CN114879252B - 基于深度学习的das同井监测实时微地震有效事件识别方法 - Google Patents
基于深度学习的das同井监测实时微地震有效事件识别方法 Download PDFInfo
- Publication number
- CN114879252B CN114879252B CN202210807860.0A CN202210807860A CN114879252B CN 114879252 B CN114879252 B CN 114879252B CN 202210807860 A CN202210807860 A CN 202210807860A CN 114879252 B CN114879252 B CN 114879252B
- Authority
- CN
- China
- Prior art keywords
- data
- das
- micro
- well
- seismic
- 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
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 77
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000013135 deep learning Methods 0.000 title claims abstract description 28
- 238000012549 training Methods 0.000 claims abstract description 45
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 239000002184 metal Substances 0.000 claims description 25
- 230000003287 optical effect Effects 0.000 claims description 23
- 238000011176 pooling Methods 0.000 claims description 20
- 230000007246 mechanism Effects 0.000 claims description 15
- 239000013307 optical fiber Substances 0.000 claims description 12
- 230000002159 abnormal effect Effects 0.000 claims description 11
- 239000004568 cement Substances 0.000 claims description 9
- 239000002002 slurry Substances 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 238000013434 data augmentation Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 6
- 230000003190 augmentative effect Effects 0.000 claims description 4
- 230000008014 freezing Effects 0.000 claims description 3
- 238000007710 freezing Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000005086 pumping Methods 0.000 claims description 3
- 239000011435 rock Substances 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 239000013589 supplement Substances 0.000 abstract description 3
- 238000004458 analytical method Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000012530 fluid Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000010924 continuous production Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000005065 mining Methods 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
- 230000001902 propagating effect Effects 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 238000012546 transfer 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
- G01V1/40—Seismology; Seismic or acoustic prospecting or detecting specially adapted for well-logging
- G01V1/44—Seismology; Seismic or acoustic prospecting or detecting specially adapted for well-logging using generators and receivers in the same well
- G01V1/48—Processing data
-
- 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
- G01V1/40—Seismology; Seismic or acoustic prospecting or detecting specially adapted for well-logging
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2431—Multiple classes
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
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)
- Remote Sensing (AREA)
- Environmental & Geological Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Geology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Acoustics & Sound (AREA)
- Geophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明提供一种基于深度学习的DAS同井监测实时微地震有效事件识别方法，包括：构建基于DAS的水平井微地震监测系统；构建训练数据集，训练数据集包括具有不同类型标签的微地震事件数据、管道波数据和背景噪音数据；构建信号识别模块；使用训练数据集训练信号识别模块；对实际监测数据进行预处理，将预处理后的数据输入信号识别模块，获得输出结果；对输出结果中识别到的微地震事件进行标记，并将标记的微地震事件更新到训练数据集中；以及对信号识别模块进行调整和更新。本发明的识别方法能够实时、高效地识别DAS同井监测数据中的微地震事件，识别的微地震事件可以补充训练数据集，进一步更新信号识别模块，提升模块的适应性。
Description
技术领域
本发明涉及微地震监测和深度学习技术领域，具体涉及一种基于深度学习的DAS同井监测实时微地震有效事件识别方法，包括使用训练数据集训练信号识别模块、对实际监测数据进行预处理、将预处理后的数据输入信号识别模块获得输出结果等，因此它属于地震勘探或探测中对地震数据的处理。
背景技术
水力压裂技术是将高压流体注入页岩储层产生复杂的人工裂缝，可以增加储层的连通性并提高单井产量。对水力压裂储层改造的不同阶段进行监测和评估，是实现高效开发、安全生产的前提。
微地震监测技术是非常规资源开发中进行水力压裂实时监测的重要手段之一。微地震监测技术通过监测水力压裂过程中产生的微震信号来评估压裂效果，进而指导和优化工程参数。微地震监测主要包含有效事件拾取，有效事件信号增强，微地震震源定位，微地震震源分析，储层应力分析和储层裂缝计算等方面。
分布式光纤声波传感（Distributed Acoustic Sensing，DAS）是近年来快速发展的一项新兴数据采集技术。DAS一般由解调仪（包括了光学系统和信号采集系统）和用于传感的普通光纤或特种光纤两部分组成。DAS通过探测激光脉冲在光纤内部散射体产生的后向瑞利散射光信号的相位变化，实现沿光纤轴向应变信号的测量。
在DAS水力压裂监测中，DAS光纤一般沿水平井进行布设。相比常规检波器检测，DAS可以获得全井段测量数据，大幅度增加了数据的采集方位角；DAS已经实现1m的空间采样，显著提升了监测数据的采集密度和空间连续性。然而，微地震监测为一个长时间、连续的过程，其监测数据量非常大。例如，DAS采样为1毫秒，以单井2000m井深为例，按照1m空间采样，一天可以获得将近650GB数据。因此，人工进行数据拾取或者使用常规方法，无法达到微地震实时检测的需求。
DAS监测一般分为邻井监测和同井监测。同井监测中，监测井和压裂井为同一水平井。由于流体注入，压裂泵工作过程中会产生较强能量的管道波，超过有效微振动事件的振幅。该管道波沿监测井传播，具有较强的周期性，一方面，在频率域内两者频带存在部分重合，另一方面，在时间域内两者波形较为相似。因此，管道波与目标微地震事件较难分离，进而严重影响微地震有效事件的识别。而在邻井监测中，监测井和压裂井为不同水平井，这种沿压裂井传播的管道波在数据中并不存在。
目前还没有对DAS同井监测数据的拾取方法。与之相近的文献和专利包括：对常规检波器微地震数据的拾取；对邻井DAS数据的拾取。然而，检波器数据和DAS数据差异较大，不具有可比性；而对于邻井DAS数据的拾取，由于常规微地震数据中不包含管道波，其识别方法也不涉及管道波数据，因此，对邻井DAS数据的拾取方法相对简单。
发明内容
本发明的目的在于至少部分地克服现有技术的缺陷，提供一种基于深度学习的DAS同井监测实时微地震有效事件识别方法。
本发明的目的还在于提供一种针对DAS同井监测微地震事件的实时识别方法，以进一步使用微地震事件进行分析，进行压裂评估和施工指导。
本发明的目的还在于提供一种微地震事件识别方法，能够自动调整和更新信号识别模块，以提高模块的适应性。
本发明的目的还在于提供一种基于深度学习的DAS同井监测实时微地震有效事件识别方法，具有运算效率高、准确度高、算法结构复杂度低和计算成本低中的一个或多个优点。
为达到上述目的或目的之一，本发明的技术解决方案如下：
一种基于深度学习的DAS同井监测实时微地震有效事件识别方法，所述识别方法包括：
构建基于DAS的水平井微地震监测系统；
构建训练数据集，所述训练数据集包括具有不同类型标签的微地震事件数据、管道波数据和背景噪音数据；
信号识别模块由深度神经网络构成；所述网络包含卷积子网络和注意力机制子网络；信号识别模块的输入数据使用2个卷积层提取基本的特征，数据大小分别为256×256，卷积核为32×3×3；卷积子网络包含2个卷积层，数据大小分别为256×256，卷积核为32×3×3，其中，第一维为卷积个数，第二维和第三维为卷积尺寸；注意力机制子网络包含1个卷积层和2个池化层，卷积层的数据大小为256×256，卷积核为32×3×3；2个池化层为1个平均池化层和1个最大池化层，2个池化层通过连接层连接，然后使用卷积层，卷积层数据大小为128×128，卷积核为64×3×3；卷积子网络和注意力机制子网络通过连接层连接，然后使用2个卷积层，数据大小分别为128×128，卷积核为64×3×3；然后，使用2个全连接层，大小为1024×1；信号识别模块的输入为所述不同类型标签的微地震事件数据、管道波数据和背景噪音数据，输出为预测的标签值，用预测的标签值与准确标签的误差来更新网络参数；所述网络采用交叉熵作为损失函数计算神经网络的误差；
使用训练数据集训练信号识别模块；
对实际监测数据进行预处理，将预处理后的数据输入信号识别模块，获得输出结果；对输出结果中识别到的微地震事件进行标记，并将标记的微地震事件更新到所述训练数据集中；以及
对信号识别模块进行调整和更新。
根据本发明的一个优选实施例，所述构建训练数据集包括：
生成微地震事件数据、管道波数据和背景噪音数据的初始数据；
对微地震事件数据、管道波数据和背景噪音数据的初始数据进行数据增广；
对所有数据进行预处理。
根据本发明的一个优选实施例，微地震事件数据的初始数据包括第一部分数据和第二部分数据，所述第一部分数据为在人工模拟合成的不包含管道波和背景噪音的数据中添加实际采集到的管道波形成的数据；第二部分数据为实际监测得到的包含管道波和背景噪音的微地震事件数据；
管道波数据的初始数据为在压裂平台压裂初期实际监测获得的管道波数据；和/或
背景噪音数据的初始数据为通过相邻压裂平台的同井监测获得的井口操作的机械噪音。
根据本发明的一个优选实施例，所述对微地震事件数据、管道波数据和背景噪音数据的初始数据进行数据增广包括：
对微地震数据振幅、管道波数据振幅和背景噪音数据振幅按照随机比例进行缩放。
根据本发明的一个优选实施例，所述对所有数据进行预处理包括：
对损坏通道数据通过相邻通道进行插值替换，去除均值，去除异常大值，使用插值对被去除的异常大值进行替换，数据归一化。
根据本发明的一个优选实施例，信号识别模块由深度神经网络构成；所述网络包含卷积子网络和注意力机制子网络；信号识别模块的输入数据使用2个卷积层提取基本的特征，数据大小分别为256×256；基于该特征信息，卷积子网络包含2个卷积层，数据大小分别为256×256；注意力机制子网络包含1个卷积层和2个池化层，卷积层的数据大小为256×256，2个池化层为1个平均池化层和1个最大池化层，2个池化层通过连接层连接，然后使用卷积层，卷积层数据大小为128×128；卷积子网络和注意力机制子网络通过连接层连接，然后使用2个卷积层，数据大小分别为128×128；然后，使用2个全连接层，大小为1024×1，然后通过SoftMax输出分类结果，结果输出3个通道作为信号识别模块的3个类型标签。
根据本发明的一个优选实施例，所述使用训练数据集训练信号识别模块包括：
将数据集分为训练集与测试集，比例为8：2；
神经网络模型采用随机梯度下降优化方法；设置动态学习率，初始值设置为0.0001，每50次降低一半；批处理量设置为40；迭代次数为200；
在GPU图像处理单元上进行神经网络模型训练。
根据本发明的一个优选实施例，将标记的微地震事件更新到所述训练数据集中是将标记的微地震事件更新到微地震事件数据的初始数据中的第二部分数据中。
根据本发明的一个优选实施例，当更新的微地震事件达到预定数量，或者监测时间达到预定周期时，启动对信号识别模块进行调整和更新的步骤。
根据本发明的一个优选实施例，所述对信号识别模块进行调整和更新包括：
冻结特征提取层的网络结构，保持特征提取层的参数不变，使用全部更新的微地震事件和数据集中部分旧的微地震事件，对特征输出层和全连接层之间的映射关系进行训练，将最后的一层输出的特征提取出来，利用新数据进行模型调整，重新建立由特征输出层到全连接层的映射关系；
获得新的网络模型参数，同时更新信号识别模块。
根据本发明的一个优选实施例，在所述对信号识别模块进行调整和更新中，只对模型的特征输出层到全连接层的映射关系进行迁移训练，不对整个模型进行训练，以提升训练速度。
根据本发明的一个优选实施例，所述基于DAS的水平井微地震监测系统包括：金属套管；以及固定设置在金属套管外侧的铠装光缆，所述铠装光缆内有单模光纤；
所述构建基于DAS的水平井微地震监测系统包括：
将金属套管和铠装光缆同步下入完钻的井孔里；
从井底泵入水泥浆，使水泥浆从井底沿金属套管的外壁和井孔之间的环空区返回到井口，待水泥浆固结后，使金属套管、铠装光缆和地层岩石固定在一起；
提供DAS调制解调仪器，并在井口处把铠装光缆内的单模光纤连接到DAS调制解调仪器的DAS信号输入端。
根据本发明的一个优选实施例，所述对实际监测数据进行预处理包括：
对损坏通道数据通过相邻通道进行插值替换，去除均值，去除异常大值，使用插值对被去除的异常大值进行替换，数据归一化。
本发明的提供的基于深度学习的DAS同井监测实时微地震有效事件识别方法能够实时、高效地识别DAS同井监测数据中的微地震事件，从而能够进一步使用微地震事件进行分析，进行压裂评估和施工指导。在监测过程中，会产生新的微地震事件，这些微地震事件可以补充训练数据集，然后使用新更新的数据进一步更新信号识别模块，提升模块的适应性。本发明的识别方法运算效率高、准确度高、算法结构复杂度低和计算成本低。
附图说明
图1为根据本发明的实施例的基于深度学习的DAS同井监测实时微地震有效事件识别方法的流程图；
图2示出了根据本发明的识别方法的软件数据处理流程；以及
图3为根据本发明的识别方法的网络结构示意图。
具体实施方式
下面结合附图详细描述本发明的示例性的实施例，其中相同或相似的标号表示相同或相似的元件。另外，在下面的详细描述中，为便于解释，阐述了许多具体的细节以提供对本披露实施例的全面理解。然而明显地，一个或多个实施例在没有这些具体细节的情况下也可以被实施。在其他情况下，公知的结构和装置以图示的方式体现以简化附图。
深度学习方法是探索解决地震学领域难题、开展地球物理研究的一个好工具，深度学习在地震学领域中的应用不断扩大。地震学中深度学习应用的两个主要类别是监督学习（supervised learning）和无监督学习（unsupervised learning）。监督学习需借助标签特征预测建模，可根据不同的输出数据类型（离散型或连续型）进一步分为分类或回归。无监督学习适合于挖掘隐含信息，基于相似性将目标对象分组（聚类）或是降低输入数据的维度（降维），常用于数据挖掘、模式识别及图像处理。此外，深度学习还有半监督学习（并行学习已标注数据集与未标注数据集），不同的算法具有各自的优缺点。
本发明的总体发明构思是基于深度学习实现DAS同井监测微地震事件的实时识别。根据本发明的具体实施例，提出了一种基于深度学习的DAS同井监测实时微地震有效事件识别方法，所述识别方法包括（如图1所示）：
首先，构建基于DAS的水平井微地震监测系统。基于DAS的水平井微地震监测系统包括：金属套管；以及固定设置在金属套管外侧的铠装光缆，所述铠装光缆内有特种单模光纤；DAS调制解调仪器放置于井口附近，DAS调制解调仪器的DAS信号端口与金属套管外的特种单模光纤相连接。
具体地，所述构建基于DAS的水平井微地震监测系统包括：
将金属套管和铠装光缆同步缓慢地下入完钻的井孔里；
在井口把环形金属卡子安装在两根金属套管的连接处，固定并保护铠装光缆在下金属套管过程中不会移动和/或被损坏；
用高压泵车从井底泵入水泥浆，使水泥浆从井底沿金属套管的外壁和井孔之间的环空区返回到井口，待水泥浆固结后，使金属套管、铠装光缆和地层岩石永久性地固定在一起；
提供DAS调制解调仪器，并在井口处把铠装光缆内的套管外单模光纤连接到DAS调制解调仪器的DAS信号输入端；
利用井下射孔枪内置的声源发射器在金属套管内连续发射声源信号，根据DAS调制解调仪器检测到的井下声源发射器发出的声源信号，对全井段的金属套管外安置的铠装光缆进行定向和定位；
根据测量到的全井段的金属套管外安置的铠装光缆的位置和方位，调整射孔枪内射孔弹的方位和射孔位置，通过定向射孔作业避免在射孔时将金属套管外安置的铠装光缆射断。
在完成DAS设施布设后，收集水平井周围区域的三维地面地震数据并进行预处理，然后使用速度反演技术获得三维地震纵波速度数据体，最后再用声波测井速度数据对三维地震纵波速度数据体进行标定、调整和更新，获得水平井周围地层的初步地震纵波速度场。
在水力压裂作业时，基于DAS的水平井微地震监测系统可以用金属套管外永久布设的铠装光缆进行水力压裂微地震监测。利用井下布设的金属套管外单模光纤采集数据，传输至井口附近的DAS调制解调仪器进行解调，获得连续记录的水力压裂作业导致邻井或同井的地下地层破裂时产生的微地震事件。结合前述步骤中获得的地下地层的纵波速度场，可以获得该微地震事件的相关信息，这些信息包括微地震事件的发生时间、三维空间位置和能量大小；
监测到的连续记录数据中只有部分包含微地震事件，需要进行微地震事件的识别或拾取。
当完成微地震事件的识别或拾取后，根据水力压裂作业过程中实时监测到的微地震事件的发生时间、三维空间位置和能量大小，对所有观测到的微地震事件进行分析，可以获得微地震事件在三维空间位置的动态分布及变化。这种空间变化反映了地下储层裂缝的发育情况，进而可以基于这些信息，实时优化调整水力压裂作业时的各种参数。
水力压裂结束后，根据记录到的微地震事件的纵波信号特征进行震源机制分析、震级分析，获得大部分微地震事件的破裂机理，分析水力压裂改造后裂缝的分布特征和规律。综合以上信息，对此水平井的储层水力压裂改造效果进行有效可靠的定性和定量评价。
基于深度学习的DAS同井监测实时微地震有效事件识别方法进一步包括：
构建训练数据集：
1.1、数据集概况：数据集结构为（数据体2D、类型标签1D）。一共包含3种数据类型，即：微地震事件数据（含不同振幅大小管道波干扰，可以理解为微地震+管道波），类型标签为1；管道波数据（具有不同振幅大小，不包含微地震事件），类型标签为2；背景噪音数据（机械干扰等），类型标签为3。所有数据的尺寸均一致。对于单个数据，共包含Nt（1000）个通道，每个通道共Ns（1000）个采样点，共包含Nk（1000）个数据。因此，数据体为Nk*Ns*Nt，类型标签为Nk*1。
构建训练数据集的步骤是在数据集结构基础上，生成微地震事件数据、管道波数据和背景噪音数据的初始数据，然后，对微地震事件数据、管道波数据和背景噪音数据的初始数据进行数据增广，然后，对所有数据进行预处理。
1.2、数据生成：微地震事件数据（标签1）的初始数据包括第一部分数据和第二部分数据，所述第一部分数据为在人工模拟合成的不包含管道波和背景噪音的数据中添加实际采集到的管道波形成的数据；第二部分数据为实际监测得到的包含管道波和背景噪音（特别是管道波）的微地震事件数据；合成数据可以使用不同模拟参数，具体包括震源位置，震源机制等，其数据较多，泛化型较好；第二部分数据数量相对较少。管道波数据（标签2）的初始数据为在当前压裂平台压裂初期实际监测获得的管道波数据，该数据数量较多。背景噪音数据（标签3）的初始数据为实际监测获得，一般为井口操作的机械噪音，该实际监测数据可以通过相邻压裂平台的同井监测获得。
1.3、数据增广：数据生成过程中，对数据进行增广，以提升数据集的普适性。微地震事件数据增广方式为：微地震数据振幅按照随机比例进行缩放（合成数据和监测的同井微地震事件，一般为0.5-2）；构建异常道（坏道，缺失道）。管道波数据增广方式为：管道波数据振幅按照随机比例进行缩放（一般为0.1-10）。背景噪音数据增广方式为：背景噪音（机械干扰）振幅按照随机比例进行缩放（一般为0.5-2），一般该部分缩放比例较小。
1.4、数据预处理：所有数据进行相同步骤的预处理：损坏通道数据处理（通过相邻通道进行插值替换），去除均值，去除异常大值（使用插值对去除大值进行替换），数据归一化。
构建信号识别模块：
2.1、模块架构：信号识别模块包含卷积子网络和注意力机制子网络。输入数据使用2个卷积层提取基本的特征，数据大小分别为256×256，卷积核为（32×3×3）。基于该特征信息，卷积子网络包含2个卷积层，数据大小分别为256×256，卷积核为（32×3×3）（第一维为卷积个数，后两维为卷积尺寸）；注意力机制子网络包含1个卷积层和2个池化层，卷积层的数据大小为256×256，卷积核为（32×3×3），2个池化层为1个平均池化层和1个最大池化层，2个池化层通过连接层连接，之后使用卷积层，卷积层数据大小为128×128，卷积核为（64×3×3）。卷积子网络和注意力机制子网络通过连接层连接，之后使用2个卷积层，数据大小分别为128×128，卷积核为（64×3×3）。然后，使用2个全连接层，大小为1024×1，然后通过SoftMax输出分类结果。最后输出3个通道作为信号识别模块的3个类别（标签为1,2,3）。
2.2、模块IO：计算神经网络的输入为三类不同类型数据，输出为预测的标签值，用预测的标签值与准确标签的误差来更新网络参数；该网络采用交叉熵（cross-entropy）作为损失函数计算神经网络的误差。
使用训练数据集训练信号识别模块：
3.1、将数据集分为训练集与测试集，比例为8：2。
3.2、神经网络模型采用随机梯度下降优化方法；设置动态学习率，初始值设置为0.0001，每50次降低一半。批处理量设置为40；迭代次数为200。
3.3、在GPU图像处理单元上进行神经网络模型训练。
对实际监测数据进行预处理，将预处理后的数据输入信号识别模块，获得输出结果；对输出结果中识别到的微地震事件进行标记，并将标记的微地震事件更新到所述训练数据集中：
4.1、实际数据预处理：所有实际监测得到的数据进行相同步骤的预处理：损坏通道数据处理（通过相邻通道进行插值替换），去除均值，去除异常大值（使用插值对去除大值进行替换），数据归一化。
4.2、将预处理后的数据输入信号识别模块，获得相对应的判断输出结果。
4.3、对在4.2中识别到的微地震事件进行标记，并将该标记的微地震事件更新到1.2中实际监测到的微地震对应训练数据集中，即微地震事件数据的初始数据中的第二部分数据中。
对信号识别模块进行调整和更新：
5.1、设置模型更新阈值：当更新的微地震事件达到一定数量，或者监测时间达到一定周期（例如，1天）时，启动模型更新过程。
5.2、在信号识别模块微调过程中，冻结特征提取层的网络结构，也就是说保持特征提取层的参数不变，使用全部更新的微地震有效事件和数据集中部分旧的微地震有效事件（两者数据依旧为Nk，保持数量一致），对特征输出层和全连接层之间的映射关系进行训练，即：将最后的一层输出的特征提取出来，利用新数据进行模型微调（fine-tune），重新建立由特征输出层到全连接层的映射关系。只对模型的特征输出层到全连接层的映射关系进行迁移训练，不用对整个模型进行训练，因此可以提升训练速度。
5.3、获得新的网络模型参数，同时更新信号识别模块。
本发明的提供的基于深度学习的DAS同井监测实时微地震有效事件识别方法能够实时、高效地识别DAS同井监测数据中的微地震事件，从而能够进一步使用微地震事件进行分析，进行压裂评估和施工指导。在监测过程中，会产生新的微地震事件，这些微地震事件可以补充训练数据集，然后使用新更新的数据进一步更新信号识别模块，提升模块的适应性。本发明的识别方法运算效率高、准确度高、算法结构复杂度低和计算成本低。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行变化。本发明的适用范围由所附权利要求及其等同物限定。
Claims (10)
1.一种基于深度学习的DAS同井监测实时微地震有效事件识别方法，其特征在于，所述识别方法包括：
构建基于DAS的水平井微地震监测系统；
构建训练数据集，所述训练数据集包括具有不同类型标签的微地震事件数据、管道波数据和背景噪音数据；
构建信号识别模块：信号识别模块由深度神经网络构成；所述网络包含卷积子网络和注意力机制子网络；信号识别模块的输入数据使用2个卷积层提取基本的特征，数据大小分别为256×256，卷积核为32×3×3；卷积子网络包含2个卷积层，数据大小分别为256×256，卷积核为32×3×3，其中，第一维为卷积个数，第二维和第三维为卷积尺寸；注意力机制子网络包含1个卷积层和2个池化层，卷积层的数据大小为256×256，卷积核为32×3×3；2个池化层为1个平均池化层和1个最大池化层，2个池化层通过连接层连接，然后使用卷积层，卷积层数据大小为128×128，卷积核为64×3×3；卷积子网络和注意力机制子网络通过连接层连接，然后使用2个卷积层，数据大小分别为128×128，卷积核为64×3×3；然后，使用2个全连接层，大小为1024×1；信号识别模块的输入为所述不同类型标签的微地震事件数据、管道波数据和背景噪音数据，输出为预测的标签值，用预测的标签值与准确标签的误差来更新网络参数；所述网络采用交叉熵作为损失函数计算神经网络的误差；
使用训练数据集训练信号识别模块；
对实际监测数据进行预处理，将预处理后的数据输入信号识别模块，获得输出结果；对输出结果中识别到的微地震事件进行标记，并将标记的微地震事件更新到所述训练数据集中；以及
对信号识别模块进行调整和更新。
2.根据权利要求1所述的基于深度学习的DAS同井监测实时微地震有效事件识别方法，其特征在于，所述构建训练数据集包括：
生成微地震事件数据、管道波数据和背景噪音数据的初始数据；
对微地震事件数据、管道波数据和背景噪音数据的初始数据进行数据增广；
对所有数据进行预处理。
3.根据权利要求2所述的基于深度学习的DAS同井监测实时微地震有效事件识别方法，其特征在于：
微地震事件数据的初始数据包括第一部分数据和第二部分数据，所述第一部分数据为在人工模拟合成的不包含管道波和背景噪音的数据中添加实际采集到的管道波形成的数据；第二部分数据为实际监测得到的包含管道波和背景噪音的微地震事件数据；
管道波数据的初始数据为在压裂平台压裂初期实际监测获得的管道波数据；和/或
背景噪音数据的初始数据为通过相邻压裂平台的同井监测获得的井口操作的机械噪音。
4.根据权利要求2所述的基于深度学习的DAS同井监测实时微地震有效事件识别方法，其特征在于，所述对微地震事件数据、管道波数据和背景噪音数据的初始数据进行数据增广包括：
对微地震数据振幅、管道波数据振幅和背景噪音数据振幅按照随机比例进行缩放。
5.根据权利要求2所述的基于深度学习的DAS同井监测实时微地震有效事件识别方法，其特征在于，所述对所有数据进行预处理包括：
对损坏通道数据通过相邻通道进行插值替换，去除均值，去除异常大值，使用插值对被去除的异常大值进行替换，数据归一化。
6.根据权利要求2所述的基于深度学习的DAS同井监测实时微地震有效事件识别方法，其特征在于，所述使用训练数据集训练信号识别模块包括：
将数据集分为训练集与测试集，比例为8：2；
神经网络模型采用随机梯度下降优化方法；设置动态学习率，初始值设置为0.0001，每50次降低一半；批处理量设置为40；迭代次数为200；
在GPU图像处理单元上进行神经网络模型训练。
7.根据权利要求3所述的基于深度学习的DAS同井监测实时微地震有效事件识别方法，其特征在于：
将标记的微地震事件更新到所述训练数据集中是将标记的微地震事件更新到微地震事件数据的初始数据中的第二部分数据中。
8.根据权利要求2所述的基于深度学习的DAS同井监测实时微地震有效事件识别方法，其特征在于，所述对信号识别模块进行调整和更新包括：
冻结特征提取层的网络结构，保持特征提取层的参数不变，使用全部更新的微地震事件和数据集中部分旧的微地震事件，对特征输出层和全连接层之间的映射关系进行训练，将最后的一层输出的特征提取出来，利用新数据进行模型调整，重新建立由特征输出层到全连接层的映射关系；
获得新的网络模型参数，同时更新信号识别模块。
9.根据权利要求2所述的基于深度学习的DAS同井监测实时微地震有效事件识别方法，其特征在于：
所述基于DAS的水平井微地震监测系统包括：金属套管；以及固定设置在金属套管外侧的铠装光缆，所述铠装光缆内有单模光纤；
所述构建基于DAS的水平井微地震监测系统包括：
将金属套管和铠装光缆同步下入完钻的井孔里；
从井底泵入水泥浆，使水泥浆从井底沿金属套管的外壁和井孔之间的环空区返回到井口，待水泥浆固结后，使金属套管、铠装光缆和地层岩石固定在一起；
提供DAS调制解调仪器，并在井口处把铠装光缆内的单模光纤连接到DAS调制解调仪器的DAS信号输入端。
10.根据权利要求1所述的基于深度学习的DAS同井监测实时微地震有效事件识别方法，其特征在于，所述对实际监测数据进行预处理包括：
对损坏通道数据通过相邻通道进行插值替换，去除均值，去除异常大值，使用插值对被去除的异常大值进行替换，数据归一化。
Priority Applications (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210807860.0A CN114879252B (zh) | 2022-07-11 | 2022-07-11 | 基于深度学习的das同井监测实时微地震有效事件识别方法 |
| ZA2022/08453A ZA202208453B (en) | 2022-07-11 | 2022-07-28 | A das identification method for monitoring inter-well real-time microseismic valid events based on deep learning |
| US18/324,104 US11899154B2 (en) | 2022-07-11 | 2023-05-25 | DAS same-well monitoring real-time microseismic effective event identification method based on deep learning |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210807860.0A CN114879252B (zh) | 2022-07-11 | 2022-07-11 | 基于深度学习的das同井监测实时微地震有效事件识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114879252A CN114879252A (zh) | 2022-08-09 |
| CN114879252B true CN114879252B (zh) | 2022-09-13 |
Family
ID=82683677
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210807860.0A Active CN114879252B (zh) | 2022-07-11 | 2022-07-11 | 基于深度学习的das同井监测实时微地震有效事件识别方法 |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US11899154B2 (zh) |
| CN (1) | CN114879252B (zh) |
| ZA (1) | ZA202208453B (zh) |
Families Citing this family (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115373019B (zh) * | 2022-07-19 | 2023-04-07 | 中国科学院地质与地球物理研究所 | 一种高灵敏度、宽频带、全倾角地震检波器 |
| CN115327616B (zh) * | 2022-08-24 | 2024-02-23 | 中国矿业大学 | 一种海量数据驱动的矿山微震震源自动定位方法 |
| CN115290761B (zh) * | 2022-09-27 | 2023-01-17 | 中国科学院地质与地球物理研究所 | 基于深度学习的声发射数据重构方法及装置 |
| CN115291281B (zh) * | 2022-09-30 | 2022-12-20 | 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级计算方法及装置 |
| CN115373029B (zh) * | 2022-10-25 | 2023-01-31 | 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 |
| CN116009062B (zh) * | 2022-12-27 | 2023-10-03 | 中国地质大学（北京） | 基于机器学习及分布式计算的微地震实时反演监测系统 |
| CL2022003800A1 (es) * | 2022-12-28 | 2023-05-19 | Univ Tecnica Federico Santa Maria Utfsm | Sistema y método para clasificar señales de naturaleza sismológica provenientes de sensores acústicos |
| CN117270039B (zh) * | 2023-11-23 | 2024-02-20 | 煤炭科学研究总院有限公司 | 多通道微震信号小样本集成学习定向拾震方法 |
| CN117408165B (zh) * | 2023-12-14 | 2024-03-15 | 中国石油大学(华东) | 一种基于机器学习的压裂过程复杂事件智能预警优化方法 |
| CN118112647A (zh) * | 2024-02-20 | 2024-05-31 | 中国地质科学院地质力学研究所 | 一种基于混合深度神经网络的微地震p波初至拾取方法 |
| CN118193950B (zh) * | 2024-04-02 | 2024-07-16 | 中国科学院地质与地球物理研究所 | 基于一维卷积神经网络的地震计自噪声计算方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2014038065A (ja) * | 2012-08-20 | 2014-02-27 | Railway Technical Research Institute | 線路沿線に設置された地震計の列車振動ノイズ識別方法 |
| CN111562612A (zh) * | 2020-05-20 | 2020-08-21 | 大连理工大学 | 一种基于注意力机制的深度学习微震事件识别方法及系统 |
| CN112363216A (zh) * | 2020-08-19 | 2021-02-12 | 中国石油大学(华东) | 基于注意力机制的地震数据去噪方法 |
| CN112464721A (zh) * | 2020-10-28 | 2021-03-09 | 中国石油天然气集团有限公司 | 微地震事件自动识别方法及装置 |
| CN112780256A (zh) * | 2021-03-03 | 2021-05-11 | 中油奥博(成都)科技有限公司 | 基于分布式光纤传感的水平井微地震监测系统及监测方法 |
| CN113935467A (zh) * | 2021-10-19 | 2022-01-14 | 吉林大学 | 基于迭代多尺度注意力网络的das井中勘探数据噪声抑制方法 |
-
2022
- 2022-07-11 CN CN202210807860.0A patent/CN114879252B/zh active Active
- 2022-07-28 ZA ZA2022/08453A patent/ZA202208453B/en unknown
-
2023
- 2023-05-25 US US18/324,104 patent/US11899154B2/en active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2014038065A (ja) * | 2012-08-20 | 2014-02-27 | Railway Technical Research Institute | 線路沿線に設置された地震計の列車振動ノイズ識別方法 |
| CN111562612A (zh) * | 2020-05-20 | 2020-08-21 | 大连理工大学 | 一种基于注意力机制的深度学习微震事件识别方法及系统 |
| CN112363216A (zh) * | 2020-08-19 | 2021-02-12 | 中国石油大学(华东) | 基于注意力机制的地震数据去噪方法 |
| CN112464721A (zh) * | 2020-10-28 | 2021-03-09 | 中国石油天然气集团有限公司 | 微地震事件自动识别方法及装置 |
| CN112780256A (zh) * | 2021-03-03 | 2021-05-11 | 中油奥博(成都)科技有限公司 | 基于分布式光纤传感的水平井微地震监测系统及监测方法 |
| CN113935467A (zh) * | 2021-10-19 | 2022-01-14 | 吉林大学 | 基于迭代多尺度注意力网络的das井中勘探数据噪声抑制方法 |
Non-Patent Citations (3)
| Title |
|---|
| A quantitative pre-warning for coal burst hazardous zones in a deep coal mine based on the spatio-temporal forecast of microseismic events;JieChen 等;《Process Safety and Environmental Protection》;20220331;第159卷;第1105-1112页 * |
| 卷积神经网络微地震事件检测;王维波等;《石油地球物理勘探》;20201015(第05期);第1-6页 * |
| 基于循环神经网络的微地震数据降噪方法;李盼池 等;《吉林大学学报》;20220531;第60卷(第3期);第685-697页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| ZA202208453B (en) | 2022-11-30 |
| US20230296800A1 (en) | 2023-09-21 |
| CN114879252A (zh) | 2022-08-09 |
| US11899154B2 (en) | 2024-02-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114879252B (zh) | 基于深度学习的das同井监测实时微地震有效事件识别方法 | |
| EP3947905B1 (en) | Machine-learning based fracture-hit detection using low-frequency das signal | |
| US10983238B2 (en) | Wellbore sand detection using passive acoustic array | |
| CN115291281B (zh) | 基于深度学习的实时微地震震级计算方法及装置 | |
| US9410421B2 (en) | System and method for microseismic analysis | |
| US9612359B2 (en) | Generation of fracture networks using seismic data | |
| CN103403768B (zh) | 有关地下岩层的模型的方法和系统 | |
| US20140334260A1 (en) | Neural Network Signal Processing of Microseismic Events | |
| CN116378648B (zh) | 一种基于随钻声波前视的近钻头地层探测方法及装置 | |
| US20220082726A1 (en) | System and method of calibrating downhole fiber-optic well measurements | |
| EP4427078A1 (en) | Well log correlation system | |
| WO2008056267A2 (en) | System and method for determing seismic event location | |
| US11970939B2 (en) | Machine learning analysis of low-frequency signal data in fracturing operations | |
| US10444387B2 (en) | Monitoring microseismic events | |
| US11971515B2 (en) | Deep learning model with dilation module for fault characterization | |
| US10392913B2 (en) | Treatment based on fiber cable sensor data | |
| CN115373029B (zh) | 基于深度学习的实时微地震震源机制计算方法及系统 | |
| Li et al. | Deep learning for quantitative hydraulic fracture profiling from fiber optic measurements | |
| CN114895359B (zh) | 一种das同井监测实时微地震有效事件去噪方法及系统 | |
| CN114594523B (zh) | 物理约束与数据驱动构建核磁共振t2谱的方法与装置 | |
| CN114397701A (zh) | 基于cnn方法的人工智能四维地震反演方法 | |
| Li et al. | Deep Learning Based Production Flow Profiling and Allocation Using Fiber Optic DAS and DTS Data | |
| Adenan | Machine Learning Assisted Framework for Advanced Subsurface Fracture Mapping and Well Interference Quantification | |
| CN117706625A (zh) | 一种基于das的煤层压裂微震监测方法 | |
| CN114594523A (zh) | 物理约束与数据驱动构建核磁共振t2谱的方法与装置 |
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 |