CN116009062A - 基于机器学习及分布式计算的微地震实时反演监测系统 - Google Patents
基于机器学习及分布式计算的微地震实时反演监测系统 Download PDFInfo
- Publication number
- CN116009062A CN116009062A CN202211683532.0A CN202211683532A CN116009062A CN 116009062 A CN116009062 A CN 116009062A CN 202211683532 A CN202211683532 A CN 202211683532A CN 116009062 A CN116009062 A CN 116009062A
- Authority
- CN
- China
- Prior art keywords
- acquisition
- station
- data
- microseism
- signal
- 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
本发明提供基于机器学习及分布式计算的微地震实时反演监测系统,将中心站布设于勘探区域中心位置,通过全向覆盖天线将Wi‑Fi信号增强并向四周辐射;采集站通过覆盖的无线局域网与中心站连接或直接通过网线连入中心站,从而实现中心站与采集站的通讯,即基于有线和无线的混合式组网系统;PC端上位机通过Wi‑Fi网络或中心站的网线接口联入局域网中,进行状态查询、命令下发以及数据实时回收。本发明提供的基于机器学习及分布式计算的微地震实时反演监测系统,实现了基于无线有线混合组网技术的分布式高精度微地震采集系统,同时采用基于GPS授时和恒温晶振校准的时钟方案,保证仪器之间的同步性误差在100n。
Description
技术领域
本发明提供基于机器学习及分布式计算的微地震实时反演监测系统,属于地震监控技术领域。
背景技术
20世纪80年代中期,首先提出微震技术的概念,并于90年代开始在石油行业得以应用,之后,应用微震监测油气藏开发的方法得到了广泛的应用。目前世界很多石油公司也都陆续推出微震压裂监测服务项目,多家从事微震监测服务的公司都拥有成套的微震监测设备的生产能力。美国microseismic公司多年来一直专注于微震技术的研究,现已拥有可用于生产实践的微震监测技术,并进行了多次页岩油气藏的微震监测。加拿大的ESG公司从20世纪90年代就开始研发微震监测技术,现已成功解决了页岩气储层水力压裂监测难题。CGGVerita已针对页岩气等非常规油气资源,形成了一套比较系统的微震压裂监测技术。国内微震技术的发展时间较短,随着对微震技术研究的不断深入,国内多家石油集团和各个科研单位以及各大院校也相继开展了对微震技术的研究。其中中石油东方地球物理公司研发的GeoEast-ESP系统实现了微震井中和地面实时监测的采集、处理解释一体化,在速度模型优化、噪声压制、实时定位等方面取得技术突破,已在国内多个油气田进行了多次水力压裂实时监测。现有的微震监测系统的定位精度、低信噪比环境下微震事件自动识别准确性以及定位速度等技术指标有待进一步提升。
随着深度学习在过程控制、产品设计、财务分析、语音和手写识别以及数据挖掘等领域的广泛应用,地球物理学家也逐渐尝试将深度学习引入到地球物理学中。
当前,深度学习在地球物理学中应用最多的是地震数据处理和解释的自动化、大地电磁反演以及航空电磁数据解释。深度学习在其他地球物理方法中也得到了应用,例如卷积神经网络能有效去除随机噪声,还可以用于各种十分复杂的地震散射波场的反演,具有良好、稳健的反演能力和泛化能力;深度学习在测井数据岩性识别、砂岩储层孔隙中的流体识别、储层预测,在定位电磁场数据的地下目标和高层大气和电离层活动的预测中有理想效果。深度学习在海量数据并行处理、模式识别特征提取、数据预测等方面有巨大优势。但是目前,国内外将深度学习技术用于微震事件的自动识别和微震水力压裂实时定位中的研究尚在起步阶段,需要相关研究人员进一步深入研究。
Microseismic公司的Fractstar微地震监测系统采用地面星型排布的密集采集阵列,一般10-12条测线,每条测线100-120道。数据采用有线和无线的方式进行传输,数据处理系统通过Amazon Web Service(AWS)云服务及部署在云端的高性能计算单元(HighPerformance Computing)进行数据计算。
该技术存在以下缺点:
1)采集站布设数量大,设备成本及施工成本均较高;
2)微地震反演计算对算力要求较高,需要搭载云计算和高性能计算单元的云平台作为支持。
Schlumberger公司的MS Recon地面采集系统采用无线结点形式进行地面布设,具有较好的灵活性,其具备较高的信噪比,对于微小信号的探测具有较好的效。通过数据车实现现场实时数据处理和数据传输。但是该系统成本高,需要数据车作为中心计算单元提供算力支持。
发明内容
针对上述技术问题,本发明提供一种基于机器学习及分布式计算的微地震实时反演监测系统,达到解决以下技术问题的目前:
1)借助深度学习技术,解决微震事件地面监测及高精度实时定位的技术难题。
2)采用分布式计算的思想,以低成本低算力方式实现微地震事件的实时定位。
3)解决采集节点与中央数据处理单元组网能力差、数据传输及监测困难等问题。
本发明旨在实现微地震事件定位反演的一体化流程,充分利用分布式采集站数据处理、数据传输的能力,结合嵌入式深度神经网络算法内核实现反演流程简化、加速,最终达到实时微地震震源反演的目标。
基于机器学习及分布式计算的微地震实时反演监测系统,该系统具有采集精度高(24bit)、动态范围广、同步精度高(100ns)、灵敏度高等特点,操作简便、体积小巧,具备100Mbps数据传输能力,能够适用于复杂地形条件下的微地震采集和实时数据上传。
具体技术方案为:
基于机器学习及分布式计算的微地震实时反演监测系统,包括将中心站和采集站;
将中心站布设于勘探区域中心位置,通过全向覆盖天线将Wi-Fi信号增强并向四周辐射;
采集站通过覆盖的无线局域网与中心站连接或直接通过网线连入中心站,从而实现中心站与采集站的通讯,即基于有线和无线的混合式组网系统;
PC端上位机通过Wi-Fi网络或中心站的网线接口联入局域网中,进行状态查询、命令下发以及数据实时回收。
采集站,包括:
检波器为三分量地震检波器,处于系统最前端,分别将地震波X、Y、Z三个方向的振动信号转换为电压信号,用于后续采集电路的识别和处理;
接口板集成在采集站封装外壳上,通过传感器接口与三分量地震检波器连接;
无线数据传输通过通信接口外置的Wi-Fi天线实现远距离传输;
有线传输的网线接口通过接口面板引出;
人机交互通过集成的指示灯进行简单信息指示,开关机、盲采状态控制由集成的外部按键实现。
模拟板在采集站中完成对检波器输出信号的前端处理,信号首先通过输入保护与阻抗匹配电路进入到采集板,再通过前端调理电路对模拟信号预处理,降低波形失真,预处理后的信号经过低通滤波滤除从检波器中带入的高频噪声信号,将高频信号滤除之后,对采集的信号放大;用可编程的程控增益放大器AD8253,增益配置分别为0dB、20dB、40dB、60dB四个档位;通过AD驱动芯片,将放大器输出的单端信号转为差分信号输入ADS1274中进行模数转换,再由AD芯片将数字信号输出供后级电路处理、采集、发送;
隔离板通过数字隔离避免模拟板的模拟信号和数字板的数字信号之间的干扰;同时将A/D转换后的数据传输到数字板;
数字板作为主控芯片的ARM Cortex-A8系列处理器DM3730核心及作为协处理器+神经网络计算单元的FPGA组成,集成有Wi-Fi、以太网、串口芯片用作数据传输和调试;集成GPS+OCXO+DAC的高精度时钟电路;并集成有LED、按键控制电路作为人机交互;还集成SD卡芯片用作数据本地存储,以及各种仪器状态监测电路。
卷积神经网络微地震降噪预处理算法及FCM初至拾取算法作为嵌入式算法集成在采集站内部,使采集站具备微地震初至拾取能力,进而实现分布式计算。
本发明提供的基于机器学习及分布式计算的微地震实时反演监测系统,实现了基于无线有线混合组网技术的分布式高精度微地震采集及实时数据处理,同时采用基于GPS授时和恒温晶振校准的时钟方案,保证仪器之间的同步性误差在100ns。
附图说明
图1为实施例分布式微地震采集系统结构,其中CS为中心站,AS为采集站;
图2为实施例分布式微地震采集站硬件结构框图;
图3为实施例分布式微地震采集站ARM嵌入式软件架构;
图4为实施例分布式微地震采集站采集数据处理流程;
图5为实施例分布式微地震采集站时钟同步流程;
图6(a)为传统反演流程;
图6(b)为实施例基于分布式计算的反演流程;
图7为实施例基于FCM的初至拾取算法效果;
图8为实施例基于深度神经网络的微地震事件反演流程。
具体实施方式
结合附图和实施例说明本发明的具体技术方案:
基于机器学习及分布式计算的微地震实时反演监测系统,结构如图1所示,将中心站(CS)布设于勘探区域中心位置,通过全向覆盖天线将Wi-Fi信号增强并向四周辐射。采集站(AS)通过覆盖的无线局域网与中心站连接或直接通过网线连入中心站,从而实现中心站与采集站的通讯,即基于有线和无线的混合式组网系统。PC端上位机可以通过Wi-Fi网络或中心站的网线接口联入局域网中,进行状态查询、命令下发以及数据实时回收。
采集站硬件结构如图2所示,本系统采用的检波器为三分量地震检波器,处于系统最前端,分别将地震波X、Y、Z三个方向的振动信号(非电量)转换为电压信号,有利于后续采集电路的识别和处理。
接口板集成在采集站封装外壳上,通过传感器接口与三分量地震检波器连接;无线数据传输通过通信接口外置的Wi-Fi天线实现远距离传输,而有线传输的网线接口则通过接口面板引出,方便插拔。人机交互通过集成的指示灯进行简单信息指示,开关机、盲采(无需同步直接进行采集)状态控制等则由集成的外部按键实现。
模拟板在采集站中主要完成对检波器输出信号的前端处理,直接关系到信号采集的质量。信号首先通过输入保护与阻抗匹配电路进入到采集板,再通过前端调理电路对模拟信号预处理,降低波形失真,预处理后的信号经过低通滤波滤除从检波器中带入的高频噪声信号,将高频信号滤除之后,对采集的信号放大。选用可编程的程控增益放大器AD8253,增益配置分别为0dB、20dB、40dB、60dB四个档位,可根据输入信号的大小控制增益以实现较高的采集分辨率。通过AD驱动芯片,将放大器输出的单端信号转为差分信号输入ADS1274中进行模数转换,再由AD芯片将数字信号输出供后级电路处理、采集、发送。
隔离板的作用主要是通过数字隔离避免模拟信号(模拟板)和数字信号(数字板)之间的干扰,提高系统稳定性,保证数据的可靠性。同时将A/D转换后的数据传输到数字板。
数字板主要由作为主控芯片的ARM Cortex-A8系列处理器DM3730核心及作为协处理器+神经网络计算单元的FPGA组成,其上集成有Wi-Fi、以太网、串口芯片等用作数据传输和调试;集成GPS+OCXO(Oven Controlled Crystal Oscillator,恒温晶振振荡器)+DAC的高精度时钟电路;并集成有LED、按键控制电路作为人机交互;此外,还集成SD卡芯片用作数据本地存储,以及各种仪器状态监测电路。数字板实现的功能依靠硬件及嵌入式软件的协同工作实现,具体功能及实现方法将在软件部分详细描述。该设计的优点在于充分发挥ARM处理器低功耗、多线程、多任务处理的优势,结合FPGA高效多并发的特点,实现了复杂任务下的功能管理和大数据量接收,同时利用FPGA加速神经网络计算,集成运行于设备端的数据预处理算法,充分利用设备内部硬件资源。
本实施例的嵌入式软件、算法设计为:
嵌入式软件主要包括:1)ARM嵌入式主控程序,主要实现数据采集管理、系统状态监控、WiFi网络通信、按键事件管理和LED灯管理等任务;2)基于HDL的FPGA数字IP软核,主要实现了对前端数据采集板采样率及增益的控制、对GPS数据接收的接收及解码和恒温晶振的校准、基于神经网络的数据预处理等功能,因此,FPGA软核部分又可分为控制IP核及算法IP核两类。
(1)ARM嵌入式软件程序设计
采集站搭载ARM处理器作为主控核心,基于Linux系统运行,软件架构如图3所示。依靠多线程管理和多任务并发执行,实现采集站的各项功能。系统状态线程负责磁盘容量监控、电压监控、电流监控、温度监控、同步状态监控等并对响应状态做出处理;网络服务通过管理无线网络及以太网实现与上位机的通信,完成控制指令的收发及采集数据的回传;LED管理线程根据系统当前状态通过LED灯的不同状态进行指示;按键事件管理线程接收用户按键操作,并相应相应动作;GPS线程则用于处理GPS信息流。上述功能的实现依赖于系统层级的调用和基础库,包括时间管理模块、设备驱动模块、磁盘管理模块、无线网络配置、串口配置模块等。
(2)FPGA嵌入式IP软核设计
嵌入式软核开发基于Xilinx公司Spartan系列FPGA作为开发核心,主要负责采集数据流的处理,流程图4所示。FPGA通过SPI接口与模拟板模数转换芯片ADS1274通信,控制其采样率;同时控制模拟板上可控增益放大器AD8253的前置增益,根据需要配置增益倍数1,10,100,1000共计4档可选。从检波器输出的采集数据分为三通道,对应地震X,Y,Z三分量,经模拟板电路处理后送入ADS1274进行多通道并行模数转换,并同样以三通道并行的方式由FPGA进行接收。
在FPGA内部,存在由硬件描述语言(HDL)编译形成的数字IP核,其中,并行数据的接收就是通过相应的IP核实现的。数据接收后,送入初至拾取IP核,该IP核集成了基于CNN卷积自编码器的降噪模型和基于FCM无监督学习算法的微地震事件拾取IP核对三通道数据分别进行处理,并根据不同分量对处理结果赋予置信权重,将拾取结果以标签形式打包送入数据编码IP核;将三通道数据打包成串行数据结构后,传输至ARM处理器进行进一步数据处理,包括SD卡本地存储、Wi-Fi网络上传等。
由于本系统采用了分布式结构,各采集站间时钟系统相互独立,因此需要针对统一时钟源进行内部时钟的高精度校准和同步,实现方法如图5所示。该方案采用了GPS+OCXO+DAC的高精度时钟系统设计,以GPS发送的UTC时间作为基准进行采集站间同步,并根据GPS信号进行各采集站内部系统时钟源的校准,方案如下。接收GPS发出的PPS(Pulse PerSecond,秒脉冲)信号,累计11个PPS信号即10个PPS间隔作为闸门对OCXO输出频率进行计数;依据计数结果产生相应的校准量,并控制DAC改变输出电压;由于选用的OCXO为电压控制器件,改变的DAC输出作为OCXO的输入调节OCXO的振荡频率,据此循环完成对时钟源的高精度校准。经同步校准后,各采集站间时钟同步精度可达100ns,且在同步完成后,即使失去GPS信号连接,也可依靠校准的时钟源保持稳定工作。
本实施例的分布式计算及其算法为:
传统微地震数据实时处理流程如图6(a)所示,采集站仅完成数据采集工作,数传后将数据集中在数据处理中心(中心站)中进行后续初至拾取以及反演定位,当采集站数量较多、采样率较大时会给数据处理中心带来较大的数据处理压力,同样传输全部采集数据会对数据传输的速率和稳定性提出很高的要求。分布式计算则将初至拾取任务从数据处理中心中解放,由各采集站自行运算处理,如图6(b)所示。依靠FPGA内部的初至拾取IP核,通过训练好的CNN降噪预处理网络模型和FCM初至拾取算法进行地震波到时的拾取,在数据传输时可以有选择地仅传输成功拾取到时的数据段上传用作后续的微地震反演定位,大大降低了数传过程中的数据量,最大限度发挥采集站硬件设备的运算能力。
(1)基于CNN卷积自编码器的降噪模型
本方法所采用卷积神经网络中的卷积层、激活函数层和反卷积层构建编码器和解码器,其编码器对应微震数据的特征提取,解码器对应微震信号的重构。降噪卷积自编码器共12层,包括6个编码器(encoder)和6个解码器(decoder)。每个编码器包括卷积层、池化层、正则化层,其中卷积层的卷积核大小为3*1,步长为1。第一个编码器的卷积层使用8个卷积核,第二个编码器的卷积层使用16个卷积核,第三个编码器的卷积层使用32个卷积核,以此类推第6个编码器的卷积层使用256个卷积核。池化层步长默认为2。因此,每次池化操作后,特征的长度缩短为原来的一半,为了防止模型过拟合,加入了正则化层。正则化层使用了dropout。每个解码器包括卷积层、上采样层、和正则化层,第一个解码器的反卷积层使用256个卷积核,第二个解码器的反卷积层使用128个卷积核,以此类推第6个解码器的反卷积层使用8个卷积核。解码器的正则化层仍采用dropout层。
训练完成的降噪自编码网络计算速度快,实测100组3000采样点的数据段处理时间为4.993527900000117s,即当采样率为1kHz时,每秒钟数据段降噪预处理耗时仅需16.65ms。该时间估算包含网络初始化建立时间,实际计算中表现应当优于此值。
(2)基于FCM的微地震初至拾取算法
初至拾取基于FCM模糊C均值聚类实现。FCM模糊聚类算法允许一个数据属于两个或多个聚类,它是基于下列目标函数的最小化。
其中,m为大于1的实数,ui,j表示样本xi属于j类的隶属度。xi是第i个d维数据(d是xi的维数),cj是j簇的d维中心,||·||表示任意测量数据与隶属度中心的范数。C表示需要分类的总数,N表示输入信号的长度。另外,所有xi与cj应当是相同维数的向量,维数由特征量的个数决定。在本应用中选取均值、能量、STA/LTA作为特征值,计算隶属度矩阵,将信号和噪声分成不同的类别,并根据隶属度曲线计算初至到时,计算结果参考图7。
本实施例的基于神经网络的微地震实时反演上位机程序:
基于深度神经网络的微地震事件反演流程如图8所示,该方法核心为深度神经网络的建立和训练。首先,建立目标区域地质模型,通过施工区域前期地球物理勘探、测井曲线等先验数据信息建立工区模型,并通过射孔数据进行模型校准。以此为基础,圈定压裂周边靶区域作为潜在震源区域,并选择若干地下位置作为潜在震源进行正演,计算对应震源点发震后到达地面检波器阵列的旅行时。选取其中一道作为标准旅行时,分别与其余各道作差得到一组初至到时差,每组到时差能够对应地下一个震源点,因此,在选择足够有代表性的若干个点计算完成后,就得到一个可用于神经网络训练的数据集合。数据集中,每组均含有一组到时差以及对应震源点坐标。反演的目的就是找出到时差与震源位置实际的映射关系,而在本发明中,该映射关系可以通过深度神经网络进行非线性拟合,因此,神经网络初始化时应当以输入到时差数目(即工区布设采集站数量减一)作为输入层神经元数量,输出层固定为代表震源点坐标的X、Y、Z三个神经元,隐藏层数量和隐藏层神经元数量则根据所需拟合工区的地质条件复杂程度进行酌情设计。接着,将正演得到的数据集作为训练集对初始化的深度神经网络进行训练,修改参数得到平衡拟合效果及通用性最佳的参数组合,选定深度神经网络的最终参数组合。
在实时反演过程中,采集数据经采集站内部算法处理、拾取后形成带标签的数据包通过无线通信技术发送至中心站,进入共享内存中供数据处理一体化软件调用。验证拾取可信度后,有效的一组到时差将作为输入进入训练好的深度神经网络进行计算,最终输出对应的地下震源坐标。
Claims (2)
1.基于机器学习及分布式计算的微地震实时反演监测系统,其特征在于,包括将中心站和采集站;
将中心站布设于勘探区域中心位置,通过全向覆盖天线将Wi-Fi信号增强并向四周辐射;
采集站通过覆盖的无线局域网与中心站连接或直接通过网线连入中心站,从而实现中心站与采集站的通讯,即基于有线和无线的混合式组网系统;
PC端上位机通过Wi-Fi网络或中心站的网线接口联入局域网中,进行状态查询、命令下发以及数据实时回收。
2.根据权利要求1所述的基于机器学习及分布式计算的微地震实时反演监测系统,其特征在于,所述的采集站,包括:
检波器为三分量地震检波器,处于系统最前端,分别将地震波X、Y、Z三个方向的振动信号转换为电压信号,用于后续采集电路的识别和处理;
接口板集成在采集站封装外壳上,通过传感器接口与三分量地震检波器连接;
无线数据传输通过通信接口外置的Wi-Fi天线实现远距离传输;
有线传输的网线接口通过接口面板引出;
人机交互通过集成的指示灯进行简单信息指示,开关机、盲采状态控制由集成的外部按键实现;
模拟板在采集站中完成对检波器输出信号的前端处理,信号首先通过输入保护与阻抗匹配电路进入到采集板,再通过前端调理电路对模拟信号预处理,降低波形失真,预处理后的信号经过低通滤波滤除从检波器中带入的高频噪声信号,将高频信号滤除之后,对采集的信号放大;用可编程的程控增益放大器AD8253,增益配置分别为0dB、20dB、40dB、60dB四个档位;通过AD驱动芯片,将放大器输出的单端信号转为差分信号输入ADS1274中进行模数转换,再由AD芯片将数字信号输出供后级电路处理、采集、发送;
隔离板通过数字隔离避免模拟板的模拟信号和数字板的数字信号之间的干扰;同时将A/D转换后的数据传输到数字板;
数字板作为主控芯片的ARM Cortex-A8系列处理器DM3730核心及作为协处理器+神经网络计算单元的FPGA组成,集成有Wi-Fi、以太网、串口芯片用作数据传输和调试;集成GPS+OCXO+DAC的高精度时钟电路;并集成有LED、按键控制电路作为人机交互;还集成SD卡芯片用作数据本地存储,以及各种仪器状态监测电路;
卷积神经网络微地震降噪预处理算法及FCM初至拾取算法作为嵌入式算法集成在采集站内部,使采集站具备微地震初至拾取能力,进而实现分布式计算。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211683532.0A CN116009062B (zh) | 2022-12-27 | 2022-12-27 | 基于机器学习及分布式计算的微地震实时反演监测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211683532.0A CN116009062B (zh) | 2022-12-27 | 2022-12-27 | 基于机器学习及分布式计算的微地震实时反演监测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116009062A true CN116009062A (zh) | 2023-04-25 |
CN116009062B CN116009062B (zh) | 2023-10-03 |
Family
ID=86028183
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211683532.0A Active CN116009062B (zh) | 2022-12-27 | 2022-12-27 | 基于机器学习及分布式计算的微地震实时反演监测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116009062B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103412283A (zh) * | 2013-08-27 | 2013-11-27 | 中国地质调查局水文地质环境地质调查中心 | 地面塌陷微地震三维定位监测方法和系统 |
CN106559298A (zh) * | 2015-09-30 | 2017-04-05 | 中国科学院地质与地球物理研究所 | 使用以太网与rs-232串口协同工作的振动监控系统高精度同步数传方法与装置 |
CN107015269A (zh) * | 2017-06-07 | 2017-08-04 | 吉林大学 | 一种基于无线网络的微地震压裂实时监测系统及监测方法 |
WO2018098606A1 (zh) * | 2016-12-02 | 2018-06-07 | 中国科学院地质与地球物理研究所 | 使用以太网与rs-232串口协同工作的振动监控系统高精度同步数传方法与装置 |
CN109683202A (zh) * | 2019-02-20 | 2019-04-26 | 湖南强军科技有限公司 | 一种电磁勘探数据采集的系统和方法 |
CN110220979A (zh) * | 2019-06-26 | 2019-09-10 | 重庆地质矿产研究院 | 基于微地震技术的高陡岸坡稳定性监测系统与评价方法 |
CN114879252A (zh) * | 2022-07-11 | 2022-08-09 | 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 |
CN115267906A (zh) * | 2022-07-27 | 2022-11-01 | 中国科学技术大学先进技术研究院 | 基于实时数传和神经网络的微地震监测方法、系统及介质 |
-
2022
- 2022-12-27 CN CN202211683532.0A patent/CN116009062B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103412283A (zh) * | 2013-08-27 | 2013-11-27 | 中国地质调查局水文地质环境地质调查中心 | 地面塌陷微地震三维定位监测方法和系统 |
CN106559298A (zh) * | 2015-09-30 | 2017-04-05 | 中国科学院地质与地球物理研究所 | 使用以太网与rs-232串口协同工作的振动监控系统高精度同步数传方法与装置 |
WO2018098606A1 (zh) * | 2016-12-02 | 2018-06-07 | 中国科学院地质与地球物理研究所 | 使用以太网与rs-232串口协同工作的振动监控系统高精度同步数传方法与装置 |
CN107015269A (zh) * | 2017-06-07 | 2017-08-04 | 吉林大学 | 一种基于无线网络的微地震压裂实时监测系统及监测方法 |
CN109683202A (zh) * | 2019-02-20 | 2019-04-26 | 湖南强军科技有限公司 | 一种电磁勘探数据采集的系统和方法 |
CN110220979A (zh) * | 2019-06-26 | 2019-09-10 | 重庆地质矿产研究院 | 基于微地震技术的高陡岸坡稳定性监测系统与评价方法 |
CN114879252A (zh) * | 2022-07-11 | 2022-08-09 | 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 |
CN115267906A (zh) * | 2022-07-27 | 2022-11-01 | 中国科学技术大学先进技术研究院 | 基于实时数传和神经网络的微地震监测方法、系统及介质 |
Non-Patent Citations (3)
Title |
---|
刘诗扬等: "基于Android平台的分布式无线微震采集站布站与监控软件研究与实现", 地球物理学进展 * |
李文豪: "基于ZYNQ的分布式电磁震一体化采集站的研制", 中国优秀博硕士学位论文全文数据库(硕士), pages 7 - 40 * |
罗岳云: "分布式微震监测数据处理软件研发", 中国优秀博硕士学位论文全文数据库(硕士), pages 5 - 18 * |
Also Published As
Publication number | Publication date |
---|---|
CN116009062B (zh) | 2023-10-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Mousavi et al. | STanford EArthquake Dataset (STEAD): A global data set of seismic signals for AI | |
CN109061765B (zh) | 非均质薄砂岩互层油藏的圈闭评价方法 | |
CN1151383C (zh) | 使用无线遥测技术的地震检测系统 | |
CN102213768B (zh) | 基于计算机网络的数字地震仪 | |
CN102012518B (zh) | 本安型24位地震数据采集电路板 | |
CN101661111A (zh) | 利用短信进行地震仪控制和数据传送的方法及短信控制传送型无缆地震仪 | |
CN102628960B (zh) | 速度和加速度双参数数字地震检波器 | |
CN110609320A (zh) | 一种基于多尺度特征融合的叠前地震反射模式识别方法 | |
CN103513273A (zh) | 陆用四分量数字地震检波器 | |
CN111257941A (zh) | 一种组合式海底地震仪方位角自动识别装置及方法 | |
CN102073061B (zh) | 使用数字地听仪的地听信息高密度记录系统 | |
CN201514489U (zh) | 短信型无缆地震仪 | |
CN110895348A (zh) | 一种地震弹性阻抗低频信息提取方法、系统及存储介质 | |
Guo | First-arrival picking for microseismic monitoring based on deep learning | |
CN116009062B (zh) | 基于机器学习及分布式计算的微地震实时反演监测系统 | |
CN107861150A (zh) | 基于ahrs和检波器间相对旋转的检波器姿态识别方法 | |
CN106338764A (zh) | 生物启发计算地层圈闭油气藏超剥线识别方法 | |
Gao et al. | Design of distributed three component seismic data acquisition system based on LoRa wireless communication technology | |
CN1176387C (zh) | 智能三分量地震检波器 | |
CN105388522A (zh) | 一种井震联合的沉积旋回匹配分析方法 | |
CN102486541B (zh) | Mems数字地震检波器 | |
US20030174582A1 (en) | Multi-interval seismic line cable system for distributed electronics | |
CN207408602U (zh) | 一种页岩气开发微地震压裂智能识别装置 | |
CN109100821A (zh) | 多勘探地球物理场信号智能采集装置及方法 | |
CA1188402A (en) | Method of seismic exploration by acoustic well logging |
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 |