x) (9)
上述卷积层的作用是使得输入的数据随着网络深度的加深,而不会减弱,这样才可能继续加深网络的深度,提取到更多的特征,从而有效地提升网络的效果。其中,残差函数表达式为:
F(x)=W2σ(W1·x) (10)
式中,W1表示卷积层1的权重矩阵,W2表示卷积层2的权重矩阵,x表示为残差块的输入,σ(·)表示激活函数,其作用是将W1·x非线性化,以便于其更好地进行分类。
需要说明的是,本实施例中,使用的激活函数为ReLU函数,因为在使用随机梯度下降算法时,ReLU激活函数可以降低网络的复杂度,因此相对于Tanh函数和Sigmoid函数计算速度和收敛速度更快。另外映射部分与残差的输出部分的维数要一致,如果x映射部分的输出和残差部分的输出不一致时,需要对将映射部分的输出乘以一个线性映射或者对其进行填充,一般都采用在图像特征图进行周边补零操作。若x和F(x)尺寸一致时,可直接进行叠加,若跨越多个卷积层,则上式可合并为:
y=F(x,{Wi})+Ws·x (11)
式中,Wi表示第i个卷积层的权值矩阵,Ws表示非线性映射矩阵,其作用使输入x的尺寸与残差输出部分F(·)的尺寸一致。
本实施例中,在残差网络模型中加入批量归一化过程,批量归一化过程可以有效的提升网络的训练以及识别速度。批量归一化过程如表2所示。
表2
Figure GDA0003647497530000101
本实例使用两种类型的残差块,分别为卷积块和识别块,卷积块和残差块的结构如图3所示。其残差部分都使用3个卷积核来提取特征,卷积核的大小均为3×3。在卷积块中,x与F(x)维数相同,可以直接相加。在识别块中x与F(x)维数不相同,因此需要对x进行填充,在此我们使用1×1的卷积来提升其维数,另外两种结构也加入了批量归一化过程,可以加快训练速度。
本实例中模型通常使用反向传播算法梯度下降法来求解,由于映射部分的存在,输入的数据随着网络深度的加深,而不会减弱,这使得网络深度可以适当加深。另外残差网络中不会存在梯度消失问题。残差网络模型的反向传播如下式所示。
Figure GDA0003647497530000111
式中,E表示损失函数,xl表示网络的第l层的输入,xL表示网络的第L层的输入,由上式可以看出残差网络在进行反向传播时,只求链式法则前部分就可以基本确定从第L层到第L-1层的梯度。另外在网络训练过程中,
Figure GDA0003647497530000112
不可能一直都为-1,所以残差网络模型中不会出现梯度消失的问题。
为了更好的说明不同信号的SET成像效果,本实施例对验证数据集中的部分典型信号进行成像结果分析。图10-12为不同信噪比的合成信号,在此设置的震源点为(0,0,2),即为垂直高度为第二层,横纵坐标为(0,0)的网格点,子波类型为Ricker子波。由图10-12可见,当为微地震信号信噪比为6dB时(参见图10),合成信号的初至清晰,可直接判为微地震信号;随着信噪比减小,噪声污染有效信号,当微地震信号信噪比为-14dB时(参见图12),有效信号几乎完全被噪声淹没,通过肉眼很难甄别,在此通过SET成像图,仍能够准确地识别并定位几乎完全被噪声淹没的微地震信号(参见图15),由于可以看出SET成像法能够识别并定位完全被噪声淹没的微地震信号。其中在成像图中横纵坐标代表其二维坐标,其深度为网格点所在垂直高度层,最右侧表示Semblance的数值范围。图16-21为某压裂井的部分监测数据及其成像结果,图16为夹杂着强噪声的强微地震信号,其部分监测站点受到强噪声的干扰,根据其SET成像定位结果(参见图19)可以看出震源位置在(0,0,2)网格点处,图17为背景噪声,从SET成像定位结果(参见图20)可以看出此监测段未发生微地震事件,图18所示的监测段为夹杂着强噪声的微弱地震信号,根据其SET成像定位结果(参见图21)可以看出震源位置在(-5,-1,1)网格点处。图22-27为某井的部分微地震监测数据及其SET成像定位结果,对于图22为夹杂着微弱噪声的微地震信号,根据其SET成像定位结果(参见图25)可以看出震源微地震在(3,0,3)网格点处,由此可以看出SET成像法在处理低信噪比微地震事件识别与定位问题上的可靠性。对于图23,从图中可以看出在此时间窗内发生了微弱的微地震事件,根据其SET成像定位结果(参见图26)可以看出震源位置在(4,-1,1)网格点处。对于图24,2道、3道和13道有效信号几乎接近背景噪声,在使用其他方法时很容易将此监测段检测为背景噪声,然而根据其SET成像定位结果(参见图27)可以看出震源位置在(-2,-4,2)网格点处,可以看出在SET方法能够识别并定位几乎完全被噪声淹没的微地震信号。
参见图5,本发明实施例还提供了一种微地震事件检测与定位系统,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和背景噪声信号;
SET成像模块2,用于将采集的微地震信号进行SET成像;
数据集生成模块3,根据SET成像结果生成训练数据集、测试数据集及待测试数据集;
模型生成及模型训练模块4,用于建立残差网络模型,并根据训练数据集训练残差网络模型;
模型性能评估模块5,用于根据测试数据集检验训练后的残差网络模型的性能;
存储模块6,用于存储残差网络模型完成训练后的参数;
判断模块7,用于根据训练后的残差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SET成像图样本分类结果确定是否存在微地震事件以及震源位置。
本实施例上述系统还包括数据预处理模块8,用于对SET成像图进行批量归一化处理。批量归一化过程可以有效地提升残差网络模型的训练以及识别速度。
需要说明的是,数据采集装置1、SET成像模块2和数据集生成模块3共同完成上述微地震事件检测与定位方法中的步骤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与定位方法中的步骤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与定位方法中的步骤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,通过训练后获得的残差网络模型进行检测,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以及震源的位置。
为了验证本发明上述微地震事件检测与定位方法及系统对地面监测波形数据的有效性,采用川渝多个地区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成像图样本。
本实施采用Python语言和Tensorflow架构作为编程环境,训练过程采用Adam梯度下降法,学习率为0.001。在输入样本的过程中,采用了小批量batch训练方式(训练中设置为10个样本)降低运算复杂度。每次训练输入一个小批次样本,循环训练所有批次,将所有数据迭代一遍称为一个epoch。本实施例在配备Intel Core i5-7400 3.0GHz处理器和4GB内存的PC上训练100个epoch(约1400步迭代),之后测试残差网络模型的性能。经过多次测试,最终得到训练过程中准确率曲线和损失函数曲线分别如图8和图9所示,参见图8和图9,横坐标表示迭代步数,纵坐标表示识别准确度和损失函数值。从图8可以看出本发明所提的微地震事件检测与定位方法及系统对测试数据集中数据的检测准确率可达98%。
本实例中还增加了其他网络识别效果的对比,分别为CNN和InceptionV3,识别准确率曲线和平均迭代训练时间如图8、图9和表3所示。
表3
Figure GDA0003647497530000131
将上述残差网络模型的参数保存,利用训练好的残差网络模型分别对叠加不同程度噪声的数值模拟信号和不同油气井压裂过程中实际监测数据进行微地震事件检测。信号数据集如表4和表5所示。
表4
Figure GDA0003647497530000132
Figure GDA0003647497530000141
表5
Figure GDA0003647497530000142
由表6可以看到,在使用该残差网络模型对合成信号进行检测时,对各种数据集都具有较好的检测效果,而对于实际井的监测信号,其检测效果变差。在有强干扰的数据集Q和R中,检测准确率为96.6%,说明强干扰会影响到有效微地震信号的SET成像特征。而对于完全有背景噪声构成的数据集T,检测准确率为96.6%左右,也就是有3.4%左右的背景噪声信号被判别为包含有效微地震信号。也有可能是我们在时域上看不到明显微地震信号的背景信号,实际上是包含了被噪声淹没的有效信号,类似于图12和图15的情况。
表6
Figure GDA0003647497530000143
Figure GDA0003647497530000151
需要说明的是,无论是面对低信噪比的合成微地震信号还是实际微地震信号,在使用该残差网络模型对合成信号和实际信号进行检测时,均具有较好的检测效果。此残差网络模型具有良好的泛化能力,因此可以适用于微地震事件检测与定位方法及系统。
上述实施例用来解释本发明,而不是对本发明进行限制,在本发明的精神和权利要求的保护范围内,对本发明做出的任何修改和改变,都落入本发明的保护范围。

Claims (10)

1.一种微地震事件检测与定位方法,其特征在于,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,将采集到的微地震信号进行SET成像,根据成像结果建立训练数据集和测试数据集;
S2、建立残差网络模型,将训练数据集样本输入到残差网络模型中进行训练,将测试数据集样本输入至训练后的残差网络模型中检验训练后残差网络模型的性能;
S3、存储训练后残差网络模型的参数;
S4、采集实时压裂过程中多个监测站点的微地震信号,进行SET成像,根据成像结果建立待测试数据集;
S5、将待测试数据集的数据输入至训练后的残差网络模型中进行检测,获得成像图样本分类结果,并根据成像图的分类结果来确定是否存在微地震事件以及震源位置。
2.如权利要求1所述的微地震事件检测与定位方法,其特征在于,步骤S1中,建立训练数据集和测试数据集的具体步骤为:选用多通道微地震信号中的垂直分量波形数据进行SET成像,进行SET成像时,截取某一区间的多通道实时监测信号,再次以每1200个监测信号采样点作为一次成像过程的输入;成像结束后,将成像图按照不同的样本类别分别标注标签,建立训练数据集和测试数据集。
3.如权利要求1所述的微地震事件检测与定位方法,其特征在于,步骤S2中,所述残差网络模型共20层隐含层,采用1个卷积层、2个池化层与7个残差块组成的模型框架;两个池化层分别为最大池化层和平均池化层,7个残差块为2个Conv Block和5个Identity Block。
4.如权利要求1所述的微地震事件检测与定位方法,其特征在于,步骤S2中,训练残差网络模型的具体步骤为:
(1)从训练数据集内随机抽取小批量样本输入到残差网络模型中,计算损失函数;
(2)通过反向传播算法完成梯度的计算,采用自适应矩估计算法更新残差网络模型的参数,使损失函数最小;
(3)循环训练每个样本批次,当每次样本批次迭代完成后,将测试数据集输入到残差网络模型中,测试残差网络模型的可靠性,当测试数据集的精度符合要求时,完成残差网络模型训练,否则重复步骤(1)。
5.如权利要求4所述的微地震事件检测与定位方法,其特征在于,所述损失函数采用交叉熵损失函数,定义为:
Figure FDA0003647497520000021
式中,L(θ)表示交叉熵损失函数,θ表示残差网络模型的权重参数,h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,yi表示第i个样本的输出,T表示转置操作。
6.如权利要求1所述的微地震事件检测与定位方法,其特征在于,步骤S3中,所述参数包括残差网络模型中每层网络层的权重参数和偏置项参数。
7.如权利要求1所述的微地震事件检测与定位方法,其特征在于,步骤S4中,建立待测试数据集时,根据理论时差合成微地震数值模拟信号成像结果和实时监测的微地震信号成像结果共同建立待测试数据集,或仅适用于实时采集的微地震信号成像结果建立待测试数据集,且待测试数据集与所述训练数据集和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与定位方法,其特征在于,步骤S5中,确定震源位置的具体方法为:
将成像图中被监测区域划分为网格点,然后根据地层速度计算每个网格点到地面监测站点的理论走时,将监测站点的信号进行偏移叠加,来计算每个网格点的Semblance值,Semblance最大值点为震源点;所述Semblance值定义为:
Figure FDA0003647497520000022
其中,
Figure FDA0003647497520000023
Figure FDA0003647497520000031
式中,Sijk是网格点ijk的Semblance值,M为地面监测站点的个数,N是所取时间窗内信号点的个数,aijk(tn)是在时差偏移后所有地面监测站点的第n个信号点能量和的平方,bijk(tn)是在时差偏移后所有地面监测站点的第n个信号点能量的平方和,βijkm是网格点ijk到第m个地面监测站点的波前扩散因子,Xm是第m个地面监测站点所接收的信号,tn是所取时间窗内信号的第n个信号点,τijkm代表的是网格点ijk到第m个地面监测站点的理论走时时差。
9.一种微地震事件检测与定位系统,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;
SET成像模块,用于将采集的微地震信号进行SET成像;
数据集生成模块,根据SET成像结果生成训练数据集、测试数据集及待测试数据集;
模型生成及模型训练模块,用于建立残差网络模型,并根据训练数据集训练残差网络模型;
模型性能评估模块,用于根据测试数据集检验训练后的残差网络模型的性能;
存储模块,用于存储残差网络模型完成训练后的参数;
判断模块,用于根据训练后的残差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SET成像图样本分类结果确定是否存在微地震事件以及震源位置。
10.如权利要求9所述的微地震事件检测与定位系统,其特征在于,还包括数据预处理模块,用于对SET成像图进行批量归一化处理。
CN202110769659.3A 2021-07-07 2021-07-07 微地震事件检测与定位方法及系统 Active CN113534240B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110769659.3A CN113534240B (zh) 2021-07-07 2021-07-07 微地震事件检测与定位方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110769659.3A CN113534240B (zh) 2021-07-07 2021-07-07 微地震事件检测与定位方法及系统

Publications (2)

Publication Number Publication Date
CN113534240A CN113534240A (zh) 2021-10-22
CN113534240B true CN113534240B (zh) 2022-06-24

Family

ID=78127069

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110769659.3A Active CN113534240B (zh) 2021-07-07 2021-07-07 微地震事件检测与定位方法及系统

Country Status (1)

Country Link
CN (1) CN113534240B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113985475B (zh) * 2021-10-28 2023-09-05 北京石油化工学院 一种基于物联网端边云协同的微地震监测数据传输方法
WO2023206545A1 (en) * 2022-04-29 2023-11-02 Nec Corporation Methods, devices, and medium for communication
CN115616659B (zh) * 2022-10-10 2023-06-30 中国矿业大学(北京) 微地震事件的类型确定方法、装置和电子设备
CN116224432B (zh) * 2022-12-09 2024-03-08 视拓科技(西安)有限公司 微地震监测信号的数据处理方法和系统
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

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103109207A (zh) * 2010-08-30 2013-05-15 麦克罗地震探测公司 用于在垂直横向各向同性介质中检测地面下地震事件的方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7663970B2 (en) * 2006-09-15 2010-02-16 Microseismic, Inc. Method for passive seismic emission tomography
US11105942B2 (en) * 2018-03-27 2021-08-31 Schlumberger Technology Corporation Generative adversarial network seismic data processor
CN110501741A (zh) * 2019-07-18 2019-11-26 长江大学 一种有效信号检测方法及系统
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

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103109207A (zh) * 2010-08-30 2013-05-15 麦克罗地震探测公司 用于在垂直横向各向同性介质中检测地面下地震事件的方法

Also Published As

Publication number Publication date
CN113534240A (zh) 2021-10-22

Similar Documents

Publication Publication Date Title
CN113534240B (zh) 微地震事件检测与定位方法及系统
CN111551992B (zh) 岩石储层构造表征方法、装置、计算机可读存储介质及电子设备
West et al. Interactive seismic facies classification using textural attributes and neural networks
Ming et al. Spatiotemporal filtering for regional GPS network in China using independent component analysis
CN111126471A (zh) 微地震事件检测方法及系统
CN104914467A (zh) 提取分类模型道的地震相聚类分析方法
US10761229B2 (en) Microseismic sensitivity analysis and scenario modelling
CN103336305B (zh) 一种基于灰色理论划分致密砂岩储层岩石物理相的方法
CN108897042A (zh) 有机质含量地震预测方法及装置
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
Mola-Abasi et al. Shear wave velocity by polynomial neural networks and genetic algorithms based on geotechnical soil properties
Barkataki et al. Classification of soil types from GPR B scans using deep learning techniques
CN113687440A (zh) 基于米兰科维奇旋回的古水深定量恢复方法和存储介质
CN104198998B (zh) 非均匀背景下基于聚类处理的恒虚警检测方法
Martínez et al. Advanced signal recognition methods applied to seismo-volcanic events from Planchon Peteroa Volcanic Complex: Deep Neural Network classifier
Assessment Pacific earthquake engineering research center
CN104280774B (zh) 一种单频地震散射噪声的定量分析方法
Gahlot et al. Inference of CO2 flow patterns–a feasibility study
CN114861515A (zh) 层速度数据体的计算方法、装置、设备及介质
Sureshjani et al. Estimating reservoir permeability distribution from analysis of pressure/rate transient data: A regional approach
Zhang et al. Data-processing and recognition of seepage and microseepage anomalies of acid-extractable hydrocarbons in the south slope of the Dongying depression, eastern China
Sarkheil et al. The fracture network modeling in naturally fractured reservoirs using artificial neural network based on image loges and core measurements
CN114563771A (zh) 基于聚类分析的双阈值激光雷达云层检测算法
Roh Matching waveform envelopes for earthquake early warning
Polkowski et al. Local Seismic Events in the Area of Poland Based on Data from the PASSEQ 2006–2008 Experiment

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
GR01 Patent grant
GR01 Patent grant