CN114265113A - 微地震事件识别方法、装置和电子设备 - Google Patents
微地震事件识别方法、装置和电子设备 Download PDFInfo
- Publication number
- CN114265113A CN114265113A CN202111586846.4A CN202111586846A CN114265113A CN 114265113 A CN114265113 A CN 114265113A CN 202111586846 A CN202111586846 A CN 202111586846A CN 114265113 A CN114265113 A CN 114265113A
- Authority
- CN
- China
- Prior art keywords
- seismic
- micro
- event
- microseismic
- events
- 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
Images
Landscapes
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明提供了一种微地震事件识别方法、装置和电子设备,涉及地质勘探的技术领域,包括:获取多道微地震数据;对每道微地震数据进行地震信号识别,得到每道微地震数据中的地震信号;对所有地震信号进行真实性判断,得到每个地震信号的真实性判断结果;基于所有地震信号的真实性判断结果确定多道微地震数据对应的微地震事件集合。本发明方法是一种基于多道的信号特征对微地震事件进行自动识别的技术,因此能够有效地避免噪声干扰对事件识别结果的影响,在确保微地震事件拾取准确度的同时,又能提高事件识别效率,从而缓解了现有的微地震事件识别方法存在的效率低和经济费用高的技术问题。
Description
技术领域
本发明涉及地质勘探的技术领域,尤其是涉及一种微地震事件识别方法、装置和电子设备。
背景技术
微地震是一种用于监测地下油气储层、浅地表矿井以及地面环境和建筑等稳定性的技术,目前广泛应用于油气开发、矿井开采以及边坡安全监测等诸多领域。随着微地震技术的进步以及配套硬件设备的迭代更新,微地震监测数据也随之陡增。
在大量的微地震数据中,包含少量的震动信号(也称之为事件)。通常情况下,依靠人工浏览全部的数据寻找微地震事件所在的位置,但随着数据量的增加,人工查找存在效率低和经济费用高的问题。因此,准确的自动化识别微地震事件方法尤为重要。
发明内容
本发明的目的在于提供一种微地震事件识别方法、装置和电子设备,以缓解了现有的微地震事件识别方法存在的效率低和经济费用高的技术问题。
第一方面,本发明提供一种微地震事件识别方法,包括:获取多道微地震数据;对每道所述微地震数据进行地震信号识别,得到每道所述微地震数据中的地震信号;对所有所述地震信号进行真实性判断,得到每个所述地震信号的真实性判断结果;基于所有所述地震信号的真实性判断结果确定所述多道微地震数据对应的微地震事件集合。
在可选的实施方式中,对每道所述微地震数据进行地震信号识别,得到每道所述微地震数据中的地震信号,包括:利用目标算法对每道所述微地震数据进行处理,得到每道所述微地震数据中的地震信号;其中,所述目标算法包括以下任一种:长短时窗比算法,赤池信息准则AIC算法,神经网络法。
在可选的实施方式中,对所有所述地震信号进行真实性判断,得到每个所述地震信号的真实性判断结果,包括:判断目标地震信号是否满足预设约束条件;其中,所述目标地震信号表示所有所述地震信号中的任一个地震信号;所述预设约束条件包括:所述目标地震信号中包括横波和纵波,所述目标地震信号对应的频率范围处于预设频率范围内,同一时段从所述多道微地震数据中识别出地震信号的比例超过第一预设阈值;若满足,则确定所述目标地震信号为真实地震信号;若不满足,则确定所述目标地震信号为非真实地震信号。
在可选的实施方式中,基于所有所述地震信号的真实性判断结果确定所述多道微地震数据对应的微地震事件集合,包括:基于所有所述地震信号的真实性判断结果确定每个微地震事件的发生时段;基于每个所述微地震事件的发生时段和所述多道微地震数据确定所述微地震事件集合。
在可选的实施方式中,在基于所有所述地震信号的真实性判断结果确定所述多道微地震数据对应的微地震事件集合之后,所述方法还包括:为所述微地震事件集合中的每个微地震事件构建相应的协方差矩阵;计算每个所述协方差矩阵的特征值,得到每个所述微地震事件的特征值矩阵;基于每个所述微地震事件的特征值矩阵计算所述微地震事件集合中微地震事件之间的距离;基于所述微地震事件之间的距离构建所述微地震事件集合的距离矩阵;基于所述距离矩阵对所述微地震事件集合中的所有微地震事件进行分类。
在可选的实施方式中,基于所述距离矩阵对所述微地震事件集合中的所有微地震事件进行分类,包括:重复执行下述步骤,直至所述距离矩阵中的元素数量为4;将距离矩阵中非对角线上数值最小的元素dpq所对应的微地震事件Sp和微地震事件Sq合并为同一类别事件Spq;计算所述微地震事件集合中每个剩余微地震事件与所述同一类别事件Spq之间的目标距离;将所述距离矩阵中的第p行、第q行、第p列和第q列上的元素进行删除,得到简化后的距离矩阵;将所述目标距离插入所述简化后的距离矩阵,得到更新后的距离矩阵。
在可选的实施方式中,计算所述微地震事件集合中每个剩余微地震事件与所述同一类别事件Spq之间的目标距离,包括:利用算式dn,pq=min{dnp,dnq}计算所述微地震事件集合中每个剩余微地震事件与所述同一类别事件Spq之间的目标距离;其中,dn,pq表示剩余微地震事件Sn与同一类别事件Spq之间的距离,dnp表示所述剩余微地震事件Sn与微地震事件Sp之间的距离,dnq表示所述剩余微地震事件Sn与微地震事件Sq之间的距离。
第二方面,本发明提供一种微地震事件识别装置,包括:获取模块,用于获取多道微地震数据;识别模块,用于对每道所述微地震数据进行地震信号识别,得到每道所述微地震数据中的地震信号;判断模块,用于对所有所述地震信号进行真实性判断,得到每个所述地震信号的真实性判断结果;确定模块,用于基于所有所述地震信号的真实性判断结果确定所述多道微地震数据对应的微地震事件集合。
第三方面,本发明提供一种电子设备,包括存储器、处理器,所述存储器上存储有可在所述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前述实施方式中任一项所述的方法的步骤。
第四方面,本发明提供一种具有处理器可执行的非易失的程序代码的计算机可读介质,所述程序代码使所述处理器执行前述实施方式中任一项所述的方法。
本发明提供的微地震事件识别方法,包括:获取多道微地震数据;对每道微地震数据进行地震信号识别,得到每道微地震数据中的地震信号;对所有地震信号进行真实性判断,得到每个地震信号的真实性判断结果;基于所有地震信号的真实性判断结果确定多道微地震数据对应的微地震事件集合。本发明方法是一种基于多道的信号特征对微地震事件进行自动识别的技术,因此能够有效地避免噪声干扰对事件识别结果的影响,在确保微地震事件拾取准确度的同时,又能提高事件识别效率,从而缓解了现有的微地震事件识别方法存在的效率低和经济费用高的技术问题。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式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,下面描述中的附图是本发明的一些实施方式,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为本发明实施例提供的一种微地震事件识别方法的流程图;
图2为本发明实施例提供的一种利用长短时窗比识别地震信号的示意图;
图3为本发明实施例提供的一种微地震事件分类方法的流程图;
图4为本发明实施例提供的一种距离矩阵迭代的流程示意图;
图5为本发明实施例提供的一种微地震事件的聚类结果示意图;
图6为本发明实施例提供的一种微地震事件识别装置的功能模块图;
图7为本发明实施例提供的一种电子设备的示意图。
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,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
下面结合附图,对本发明的一些实施方式作详细说明。在不冲突的情况下,下述的实施例及实施例中的特征可以相互组合。
依靠人工查阅微地震数据并从中拾取微地震事件的方法存在耗时长,成本高的问题;现有的一些自动识别微地震事件的方法受噪声影响较大,高噪声背景下,微地震事件识别的准确度低,有鉴于此,本发明实施例提供了一种微地震事件识别方法,用以缓解上文中所提出的技术问题。
实施例一
图1为本发明实施例提供的一种微地震事件识别方法的流程图,如图1所示,该方法具体包括如下步骤:
步骤S102,获取多道微地震数据。
具体的,要对微地震事件进行识别,本发明实施例采用地震勘测装置所监测到的多道微地震数据作为数据源,且上述多道微地震数据应为同一时间段对同一监测区域进行勘测得到的。
步骤S104,对每道微地震数据进行地震信号识别,得到每道微地震数据中的地震信号。
在得到多道微地震数据之后,分别对每道微地震数据进行地震信号识别,可选的,对多道微地震数据进行并行处理,从而得到每道微地震数据中的地震信号,也即,得到地震信号识别结果。本发明实施例不对地震信号的识别方法进行具体的限定,用户可以根据实际需求进行选择。例如采用现有的能够从单道微地震数据中识别微地震事件的方法,并将该方法所确定的微地震事件作为本发明实施例中每道微地震数据中的地震信号。
步骤S106,对所有地震信号进行真实性判断,得到每个地震信号的真实性判断结果。
由于微地震事件的能量弱且持续时间短,所以很容易受到周围噪声影响或遮盖,如果仅根据单道微地震数据的地震信号识别结果作为微地震事件的识别依据,当该单道信号受噪声干扰时则十分容易误将噪声识别为微地震事件,导致微地震事件识别不准确的问题。
因此,本发明实施例在进行微地震事件识别时,分别对每道微地震数据进行地震信号识别,并将每道微地震数据的地震信号识别结果作为对地震信号进行真实性判断的依据,从而确定每个地震信号的真实性判断结果,其中,真实性判断结果包括以下其中一种:真实地震信号,非真实地震信号。
例如,假设目标时段中,只从第一道微地震数据中识别出了一个地震信号,但多道微地震数据中的其余道微地震数据在目标时段并没有检测到类似的地震信号,因此,可确定目标时段内第一道微地震数据受到了噪声干扰,导致了地震信号的误识别,此时可判定将该地震信号为非真实地震信号;但是,如果在目标时段内每道微地震数据中均识别出存在地震信号,且该地震信号符合微地震事件的特征,此时可判定将该地震信号为真实地震信号。
步骤S108,基于所有地震信号的真实性判断结果确定多道微地震数据对应的微地震事件集合。
在得到所有地震信号的真实性判断结果之后,真实地震信号的发生时段即表示该时段存在微地震事件,因此,综合上述多道微地震数据中所有地震信号真实性,即可确定出多道微地震数据中每个微地震事件的发生时段,进而确定出微地震事件集合,在本发明实施例中,每个微地震事件与其发生时段的多道微地震数据相对应。
本发明提供的微地震事件识别方法,包括:获取多道微地震数据;对每道微地震数据进行地震信号识别,得到每道微地震数据中的地震信号;对所有地震信号进行真实性判断,得到每个地震信号的真实性判断结果;基于所有地震信号的真实性判断结果确定多道微地震数据对应的微地震事件集合。本发明方法是一种基于多道的信号特征对微地震事件进行自动识别的技术,因此能够有效地避免噪声干扰对事件识别结果的影响,在确保微地震事件拾取准确度的同时,又能提高事件识别效率,从而缓解了现有的微地震事件识别方法存在的效率低和经济费用高的技术问题。
在一个可选的实施方式中,上述步骤S104,对每道微地震数据进行地震信号识别,得到每道微地震数据中的地震信号,具体包括如下内容:
利用目标算法对每道微地震数据进行处理,得到每道微地震数据中的地震信号;其中,目标算法包括以下任一种:长短时窗比算法,赤池信息准则AIC算法(Akaikeinformation criterion),神经网络法。
具体的,上文中所提供的目标算法均为本领域常用的用于自动拾取微地震事件的方法,此处不进行过多赘述,下面以长短时窗比算法为例,对识别微地震数据中地震信号的过程进行描述。
具体的,长短时窗比算法中,用STA(Short-Term Average,短时窗平均)和LTA(Long-Term Average,长时窗平均)之比来反映信号幅度、频率等特征的变化;当地震信号到达时,STA/LTA值会有一个突变,当其比值大于某一设定阈值R时,则判定为有效信号。R的计算公式为其中,X(i)表示短时窗内的i时刻的信号振幅,i=1,2,..,N,Y(j)表示长时窗内j时刻的信号振幅,(j=1,2,..,M),也即,M和N分别表示长、短时窗内的样本数(数据点数)。另外,在进行长短时窗比计算时,还可以将上述R的算式中的X(i)和Y(j)替换为|X(i)|和|Y(j)|,或者X(i)2和Y(j)2。
图2为本发明实施例提供的一种利用长短时窗比识别地震信号的示意图,如图2所示,图中包括长、短两种时窗,在A和B两种情况下计算长短时窗比时,由于长时窗和短时窗都处在噪声部分,所以两者计算的比值很小。在C情况下时,短时窗部分滑动到信号处,此时短时窗的平均值会迅速提高,从而长短时窗比值增大,此时如果比值超过给定的阈值R,则认为此处为信号。
在一个可选的实施方式中,上述步骤S106,对所有地震信号进行真实性判断,得到每个地震信号的真实性判断结果,具体包括如下步骤:
步骤S1061,判断目标地震信号是否满足预设约束条件。
其中,目标地震信号表示所有地震信号中的任一个地震信号;预设约束条件包括:目标地震信号中包括横波和纵波,目标地震信号对应的频率范围处于预设频率范围内,同一时段从多道微地震数据中识别出地震信号的比例超过第一预设阈值。
若满足,则执行下述步骤S1062;若不满足,则执行下述步骤S1063。
步骤S1062,确定目标地震信号为真实地震信号。
步骤S1063,确定目标地震信号为非真实地震信号。
在本发明实施例中,考虑到噪声干扰容易对地震信号的识别造成影响,因此,在确定微地震事件之前,首先对从每道微地震数据中识别出的地震信号进行真实性判断,其中,真实性判断结果包括以下其中一种:真实地震信号,非真实地震信号。
为确定目标地震信号是否为真实地震信号,本发明实施例提出了以下3个约束条件:1)目标地震信号中包括横波(S波)和纵波(P波);2)目标地震信号对应的频率范围处于预设频率范围内;3)同一时段从多道微地震数据中识别出地震信号的比例超过第一预设阈值。
也即,真实地震信号需同时满足以上三个约束条件,其中,约束条件1中P波和S波的识别可以利用机器学习算法或AI技术;约束条件2中的预设频率范围可以选择设置为5-50Hz,用户也可以根据实际情况进行适应性调整;约束条件3可以理解为是查看每一道微地震数据是否有类似的振幅增强信号,要求同一时段内识别出地震信号的道的数量占比超过第一预设阈值,例如,共获取10道微地震数据,且第一预设阈值为60%,目标时段内,其中的7道微地震数据识别出了地震信号,也即,识别占比达到70%,因此,满足第3个约束条件。以上三种约束条件的判断顺序可以根据实际需求进行设置,本发明实施例不对其进行具体限定。
在一个可选的实施方式中,上述步骤S108,基于所有地震信号的真实性判断结果确定多道微地震数据对应的微地震事件集合,具体包括如下步骤:
步骤S1081,基于所有地震信号的真实性判断结果确定每个微地震事件的发生时段。
步骤S1082,基于每个微地震事件的发生时段和多道微地震数据确定微地震事件集合。
具体的,为了确定出每个微地震事件,首先,统计所有地震信号的真实性判断结果,并从中筛选出真实地震信号,然后将真实地震信号的发生时段记录下来,也即,微地震事件的发生时段,接下来,根据每个微地震事件的发生时段,从上述步骤S102中获取到的多道微地震数据中提取相应时段的多道微地震数据,进而得到微地震事件集合。
微地震事件是由于岩体发生破裂或激活了地层中的天然裂隙而发生的微小的地震事件。在油气储层或矿山的生产中极易诱发微地震事件,但这些事件并非一直是新生裂缝而诱发的微地震事件。大量事实证明,已破裂的裂缝或已激活的天然裂缝仍会产生微地震事件,这些事件称之为重复微地震事件。
因此,如果将微地震事件进行分类,就能够将不同的裂缝产生的一系列事件进行区分,对不同裂缝诱发的微地震事件单独进行解释。不同类别的微地震事件独立解释能够获得更加准确的断裂结构,因此能够指导生产施工、进一步提高生产效率和避免产生较大地质灾害。
有鉴于此,在一个可选的实施方式中,在基于所有地震信号的真实性判断结果确定多道微地震数据对应的微地震事件集合之后,如图3所示,本方法还包括如下步骤:
步骤S201,为微地震事件集合中的每个微地震事件构建相应的协方差矩阵。
具体的,将完成所有时间段的微地震事件识别后所得到的微地震事件集合可记为S={S1,S2,…Sn,…SN},其中,Sn表示第n个微地震事件,N表示微地震事件集合中微地震事件的总数。已知每个微地震事件包括j道微地震数据,且每道微地震数据具有i个采样点,因此微地震事件Sn可表示为其他微地震事件表达式同理,其中,Ej表示第j道微地震数据,eij表示第j道微地震数据Ej上第i个采样点的振幅值。
在确定微地震事件Sn的表达式之后,即可为微地震事件Sn构建相应的协方差矩阵其中,任意a,b∈j有eta表示第a道微地震数据Ea上第t个采样点的振幅值,表示第a道微地震数据Ea的振幅平均值,etb表示第b道微地震数据Eb上第t个采样点的振幅值,表示第b道微地震数据Eb的振幅平均值,Cov(Ea,Eb)表示第a道微地震数据Ea和第b道微地震数据Eb的协方差。以此类推,即可构建出每个微地震事件的协方差矩阵。
步骤S202,计算每个协方差矩阵的特征值,得到每个微地震事件的特征值矩阵。
在得到协方差矩阵之后,本发明实施例选择进一步计算每个协方差矩阵的特征值矩阵,将微地震事件Sn的特征值矩阵表示为λn={λn1,λn2,…λnj},其中,λnj表示微地震事件Sn的特征值矩阵中的第j个元素。协方差矩阵的特征值矩阵计算方法为本领域常规算法,此处不再赘述。步骤S202之后,每个微地震事件对应一个特征值矩阵。
步骤S203,基于每个微地震事件的特征值矩阵计算微地震事件集合中微地震事件之间的距离。
为了将微地震事件进行分类,首先利用微地震事件的特征值矩阵计算微地震事件之间的距离,在本发明实施例中,利用算式微地震事件Sm和微地震事件Sn之间的距离。以此类推,利用上述距离算式,即可计算出微地震事件集合中微地震事件之间的距离。
步骤S204,基于微地震事件之间的距离构建微地震事件集合的距离矩阵。
在得到微地震事件之间的距离之后,利用上述所有距离即可构建出微地震事件集合的距离矩阵,表示为其中,基于上述距离矩阵中的元素含义可知,该距离矩阵为对称矩阵,且对角线上的d11=d22=...=dNN=0,因此,在对微地震事件进行聚类时只计算距离矩阵的上三角部分元素,或者下三角部分元素即可。
步骤S205,基于距离矩阵对微地震事件集合中的所有微地震事件进行分类。
距离相对较近的微地震事件即可视为一类,因此,在得到距离矩阵之后,即可根据距离矩阵对微地震事件集合中的所有微地震事件进行分类。
可选地,上述步骤S205,基于距离矩阵对微地震事件集合中的所有微地震事件进行分类,具体包括如下内容:
重复执行下述步骤S2051-步骤S2054,直至距离矩阵中的元素数量为4。
步骤S2051,将距离矩阵中非对角线上数值最小的元素dpq所对应的微地震事件Sp和微地震事件Sq合并为同一类别事件Spq。
本发明实施例采用最短距离法对距离矩阵进行聚类,以实现对微地震事件的分类。具体的,在得到微地震事件集合的距离矩阵之后,根据矩阵中表示事件之间距离的具体数值即可确定出非对角线上数值最小的元素dpq,其中,dpq表示距离矩阵中第p行第q列的元素,且表征微地震事件Sp和微地震事件Sq之间的距离。也即,将微地震事件Sp和微地震事件Sq视为同一类,合并后得到同一类别事件Spq,其中Spq={Sp,Sq}。
步骤S2052,计算微地震事件集合中每个剩余微地震事件与同一类别事件Spq之间的目标距离。
接下来,进一步计算每个剩余微地震事件与Spq之间的目标距离,可选地,计算微地震事件集合中每个剩余微地震事件与同一类别事件Spq之间的目标距离,具体包括:利用算式dn,pq=min{dnp,dnq}计算微地震事件集合中每个剩余微地震事件与同一类别事件Spq之间的目标距离;其中,dn,pq表示剩余微地震事件Sn与同一类别事件Spq之间的距离,dnp表示剩余微地震事件Sn与微地震事件Sp之间的距离,dnq表示剩余微地震事件Sn与微地震事件Sq之间的距离。
也就是说,假设微地震事件集合中原本包括5个微地震事件,且利用步骤S2051确定第1个微地震事件与第3个微地震事件为同一类别事件,并记为同一类别事件S13,那么步骤S2052中,需要分别计算第2个微地震事件与同一类别事件S13的目标距离,第4个微地震事件与同一类别事件S13的目标距离,第5个微地震事件与同一类别事件S13的目标距离。以第2个微地震事件与同一类别事件S13的目标距离为例,即需要计算出d2,13=min{d21,d23},其中,d21和d23均可在距离矩阵中查询到,确定出二者的最小值即可。
步骤S2053,将距离矩阵中的第p行、第q行、第p列和第q列上的元素进行删除,得到简化后的距离矩阵。
沿用上述举例,假设已经确定包括5个微地震事件的微地震事件集合中,第1个微地震事件与第3个微地震事件为同一类别事件,那么本步骤中,需要将距离矩阵中的第1,3行和第1,3列中的元素进行删除,从而得到简化后的距离矩阵。
步骤S2054,将目标距离插入简化后的距离矩阵,得到更新后的距离矩阵。
上述步骤S2052中已经计算出剩余微地震事件与合并后的同一类别事件的目标距离,因此,为了完成对所有微地震事件的聚类,需要将目标距离插入简化后的距离矩阵,进而得到更新后的距离矩阵,也就是说,若步骤S2051中的距离矩阵为5×5,那么经过步骤S2053的简化将得到3×3的矩阵,再通过步骤S2054的插入操作将得到4×4的矩阵。本发明实施例并不限定目标距离的插入方式,可插入到简化后的距离矩阵中的任一行或任一列,且每次插入目标距离时,同时在对角线处插入0元素。为了便于理解,图4为本发明实施例提供的一种距离矩阵迭代的流程示意图。
在重复执行上述步骤S2051-步骤S2054之后,即可逐步对所有微地震事件进行聚类,当更新后的距离矩阵中只有4个元素时,也即,距离矩阵中仅包括一个有效距离时,停止迭代。
图5为本发明实施例提供的一种微地震事件的聚类结果示意图,图5表示微地震事件集合中共有12个微地震事件,且根据聚类结果可知,微地震事件1,7,11属于同一类别事件,微地震事件4,8,9属于同一类别事件,微地震事件3,5,10属于同一类别事件。
综上所述,本发明实施例提供了微地震事件识别方法和分类方法,在进行微地震事件识别时,采用了基于多道的信号特征对微地震事件进行自动识别的技术,因此能够有效地避免噪声干扰对事件识别结果的影响,在确保微地震事件拾取准确度的同时,又能提高事件识别效率;进一步的,本发明实施例还提供了对微地震事件进行分类的方法,为指导生产施工、提高生产效率和避免产生地质灾害提供了解决方案。
实施例二
本发明实施例还提供了一种微地震事件识别装置,该微地震事件识别装置主要用于执行上述实施例一所提供的微地震事件识别方法,以下对本发明实施例提供的微地震事件识别装置做具体介绍。
图6是本发明实施例提供的一种微地震事件识别装置的功能模块图,如图6所示,该装置主要包括:获取模块10,识别模块20,判断模块30,确定模块40,其中:
获取模块10,用于获取多道微地震数据。
识别模块20,用于对每道微地震数据进行地震信号识别,得到每道微地震数据中的地震信号。
判断模块30,用于对所有地震信号进行真实性判断,得到每个地震信号的真实性判断结果。
确定模块40,用于基于所有地震信号的真实性判断结果确定多道微地震数据对应的微地震事件集合。
本发明提供的微地震事件识别装置,包括:获取模块10,用于获取多道微地震数据;识别模块20,用于对每道微地震数据进行地震信号识别,得到每道微地震数据中的地震信号;判断模块30,用于对所有地震信号进行真实性判断,得到每个地震信号的真实性判断结果;确定模块40,用于基于所有地震信号的真实性判断结果确定多道微地震数据对应的微地震事件集合。本发明装置应用了基于多道的信号特征对微地震事件进行自动识别的技术,因此能够有效地避免噪声干扰对事件识别结果的影响,在确保微地震事件拾取准确度的同时,又能提高事件识别效率,从而缓解了现有的微地震事件识别方法存在的效率低和经济费用高的技术问题。
可选地,识别模块20具体用于:
利用目标算法对每道微地震数据进行处理,得到每道微地震数据中的地震信号;其中,目标算法包括以下任一种:长短时窗比算法,赤池信息准则AIC算法,神经网络法。
可选地,判断模块30具体用于:
判断目标地震信号是否满足预设约束条件;其中,目标地震信号表示所有地震信号中的任一个地震信号;预设约束条件包括:目标地震信号中包括横波和纵波,目标地震信号对应的频率范围处于预设频率范围内,同一时段从多道微地震数据中识别出地震信号的比例超过第一预设阈值。
若满足,则确定目标地震信号为真实地震信号。
若不满足,则确定目标地震信号为非真实地震信号。
可选地,确定模块40具体用于:
基于所有地震信号的真实性判断结果确定每个微地震事件的发生时段。
基于每个微地震事件的发生时段和多道微地震数据确定微地震事件集合。
可选地,该装置还包括:
第一构建模块,用于为微地震事件集合中的每个微地震事件构建相应的协方差矩阵。
第一计算模块,用于计算每个协方差矩阵的特征值,得到每个微地震事件的特征值矩阵。
第二计算模块,用于基于每个微地震事件的特征值矩阵计算微地震事件集合中微地震事件之间的距离。
第二构建模块,用于基于微地震事件之间的距离构建微地震事件集合的距离矩阵。
分类模块,用于基于距离矩阵对微地震事件集合中的所有微地震事件进行分类。
可选地,分类模块具体包括:
重复执行单元,用于重复执行下述单元中的操作,直至距离矩阵中的元素数量为4;
合并单元,用于将距离矩阵中非对角线上数值最小的元素dpq所对应的微地震事件Sp和微地震事件Sq合并为同一类别事件Spq。
计算单元,用于计算微地震事件集合中每个剩余微地震事件与同一类别事件Spq之间的目标距离。
简化单元,用于将距离矩阵中的第p行、第q行、第p列和第q列上的元素进行删除,得到简化后的距离矩阵。
插入单元,用于将目标距离插入简化后的距离矩阵,得到更新后的距离矩阵。
可选地,计算单元具体用于:
利用算式dn,pq=min{dnp,dnq}计算微地震事件集合中每个剩余微地震事件与同一类别事件Spq之间的目标距离;其中,dn,pq表示剩余微地震事件Sn与同一类别事件Spq之间的距离,dnp表示剩余微地震事件Sn与微地震事件Sp之间的距离,dnq表示剩余微地震事件Sn与微地震事件Sq之间的距离。
实施例三
参见图7,本发明实施例提供了一种电子设备,该电子设备包括:处理器60,存储器61,总线62和通信接口63,所述处理器60、通信接口63和存储器61通过总线62连接;处理器60用于执行存储器61中存储的可执行模块,例如计算机程序。
其中,存储器61可能包含高速随机存取存储器(RAM,Random Access Memory),也可能还包括非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。通过至少一个通信接口63(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接,可以使用互联网,广域网,本地网,城域网等。
总线62可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示,图7中仅用一个双向箭头表示,但并不表示仅有一根总线或一种类型的总线。
其中,存储器61用于存储程序,所述处理器60在接收到执行指令后,执行所述程序,前述本发明实施例任一实施例揭示的流过程定义的装置所执行的方法可以应用于处理器60中,或者由处理器60实现。
处理器60可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器60中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器60可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(Digital SignalProcessing,简称DSP)、专用集成电路(Application Specific Integrated Circuit,简称ASIC)、现成可编程门阵列(Field-Programmable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器61,处理器60读取存储器61中的信息,结合其硬件完成上述方法的步骤。
本发明实施例所提供的一种微地震事件识别方法、装置和电子设备的计算机程序产品,包括存储了处理器可执行的非易失的程序代码的计算机可读存储介质,所述程序代码包括的指令可用于执行前面方法实施例中所述的方法,具体实现可参见方法实施例,在此不再赘述。
另外,在本发明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,也可以两个或两个以上单元集成在一个单元中。
所述功能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,可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解,本发明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)执行本发明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。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
在本发明的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,或者是该发明产品使用时惯常摆放的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
此外,术语“水平”、“竖直”、“悬垂”等术语并不表示要求部件绝对水平或悬垂,而是可以稍微倾斜。如“水平”仅仅是指其方向相对“竖直”而言更加水平,并不是表示该结构一定要完全水平,而是可以稍微倾斜。
在本发明的描述中,还需要说明的是,除非另有明确的规定和限定,术语“设置”、“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (10)
1.一种微地震事件识别方法,其特征在于,包括:
获取多道微地震数据;
对每道所述微地震数据进行地震信号识别,得到每道所述微地震数据中的地震信号;
对所有所述地震信号进行真实性判断,得到每个所述地震信号的真实性判断结果;
基于所有所述地震信号的真实性判断结果确定所述多道微地震数据对应的微地震事件集合。
2.根据权利要求1所述的方法,其特征在于,对每道所述微地震数据进行地震信号识别,得到每道所述微地震数据中的地震信号,包括:
利用目标算法对每道所述微地震数据进行处理,得到每道所述微地震数据中的地震信号;其中,所述目标算法包括以下任一种:长短时窗比算法,赤池信息准则AIC算法,神经网络法。
3.根据权利要求1所述的方法,其特征在于,对所有所述地震信号进行真实性判断,得到每个所述地震信号的真实性判断结果,包括:
判断目标地震信号是否满足预设约束条件;其中,所述目标地震信号表示所有所述地震信号中的任一个地震信号;所述预设约束条件包括:所述目标地震信号中包括横波和纵波,所述目标地震信号对应的频率范围处于预设频率范围内,同一时段从所述多道微地震数据中识别出地震信号的比例超过第一预设阈值;
若满足,则确定所述目标地震信号为真实地震信号;
若不满足,则确定所述目标地震信号为非真实地震信号。
4.根据权利要求1所述的方法,其特征在于,基于所有所述地震信号的真实性判断结果确定所述多道微地震数据对应的微地震事件集合,包括:
基于所有所述地震信号的真实性判断结果确定每个微地震事件的发生时段;
基于每个所述微地震事件的发生时段和所述多道微地震数据确定所述微地震事件集合。
5.根据权利要求1所述的方法,其特征在于,在基于所有所述地震信号的真实性判断结果确定所述多道微地震数据对应的微地震事件集合之后,所述方法还包括:
为所述微地震事件集合中的每个微地震事件构建相应的协方差矩阵;
计算每个所述协方差矩阵的特征值,得到每个所述微地震事件的特征值矩阵;
基于每个所述微地震事件的特征值矩阵计算所述微地震事件集合中微地震事件之间的距离;
基于所述微地震事件之间的距离构建所述微地震事件集合的距离矩阵;
基于所述距离矩阵对所述微地震事件集合中的所有微地震事件进行分类。
6.根据权利要求5所述的方法,其特征在于,基于所述距离矩阵对所述微地震事件集合中的所有微地震事件进行分类,包括:
重复执行下述步骤,直至所述距离矩阵中的元素数量为4;
将距离矩阵中非对角线上数值最小的元素dpq所对应的微地震事件Sp和微地震事件Sq合并为同一类别事件Spq;
计算所述微地震事件集合中每个剩余微地震事件与所述同一类别事件Spq之间的目标距离;
将所述距离矩阵中的第p行、第q行、第p列和第q列上的元素进行删除,得到简化后的距离矩阵;
将所述目标距离插入所述简化后的距离矩阵,得到更新后的距离矩阵。
7.根据权利要求6所述的方法,其特征在于,计算所述微地震事件集合中每个剩余微地震事件与所述同一类别事件Spq之间的目标距离,包括:
利用算式dn,pq=min{dnp,dnq}计算所述微地震事件集合中每个剩余微地震事件与所述同一类别事件Spq之间的目标距离;其中,dn,pq表示剩余微地震事件Sn与同一类别事件Spq之间的距离,dnp表示所述剩余微地震事件Sn与微地震事件Sp之间的距离,dnq表示所述剩余微地震事件Sn与微地震事件Sq之间的距离。
8.一种微地震事件识别装置,其特征在于,包括:
获取模块,用于获取多道微地震数据;
识别模块,用于对每道所述微地震数据进行地震信号识别,得到每道所述微地震数据中的地震信号;
判断模块,用于对所有所述地震信号进行真实性判断,得到每个所述地震信号的真实性判断结果;
确定模块,用于基于所有所述地震信号的真实性判断结果确定所述多道微地震数据对应的微地震事件集合。
9.一种电子设备,包括存储器、处理器,所述存储器上存储有可在所述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上述权利要求1至7中任一项所述的方法的步骤。
10.一种具有处理器可执行的非易失的程序代码的计算机可读介质,其特征在于,所述程序代码使所述处理器执行权利要求1至7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111586846.4A CN114265113B (zh) | 2021-12-23 | 2021-12-23 | 微地震事件识别方法、装置和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111586846.4A CN114265113B (zh) | 2021-12-23 | 2021-12-23 | 微地震事件识别方法、装置和电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114265113A true CN114265113A (zh) | 2022-04-01 |
CN114265113B CN114265113B (zh) | 2022-08-12 |
Family
ID=80828937
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111586846.4A Active CN114265113B (zh) | 2021-12-23 | 2021-12-23 | 微地震事件识别方法、装置和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114265113B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115616659A (zh) * | 2022-10-10 | 2023-01-17 | 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 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130336091A1 (en) * | 2012-06-18 | 2013-12-19 | Halliburton Energy Services, Inc. | Statistics-based seismic event detection |
US20140334260A1 (en) * | 2013-05-09 | 2014-11-13 | Schlumberger Technology Corporation | Neural Network Signal Processing of Microseismic Events |
CN106154328A (zh) * | 2015-04-16 | 2016-11-23 | 中国石油化工股份有限公司 | 一种基于互相关的微地震事件识别拾取方法及其系统 |
CN106291692A (zh) * | 2015-05-18 | 2017-01-04 | 中国石油化工股份有限公司 | 盲源地震波场微地震事件的检测方法和装置 |
CN106353819A (zh) * | 2015-07-17 | 2017-01-25 | 中国石油化工股份有限公司 | 一种井中三分量微地震初至拾取方法 |
CN113537102A (zh) * | 2021-07-22 | 2021-10-22 | 深圳智微电子科技有限公司 | 一种微震信号的特征提取方法 |
-
2021
- 2021-12-23 CN CN202111586846.4A patent/CN114265113B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130336091A1 (en) * | 2012-06-18 | 2013-12-19 | Halliburton Energy Services, Inc. | Statistics-based seismic event detection |
US20140334260A1 (en) * | 2013-05-09 | 2014-11-13 | Schlumberger Technology Corporation | Neural Network Signal Processing of Microseismic Events |
CN106154328A (zh) * | 2015-04-16 | 2016-11-23 | 中国石油化工股份有限公司 | 一种基于互相关的微地震事件识别拾取方法及其系统 |
CN106291692A (zh) * | 2015-05-18 | 2017-01-04 | 中国石油化工股份有限公司 | 盲源地震波场微地震事件的检测方法和装置 |
CN106353819A (zh) * | 2015-07-17 | 2017-01-25 | 中国石油化工股份有限公司 | 一种井中三分量微地震初至拾取方法 |
CN113537102A (zh) * | 2021-07-22 | 2021-10-22 | 深圳智微电子科技有限公司 | 一种微震信号的特征提取方法 |
Non-Patent Citations (2)
Title |
---|
SATOSHI ISHIKAWA ET AL.: "Discrimination of Microseismicity Caused by Proppant Injection Using Microseismic Waveform Clustering: The Horn River Basin Case Study", 《2019 UNCONVENTIONAL RESOURCES TECHNOLOGY》, 31 December 2019 (2019-12-31), pages 59 - 67 * |
翟尚等: "基于波形聚类分析的微地震监测事件类型判别及应用", 《北京大学学报(自然科学版)》, vol. 56, no. 3, 31 May 2020 (2020-05-31), pages 407 - 409 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115616659A (zh) * | 2022-10-10 | 2023-01-17 | 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 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN114265113B (zh) | 2022-08-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110674841B (zh) | 一种基于聚类算法的测井曲线识别方法 | |
CN111783825A (zh) | 一种基于卷积神经网络学习的测井岩性识别方法 | |
US9355070B2 (en) | System and method of using spatially independent subsets of data to determine the uncertainty of soft-data debiasing of property distributions for spatially correlated reservoir data | |
US11954567B2 (en) | Probability distribution assessment for classifying subterranean formations using machine learning | |
US9377548B2 (en) | Wavelet-transform based system and method for analyzing characteristics of a geological formation | |
US9274249B2 (en) | System and method for facies classification | |
CN108952699B (zh) | 一种复杂地质钻进过程地层岩性智能识别方法 | |
CN106066493A (zh) | 贝叶斯岩相判别方法及装置 | |
CN109113729B (zh) | 基于测井曲线的岩性识别方法及装置 | |
CN114265113B (zh) | 微地震事件识别方法、装置和电子设备 | |
US20220146705A1 (en) | Automated facies classification from well logs | |
CN113792936A (zh) | 一种随钻岩性智能识别方法、系统、设备和存储介质 | |
CN109492775B (zh) | 一种地质构造解释的检测方法,检测装置及可读存储介质 | |
CN113762320A (zh) | 通过学习测井记录来估计岩相的方法和设备 | |
US20190219716A1 (en) | Classifying Well Data Using A Support Vector Machine | |
WO2017058688A1 (en) | Downhole tool analysis using anomaly detection of measurement data | |
CN105277979A (zh) | 一种地震属性的优化方法和装置 | |
Ji et al. | HVSR-based site classification approach using general regression neural network (GRNN): case study for china strong motion stations | |
CN115616659B (zh) | 微地震事件的类型确定方法、装置和电子设备 | |
CN115390155A (zh) | 针对非均质储层的测井解释方法、装置、电子设备及介质 | |
CN115270959B (zh) | 基于递归特征消除融合随机森林的页岩岩性识别法及装置 | |
CN111626377A (zh) | 一种岩相识别方法、装置、设备及存储介质 | |
CN116796231A (zh) | 一种基于测井曲线自动划分岩性及对比的方法及装置 | |
CN115809411A (zh) | 一种基于测井数据的改进型决策树岩性识别方法 | |
CN115879020A (zh) | 储集体的分类刻画方法、装置、电子设备及存储介质 |
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 |