CN113792685B - 一种基于多尺度卷积神经网络的微地震事件检测方法 - Google Patents

一种基于多尺度卷积神经网络的微地震事件检测方法 Download PDF

Info

Publication number
CN113792685B
CN113792685B CN202111095596.4A CN202111095596A CN113792685B CN 113792685 B CN113792685 B CN 113792685B CN 202111095596 A CN202111095596 A CN 202111095596A CN 113792685 B CN113792685 B CN 113792685B
Authority
CN
China
Prior art keywords
microseism
scale
model
data
neural 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
CN202111095596.4A
Other languages
English (en)
Other versions
CN113792685A (zh
Inventor
聂永丹
刘小秋
张岩
董宏丽
宋利伟
田枫
张志祥
宋思宇
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.)
Northeast Petroleum University
Original Assignee
Northeast Petroleum University
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 Northeast Petroleum University filed Critical Northeast Petroleum University
Priority to CN202111095596.4A priority Critical patent/CN113792685B/zh
Publication of CN113792685A publication Critical patent/CN113792685A/zh
Application granted granted Critical
Publication of CN113792685B publication Critical patent/CN113792685B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • 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
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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
    • 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
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/30—Assessment of water resources

Landscapes

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

Abstract

本发明涉及的是一种基于多尺度卷积神经网络的微地震事件检测方法，它包括：训练数据集预处理，用不同频率的雷克子波正演得到的微地震资料添加上不同强度的高斯白噪声作为样本，进行数据增强；设计神经网络模型：预处理后的微地震资料通过卷积神经网络，得到多个尺度上的特征图，在每个尺度上对特征图进行检测，然后把每个尺度上的检测结果输入C‑F模型进行多尺度不确定性的信任度合成得到最终检测结果；训练并保存训练模型：设置输入层的两个超参数，确定学习率和迭代次数；将测试集加入不同强度的高斯白噪声，进行模型测试，验证其检测效果和初至拾取精度。本发明解决了微地震事件传统识别耗时长、准确率低的问题，提高微地震事件检测效率。

Description

一种基于多尺度卷积神经网络的微地震事件检测方法
技术领域
本发明涉及的是计算机与地球科学技术的交叉领域，具体涉及的是一种基于多尺度卷积神经网络的微地震事件检测方法。
背景技术
近年来，微地震检测技术已经被应用于多个领域，如油气藏的动态检测、油田水力压裂监控以及油田生产中的流体驱动前沿追踪等。微地震事件识别作为微地震数据处理的基础，对后面的微地震事件的定位十分关键，微地震事件的识别精确度与油藏的发现有着密切的关系。此外微地震监测技术还能应用于山体滑坡、大型水库和桥梁的安全维护、隧道安全监测等。
目前微地震检测事件主要是借鉴传统地震勘探的检测方法有长短时窗比法(STA/LTA)、分形维法、自回归信息准则(AR-AIC)等。长短时窗比法以时窗内能量比值变化为判断依据，当时窗交界点处于微地震信号初至点时比值会明显增大。分形维法假定在微地震事件初至前后分形维数的变化表征着微地震数据时间序列的变化，分形维数突变的位置即是微地震事件的初至时刻。自回归信息准则假设微地震事件在传播过程中，地震波在自回归过程下分为两个局部统计阶段计算AIC函数值。事件到达前后是两种不同的稳态过程，利用噪声和微地震事件交界处两种信号拟合度差异，求得的AIC值最小时刻即为微地震初至到达时刻。
上述传统的微地震事件检测方法中，目前存在两方面较大的问题：一方面是算法往往含有一些特定的参数，这些参数值的选取不仅受专家先验知识的影响，还与对该地区地形、设备等因素相关。另一面微地震数据在压裂中产生数据巨大且微地震事件的发生时刻是不确定的，传统方法效率低下。需要研究从海量监测数据中自动识别有效微地震信号的算法，以提高数据处理效率。
针对海量数据的处理，深度学习中的一些算法框架额特性特别适合自动提取特征学习，从而实现自动识别。赵明等人用汶川地震余震事件建立数据集，应用深度学习卷积神经网络(CNN)方法进行训练，证明了CNN模型具有泛化能力，初步展示了CNN在发展兼具效率、精度、普适性算法，实时地震监测等应用上具有巨大潜力；丁建群等人选取U-Net模型作为深度学习的基础模型并以此改进，提升了深度学习在初至波识别中的算法稳定性，实际低信噪比数据拾取的精度与人工拾取效果相当，拾取效率能满足大规模运算需求，初步应用取得了较好效果。
发明内容
本发明的目的是提供一种基于多尺度卷积神经网络的微地震事件检测方法，这种基于多尺度卷积神经网络的微地震事件检测方法用于降低人工投入和先验知识对事件识别依赖的影响，提高传统微地震事件识别的精度与效率，解决传统的微地震事件检测方法对海量数据处理的精度低和泛化能力差的问题。
本发明解决其技术问题所采用的技术方案是：这种基于多尺度卷积神经网络的微地震事件检测方法包括如下步骤：
步骤一、训练数据集预处理：
数据集准备包括微地震资料的获取、滑动窗口大小和步长的设定、数据增强、数据集的归一化处理；用不同频率的雷克子波正演得到的微地震资料添加上不同强度的高斯白噪声作为样本，通过添加不同信噪比SNR的高斯白噪声来进行数据增强，通过数据增强的方法来提高数据集的覆盖程度，缩小训练集和测试集之间的差距，其中SNR定义如下：
式中：Psignal表示信号的平均能量；Pnoise表示噪声的平均能量；
步骤二、设计神经网络模型：
1)学习特征选取
采用雷克子波完整波形和雷克子波半波波形作为学习特征，利用神经网络的强大非线性映射能力找到学习特征与微地震事件的映射关系；
2)网络模型搭建
微地震资料通过卷积神经网络，得到多个尺度上的特征图，并在每个尺度上对特征图进行特征检测，然后把每个尺度上的检测结果输入C-F模型进行多尺度不确定性的信任度合成，得到最终检测结果；
搭建的多尺度卷积神经网络结构的输入层由A、C两个超参数决定，A的取值由采样频率和雷克子波主频和检波器采样周期决定，C决定训练一次输入的数据量；网络的隐含层由卷积层和全连接层组成，隐含层首先是6个卷积层做特征提取，加快网络对微地震事件和背景噪声的特征的学习，在减少卷积滤波器个数保证网络运算量；卷积滤波器感受野逐渐减小，每一个卷积层输出的特征图在经过BN层和ReLu层后送入下一个卷积层，同时用Flatten操作把多维特征图一维化后送入检测器，分类器由全连接组成，输入大小由该尺度上的特征图数量和大小决定；把每个尺度上的检测结果同时送入C-F模型进行最终的决策；
步骤三、训练并保存训练好的网络模型：
设置输入层的两个超参数，确定学习率和迭代次数；用步骤一混合高斯白噪声的微地震信号作为训练集输入步骤二中搭建的多尺度卷积神经网络模型中，模型反向传播调整网络参数，前向传递做检测，直到模型在验证集上的表现达到要求或则迭代次数达到设定次数后保存模型；若模型迭代次数达到设定值后在验证集上表现仍然达不到要求，则调整输入层的超参数、学习率和迭代次数并相应的改变数据集的长度来改善网络效果，直至模型性能达到要求保存好网络模型参数；
步骤四、性能验证：
将步骤一中用于测试模型性能的数据集加入不同强度的高斯白噪声，并用滑动窗口截取信号片段，其中长度和训练样本相同；最大误差为检波器采样周期和滑动步长之积，滑动步长越小微地震初至时间和实际时间的误差就越小；将处理好的测试样本输入到步骤三训练好的网络模型中，观察其检测效果和初至拾取精度。
上述方案中C-F模型进行最终的决策的方法；
经过神经子网得到的结果是介于0到1之间的概率值，分别表示在该尺度上检测判断该窗口包含有微地震事件的概率值；用结论不确定性的合成算法求出每个尺度对最终检测结果的影响：
if Ei then H(CF(H,Ei))，i＝1,2,3…n.
式中：Ei表示在尺度i上检测为微地震事件；H表示为微地震事件；CF(H,Ei)为可信度因子，反映前提条件Ei与结论H的联系强度，即在尺度i上检测为微地震事件时为微地震事件的可信度；
可信度因子通过验证集得到，神经网络输出概率值即为证据的不确定性CF(E)；C-F模型中的不确定性推理是从不确定的初始证据出发，通过运用相关的不确定性知识，最终推出结论并求出结论的可信度值；结论H的可信度由下式计算：
CF(H)＝CF(H,E)×MAX{0,CF(E)}
在本发明中分别对每一条证据的可信度，即求出在尺度i上检测为微地震事件的可信度，然后通过结论不确定性算法求出多个证据对最终结论的综合影响所形成的可信度，通过比较综合可信度来判断该窗口是否存在微地震事件；结论不确定性算法如下所示：
各个尺度上的检测结果为证据的不确定性CF(E)，可信度因子CF(H,E)为验证集的准确度，经过上述结论不确定性算法两两合成得到最终检测结果。
本发明具有以下有益效果：
1、本发明使用微地震正演数据训练和测试搭建的多尺度卷积神经网络，将待检测数据进行简单的预处理后直接输入到性能良好的模型中，解决了微地震事件传统识别耗时长、准确率低的问题，提高微地震事件检测的效率。
2、本发明把微地震资料分为微地震事件和背景噪声两类，建立多尺度卷积神经网络模型。因二维微地震信号在采集中检波器布置受限，故修改常见的二维网络为更加适应一维微地震资料的一维神经网络模型，利用神经网络强大的学习能力，避开了传统方法中的两大缺陷。
3、本发明设计了多尺度联合合判定的C-F模型，无论是对信噪比较低还是信噪比较高的微地震资料都能通过C-F模型做出一个较好的决策，得到较好的识别效果。在资料信噪比较高的时候，微地震事件特征较明显通过浅层特征就能够很好的做出识别，反之通过深层特征识别效果较好；通过C-F模型来综合判定该窗口是否存在微地震事件，理论依据丰富，直观、简单、并且效果好。
4、本发明考虑微地震事件的多样性，提出基于多尺度卷积神经网络的微地震事件检测模型。使用微地震正演数据训练和测试搭建的多尺度卷积神经网络，将待检测数据进行简单的预处理后直接输入到性能良好的模型中。构建的模型更适合微地震数据的处理，用滑动窗口大小和步长来确定样本输入长度，选取雷克子波作为学习特征，利用卷积神经网络去学习微地震事件的特征从而实现微地震事件的检测，避免了人工设定阈值的缺陷且对资料之间的相关性无要求。结合多个尺度上的特征图在多个尺度上对微地震事件做检测，每个尺度上的检测结果通过C-F模型进行多尺度不确定性的信任度合成，得到综合考量了微地震资料复杂程度和微地震事件波形特征的最终检测结果。
5、本发明为微地震事件拾取提供了一种可行的解决方案，降低人工投入和先验知识对事件识别依赖的影响，为后续的精确定位打下了基础，为更好地进行微地震资料的后续分析提供保障。
附图说明
图1是本发明的流程图；
图2是本发明基于多尺度卷积神经网络模型的结构图；
图3是实施例一中的部分样本展示；
图4是实施例一中任选一次激发震源检波器接收的数据样本；
图5是实施例一中任选一次激发震源检波器接收的数据加入随机噪声后的样本；
图6是实施例二中任选一次激发震源检波器接收的数据样本；
图7是实施例二中任选一次激发震源检波器接收的数据加入随机噪声后的样本；
图8是实施例一中本方法自动识别结果；
图9是实施例二中本方法自动识别结果。
具体实施方式
下面结合附图对本发明做进一步的说明：
这种多尺度卷积神经网络的微地震事件检测方法包括以下步骤：
步骤1：训练数据集预处理：
数据集准备包括微地震资料的获取、滑动窗口大小和步长的设定、数据增强、数据集的归一化处理。用不同频率的雷克子波正演得到的微地震资料添加上不同强度的高斯白噪声作为样本。为解决深度学习过程过拟合的问题除了对模型的改进外，通过数据增强的方法来提高数据集的覆盖程度，进而缩小训练集和测试集之间的差距。通过添加不同信噪比(SNR)的高斯白噪声来进行数据增强，其中SNR定义如下：
式中：Psignal表示信号的平均能量；Pnoise表示噪声的平均能量。
步骤2：设计神经网络模型
1)学习特征选取
基于多尺度卷积神经网络的微地震事件识别就是以微地震事件为检测目标，以标签特征为约束不断迭代的过程。本发明采用雷克子波完整波形和雷克子波半波波形作为学习特征，利用神经网络的强大非线性映射能力找到学习特征与微地震事件的映射关系。避免了用某个时刻的特征表示微地震事件从而把数据包含的频谱信息排除开来。
2)网络模型搭建
微地震资料通过卷积神经网络，得到多个尺度上的特征图，并在每个尺度上对特征图进行特征检测，然后把每个尺度上的检测结果输入C-F模型进行多尺度不确定性的信任度合成得到最终检测结果。
搭建的多尺度卷积神经网络结构如图2所示。模型的输入层由A、C两个超参数决定。A的取值由采样频率和雷克子波主频和检波器采样周期决定。A的大小决定了神经网络输入层神经元数目，A太小无法包含学习特征，A过大噪声数据占比过大。C决定训练一次输入的数据量。网络的隐含层由卷积层和全连接层组成，隐含层首先是6个卷积层做特征提取，加快网络对微地震事件和背景噪声的特征的学习，在减少卷积滤波器个数保证网络运算量。卷积滤波器感受野逐渐减小，在保证浅层特征能被提取的同时，减少了运算量。每一个卷积层输出的特征图在经过BN层和ReLu层后送入下一个卷积层，同时用Flatten操作把多维特征图一维化后送入检测器，分类器由全连接组成，输入大小由该尺度上的特征图数量和大小决定。把每个尺度上的检测结果同时送入C-F模型进行最终的决策。
C-F模型是基于可信度表示的不确定性推理的基本方法。经过神经子网得到的结果是介于0到1之间的概率值，分别表示在该尺度上检测判断该窗口包含有微地震事件的概率值。用结论不确定性的合成算法求出每个尺度对最终检测结果的影响：
if Ei then H(CF(H,Ei))，i＝1,2,3…n.
式中：Ei表示在尺度i上检测为微地震事件；H表示为微地震事件；CF(H,Ei)为可信度因子，反映前提条件Ei与结论H的联系强度，即在尺度i上检测为微地震事件时为微地震事件的可信度。
本发明的可信度因子通过验证集得到，神经网络输出概率值即为证据的不确定性CF(E)。C-F模型中的不确定性推理是从不确定的初始证据出发，通过运用相关的不确定性知识，最终推出结论并求出结论的可信度值。结论H的可信度由下式计算：
CF(H)＝CF(H,E)×MAX{0,CF(E)}
在本发明中分别对每一条证据的可信度，即求出在尺度i上检测为微地震事件的可信度，然后通过结论不确定性算法求出多个证据对最终结论的综合影响所形成的可信度，通过比较综合可信度来判断该窗口是否存在微地震事件。结论不确定性算法如下所示：
各个尺度上的检测结果即为证据的不确定性CF(E)，可信度因子CF(H,E)为验证集的准确度，经过上述结论不确定性算法两两合成得到最终检测结果。
步骤3：训练并保存训练模型
设置输入层的两个超参数，确定学习率和迭代次数。用混合高斯白噪声的微地震信号作为训练样本输入步骤2中搭建的多尺度卷积神经网络模型中，模型反向传播调整网络参数，前向传递做检测，直到模型在验证集上的表现达到要求或则迭代次数达到设定次数后保存模型。若模型迭代次数达到设定值后在验证集上表现仍然达不到要求，则调整输入层的超参数、学习率和迭代次数并相应的改变数据集的长度来改善网络效果，直至模型性能达到要求保存好网络模型参数。
步骤4：性能验证
将步骤1中用于测试模型性能的数据集加入不同强度的高斯白噪声，并用滑动窗口截取信号片段，其中长度和训练样本相同。理论上最大误差为检波器采样周期和滑动步长之积，滑动步长越小微地震初至时间和实际时间的误差就越小。将处理好的测试样本输入到步骤3训练好的网络模型中，观察其检测效果和初至拾取精度。
实施1：
参照图1、图2，这种多尺度卷积神经网络的微地震事件检测方法包括以下步骤：
步骤1：训练数据集预处理：
用正演模型得到数据来训练和验证模型，地震正演模型尺寸为400*400米，在(200m，200m)处激发雷克子波，采用2阶有限差分法进行波长数值模拟，在(150m,1m)、(150m,60m)、(150m,110m)、(150m,160m)、(150m,200m)处放置检波器。人工地震激发的地震波，频率范围一般在2-90Hz的范围内，为了模拟真实的情况，在微地震波数值模拟当中，震源子波的主频一般在6-50Hz范围内。该正演实验中分别将主频设置为35Hz、40Hz、45Hz、，波场速度场设为匀速2100m/s、2200m/s、2300m/s、2400m/s、2500m/s。检波器采样频率设置为65Hz。激发震源，把收集的1000条微地震记录分别加入信噪比为1～20DB的高斯白噪声，得到20000条微地震记录，然后对数据进行归一化处理到0到1的范围内，其中16000条记录用于训练模型，4000条记录用于测试模型性能。用滑动窗口对这16000条微地震记录进行分段并给标签，其中包含微地震事件的数据段给标签1，不包含微地震事件的数据段给标签0。滑动窗口长度设置为100个采样点，步长设置为10个采样点。在检波器接收微地震波形的时候，大部分都是背景噪声，有效波形只有一小部分，故得到的数据段标签为1的量远少于标签为0的量。随机去掉部分负样本使得正、负样本数量一致，避免样本不均衡引发训练结果不理想。部分样本参照图3。
步骤2：设计神经网络模型
1)学习特征选取
实际中的地震子波与地层岩石性质等性质有关，是一个很复杂的问题，目前普遍认为雷克子波数学模型最具有代表性，故本发明在训练时选取深度学习样本标签时考虑雷克子波作为学习特征。
2)网络模型搭建
针对微地震事件检测的问题，设计了一个多尺度卷积神经网络模型。其中，第一层输入具有一个通道，隐含层是交替的卷积层、批标准化(BN)层和修正线性单元(ReLu)层，卷积的特征图像经过归一化和激活函数后再进行下一次的卷积操作，6个卷积层做特征提取，步长为1，第一个卷积层到第六个卷积层的卷积滤波器个数分别设置为32、64、128、284、128、64，卷积滤波器大小分别设置为1×6、1×5、1×4、1×3、1×2、1×1。每一个卷积层输出的特征图在经过BN层和ReLu层后送入下一个卷积层同时经过展平送入检测器，在该尺度上进行检测，检测器为三个全连接层。
经过神经网络得到的结果是介于0到1之间的概率值，分别表示在该尺度上检测判断该窗口包含有微地震事件的概率值，即为证据的不确定性CF(E)。用结论不确定性的合成算法来求出每个尺度上的特征图的综合影响所判断得到的结果。可信度因子数值初始化都设置为1，通过验证集后设置为准确度。分别对每一条证据求出可信度，然后通过结论不确定性算法求出两个证据对最终结论的综合影响所形成的可信度，通过比较综合可信度来判断该窗口是否存在微地震事件。
步骤3：训练并保存模型
使用步骤2中所得到的网络模型，由步骤1中用于训练的16000个样本输入网络，其中70％用于训练网络，30％用于验证网络。模型前向传递计算出预测结果后，利用交叉熵损失函数对于每个参数的梯度进行修正，从而得到误差范围内的模型。批量大小设为200、迭代次数设置为1000。刚开始训练时由于参数比较随机，使用较大的学习率可使loss下降更快，这里将初始学习率设为0.01，当网络性能不再提升时，降低学习率，将调整好的网络参数保存。
步骤4：性能验证
将步骤1中用于测试模型性能的数据集加入不同强度的高斯白噪声，并用滑动窗口截取信号片段，其中长度和训练样本相同。理论上最大误差为检波器采样周期和滑动步长之积，滑动步长越小微地震初至时间和实际时间的误差就越小。从初至精确到达和计算机运算速度的角度考量本发明滑动步长设置为10个采样点，理论上初至最大误差为0.2ms。将处理好的测试样本输入到步骤3优化训练好的网络模型中，观察其检测效果和初至拾取精度。
实施例2：
首先对训练数据进行预处理，将得到的原始微地震资料进行数据增强、归一化处理、截取并设计标签。接着设计基于多尺度卷积神经网络的结构，隐含层首先是6个卷积层做特征提取。卷积层的卷积滤波器个数分别设置为32、64、128、256、128、64，卷积滤波器大小分别设置为1×6、1×5、1×4、1×3、1×2、1×1。每一个卷积层输出的特征图在经过BN层和ReLu层后送入下一个卷积层同时经过打平送入检测器，在该尺度上进行检测，首先把各个尺度上的特征图打平，最后经过多个全连接层得到检测结果。然后把各个尺度上的结果送入C-F模型决策。接着将上述步骤中得到的训练数据、标签等传入网络，利用交叉熵计算误差并反向传播来更新网络参数，直至满足收敛条件得到训练好的联合学习网络模型；最后将处理好的测试集，输入到调整好参数的卷积神经网络模型中，测试网络模型性能。
整体的实施过程如下：
1训练数据集预处理
1.1微地震数据读取
通过微地震的正演得到微地震资料的二进制文件，用函数dataRead(fileName,M,N)读取，其中fileName为要读取的文件的名字，M、N分别表示读取数据的列、行。读取数据后将数据保存为mat文件。
1.2微地震数据分割处理
首先将mat文件读取到内存中，建立并初始化一个二维矩阵用于保存训练样本，大小为(2000，100)，通过人工观察设置循环来截取包含微地震事件部分波形、完整波形的数据段，并将数据段添加到二维数组中，样本总量为2000。
1.3随机噪声仿真，得到仿真含噪声样本数据。
2网络模型搭建：
本发明的网络结构中主要包括卷积层和ReLu层，Relu层函数定义：将前卷积层的输出结果输入到Relu激活函数，调用函数以执行非线性映射。
卷积层是为了提取微地震事件的特征具有相同的网络结构，网络模型如下：网络模型继承于nn.Sequential。
然后在每个卷积层后面添加一个全连接层，把每个卷积层后的特征图用Flatten函数展平，送入全连接层进行分类，全连接层有相同的网络结构继承于nn.Sequential。
3训练并保存预训练模型：
实施过程中首先是将含正样本和负样本的微地震资料输入网络，经过网络模型前向传递，然后对每个卷积层的数据进行打平操作。送入全连接层。在6个尺度上检测得到的结果为CF(E)，C-F模型中CF(H,Ei)初始化为1，在完成验证后，设置成该尺度下检测结果和最终结果的相似度。
4测试网络模型性能
通过调用torch.load函数来获得保存的网络模型参数。本发明调用方式为：将测试集输入到网络模型中，前向传递经过各个尺度后进入C-F模型得到最终的识别结果并保存。由微地震正演模型计算出微地震初至时间并与检测结果比较。比较结果如下表3所示，最小误差为0.0209s，最大误差为0.0307s，平均误差为0.185s。
表1 拾取精度
实施效果：
图5、图7分别为包含高斯噪声的微地震数据,其SNR为20DB、10DB。
图8、图9分别给出本发明识别效果，正确识别率在98％以上，证明了本方法的有效性。
本发明使用微地震正演数据训练和测试搭建的多尺度卷积神经网络，将待检测数据进行简单的预处理后直接输入到性能良好的模型中，解决了在海量数据中微地震事件传统识别耗时长、准确率低的问题，提高微地震事件检测的效率。

Claims (2)

1.一种基于多尺度卷积神经网络的微地震事件检测方法，其特征在于包括如下步骤：
步骤一、训练数据集预处理：
数据集准备包括微地震资料的获取、滑动窗口大小和步长的设定、数据增强、数据集的归一化处理；用不同频率的雷克子波正演得到的微地震资料添加上不同强度的高斯白噪声作为样本，通过添加不同信噪比SNR的高斯白噪声来进行数据增强，通过数据增强的方法来提高数据集的覆盖程度，缩小训练集和测试集之间的差距，其中SNR定义如下：
式中：Psignal表示信号的平均能量；Pnoise表示噪声的平均能量；
步骤二、设计神经网络模型：
1)学习特征选取
采用雷克子波完整波形和雷克子波半波波形作为学习特征，利用神经网络的强大非线性映射能力找到学习特征与微地震事件的映射关系；
2)网络模型搭建
微地震资料通过卷积神经网络，得到多个尺度上的特征图，并在每个尺度上对特征图进行特征检测，然后把每个尺度上的检测结果输入C-F模型进行多尺度不确定性的信任度合成，得到最终检测结果；
搭建的多尺度卷积神经网络结构的输入层由A、C两个超参数决定，A的取值由采样频率和雷克子波主频和检波器采样周期决定，C决定训练一次输入的数据量；网络的隐含层由卷积层和全连接层组成，隐含层首先是6个卷积层做特征提取，加快网络对微地震事件和背景噪声的特征的学习，在减少卷积滤波器个数保证网络运算量；卷积滤波器感受野逐渐减小，每一个卷积层输出的特征图在经过BN层和ReLu层后送入下一个卷积层，同时用Flatten操作把多维特征图一维化后送入检测器，分类器由全连接组成，输入大小由该尺度上的特征图数量和大小决定；把每个尺度上的检测结果同时送入C-F模型进行最终的决策；
步骤三、训练并保存训练好的网络模型：
设置输入层的两个超参数，确定学习率和迭代次数；用步骤一混合高斯白噪声的微地震信号作为训练集输入步骤二中搭建的多尺度卷积神经网络模型中，模型反向传播调整网络参数，前向传递做检测，直到模型在验证集上的表现达到要求或则迭代次数达到设定次数后保存模型；若模型迭代次数达到设定值后在验证集上表现仍然达不到要求，则调整输入层的超参数、学习率和迭代次数并相应的改变数据集的长度来改善网络效果，直至模型性能达到要求保存好网络模型参数；
步骤四、性能验证：
将步骤一中用于测试模型性能的数据集加入不同强度的高斯白噪声，并用滑动窗口截取信号片段，其中长度和训练样本相同；最大误差为检波器采样周期和滑动步长之积，滑动步长越小微地震初至时间和实际时间的误差就越小；将处理好的测试样本输入到步骤三训练好的网络模型中，观察其检测效果和初至拾取精度。
2.根据权利要求1所述的基于多尺度卷积神经网络的微地震事件检测方法，其特征在于：所述的C-F模型进行最终的决策的方法；
经过神经子网得到的结果是介于0到1之间的概率值，分别表示在该尺度上检测判断该窗口包含有微地震事件的概率值；用结论不确定性的合成算法求出每个尺度对最终检测结果的影响：
if Ei then H(CF(H,Ei))，i＝1,2,3…n.
式中：Ei表示在尺度i上检测为微地震事件；H表示为微地震事件；CF(H,Ei)为可信度因子，反映前提条件Ei与结论H的联系强度，即在尺度i上检测为微地震事件时为微地震事件的可信度；
可信度因子通过验证集得到，神经网络输出概率值即为证据的不确定性CF(E)；C-F模型中的不确定性推理是从不确定的初始证据出发，通过运用相关的不确定性知识，最终推出结论并求出结论的可信度值；结论H的可信度由下式计算：
CF(H)＝CF(H,E)×MAX{0,CF(E)}
在本发明中分别对每一条证据的可信度，即求出在尺度i上检测为微地震事件的可信度，然后通过结论不确定性算法求出多个证据对最终结论的综合影响所形成的可信度，通过比较综合可信度来判断该窗口是否存在微地震事件；结论不确定性算法如下所示：
各个尺度上的检测结果为证据的不确定性CF(E)，可信度因子CF(H,E)为验证集的准确度，经过上述结论不确定性算法两两合成得到最终检测结果。
CN202111095596.4A 2021-09-17 2021-09-17 一种基于多尺度卷积神经网络的微地震事件检测方法 Active CN113792685B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111095596.4A CN113792685B (zh) 2021-09-17 2021-09-17 一种基于多尺度卷积神经网络的微地震事件检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111095596.4A CN113792685B (zh) 2021-09-17 2021-09-17 一种基于多尺度卷积神经网络的微地震事件检测方法

Publications (2)

Publication Number Publication Date
CN113792685A CN113792685A (zh) 2021-12-14
CN113792685B true CN113792685B (zh) 2024-03-12

Family

ID=78878925

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111095596.4A Active CN113792685B (zh) 2021-09-17 2021-09-17 一种基于多尺度卷积神经网络的微地震事件检测方法

Country Status (1)

Country Link
CN (1) CN113792685B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115421188B (zh) * 2022-08-23 2024-02-20 宿州学院 基于人工智能的微地震事件实时识别系统及方法
CN116205522B (zh) * 2023-01-31 2023-10-20 中国测绘科学研究院 一种多维cnn耦合的滑坡易发性评价方法及系统
CN116626753B (zh) * 2023-07-25 2023-10-13 东北石油大学三亚海洋油气研究院 一种基于多模态神经网络的微地震事件识别方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018214195A1 (zh) * 2017-05-25 2018-11-29 中国矿业大学 一种基于卷积神经网络的遥感图像桥梁检测方法
CN109858458A (zh) * 2019-02-19 2019-06-07 武汉科技大学 一种基于eemd近似熵的矿山微震信号智能识别方法
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
CN111368710A (zh) * 2020-02-27 2020-07-03 东北石油大学 一种联合深度学习的地震数据随机噪声压制方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108932480B (zh) * 2018-06-08 2022-03-15 电子科技大学 基于1d-cnn的分布式光纤传感信号特征学习与分类方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018214195A1 (zh) * 2017-05-25 2018-11-29 中国矿业大学 一种基于卷积神经网络的遥感图像桥梁检测方法
CN109858458A (zh) * 2019-02-19 2019-06-07 武汉科技大学 一种基于eemd近似熵的矿山微震信号智能识别方法
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
CN111368710A (zh) * 2020-02-27 2020-07-03 东北石油大学 一种联合深度学习的地震数据随机噪声压制方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于字典学习的地震数据随机噪声压制算法;聂永丹， 张岩， 唐国维;《数学的实践与认识》;20170531;全文 *

Also Published As

Publication number Publication date
CN113792685A (zh) 2021-12-14

Similar Documents

Publication Publication Date Title
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
Zhu et al. Intelligent logging lithological interpretation with convolution neural networks
US20200183032A1 (en) Training machine learning systems for seismic interpretation
CN108710777B (zh) 基于多卷积自编码神经网络的多元化探异常识别方法
CN111126471A (zh) 微地震事件检测方法及系统
CN114972384A (zh) 一种基于深度学习的隧道岩体智能快速区域分级方法
CN108897975A (zh) 基于深度信念网络的煤层气测井含气量预测方法
CN114595732B (zh) 基于深度聚类的雷达辐射源分选方法
Li et al. IncepTCN: A new deep temporal convolutional network combined with dictionary learning for strong cultural noise elimination of controlled-source electromagnetic data
CN104280771A (zh) 一种基于em算法的三维地震数据波形的半监督聚类方法
CN113792936A (zh) 一种随钻岩性智能识别方法、系统、设备和存储介质
CN113534240A (zh) 微地震事件检测与定位方法及系统
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
Li et al. Magnetotelluric noise suppression via convolutional neural network
CN113935240A (zh) 基于生成式对抗网络算法的人工地震波模拟方法
CN113076920A (zh) 一种基于非对称域对抗自适应模型的智能故障诊断方法
CN117054754A (zh) 一种基于目标检测模型的快速射电暴信号搜寻方法
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
Hong et al. A novel approach to the automatic classification of wireline log-predicted sedimentary microfacies based on object detection
CN116990865B (zh) 基于深度迁移学习的微地震事件检测方法及系统
CN111382799B (zh) 一种地震断层图像处理方法
CN116630814B (zh) 一种基于机器学习的建筑灾害快速定位评估方法
CN116405368B (zh) 一种高维不平衡数据条件下的网络故障诊断方法、系统
CN113359091B (zh) 基于深度学习的多核函数混叠雷达辐射源识别方法和系统
CN112926383B (zh) 一种基于水下激光图像的目标自动识别系统

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