CN115373029B - 基于深度学习的实时微地震震源机制计算方法及系统 - Google Patents
基于深度学习的实时微地震震源机制计算方法及系统 Download PDFInfo
- Publication number
- CN115373029B CN115373029B CN202211306096.5A CN202211306096A CN115373029B CN 115373029 B CN115373029 B CN 115373029B CN 202211306096 A CN202211306096 A CN 202211306096A CN 115373029 B CN115373029 B CN 115373029B
- Authority
- CN
- China
- Prior art keywords
- seismic
- micro
- das
- source mechanism
- simulated
- 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
- 230000007246 mechanism Effects 0.000 title claims abstract description 190
- 238000004364 calculation method Methods 0.000 title claims abstract description 77
- 238000013135 deep learning Methods 0.000 title claims abstract description 16
- 238000012549 training Methods 0.000 claims abstract description 90
- 238000012544 monitoring process Methods 0.000 claims abstract description 32
- 238000007781 pre-processing Methods 0.000 claims abstract description 20
- 230000002159 abnormal effect Effects 0.000 claims abstract description 12
- 238000000034 method Methods 0.000 claims description 26
- 230000004913 activation Effects 0.000 claims description 10
- 238000010276 construction Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 7
- 238000004088 simulation Methods 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 4
- 238000011176 pooling Methods 0.000 claims description 4
- 238000005096 rolling process Methods 0.000 claims description 3
- 239000013307 optical fiber Substances 0.000 description 20
- 239000002184 metal Substances 0.000 description 9
- 238000004458 analytical method Methods 0.000 description 8
- 230000003287 optical effect Effects 0.000 description 8
- 238000009826 distribution Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 239000004568 cement Substances 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 239000000835 fiber Substances 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 239000002002 slurry Substances 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 239000012530 fluid Substances 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 241000270295 Serpentes Species 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000005670 electromagnetic radiation Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000005086 pumping Methods 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000002194 synthesizing effect 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
- G01V1/40—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
- G01V1/50—Analysing 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
- G01V1/40—Seismology; Seismic or acoustic prospecting or detecting specially adapted for well-logging
- G01V1/42—Seismology; Seismic or acoustic prospecting or detecting specially adapted for well-logging using generators in one well and receivers elsewhere or vice versa
-
- 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
- G01V1/46—Data acquisition
-
- 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
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V2210/00—Details of seismic processing or analysis
- G01V2210/10—Aspects of acoustic signal generation or detection
- G01V2210/12—Signal generation
- G01V2210/123—Passive source, e.g. microseismics
- G01V2210/1234—Hydrocarbon reservoir, e.g. spontaneous or induced fracturing
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V2210/00—Details of seismic processing or analysis
- G01V2210/60—Analysis
- G01V2210/64—Geostructures, e.g. in 3D data cubes
- G01V2210/646—Fractures
Landscapes
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Environmental & Geological Engineering (AREA)
- Remote Sensing (AREA)
- Acoustics & Sound (AREA)
- Geology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geophysics (AREA)
- Theoretical Computer Science (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明提出了一种基于深度学习的实时微地震震源机制计算方法及系统,属于微地震监测技术领域,微地震震源机制计算方法包括:构建训练数据集;每条训练数据包括模拟DAS微地震应变数据以及与模拟DAS微地震应变数据对应的震源机制;利用训练数据集训练震源机制计算模型,将模拟DAS微地震应变数据作为输入,将对应的震源机制作为目标输出,得到训练好的震源机制计算模型;利用地面井下DAS采集系统采集DAS微地震应变数据;对DAS微地震应变数据进行去除异常大值等预处理操作;将预处理后的DAS微地震应变数据输入到训练好的震源机制计算模型中,得到震源机制,无需对应变数据进行转换,提高了震源机制计算的效率和准确度。
Description
技术领域
本发明涉及微地震监测技术领域,特别是涉及一种基于深度学习的实时微地震震源机制计算方法及系统。
背景技术
水力压裂技术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。在水力压裂过程中,在井口使用高压泵将压裂液注入压裂井,地下储层由于应力的变化被压裂产生微地震。
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监测压裂过程、评价压裂效果,进而指导和优化工程参数。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。微地震监测主要包含有效事件拾取,微地震震源定位,微地震震源分析(震源机制和震级),储层应力分析,储层裂缝计算以及有效压裂体积等方面。通过对微地震震源机制的研究,可揭示微地震的产生机理和地下储层的应力变化规律,有效地优化水力压裂和储层改造设计以提高采收率。
在目前的水力压裂微地震监测中,有众多的研究者对微地震震源机制反演进行了详细的分析和研究,如:基于初动极性约束、基于振幅相关信息约束以及基于波形信息约束的震源机制反演策略。然而上述的基于初动极性约束、基于振幅相关信息约束以及基于波形信息约束的震源机制反演策略通常适用于常规观测系统采集的数据,一般为位移、速度或加速度数据,而不能对应变数据采集系统所采集的应变数据。在处理应变数据时,需要对应变数据进行转换,因此效率较低,且精度不高。因此,亟需一种新的适用于应变数据的实时微地震震源机制计算方法。
发明内容
本发明的目的是提供一种基于深度学习的实时微地震震源机制计算方法及系统,提高了震源机制计算的效率和准确度。
为实现上述目的,本发明提供了如下方案:
一种基于深度学习的实时微地震震源机制计算方法,所述微地震震源机制计算方法包括以下步骤:
构建包括若干条训练数据的训练数据集;所述训练数据包括模拟DAS微地震应变数据以及与所述模拟DAS微地震应变数据对应的震源机制;
利用所述训练数据集训练震源机制计算模型,将所述模拟DAS微地震应变数据作为输入,将所述模拟DAS微地震应变数据对应的震源机制作为目标输出,得到训练好的震源机制计算模型;
利用地面井下DAS采集系统采集DAS微地震应变数据;所述DAS微地震应变数据包括在多个通道下采集的P波信息和/或S波信息;
对所述DAS微地震应变数据进行预处理,得到预处理后的DAS微地震应变数据;所述预处理包括对所述DAS微地震应变数据中各通道采集的数据进行去除异常大值操作;
将所述预处理后的DAS微地震应变数据输入到所述训练好的震源机制计算模型中,得到震源机制。
可选地,所述震源机制的参数包括滑移角、走向角和倾斜方位角;所述构建包括若干条训练数据的训练数据集,具体包括:
在震源机制各参数的取值范围内,确定若干个模拟震源机制;
根据所述模拟震源机制,生成所述模拟震源机制对应的模拟DAS微地震应变数据;
将所述模拟DAS微地震应变数据和对应的模拟震源机制作为一条训练数据,得到训练数据集。
可选地,所述震源机制各参数的取值范围为:0°<滑移角<180°,0°<走向角<360°,0°<倾斜方位角<90°。
可选地,在所述根据所述模拟震源机制,生成所述模拟震源机制对应的模拟DAS微地震应变数据之后,所述将所述模拟DAS微地震应变数据和对应的模拟震源机制作为一条训练数据,得到训练数据集之前,所述微地震震源机制计算方法还包括:
在若干个所述模拟DAS微地震应变数据中添加背景噪音;所述背景噪音为实际监测时的背景噪音。
可选地,在所述构建包括若干条训练数据的训练数据集之后,所述微地震震源机制计算方法还包括:
在所述训练数据集中随机选取多个所述模拟DAS微地震应变数据;
将选取的所述模拟DAS微地震应变数据中的随机多个通道的数据置空,得到存在异常通道的模拟DAS微地震应变数据。
可选地,所述震源机制计算模型为神经网络模型,所述震源机制计算模型包括依次连接的4个卷积块和2个全连接块;4个所述卷积块均包括依次连接的卷积层、激活层、最大池化层和Dropout层。
可选地,所述激活层采用ReLU激活函数。
对应于前述的微地震震源机制计算方法,本发明还提供了一种基于深度学习的实时微地震震源机制计算系统,所述微地震震源机制计算系统包括:
训练数据集构建模块,用于构建包括若干条训练数据的训练数据集;所述训练数据包括模拟DAS微地震应变数据以及与所述模拟DAS微地震应变数据对应的震源机制;
计算模型训练模块,用于利用所述训练数据集训练震源机制计算模型,将所述模拟DAS微地震应变数据作为输入,将所述模拟DAS微地震应变数据对应的震源机制作为目标输出,得到训练好的震源机制计算模型;
数据采集模块,用于利用地面井下DAS采集系统采集DAS微地震应变数据;所述DAS微地震应变数据包括在多个通道下采集的P波信息和/或S波信息;
数据预处理模块,用于对所述DAS微地震应变数据进行预处理,得到预处理后的DAS微地震应变数据;所述预处理包括对所述DAS微地震应变数据中各通道采集的数据进行去除异常大值操作;
震源机制计算模块,用于将所述预处理后的DAS微地震应变数据输入到所述训练好的震源机制计算模型中,得到震源机制。
可选地,所述震源机制的参数包括滑移角、走向角和倾斜方位角;所述训练数据集构建模块包括:
震源机制模拟单元,用于在震源机制各参数的取值范围内,确定若干个模拟震源机制;
DAS微地震应变数据生成单元,用于根据所述模拟震源机制,生成所述模拟震源机制对应的模拟DAS微地震应变数据;将所述模拟DAS微地震应变数据和对应的模拟震源机制作为一条训练数据,得到训练数据集。
可选地,所述训练数据集构建模块还包括:
背景噪音添加单元,用于在若干个所述模拟DAS微地震应变数据中添加背景噪音;所述背景噪音为实际监测时的背景噪音。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明提供的一种基于深度学习的实时微地震震源机制计算方法及系统,微地震震源机制计算方法包括:构建包括若干条训练数据的训练数据集;训练数据包括模拟DAS微地震应变数据以及与模拟DAS微地震应变数据对应的震源机制;利用训练数据集训练震源机制计算模型,将模拟DAS微地震应变数据作为输入,将模拟DAS微地震应变数据对应的震源机制作为目标输出,得到训练好的震源机制计算模型;利用地面井下DAS采集系统采集DAS微地震应变数据;DAS微地震应变数据包括在多个通道下采集的P波信息和/或S波信息;对DAS微地震应变数据进行预处理,得到预处理后的DAS微地震应变数据;预处理包括对DAS微地震应变数据中各通道采集的数据进行去除异常大值操作;将预处理后的DAS微地震应变数据输入到训练好的震源机制计算模型中,得到震源机制。
本发明提供的微地震震源机制计算方法及系统,利用训练数据集训练震源机制计算模型,使震源机制计算模型学习DAS微地震应变数据和震源机制二者之间的关系,以准确地通过DAS微地震应变数据计算得到震源机制,提高了震源机制计算的效率;而且本发明中DAS微地震应变数据选择的是P波信息和/或S波信息,相较于现有的震源机制反演策略,使用的信息不再局限于单独一种,最终计算得到的震源机制更加准确。另外本发明通过震源机制模拟生成对应的DAS微地震应变数据,使能够参与震源机制计算模型训练的数据量有所提高,避免了实际能够获取到的数据量过少,对震源机制计算模型的训练不到位的问题发生。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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1提供的一种基于深度学习的实时微地震震源机制计算方法的流程图;
图2为本发明实施例1提供的方法中步骤S1的流程图;
图3为本发明实施例1提供的方法中震源机制计算模型的结构示意图;
图4为本发明实施例1提供的方法中地面井下DAS采集系统的布置图;
图5为本发明实施例2提供的一种基于深度学习的实时微地震震源机制计算系统的结构示意图。
具体实施方式
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,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做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。
在水力压裂和微地震监测过程中微地震震源机制反演与解释也有众多的研究者进行了详细的分析和研究,主流的包括以下几种:
基于初动极性约束的反演方法,可利用各检波器记录波形的初至纵波(P波)极性,找到划分极性的两个正交平面,从而得出基于剪切位错模型的微地震震源机制解。
基于振幅约束的反演方法,利用P波(或S波)的绝对振幅或S波和P波的振幅比信息。
除上述基于初动极性和振幅的约束外,还有些微地震震源机制研究使用波形信息作为反演时的约束条件,这里的波形(或全波形)信息指的是实际检波器记录的部分(或整个)微地震记录。该类方法并不提取微地震记录的某一特征(如P波初动极性、振幅等),而是直接使用整个记录构建目标函数进行反演。
但是上述基于初动极性、振幅或波形等单一约束的微地震震源机制反演,往往针对常规微地震监测的观测系统,以及常规地震数据(一般为位移、速度或加速度数据,一般不使用应变数据)。而在处理应变数据时,需要先对应变数据进行数据转换,效率较低且精度不高。
本发明的目的是提供一种基于深度学习的实时微地震震源机制计算方法及系统,直接使用DAS应变数据,无需对DAS应变数据进行转换,提高了震源机制计算的效率和准确度。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1:
本实施例提供了一种基于深度学习的实时微地震震源机制计算方法,如图1所示的流程图,微地震震源机制计算方法包括以下步骤:
S1、构建包括若干条训练数据的训练数据集;训练数据包括模拟DAS微地震应变数据以及与模拟DAS微地震应变数据对应的震源机制;对于单个DAS微地震应变数据,共包含Nt个通道,每个通道包括Ns个采样点;震源机制的参数包括滑移角、走向角和倾斜方位角;走向角为断层面与水平面交线的方向角,倾斜方位角为断层面与水平面的夹角,滑移角为断层滑动矢量和走向之间的夹角。
本实施例中,如图2所示,步骤S1具体包括:
S11、在震源机制各参数的取值范围内,确定若干个模拟震源机制;震源机制各参数的取值范围为:0°<滑移角<180°,0°<走向角<360°,0°<倾斜方位角<90°。在一些实施方式中,滑移角、走向角和倾斜方位角的取值可以在0°~360°,在本实施例中,将滑移角rake(181°~360°)和倾斜方位角dip(91°~360°)置零。这样做的目的是方便数据集的构建及处理。
需要指出的是,步骤S11确定的模拟震源机制符合以准确震源机制为中心的高斯分布,角度分辨率为1°。高斯分布的计算公式为
其中,rake、strike和dip分别为模拟震源机制各参数的值,r0为准确的滑移角度,σ为高斯分布的标准差,s0为准确的走向角度,其中d0为准确的倾斜方位角度。
S12、根据模拟震源机制,生成模拟震源机制对应的模拟DAS微地震应变数据;在一些实施方式中,在确定模拟震源机制后,确定震源位置参数,该位置一般位于压裂段附近,模拟可能发生的震源位置(x,y,z)。并且在该区域的介质速度模型下使用解析格林函数来合成DAS微地震应变数据。本实施例中根据测井数据获得层速度,再根据地层倾斜方位角构建倾斜层状速度模型,在倾斜层状速度模型下合成DAS微地震应变数据。
在实际的DAS微地震应变数据中通常会携带背景噪音,因此,为了使生成的模拟DAS微地震应变数据更贴合实际获取的DAS微地震应变数据,在生成模拟震源机制对应的模拟DAS微地震应变数据之后,微地震震源机制计算方法还包括:
在若干个模拟DAS微地震应变数据中添加实际观测系统采集的背景噪音,以模仿实际采集数据的信噪比及特征。
S13、将模拟DAS微地震应变数据和对应的模拟震源机制作为一条训练数据,得到训练数据集。
通过不同的实验,在实际的DAS微地震应变数据监测过程中,偶尔会因为一些原因采集到一些异常数据,如通道异常;因此,在利用训练数据集训练震源机制计算模型之前,微地震震源机制计算方法还包括:
在训练数据集中随机选取多个模拟DAS微地震应变数据;
将选取的模拟DAS微地震应变数据中的随机多个通道的数据置空,得到存在异常通道的模拟DAS微地震应变数据;同理,还可以通过对选取的模拟DAS微地震应变数据中的背景噪音进行振幅尺度缩放,从而使参与模型训练的数据集更符合实际DAS微地震应变数据分布。
S2、利用训练数据集训练震源机制计算模型,得到训练好的震源机制计算模型;将模拟DAS微地震应变数据作为输入,将模拟DAS微地震应变数据对应的震源机制作为目标输出。模型的训练在GPU图像处理单元上完成。
本实施例中,震源机制计算模型为神经网络模型,如图3所示的,震源机制计算模型包括依次连接的4个卷积块和2个全连接块;4个卷积块均包括依次连接的卷积层、激活层、最大池化层和Dropout层;激活层采用ReLU激活函数,使用2D卷积层,卷积的核大小设置为(64×3×3),模型训练参数padding和stride分别为1和2。采用随机梯度下降优化方法;设置动态学习率η,η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。将计算得到的震源机制与模拟DAS微地震应变数据对应的震源机制的误差来更新计算模型的超参数。本实施例中采用均方误差MSE(mean squared error)作为损失函数来计算震源机制计算模型的误差。
S3、利用地面井下DAS采集系统采集DAS微地震应变数据;DAS微地震应变数据包括在Nt个通道下Ns个采样点采集的P波信息和/或S波信息。
现有的对常规微地震数据的采集一般分为地面微地震监测、井中微地震监测等;其中,地面监测的检波器与储层距离较远,并且容易受到较强的施工噪音干扰;井中监测的检波器数量较少且采集方位角较窄,且对常规检波器布设限制较多。
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最大的优势在于将光纤作为一体化融合的载体进行信号接收和传输,具有很好的实时性;光纤具有不受电磁辐射干扰、耐高温、化学反应呈惰性、性质稳定等特点,可很好地适应复杂作业环境。
DAS监测一般分为同井监测和邻井监测。同井监测中,监测井和压裂井为同一水平井;而在邻井监测中,监测井和压裂井为不同水平井;但是无论是同井监测还是邻井监测均为地下观测,观测方位相对较为有限。
现阶段除了前述的两种井中监测方式,对DAS微地震应变数据的采集还有通过井下光纤采集系统和地面检波器进行采集的,但观测方位相对较窄(沿井方向方位宽,但垂直于井方向范围窄);而且地面采集系统一般使用的检波器存在检测通道数量较少的问题(检波器为几百个通道,光纤可达几千个通道)。同时地面检波器和井下光纤联合采集,两种数据量纲不一致(一种为微地震应变数据,一种为常规微地震数据),导致处理存在问题。还有的是通过井下检波器和地面检波器进行微地震数据的采集,但是采集的数据量少、方位少。
因此,在本发明中采用了地面井下分布式光纤声波传感采集系统进行DAS微地震应变数据的采集,在同井和邻井监测的基础上,进一步布设地面光纤,实现地面采集,获得全方位的观测数据,该系统数据量大,观测方位较现有技术更全面,如图4左侧所示,地面井下分布式光纤声波传感采集系统包括地面光纤和井下光纤,地面光纤在地面上呈蛇形布置,井下光纤沿水平井呈耙形布置,且如图4右侧所示,地面光纤和井下光纤在俯视角度上呈正交布置。地面光纤和井下光纤均包括金属套管和单模光纤;其中,金属套管外侧固定有铠装光缆,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调制解调仪信号端口与套管外特种光纤相连接。地面井下分布式光纤声波传感采集系统的架设及使用步骤包括:
A1、把金属套管和铠装光缆同步缓慢的下入完钻的井孔里。
A2、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套管过程中不会移动和/或被损坏。
A3、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外壁和钻孔之间的环空区返回到井口,水泥浆固结后,把金属套管、铠装光缆和地层岩石永久性的固定在一起。
A4、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。
A5、收集水平井周围区域的三维地面地震数据并进行预处理,获得三维地震纵波速度数据体,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。
A6、在井下预先设计的射孔位置依次对金属套管进行定向射孔作业,同时利用井下布设的套管外单模光纤以及井口附近的DAS调制解调仪器记录定向射孔作业时产生的射孔信号,利用这些射孔信号的纵波的走时差,对步骤A5中初步地震纵波速度场进行标定和更新,获得最终用于水力压裂微地震事件分析的速度场。
A7、在水力压裂作业时,此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。
A8、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。基于压裂参数等施工条件和储层参数,使用区间分析理论,对震源位置、激发时间等结果进行可信度分析,获得其置信区间及对应的可信度值。将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。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。
A9、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;利用所有实时监测到的所有微地震事件在三维空间分布范围的包络计算水力压力作业产生的总被改造体积SRV。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。
S4、对DAS微地震应变数据进行预处理,得到预处理后的DAS微地震应变数据;预处理包括对DAS微地震应变数据中各通道采集的数据进行去除异常大值操作;预处理操作还可以包括对DAS微地震应变数据中的损坏道数据进行插值替换、对各通道采集的数据进行去除均值操作等。
S5、将预处理后的DAS微地震应变数据输入到训练好的震源机制计算模型中,得到震源机制。如图3所示的,震源机制计算模型输入为含有P波信息和/或S波信息的DAS微地震应变数据,最后的全连接块输出震源机制3个参数分别对应的矢量数据,3个矢量上各自的最大值对应为当前计算的震源机制的三个参数的值。
本实施例提供的微地震震源机制计算方法,利用训练数据集训练震源机制计算模型,使震源机制计算模型学习DAS微地震应变数据和震源机制二者之间的关系,以准确地通过DAS微地震应变数据计算得到震源机制,提高了震源机制计算的效率;而且本发明中DAS微地震应变数据选择的是P波信息和/或S波信息,相较于现有的震源机制反演策略,使用的信息不再局限于单独一种,最终计算得到的震源机制更加准确。另外本发明通过震源机制模拟生成对应的DAS微地震应变数据,使能够参与震源机制计算模型训练的数据量有所提高,避免了实际能够获取到的数据量过少,对震源机制计算模型的训练不到位的问题发生。
实施例2:
如图5所示的结构示意图,对应于实施例1所提供的一种基于深度学习的实时微地震震源机制计算方法,本实施例提供了一种基于深度学习的实时微地震震源机制计算系统,微地震震源机制计算系统包括:
训练数据集构建模块1,用于构建包括若干条训练数据的训练数据集;训练数据包括模拟DAS微地震应变数据以及与模拟DAS微地震应变数据对应的震源机制;震源机制的参数包括滑移角、走向角和倾斜方位角;
计算模型训练模块2,用于利用训练数据集训练震源机制计算模型,将模拟DAS微地震应变数据作为输入,将模拟DAS微地震应变数据对应的震源机制作为目标输出,得到训练好的震源机制计算模型;
数据采集模块3,用于利用地面井下DAS采集系统采集DAS微地震应变数据;DAS微地震应变数据包括在多个通道下采集的P波信息和/或S波信息;
数据预处理模块4,用于对DAS微地震应变数据进行预处理,得到预处理后的DAS微地震应变数据;预处理包括对DAS微地震应变数据中各通道采集的数据进行去除异常大值操作;
震源机制计算模块5,用于将预处理后的DAS微地震应变数据输入到训练好的震源机制计算模型中,得到震源机制。
在进行神经网络训练时,若实际能够获取到的数据量过少,对震源机制计算模型的训练将会不到位,因此,为了使能够参与震源机制计算模型训练的数据量有所提高,本实施例中,训练数据集构建模块1包括:
震源机制模拟单元11,用于在震源机制各参数的取值范围内,确定若干个模拟震源机制;
DAS微地震应变数据生成单元12,用于根据模拟震源机制,生成模拟震源机制对应的模拟DAS微地震应变数据;将模拟DAS微地震应变数据和对应的模拟震源机制作为一条训练数据,得到训练数据集。
在实际的DAS微地震应变数据中通常会携带背景噪音,因此,为了使生成的模拟DAS微地震应变数据更贴合实际获取的DAS微地震应变数据,本实施例中,训练数据集构建模块1还包括:
背景噪音添加单元13,用于在若干个模拟DAS微地震应变数据中添加背景噪音;背景噪音为实际监测时的背景噪音。
本文中应用了具体个例,但以上描述仅是对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;本领域的技术人员应该理解,上述本发明的各模块或各步骤可以用通用的计算机装置来实现,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。本发明不限制于任何特定的硬件和软件的结合。
同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种基于深度学习的实时微地震震源机制计算方法,其特征在于,所述微地震震源机制计算方法包括:
构建包括若干条训练数据的训练数据集;所述训练数据包括模拟DAS微地震应变数据以及与所述模拟DAS微地震应变数据对应的震源机制;震源机制的参数包括滑移角、走向角和倾斜方位角;
利用所述训练数据集训练震源机制计算模型,将所述模拟DAS微地震应变数据作为输入,将所述模拟DAS微地震应变数据对应的震源机制作为目标输出,得到训练好的震源机制计算模型;所述震源机制计算模型为神经网络模型,所述震源机制计算模型包括依次连接的4个卷积块和2个全连接块;4个所述卷积块均包括依次连接的卷积层、激活层、最大池化层和Dropout层;所述激活层采用ReLU激活函数;使用2D卷积层;
利用地面井下DAS采集系统采集DAS微地震应变数据;所述DAS微地震应变数据包括在多个通道下采集的P波信息和/或S波信息;
对所述DAS微地震应变数据进行预处理,得到预处理后的DAS微地震应变数据;所述预处理包括对所述DAS微地震应变数据中各通道采集的数据进行去除异常大值操作;
将所述预处理后的DAS微地震应变数据输入到所述训练好的震源机制计算模型中,得到震源机制。
2.根据权利要求1所述的微地震震源机制计算方法,其特征在于,所述构建包括若干条训练数据的训练数据集,具体包括:
在震源机制各参数的取值范围内,确定若干个模拟震源机制;
根据所述模拟震源机制,生成所述模拟震源机制对应的模拟DAS微地震应变数据;
将所述模拟DAS微地震应变数据和对应的模拟震源机制作为一条训练数据,得到训练数据集。
3.根据权利要求2所述的微地震震源机制计算方法,其特征在于,所述震源机制各参数的取值范围为:0°<滑移角<180°,0°<走向角<360°,0°<倾斜方位角<90°。
4.根据权利要求2所述的微地震震源机制计算方法,其特征在于,在所述根据所述模拟震源机制,生成所述模拟震源机制对应的模拟DAS微地震应变数据之后,所述将所述模拟DAS微地震应变数据和对应的模拟震源机制作为一条训练数据,得到训练数据集之前,所述微地震震源机制计算方法还包括:
在若干个所述模拟DAS微地震应变数据中添加背景噪音;所述背景噪音为实际监测时的背景噪音。
5.根据权利要求1所述的微地震震源机制计算方法,其特征在于,在所述构建包括若干条训练数据的训练数据集之后,所述微地震震源机制计算方法还包括:
在所述训练数据集中随机选取多个所述模拟DAS微地震应变数据;
将选取的所述模拟DAS微地震应变数据中的随机多个通道的数据置空,得到存在异常通道的模拟DAS微地震应变数据。
6.一种基于深度学习的实时微地震震源机制计算系统,其特征在于,所述微地震震源机制计算系统包括:
训练数据集构建模块,用于构建包括若干条训练数据的训练数据集;所述训练数据包括模拟DAS微地震应变数据以及与所述模拟DAS微地震应变数据对应的震源机制;震源机制的参数包括滑移角、走向角和倾斜方位角;
计算模型训练模块,用于利用所述训练数据集训练震源机制计算模型,将所述模拟DAS微地震应变数据作为输入,将所述模拟DAS微地震应变数据对应的震源机制作为目标输出,得到训练好的震源机制计算模型;所述震源机制计算模型为神经网络模型,所述震源机制计算模型包括依次连接的4个卷积块和2个全连接块;4个所述卷积块均包括依次连接的卷积层、激活层、最大池化层和Dropout层;所述激活层采用ReLU激活函数;使用2D卷积层;
数据采集模块,用于利用地面井下DAS采集系统采集DAS微地震应变数据;所述DAS微地震应变数据包括在多个通道下采集的P波信息和/或S波信息;
数据预处理模块,用于对所述DAS微地震应变数据进行预处理,得到预处理后的DAS微地震应变数据;所述预处理包括对所述DAS微地震应变数据中各通道采集的数据进行去除异常大值操作;
震源机制计算模块,用于将所述预处理后的DAS微地震应变数据输入到所述训练好的震源机制计算模型中,得到震源机制。
7.根据权利要求6所述的微地震震源机制计算系统,其特征在于,所述训练数据集构建模块包括:
震源机制模拟单元,用于在震源机制各参数的取值范围内,确定若干个模拟震源机制;
DAS微地震应变数据生成单元,用于根据所述模拟震源机制,生成所述模拟震源机制对应的模拟DAS微地震应变数据;将所述模拟DAS微地震应变数据和对应的模拟震源机制作为一条训练数据,得到训练数据集。
8.根据权利要求6所述的微地震震源机制计算系统,其特征在于,所述训练数据集构建模块还包括:
背景噪音添加单元,用于在若干个所述模拟DAS微地震应变数据中添加背景噪音;所述背景噪音为实际监测时的背景噪音。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211306096.5A CN115373029B (zh) | 2022-10-25 | 2022-10-25 | 基于深度学习的实时微地震震源机制计算方法及系统 |
US18/199,531 US20240134080A1 (en) | 2022-10-24 | 2023-05-18 | Method and System for Real-Time Calculating a Microseismic Focal Mechanism Based on Deep Learning |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211306096.5A CN115373029B (zh) | 2022-10-25 | 2022-10-25 | 基于深度学习的实时微地震震源机制计算方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115373029A CN115373029A (zh) | 2022-11-22 |
CN115373029B true CN115373029B (zh) | 2023-01-31 |
Family
ID=84074106
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211306096.5A Active CN115373029B (zh) | 2022-10-24 | 2022-10-25 | 基于深度学习的实时微地震震源机制计算方法及系统 |
Country Status (2)
Country | Link |
---|---|
US (1) | US20240134080A1 (zh) |
CN (1) | CN115373029B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110133715A (zh) * | 2019-05-29 | 2019-08-16 | 长江大学 | 一种基于初至时差和波形叠加的微地震震源定位方法 |
CN114063153A (zh) * | 2021-12-01 | 2022-02-18 | 中国地震局地球物理研究所 | 一种自动反演震源机制解的方法与装置 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107843921A (zh) * | 2017-11-03 | 2018-03-27 | 中国石油集团川庆钻探工程有限公司地球物理勘探公司 | 一种微地震震源机制反演方法 |
CN109212597B (zh) * | 2018-10-16 | 2020-04-17 | 中国矿业大学(北京) | 基于深度信念网络和扫描叠加的微震源自动定位方法 |
JP2022053155A (ja) * | 2020-09-24 | 2022-04-05 | 清水建設株式会社 | 地震動評価モデル生成方法、地震動評価モデル生成装置、地震動評価方法、及び、地震動評価装置 |
CN112213768B (zh) * | 2020-09-25 | 2022-06-24 | 南方科技大学 | 一种联合震源机制反演的地面微地震定位方法及系统 |
CN112748465B (zh) * | 2020-12-30 | 2021-12-10 | 中国矿业大学(北京) | 基于岩石特征的震源机制反演方法及装置 |
CN114842280A (zh) * | 2021-01-14 | 2022-08-02 | 西南科技大学 | 一种基于卷积神经网络的自动识别微地震信号算法 |
CN112901158A (zh) * | 2021-02-20 | 2021-06-04 | 中国石油天然气集团有限公司 | 水力裂缝缝长的预测方法、裂缝网络建模的方法及装置 |
CN112780256B (zh) * | 2021-03-03 | 2023-11-03 | 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 |
CN114152980B (zh) * | 2021-12-01 | 2022-06-10 | 中国地震局地球物理研究所 | 一种快速自动化产出震源机制解的方法与装置 |
CN114637045A (zh) * | 2022-02-25 | 2022-06-17 | 三峡大学 | 基于UNet++联合Clique Block的微地震P波初至拾取的方法 |
CN114879252B (zh) * | 2022-07-11 | 2022-09-13 | 中国科学院地质与地球物理研究所 | 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 |
-
2022
- 2022-10-25 CN CN202211306096.5A patent/CN115373029B/zh active Active
-
2023
- 2023-05-18 US US18/199,531 patent/US20240134080A1/en active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110133715A (zh) * | 2019-05-29 | 2019-08-16 | 长江大学 | 一种基于初至时差和波形叠加的微地震震源定位方法 |
CN114063153A (zh) * | 2021-12-01 | 2022-02-18 | 中国地震局地球物理研究所 | 一种自动反演震源机制解的方法与装置 |
Also Published As
Publication number | Publication date |
---|---|
CN115373029A (zh) | 2022-11-22 |
US20240134080A1 (en) | 2024-04-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102373923B (zh) | 一种储层识别方法 | |
CN101251604B (zh) | 二参数转换波速度分析及动校正方法 | |
CN115291281B (zh) | 基于深度学习的实时微地震震级计算方法及装置 | |
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 | |
CN104502997B (zh) | 一种利用裂缝密度曲线预测裂缝密度体的方法 | |
US11112513B2 (en) | Method and device for estimating sonic slowness in a subterranean formation | |
CN103403768B (zh) | 有关地下岩层的模型的方法和系统 | |
US11215722B2 (en) | Joint sensor orientation and velocity model calibration | |
CN112780256A (zh) | 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 | |
WO2019027466A1 (en) | ESTIMATION OF VERTICAL SEISMIC PROFILING TRAINING SPEED | |
CN111257941B (zh) | 一种组合式海底地震仪方位角自动识别装置及方法 | |
CN111399048B (zh) | 一种对断溶体计算相关属性及数据加权重构的方法 | |
CN111751885A (zh) | 一种页岩气体积压裂微地震监测方法 | |
CA2961168A1 (en) | Integrating vertical seismic profile data for microseismic anisotropy velocity analysis | |
CN112069646A (zh) | 一种精确预测机械钻速的方法 | |
WO2023081113A1 (en) | Well log correlation system | |
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 | |
CN116378648A (zh) | 一种基于随钻声波前视的近钻头地层探测方法及装置 | |
CN116227309A (zh) | 融合多源数据的盾构掘进数字孪生地层构建方法及系统 | |
CN112031755B (zh) | 一种压裂监测装置、方法、系统、电子设备及存储介质 | |
CN110764140B (zh) | 基于射孔双差各向异性纵横波非线性联合定位方法 | |
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 | |
CN109655892B (zh) | 各向异性纵横波走时三元多项式组合定位方法及系统 | |
CN115128674A (zh) | 一种基于测斜技术的井间地震层析成像方法及系统 | |
CN115963545A (zh) | 一种多井联合监测的微地震定位方法及系统 |
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 |