CN114637045A - 基于UNet++联合Clique Block的微地震P波初至拾取的方法 - Google Patents
基于UNet++联合Clique Block的微地震P波初至拾取的方法 Download PDFInfo
- Publication number
- CN114637045A CN114637045A CN202210181956.0A CN202210181956A CN114637045A CN 114637045 A CN114637045 A CN 114637045A CN 202210181956 A CN202210181956 A CN 202210181956A CN 114637045 A CN114637045 A CN 114637045A
- Authority
- CN
- China
- Prior art keywords
- arrival
- block
- clique
- signal
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000012544 monitoring process Methods 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 12
- 238000002790 cross-validation Methods 0.000 claims description 6
- 238000004088 simulation Methods 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 4
- 230000001419 dependent effect Effects 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 230000007547 defect Effects 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 239000003208 petroleum Substances 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000000926 separation method Methods 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
- G01V1/288—Event detection in seismic signals, e.g. microseismics
-
- 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
- G01V1/30—Analysis
- G01V1/303—Analysis for determining velocity profiles or travel times
- G01V1/305—Travel times
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- Geology (AREA)
- Acoustics & Sound (AREA)
- General Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Geophysics (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开了一种基于UNet++联合Clique Block的微地震P波初至拾取的方法,该方法针对现有微地震初至拾取技术难以高效、准确地拾取海量微地震P波初至的不足的缺陷,利用UNet++联合Clique Block构建全新网络MSPicking‑Net,进一步增强了低信噪比微地震信号信噪可辨,并且提高了微地震初至拾取的精度。
Description
技术领域
本发明属于地震监测技术领域,具体涉及一种基于UNet++联合Clique Block的微地震P波初至拾取的方法。
背景技术
微地震监测技术就是通过观测、分析由压裂产生的微小地震事件来监测地下状态的地球物理技术,对油田开发稳产、高产具有重要的意义。微地震有效信号能量较弱,信噪比较低,甚至完全淹没在噪音之中。因此,如何准确、快速的拾取低信噪比微地震信号P波初至对震源定位、裂缝预测、震源破裂机制分析具有重要的意义。
传统拾取方法(如STA/LTA、AIC准则、相关检测)等虽然取得了一定效果,但效率难以满足大数据时代下微地震信号初至拾取的需求。以卷积神经网络为代表的深度学习以其层数深、容量大的特点,在高精度、高效率处理海量数据上的优势日益凸显。
为提高微地震P波初至拾取的精度与效率,本专利提出一种UNet++联合CliqueBlock的微地震P波初至拾取方法。
发明内容
针对现有微地震初至拾取技术难以高效、准确地拾取海量微地震P波初至的不足,本发明利用UNet++联合Clique Block构建全新网络MSPicking-Net,以进一步增强低信噪比微地震信号信噪可辨,提高微地震初至拾取的精度;为实现上述技术效果,本发明所采用的技术方案是:
一种基于UNet++联合Clique Block的微地震P波初至拾取的方法,包括如下步骤:
S1:对压裂区域进行井下或者地面观测,采集水力压裂微地震监测数据;监测的微地震监测数据信噪比较低、有效信号能量微弱;
S2:利用有限差分波动方程正演方法生成不同主频、不同地层速度模型下的正演模拟信号;
其中有限差分波动方程正演方法选用论文《盛冠群.微地震信号检测与震源定位方法研究[D].中国石油大学(华东),2016.》中记载的交错网格有限差分正演方法;
S3:对S2得到的正演模拟信号设置不同信噪比,连同实际监测剖面构建原始数据集,对所述原始数据集进行初至拾取,选取初至和非初至处的信号波形并分别进行标定;
S4:在UNet++网络中添加Clique Block块,构建MSPicking-Net网络;其中CliqueBlock块的数量以及MSPicking-Net的超参数设定均通过交叉验证方法进行确定;
优选地,交叉验证方法选用LOOCV或者K-fold Cross Validation方法进行验证;
在Clique Block中,除了输入节点外,同一块中的任何两层都是双向连接的;在一个block中,每一层即是其他层的输入,也是其他层的输出;Clique Block中,每一层都是前一层的输出,后一层的输入是任何其他层的输出;具有5层的团块的传播如下表1所示:
表1:
在第一阶段,输入层(X0)通过单向连接初始化该块中的所有层,将连接每个更新的层以更新下一层;从第二阶段开始,层开始交替更新,除了要更新的顶层之外的所有层都连接为底层,并且它们相应的参数也连接在一起;因此,第i层(i≥1)的输出在第k层(k≥2)循环中,可表示为:
其中,*表示利用超参数W进行卷积操作,g表示非线性激活函数;Wij在不同阶段保持重用;
S5:训练集制作与网络训练:随机抽取S3得到的样本中等数量的初至位置和非初至位置信号得到训练集,完成MSPicking-Net训练;
S6:输出初至位置:将待测信号输入网络,利用Softmax预测待测信号每一个采样点属于初至类别和非初至类别的“二分类”概率,最后以初至类别中概率峰值处对应的点作为初至,并利用正确率与召回率曲线进行算法评价;Softmax公式如下所示:
损失函数由真实值的概率分布pi(x)与网络预测概率分布qi(x)之间的交叉熵C(p,q)计算得到:
其中,x表示全卷积网络最后一层输出f(x)的每一个点;
i表示类别:其中1表示初至,2表示非初至;
qi(x)表示x分别从属不同类别的预测概率。
优选地,上述基于UNet++联合Clique Block的微地震P波初至拾取的方法,步骤S2中不同主频、不同地层速度模型包括Mamousi模型、多层平层和斜层速度模型;不同速度模型生成的正演模拟信号各不相同,用来保证样本的足够的丰度。
进一步地,UNet++网络选用论文《Zhou Z W,Siddiquee M M R,Tajbakhsh N,etal.2018.Unet++:A nested u-net architecture for medical image segmentation》中的UNet++网络技术;Clique Block选用论文《Yang,Y.,et al."Convolutional NeuralNetworks with Alternately Updated Clique."2018IEEE/CVF Conference on ComputerVision and Pattern Recognition(CVPR)IEEE,2018.》中的技术。
本发明的有益效果为:
1、针对传统微地震初至拾取在海量微地震信号处理方面效率低下的劣势,本专利利用深度学习指导微地震信号初至拾取,实现了高效的海量微地震信号初至拾取;
2、针对微地震信号的低信噪比环境及Unet++层数较浅、难以捕获精细微地震信噪特征等缺陷,联合UNet++网络和Clique Block构建全新网络MSPicking-Net,实现了深层精细微震信噪特征抽取,强化微地震低信噪比信号信噪分离,实现更快速、精细的低信噪比微地震初至拾取,进一步增强了低信噪比微地震信号信噪可辨,提高微地震初至拾取的精度。
3,本发明为微地震监测技术指出了一个重要的应用方向,促进该技术的应用和推广,并且通过将人工智能技术应用于传统微地震监测领域,以奠定微地震智能处理算法的研究基础,更可以为服务于国家的能源战略安全提供重要的理论基础。
附图说明
图1为本发明的工作流程示意图;
图2为本发明中MSPicking-Net网络结构示意图;
图3为本发明基于MSPicking-Net微地震信号初至拾取结果中信噪比为SNR=-10dB的待检测信号图;
图4为本发明基于MSPicking-Net微地震信号初至拾取结果中U-Net++网络有效信号初至位置概率预测曲线;
图5为本发明基于MSPicking-Net微地震信号初至拾取结果中MSPicking-Net网络有效信号初至位置概率预测曲线;
具体实施方式
实施例1:
如图1所示,一种基于UNet++联合Clique Block的微地震P波初至拾取的方法,包括如下步骤:
S1:对压裂区域进行井下或者地面观测,采集水力压裂微地震监测数据;监测的微地震监测数据信噪比较低、有效信号能量微弱;
S2:利用有限差分波动方程正演方法生成不同主频、不同地层速度模型下的正演模拟信号;
其中有限差分波动方程正演方法选用论文《盛冠群.微地震信号检测与震源定位方法研究[D].中国石油大学(华东),2016.》中记载的交错网格有限差分正演方法;
S3:对S2得到的正演模拟信号设置不同信噪比,连同实际监测剖面构建原始数据集,对所述原始数据集进行初至拾取,选取初至和非初至处的信号波形并分别进行标定;
S4:如图2所示,在UNet++网络中添加Clique Block块,构建MSPicking-Net网络;其中Clique Block块的数量以及MSPicking-Net的超参数设定均通过交叉验证方法进行确定;MSPicking-Net网络结构图如图2所示;
优选地,交叉验证方法选用LOOCV方法进行验证;
在Clique Block中,除了输入节点外,同一块中的任何两层都是双向连接的;在一个block中,每一层即是其他层的输入,也是其他层的输出;Clique Block中,每一层都是前一层的输出,后一层的输入是任何其他层的输出;具有5层的团块的传播如下表1所示:
表1:
在第一阶段,输入层(X0)通过单向连接初始化该块中的所有层,将连接每个更新的层以更新下一层;从第二阶段开始,层开始交替更新,除了要更新的顶层之外的所有层都连接为底层,并且它们相应的参数也连接在一起;因此,第i层(i≥1)的输出在第k层(k≥2)循环中,可表示为:
其中,*表示利用超参数W进行卷积操作,g表示非线性激活函数;Wij在不同阶段保持重用;
S5:训练集制作与网络训练:随机抽取S3得到的样本中等数量的初至位置和非初至位置信号得到训练集,完成MSPicking-Net训练;
S6:输出初至位置:将待测信号输入网络,利用Softmax预测待测信号每一个采样点属于初至类别和非初至类别的“二分类”概率,最后以初至类别中概率峰值处对应的点作为初至,并利用正确率与召回率曲线进行算法评价;Softmax公式如下所示:
损失函数由真实值的概率分布pi(x)与网络预测概率分布qi(x)之间的交叉熵C(p,q)计算得到:
其中,x表示全卷积网络最后一层输出f(x)的每一个点;
i表示类别:其中1表示初至,2表示非初至;
qi(x)表示x分别从属不同类别的预测概率。
优选地,上述基于UNet++联合Clique Block的微地震P波初至拾取的方法,步骤S2中不同主频、不同地层速度模型包括Mamousi模型、多层平层和斜层速度模型;不同速度模型生成的正演模拟信号各不相同,用来保证样本的足够的丰度。
实施例2:
如图3~图5所示,是实际应用中基于MSPicking-Net微地震信号初至拾取结果的示意图;
图3为添加了-10dB高斯噪音的正演模拟信号,该信号初至时间为1330ms,主频25Hz;图4为U-Net++网络有效信号初至位置概率预测曲线;图5为MSPicking-Net网络有效信号初至位置概率预测曲线;由图4和图5可知,UNet++网络拾取的微地震初至时间为1480ms,而本专利所提出的方法拾取的微地震初至为1330ms,与模拟信号初至时间完全吻合;因此,相较于UNet++网络,本专利对低信噪比方案的微地震信号初拾取结果更加可靠,再次证明了,本专利实际上实现了针对微地震信号的低信噪比特性和UNet++网络的缺陷进行优化的技术效果,本专利提出的MSPicking-Net网络在实际使用中性能更加优越。
上述的实施例仅为本发明的优选技术方案,而不应视为对于本发明的限制,本申请中的实施例及实施例中的特征在不冲突的情况下,可以相互任意组合。本发明的保护范围应以权利要求记载的技术方案,包括权利要求记载的技术方案中技术特征的等同替换方案为保护范围。即在此范围内的等同替换改进,也在本发明的保护范围之内。
Claims (2)
1.一种基于UNet++联合Clique Block的微地震P波初至拾取的方法,其特征在于:包括如下步骤:
S1:对压裂区域进行井下或者地面观测,采集水力压裂微地震监测数据;
S2:利用有限差分波动方程正演方法生成不同主频和不同地层速度模型下的正演模拟信号;
S3:对S2得到的正演模拟信号设置不同信噪比,连同实际监测剖面构建原始数据集,对所述原始数据集进行初至拾取,选取初至和非初至处的信号波形并分别进行标定;
S4:在UNet++网络中添加Clique Block块,构建MSPicking-Net网络;其中CliqueBlock块的数量以及MSPicking-Net的超参数设定均通过交叉验证方法进行确定;
S5:训练集制作与网络训练:随机抽取S3得到的样本中等数量的初至位置和非初至位置信号得到训练集,完成MSPicking-Net训练;
S6:输出初至位置:将待测信号输入网络,利用Softmax预测待测信号每一个采样点属于初至类别和非初至类别的“二分类”概率,然后以初至类别中概率峰值处对应的点作为初至位置进行输出;最后利用正确率与召回率曲线进行算法评价;Softmax公式如下所示:
损失函数由真实值的概率分布pi(x)与网络预测概率分布qi(x)之间的交叉熵C(p,q)计算得到:
其中,x表示全卷积网络最后一层输出f(x)的每一个点;
i表示类别:其中1表示初至,2表示非初至;
qi(x)表示x分别从属不同类别的预测概率。
2.根据权利要求1所述的基于UNet++联合Clique Block的微地震P波初至拾取的方法,其特征在于:步骤S2中不同主频、不同地层速度模型包括Mamousi模型、多层平层和斜层速度模型;不同速度模型生成的正演模拟信号各不相同。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210181956.0A CN114637045A (zh) | 2022-02-25 | 2022-02-25 | 基于UNet++联合Clique Block的微地震P波初至拾取的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210181956.0A CN114637045A (zh) | 2022-02-25 | 2022-02-25 | 基于UNet++联合Clique Block的微地震P波初至拾取的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114637045A true CN114637045A (zh) | 2022-06-17 |
Family
ID=81948434
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210181956.0A Pending CN114637045A (zh) | 2022-02-25 | 2022-02-25 | 基于UNet++联合Clique Block的微地震P波初至拾取的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114637045A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115146678A (zh) * | 2022-07-04 | 2022-10-04 | 长江水利委员会长江科学院 | 一种爆破振动信号的p波振相初至识别方法和系统 |
CN115373029A (zh) * | 2022-10-25 | 2022-11-22 | 中国科学院地质与地球物理研究所 | 基于深度学习的实时微地震震源机制计算方法及系统 |
-
2022
- 2022-02-25 CN CN202210181956.0A patent/CN114637045A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115146678A (zh) * | 2022-07-04 | 2022-10-04 | 长江水利委员会长江科学院 | 一种爆破振动信号的p波振相初至识别方法和系统 |
CN115146678B (zh) * | 2022-07-04 | 2023-05-09 | 长江水利委员会长江科学院 | 一种爆破振动信号的p波振相初至识别方法和系统 |
CN115373029A (zh) * | 2022-10-25 | 2022-11-22 | 中国科学院地质与地球物理研究所 | 基于深度学习的实时微地震震源机制计算方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114637045A (zh) | 基于UNet++联合Clique Block的微地震P波初至拾取的方法 | |
US11016214B2 (en) | Dolomite reservoir prediction method and system based on well and seismic combination, and storage medium | |
CN109611087B (zh) | 一种火山岩油藏储层参数智能预测方法及系统 | |
CN108805269A (zh) | 一种基于lstm循环神经网络拾取震相到时的方法 | |
CN111580151B (zh) | 一种基于SSNet模型的地震事件到时识别方法 | |
CN110632662A (zh) | 一种利用DCNN-Inception网络自动识别微地震信号的算法 | |
CN111080021B (zh) | 一种基于地质信息库的砂体构型cmm神经网络预测方法 | |
CN109613610B (zh) | 微震信号到时差的自动拾取方法 | |
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 | |
CN113568043B (zh) | 基于深度卷积神经网络的三阶段震相拾取方法 | |
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 | |
CN115327616B (zh) | 一种海量数据驱动的矿山微震震源自动定位方法 | |
CN111507155A (zh) | 联合U-Net++和UDA的微地震有效信号初至拾取方法及装置 | |
CN115436993A (zh) | 一种基于PPNet网络的地震信号P波检测方法 | |
CN117150875A (zh) | 基于深度学习的钻前测井曲线预测方法 | |
CN111622201A (zh) | 一种基于面波频散特征的土层等效剪切波速直接计算方法 | |
CN114218982A (zh) | 基于改进WGAN网络和CBDNet的微地震记录去噪方法 | |
CN106990449B (zh) | 一种基于多维数据的陆相层序地层格架构建表征方法 | |
CN110580915B (zh) | 基于可穿戴式设备的声源目标识别系统 | |
CN112666605A (zh) | 基于主成分分析和多目标遗传算法挑选地震动的方法 | |
CN116304818A (zh) | 一种基于Transformer地震信号分类识别方法 | |
CN116299684A (zh) | 基于人工神经网络中双模态神经元的新型微震分类方法 | |
CN116502154A (zh) | 基于多维特征提取和XGBoost的地震分类方法及系统 | |
CN115964667A (zh) | 基于深度学习和重采样的河流-湖泊岩相测井识别方法 | |
CN107679614B (zh) | 一种基于粒子群优化的声波时差实时提取方法 |
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 |