CN113671564A - 基于narx动态神经网络的微地震有效事件自动拾取方法 - Google Patents
基于narx动态神经网络的微地震有效事件自动拾取方法 Download PDFInfo
- Publication number
- CN113671564A CN113671564A CN202110921120.5A CN202110921120A CN113671564A CN 113671564 A CN113671564 A CN 113671564A CN 202110921120 A CN202110921120 A CN 202110921120A CN 113671564 A CN113671564 A CN 113671564A
- Authority
- CN
- China
- Prior art keywords
- narx
- neural network
- microseism
- dynamic neural
- micro
- 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.)
- Granted
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 41
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000012549 training Methods 0.000 claims abstract description 52
- 238000003062 neural network model Methods 0.000 claims abstract description 45
- 238000012360 testing method Methods 0.000 claims abstract description 25
- 238000012544 monitoring process Methods 0.000 claims abstract description 24
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 16
- 238000010606 normalization Methods 0.000 claims abstract description 12
- 238000005457 optimization Methods 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims abstract description 9
- 230000006870 function Effects 0.000 claims description 19
- 108010076504 Protein Sorting Signals Proteins 0.000 claims description 10
- 210000002569 neuron Anatomy 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000004088 simulation Methods 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000005855 radiation Effects 0.000 claims description 3
- 230000003993 interaction Effects 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000009826 distribution Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000001052 transient effect Effects 0.000 description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000005312 nonlinear dynamic Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- G01V1/282—Application of seismic models, synthetic seismograms
-
- 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
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Remote Sensing (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Environmental & Geological Engineering (AREA)
- Software Systems (AREA)
- Geology (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Geophysics (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Acoustics & Sound (AREA)
- Data Mining & Analysis (AREA)
- Emergency Management (AREA)
- Business, Economics & Management (AREA)
- Geophysics And Detection Of Objects (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于微地震监测技术领域，公开了一种基于NARX动态神经网络的微地震有效事件自动拾取方法，包括以下步骤：1)对模拟与实测微地震监测数据进行振幅归一化预处理，建立训练和测试数据库；2)采用汉宁窗对原始微地震记录的有效信号进行序列标记；3)建立具有Series‑Parallel反馈结构的NARX动态神经网络模型；4)采用Levenberg‑Marquardt优化算法训练NARX动态神经网络模型；5)将原始微地震记录输入NARX动态神经网络模型，输出特征曲线；6)设置期望阈值，从特征曲线自动拾取出有效事件。本发明能够在计算资源和样本数据库有限的情况下，自适应地对微地震有效事件进行高效率、高精度的自动拾取，降低人机交互成本和人工拾取引入的误差，为后续微地震数据的处理提供有力的保障。
Description
技术领域
本发明属于微地震监测技术领域，涉及一种微地震有效事件自动拾取方法，具体涉及一种基于NARX动态神经网络的微地震有效事件自动拾取方法。
背景技术
微地震监测技术近年来被广泛地应用于致密油气藏的水力压裂监测、矿山岩爆监测、二氧化碳地质封存监测和常规油气田注采诱发地震监测。尤其在致密油气藏的开发中，微地震水力压裂监测是唯一能够对诱导裂缝的几何形状进行成像的远场技术。通过实时微地震监测震源的时间和空间分布，可估算诱导裂缝的几何产状、地应力的变化以及裂缝网格的连通性，以此来估测压裂井的最优射孔区间和储层改造体积，从而达到优化压裂工程的目的。
有效事件自动拾取是微地震监测的核心技术。微地震监测过程中，微地震监测记录的数据量大且包含强幅度的背景噪声，急需建立高效率、高精度的微地震有效事件自动拾取系统，对有效信号进行实时提取，为后续的震源定位以及反演诱导裂缝的时域分布、空间展布等奠定基础。常规的微地震有效事件自动拾取方法根据有效事件和噪声在时域或频域不同的统计特性来构造特征函数，然后对特征函数进行寻优以实现有效事件的自动拾取。
然而，常规的微地震有效事件自动拾取算法难以提供准确、可靠的拾取结果，需要大量的人机交互对自动拾取结果进行校正，其主要存在以下两个问题：
1)由于实际的微地震监测记录含有强幅度的噪声，这些噪声在时域和频域与有效信号进行相互混叠，使得常规方法很难通过简单的时频域信息对微地震有效事件复杂的瞬态信号特征进行有效拾取，其拾取率和可靠性较低；
2)常规有效事件自动拾取算法的拾取结果受时窗、阈值等拾取参数的影响较大。不同地区、不同采集方案、不同震源机制的微地震监测数据使用的拾取参数差异较大，处理人员通常需要根据经验多次试验不同的参数组合以获得最优的拾取结果，容易引入人工拾取误差，降低了这类方法的效率和拾取精度。
近年来，随着机器学习的不断发展，基于人工神经网络(ANN)的微地震有效事件自动拾取成为当下研究的热点。人工神经网络从信息处理角度对人脑神经元网络进行抽象，建立神经网络模型，按不同的连接方式组成不同的网络。与常规的有效事件拾取方法相比，神经网络拾取法的“容错性”更强。该方法以监测数据和期望输出作为网络模型的输入和反馈，具有很强的非线性拟合能力和自适应性。经过训练之后无需人机交互，能够在强背景噪声中有效的拾取出微地震有效信号。
然而，现有的微地震人工神经网络自动拾取方法往往需要建立规模较大的深度神经网络结构并采用大量训练数据库对其进行训练以充分学习微地震有效信号的内部特征，因此这类方法对计算资源和数据库资源的要求较高，训练速度较慢，难以大规模推广应用，不适用于微地震有效事件实时监测的需求。
非线性自回归神经网络(NARX)是一种用于时间序列预测的非线性动态循环网络。NARX的输出信息在反馈下被作为输入信息再次进入模型，输出层的输出再次通过隐含层进入模型的运算流程，使模型对历史数据的敏感程度得到显著提升。与常规循环神经网络(RNN)相比，NARX最显著的特性是它的输出包含在其输入之中，学习效率高、具有很强的非线性拟合能力和自适应性，从而可以针对小样本训练数据库更高效地学习地震信号中时间序列的动态特征。
发明内容
针对现有技术存在的上述不足，本发明的目的在于提供一种具有自适应性、学习效率高与拾取精度高的微地震有效事件NARX动态神经网络自动拾取方法。
为实现以上目的，本发明提供一种基于NARX动态神经网络的微地震有效事件自动拾取方法，采用如下技术方案：
基于NARX动态神经网络的微地震有效事件自动拾取方法，包括如下步骤：
Step1、预处理：输入原始微地震数据及相关参数文件，整合不同信噪比与震源辐射特性的模拟与实测微地震监测数据，建立训练数据库与测试数据库；
Step2、微地震有效信号序列标记：采用汉宁窗对训练数据库中每一道波形数据的有效信号序列进行标记，获取相应的标签序列；
Step3、NARX模型建立：建立具有Series-Parallel反馈结构的NARX动态神经网络训练模型，设定隐含层个数、神经元个数以及时延系数(输入延迟与反馈延迟)等参数，初始化NARX动态神经网络模型；
Step4、NARX模型训练：基于训练数据库和标签序列，采用Levenberg-Marquardt优化算法训练初始化的NARX动态神经网络模型；
Step5、提取特征曲线：基于Step4训练好的NARX动态神经网络模型提取测试数据库中微地震信号的特征曲线；
Step6、有效事件拾取：设置期望阈值，从Step5提取的特征曲线拾取是否存在有效事件，输出有效事件的初至。
进一步地，所述Step1中，数据预处理包括：对训练数据库与测试数据库中的每一道微地震波形数据进行归一化处理，公式表示为：
式中，x为原始微地震数据，
为归一化之后的微地震数据，|x|max为原始微地震数据绝对值的最大幅度。将原始微地震数据按70％和30％的比例划分为训练数据集与测试数据集。
进一步地，所述Step2中，有效信号序列进行标记包括：为了减少频谱泄漏，针对训练数据库中归一化处理后的微地震数据，手动拾取P波初至，将微地震波形的整个P波有效信号所在波形序列标记为汉宁窗，其余位置标记为零，以此获取有效信号的标签序列，得到期望输出信号，公式表示为：
xL＝δ(tP)*H(n)
式中，xL为微地震有效信号的序列标记输出，δ(tp)为P波初至所在的单位脉冲函数，tp为纵波初至，H为汉宁窗，cos为余弦函数，N为窗函数的长度，由有效事件拾取的期望分辨率确定。
进一步地，所述Step3中，建立的具有Series-Parallel反馈结构特征的NARX模型表示为：
y(t)＝h(xt-2,xt-1,xt,yt-2,yt-1)
式中，y(t)为当前时刻输出序列，yt-2,yt-1为输出延时序列，xt为当前时刻输入序列，xt-2,xt-1为输入延时序列，h为非线性模糊函数：
式中，e为自然常数，τ为函数自变量。
进一步地，所述Step4中，NARX模型训练包括：将训练数据库中归一化预处理后的微地震数据和相应的有效信号序列标记结果分别作为已建立的NARX动态神经网络模型的输入与目标输出，计算隐含层与输出层的输出，通过Levenberg-Marquardt优化算法调整连接权重，并以均方误差作为误差定量标准，直到预测输出与目标输出的误差达到预设的误差预测精度，模型停止训练，Levenberg-Marquardt训练算法的连接权重的修正速率ω由下式给出：
ω(n)＝ω(n-1)-(JTJ+μI)-1JTe
其中，e为神经网络的误差向量，μ为学习率，J是神经网络的误差性能函数对网络连接权重的一阶导数的雅可比矩阵，n为迭代次数。
进一步地，所述Step5中，提取特征曲线包括：将训练好的NARX动态神经网络模型由Series-Parallel反馈结构转换为Parallel反馈结构，输入测试数据库中预处理后的微地震数据，输出测试微地震信号相对应的特征曲线。
进一步地，所述Step6中，有效事件拾取包括：根据输入微地震信号信噪比设置期望阈值和NARX动态神经网络模型输出的测试微地震信号特征曲线，系统自动判断该微地震记录中是否存在有效信号，输出有效信号的起跳点。
与现有技术相比，本发明具有以下有益效果：
(1)将适用于时间序列动态预测的NARX动态神经网络模型与常规的自动拾取算法相结合，能够实现非平稳特征明显的微地震有效事件的自动检测，通过Series-Parallel反馈结构，只需小样本的训练数据库和计算资源即可高效学习微地震瞬态信号在时域变化的特征，训练速度快，能够提高低信噪比微地震监测数据的自动拾取精度与可靠性；本发明适用于幅度微弱的被动源微地震信号，将信号起跳点作为NARX神经网络的输入，经过训练获取包含有效信号起跳点位置和幅度信息的特征信号，从而能够自动判断某一微地震记录中是否存在有效信号并且给出有效信号起跳点的准确位置。
(2)与常规拾取算法相比，NARX动态神经网络模型经过充分训练之后，无需人为设置拾取参数，即可自适应地拾取出微地震监测数据的有效信号，降低了人机交互的需求，减少了人为干预引入的拾取误差，符合微地震监测技术对时效性的需求。
(3)常规微地震有效事件自动拾取方法的分辨率是固定的，而本发明提出的微地震有效事件自动拾取方法能够根据目标输出序列控制有效事件自动拾取的分辨率，具有更高的灵活性。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1是本发明提供的基于NARX动态神经网络的微地震有效事件自动拾取方法的流程图；
图2是实测微地震原始信号(a)及有效信号(b)序列标记结果(期望输出信号)；
图3是NARX动态神经网络模型结构示意图；
图4是训练过程中使用的具有Series-Parallel反馈结构的NARX动态神经网络模型结构图；
图5是训练NARX动态神经网络模型的损失函数值变化曲线图；
图6是测试过程中使用的具有Parallel反馈结构的NARX动态神经网络模型结构图；
图7是采用训练好的NARX动态神经网络模型对单道模拟微地震信号进行有效事件拾取的示意图；
图8是模拟微地震波形阵列的NARX动态神经网络微地震有效事件自动拾取结果；
图9是采用训练好的NARX动态神经网络模型对单道实测微地震信号进行有效事件拾取的示意图；
图10是实测微地震波形阵列的NARX动态神经网络微地震有效事件自动拾取结果。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进。这些都属于本发明的保护范围。
参照图1，一种基于NARX动态神经网络的微地震有效事件自动拾取方法包括以下步骤：
Step1：原始数据输入与预处理
输入原始微地震数据及神经网络模型相关参数文件，整合不同信噪比与震源辐射特性的模拟与实测微地震监测数据，建立训练数据库与测试数据库。对训练数据库与测试数据库中的每一道微地震波形数据进行归一化处理，公式表示为：
式中，x为原始微地震数据，
为归一化之后的微地震数据，|x|max为原始微地震数据绝对值的最大幅度，将原始微地震数据按70％和30％的比例划分为训练数据集与测试数据集。
Step2：微地震有效信号序列标记
采用汉宁窗对训练数据库中每一道波形数据的有效信号进行序列标记，获取相应的标签序列。
为了减少频谱泄漏，针对训练数据库中归一化处理后的微地震数据，手动拾取P波初至，将微地震波形的整个P波有效信号所在波形序列标记为汉宁窗，其余位置标记为零，以此获取有效信号的标签序列，得到期望输出信号，如图2所示，公式表示为：
xL＝δ(tP)*H(n)
式中，xL为微地震有效信号的序列标记输出，δ(tp)为P波初至所在的单位脉冲函数，tP为纵波初至，H为汉宁窗，cos为余弦函数，N为窗函数的长度，由有效事件拾取的期望分辨率确定；
Step3：NARX模型建立
建立具有Series-Parallel反馈结构特征的NARX动态神经网络模型，设置时延系数(输入延迟与反馈延迟)、神经元个数以及时延系数等参数，初始化NARX动态神经网络模型的隐含层与每层的神经元：
y(t)＝h(xt-2,xt-1,xt,yt-2,yt-1)
式中，y(t)为当前时刻输出序列，yt-2,yt-1为输出延时序列，xt为当前时刻输入序列，xt-2,xt-1为输入延时序列，h为非线性模糊函数：
式中，e为自然常数，τ为函数自变量。
如图3所示，为NARX动态神经网络结构，如图4所示，为训练过程中采用的具有Series-Parallel反馈结构特征的NARX动态神经模型。
Step4：NARX模型训练
将训练数据库中振幅归一化预处理后的微地震数据和相应的有效信号序列标记结果分别作为已建立的NARX动态神经网络模型的输入与目标输出，计算隐含层与输出层的输出，通过Levenberg-Marquardt优化算法调整连接权重，并以均方误差作为误差定量标准，直到预测输出与目标输出的误差达到预设的误差预测精度，模型停止训练，使其充分学习微地震有效信号的波形特征。图5为NARX模型训练过程的损失函数值变化曲线。
Levenberg-Marquardt训练算法的连接权重的修正速率ω由下式给出：
ω(n)＝ω(n-1)-(JTJ+μI)-1JTe
其中，e为神经网络的误差向量，μ为学习率，J是神经网络的误差性能函数对网络连接权重的一阶导数的雅可比矩阵，n为迭代次数。
Step5：提取特征曲线
将训练好的NARX动态神经网络模型由Series-Parallel反馈结构转换为Parallel反馈结构，如图6所示。将测试数据库中振幅归一化处理后的微地震监测数据输入训练好的NARX动态神经网络，输出原始微地震信号的特征曲线。
Step6：有效事件拾取
设置期望阈值，根据NARX动态神经网络模型输出测试微地震信号的特征曲线，系统自动判断该微地震记录中是否存在有效信号，输出有效信号的起跳点。
为了验证本发明提供的基于NARX动态神经网络的微地震有效事件自动拾取方法具有良好的拾取效果，分别对模拟与实测微地震数据进行试算。
一、模拟微地震数据实施案例
(1)读入微地震模拟波场记录(SimulatedWave.segy)，其信噪比为-5dB，对原始数据进行归一化预处理，建立训练和测试数据库。
(2)设定NARX动态神经网络模型参数：隐含层个数为2、神经元个数为10、时延系数(输入延迟与反馈延迟)为2。
(3)建立NARX动态神经网络模型，采用Levenberg-Marquardt优化算法进行训练。
(4)将训练好的NARX动态神经网络模型由Series-Parallel反馈结构转换为Parallel反馈结构，获取每道原始数据对应的特征曲线。
(5)设置期望阈值为0.7，根据NARX动态神经网络模型输出的测试微地震信号特征曲线，输出有效信号自动拾取结果。
如图7所示，图7(a)为包含强背景噪声的模拟微地震原始数据单道波形记录，其信噪比为-5dB，已经过振幅归一化预处理。图7(b)为采用NARX动态神经网络模型输出的特征曲线，可知，该特征曲线的起跳与原始信号起跳点保持一致。图7(c)为采用NARX动态神经网络模型输出的微地震有效事件自动拾取结果，图中竖线为有效信号初至起跳点。图8为采用本发明提出的NARX动态神经网络模型拾取的模拟微地震阵列信号的初至结果。从模拟微地震数据有效事件的拾取结果可以看出，本发明提供的微地震有效事件拾取方法可以较理想的拾取出含强背景噪声的微地震数据的有效事件，初至拾取误差在合理范围内，说明本方法的有效事件拾取精度较高。
二、实测微地震数据实施案例
(1)读入微地震实测波场记录(OriginalWave.segy)，对原始数据进行归一化预处理，建立训练和测试数据库。
(2)设定NARX动态神经网络模型：隐含层个数为2、神经元个数为10、时延系数(输入延迟与反馈延迟)为2。
(3)建立NARX动态神经网络模型，采用Levenberg-Marquardt优化算法进行训练。
(4)将训练好的NARX动态神经网络模型由Series-Parallel反馈结构转换为Parallel反馈结构，获取每道原始数据对应的特征曲线。
(5)设置期望阈值为0.5，根据NARX动态神经网络模型输出的测试微地震信号特征曲线，输出有效信号自动拾取结果。
图9(a)为实测微地震原始数据单道波形记录，已经过振幅归一化预处理。图9(b)为采用NARX动态神经网络模型输出的特征曲线，可知，该特征曲线的起跳与原始信号起跳点保持一致。图9(c)为采用NARX动态神经网络模型输出的微地震有效事件自动拾取结果，图中竖线为有效信号初至起跳点。图10为采用本发明提出的NARX动态神经网络模型拾取的实测微地震阵列信号的初至结果。从实测微地震数据有效事件的拾取结果可以看出，本发明提供的微地震有效事件拾取方法可以较理想的拾取出含有强背景噪声的微地震数据的有效事件，初至拾取误差在合理范围内，说明本方法的有效事件拾取精度较高。
可见，本发明提供的NARX动态神经网络微地震有效事件拾取方法，将适用于瞬态时间序列预测的、学习效率较高的、具有很强的非线性拟合能力和自适应性的NARX动态神经网络与微地震有效事件自动拾取相结合，通过建立具有Series-Parallel反馈结构的NARX动态神经网络模型和Levenberg-Marquardt优化算法对模型进行训练，使得该模型能够充分学习到微地震有效信号在时域分布的特征，从而在计算资源和样本数据库有限的情况下，获取高效率、高精度的微地震有效事件自动拾取结果、降低人机交互成本、减少人工拾取引入的误差，为震源定位和反演提供准确的初至拾取结果。
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变形或修改，这并不影响本发明的实质内容。
Claims (8)
1.一种基于NARX动态神经网络的微地震有效事件自动拾取方法，其特征在于，包括如下步骤：
Step1、预处理：整合不同信噪比与震源辐射特性的模拟与实测微地震监测数据，建立训练数据库与测试数据库；
Step2、微地震有效信号序列标记：采用汉宁窗对训练数据库中每一道波形数据的有效信号序列进行标记，获取相应的标签序列；
Step3、NARX模型建立：建立具有Series-Parallel反馈结构的NARX动态神经网络训练模型，设定隐含层个数、神经元个数以及时延系数参数，初始化NARX动态神经网络模型；
Step4、NARX模型训练：基于训练数据库和标签序列，采用Levenberg-Marquardt优化算法训练初始化的NARX动态神经网络模型；
Step5、提取特征曲线：基于Step4训练好的NARX动态神经网络模型提取测试数据库中微地震信号的特征曲线；
Step6、有效事件拾取：设置期望阈值，从Step5提取的特征曲线拾取是否存在有效事件，输出有效事件的初至。
2.根据权利要求1所示基于NARX动态神经网络的微地震有效事件自动拾取方法，其特征在于，所述Step1中，数据预处理包括：对训练数据库与测试数据库中的每一道微地震波形数据进行归一化处理，公式表示为：
式中，x为原始微地震数据，
为归一化之后的微地震数据，|x|max为原始微地震数据绝对值的最大幅度。
3.根据权利要求2所示基于NARX动态神经网络的微地震有效事件自动拾取方法，其特征在于，将原始微地震数据按70％和30％的比例划分为训练数据集与测试数据集。
4.根据权利要求1所示基于NARX动态神经网络的微地震有效事件自动拾取方法，其特征在于，所述Step2中，有效信号序列进行标记包括：针对训练数据库中归一化处理后的微地震数据，手动拾取P波初至，将微地震波形的整个P波有效信号所在波形序列标记为汉宁窗，其余位置标记为零，以此获取有效信号的标签序列，得到期望输出信号，公式表示为：
xL＝δ(tP)*H(n)
式中，xL为微地震有效信号的序列标记输出，δ(tp)为P波初至所在的单位脉冲函数，tp为纵波初至，H为汉宁窗，cos为余弦函数，N为窗函数的长度，由有效事件拾取的期望分辨率确定。
5.根据权利要求1所示基于NARX动态神经网络的微地震有效事件自动拾取方法，其特征在于，所述Step3中，建立的具有Series-Parallel反馈结构特征的NARX模型表示为：
y(t)＝h(xt-2,xt-1,xt,yt-2,yt-1)
式中，y(t)为当前时刻输出序列，yt-2,yt-1为输出延时序列，xt为当前时刻输入序列，xt-2,xt-1为输入延时序列，h为非线性模糊函数：
式中，e为自然常数，τ为函数自变量。
6.根据权利要求1所示基于NARX动态神经网络的微地震有效事件自动拾取方法，其特征在于，所述Step4中，NARX模型训练包括：将训练数据库中归一化预处理后的微地震数据和相应的有效信号序列标记结果分别作为已建立的NARX动态神经网络模型的输入与目标输出，计算隐含层与输出层的输出，通过Levenberg-Marquardt优化算法调整连接权重，并以均方误差作为误差定量标准，直到预测输出与目标输出的误差达到预设的误差预测精度，模型停止训练。
Levenberg-Marquardt训练算法的连接权重的修正速率ω由下式给出：
ω(n)＝ω(n-1)-(JTJ+μI)-1JTe
其中，e为神经网络的误差向量，μ为学习率，J是神经网络的误差性能函数对网络连接权重的一阶导数的雅可比矩阵，n为迭代次数。
7.根据权利要求1所示基于NARX动态神经网络的微地震有效事件自动拾取方法，其特征在于，所述Step5中，提取特征曲线包括：将训练好的NARX动态神经网络模型由Series-Parallel反馈结构转换为Parallel反馈结构，输入测试数据库中预处理后的微地震数据，输出测试微地震信号相对应的特征曲线。
8.根据权利要求1所示基于NARX动态神经网络的微地震有效事件自动拾取方法，其特征在于，所述Step6中，有效事件拾取包括：根据输入微地震信号信噪比设置期望阈值和NARX动态神经网络模型输出的测试微地震信号特征曲线，系统自动判断该微地震记录中是否存在有效信号，输出有效信号的起跳点。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110921120.5A CN113671564B (zh) | 2021-08-11 | 2021-08-11 | 基于narx动态神经网络的微地震有效事件自动拾取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110921120.5A CN113671564B (zh) | 2021-08-11 | 2021-08-11 | 基于narx动态神经网络的微地震有效事件自动拾取方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113671564A true CN113671564A (zh) | 2021-11-19 |
| CN113671564B CN113671564B (zh) | 2023-07-21 |
Family
ID=78542332
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110921120.5A Active CN113671564B (zh) | 2021-08-11 | 2021-08-11 | 基于narx动态神经网络的微地震有效事件自动拾取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113671564B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113947198A (zh) * | 2021-12-21 | 2022-01-18 | 西南石油大学 | 一种基于非线性自回归神经网络模型的测井曲线重构方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108805269A (zh) * | 2018-06-28 | 2018-11-13 | 杭州叙简科技股份有限公司 | 一种基于lstm循环神经网络拾取震相到时的方法 |
| CN110018517A (zh) * | 2019-05-07 | 2019-07-16 | 西安石油大学 | 一种多尺度地面微地震逆时干涉定位方法 |
| CN110618451A (zh) * | 2019-09-17 | 2019-12-27 | 太原理工大学 | 一种基于narx神经网络检测地震勘探弱信号的方法 |
| US20200116882A1 (en) * | 2018-10-16 | 2020-04-16 | China University Of Mining And Technology, Beijing | Method for automatically locating microseismic events based on deep belief neural network and coherence scanning |
| 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 |
| CN111505705A (zh) * | 2020-01-19 | 2020-08-07 | 长江大学 | 基于胶囊神经网络的微地震p波初至拾取方法及系统 |
| CN111695413A (zh) * | 2020-04-28 | 2020-09-22 | 长江大学 | 联合U-Net和Temporal Ensembling的信号初至拾取方法及装置 |
| WO2021027026A1 (zh) * | 2019-08-15 | 2021-02-18 | 东北大学 | 基于机器学习的地震波震动性质识别方法 |
| US20210117737A1 (en) * | 2019-10-18 | 2021-04-22 | Korea University Research And Business Foundation | Earthquake event classification method using attention-based convolutional neural network, recording medium and device for performing the method |
-
2021
- 2021-08-11 CN CN202110921120.5A patent/CN113671564B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108805269A (zh) * | 2018-06-28 | 2018-11-13 | 杭州叙简科技股份有限公司 | 一种基于lstm循环神经网络拾取震相到时的方法 |
| US20200116882A1 (en) * | 2018-10-16 | 2020-04-16 | China University Of Mining And Technology, Beijing | Method for automatically locating microseismic events based on deep belief neural network and coherence scanning |
| CN110018517A (zh) * | 2019-05-07 | 2019-07-16 | 西安石油大学 | 一种多尺度地面微地震逆时干涉定位方法 |
| WO2021027026A1 (zh) * | 2019-08-15 | 2021-02-18 | 东北大学 | 基于机器学习的地震波震动性质识别方法 |
| CN110618451A (zh) * | 2019-09-17 | 2019-12-27 | 太原理工大学 | 一种基于narx神经网络检测地震勘探弱信号的方法 |
| US20210117737A1 (en) * | 2019-10-18 | 2021-04-22 | Korea University Research And Business Foundation | Earthquake event classification method using attention-based convolutional neural network, recording medium and device for performing the method |
| 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 |
| CN111505705A (zh) * | 2020-01-19 | 2020-08-07 | 长江大学 | 基于胶囊神经网络的微地震p波初至拾取方法及系统 |
| CN111695413A (zh) * | 2020-04-28 | 2020-09-22 | 长江大学 | 联合U-Net和Temporal Ensembling的信号初至拾取方法及装置 |
Non-Patent Citations (5)
| Title |
|---|
| ABDULLAH AL JAMI等: "《NARX neural network approach for the monthly prediction of groundwater levels in Sylhet Sadar, Bangladesh》", vol. 8, no. 02, pages 118 - 126 * |
| Z.E.ROSS等: "《利用深度学习进行P波到时拾取和初动极性判定》", vol. 51, no. 02, pages 132 - 143 * |
| 徐克彬等: "《基于L-M算法的微地震定位方法》", vol. 53, no. 04, pages 765 - 769 * |
| 曹晓莉等: "《综合动量法和可变学习速度的BP神经网络地震初至拾取》", vol. 55, no. 01, pages 71 - 79 * |
| 李辉峰等: "《基于边缘检测的初至波自动拾取方法》", vol. 41, no. 2, pages 150 - 155 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113947198A (zh) * | 2021-12-21 | 2022-01-18 | 西南石油大学 | 一种基于非线性自回归神经网络模型的测井曲线重构方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113671564B (zh) | 2023-07-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109828304B (zh) | 一种基于深度学习的利用地震数据预测岩性序列模型的方法 | |
| CN108805269B (zh) | 一种基于lstm循环神经网络拾取震相到时的方法 | |
| CN111723329B (zh) | 一种基于全卷积神经网络的震相特征识别波形反演方法 | |
| CN108875122B (zh) | 利用随钻测井数据计算地质参数的人工智能方法和系统 | |
| CN106405651B (zh) | 一种基于测井匹配的全波形反演初始速度模型构建方法 | |
| CN109000876B (zh) | 基于自动编码器深度学习的sns光纤冲击识别方法 | |
| CN113687433B (zh) | 一种基于Bi-LSTM的大地电磁信号去噪方法及系统 | |
| CN110516735B (zh) | 一种基于LSTM网络和Adam算法的天然气管道事件分类方法 | |
| CN108562811A (zh) | 基于双向长短期记忆的复杂电能质量扰动分析方法 | |
| CN109063687A (zh) | 一种基于深度卷积神经网络的微地震p波识别方法及系统 | |
| CN107678064B (zh) | 一种声波时差实时提取方法 | |
| CN106918836A (zh) | 基于主成分分析的钻孔应变数据异常提取方法 | |
| Li et al. | An improved AIC onset-time picking method based on regression convolutional neural network | |
| CN115327616B (zh) | 一种海量数据驱动的矿山微震震源自动定位方法 | |
| CN112364296A (zh) | 一种基于深度学习的p波到时自动拾取方法 | |
| CN117009916A (zh) | 基于多传感器信息融合与迁移学习的促动器故障诊断方法 | |
| CN116305850B (zh) | 一种基于随机森林模型的地层热导率预测方法 | |
| CN112989906A (zh) | 基于改进集成经验模态分解与XGBoost模型的光纤周界信号特征识别方法 | |
| CN113671564A (zh) | 基于narx动态神经网络的微地震有效事件自动拾取方法 | |
| CN113886992B (zh) | 一种基于多保真度数据的数字孪生建模方法 | |
| CN113156492B (zh) | 一种应用于tbm隧道岩爆灾害实时智能预警方法 | |
| CN114357887A (zh) | 一种基于bp神经网络的复杂井况钻前泥浆漏失预测方法 | |
| CN117214398A (zh) | 一种深层地下水体污染物检测方法及系统 | |
| CN114460666A (zh) | 基于深度学习的地震资料提高分辨率方法 | |
| CN111749675A (zh) | 一种基于级联模型算法的地层可钻性预测方法及系统 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |