CN116990865A - 基于深度迁移学习的微地震事件检测方法及系统 - Google Patents
基于深度迁移学习的微地震事件检测方法及系统 Download PDFInfo
- Publication number
- CN116990865A CN116990865A CN202311273845.3A CN202311273845A CN116990865A CN 116990865 A CN116990865 A CN 116990865A CN 202311273845 A CN202311273845 A CN 202311273845A CN 116990865 A CN116990865 A CN 116990865A
- Authority
- CN
- China
- Prior art keywords
- data
- migration learning
- deep migration
- domain data
- source domain
- 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
- 238000013508 migration Methods 0.000 title claims abstract description 126
- 230000005012 migration Effects 0.000 title claims abstract description 123
- 238000001514 detection method Methods 0.000 title claims abstract description 48
- 238000012549 training Methods 0.000 claims abstract description 69
- 238000000034 method Methods 0.000 claims abstract description 42
- 238000012544 monitoring process Methods 0.000 claims abstract description 40
- 238000012360 testing method Methods 0.000 claims abstract description 37
- 230000008569 process Effects 0.000 claims abstract description 20
- 238000009826 distribution Methods 0.000 claims abstract description 18
- 238000013507 mapping Methods 0.000 claims abstract description 13
- 238000011156 evaluation Methods 0.000 claims abstract description 10
- 230000006870 function Effects 0.000 claims description 52
- 238000002372 labelling Methods 0.000 claims description 10
- 238000013527 convolutional neural network Methods 0.000 claims description 7
- 238000011176 pooling Methods 0.000 claims description 5
- 238000003860 storage Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 3
- 230000006978 adaptation Effects 0.000 description 13
- 230000000694 effects Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000013526 transfer learning Methods 0.000 description 6
- 238000002474 experimental method Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 239000011435 rock Substances 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000002779 inactivation Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 239000004215 Carbon black (E152) Substances 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 229930195733 hydrocarbon Natural products 0.000 description 1
- 150000002430 hydrocarbons Chemical class 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 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
- 230000008092 positive effect Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
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
- G01V1/40—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
- G06F18/24—Classification techniques
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06N3/096—Transfer learning
-
- 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)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Remote Sensing (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Environmental & Geological Engineering (AREA)
- Acoustics & Sound (AREA)
- Geophysics (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明属于油气勘探技术领域,本发明涉及一种基于深度迁移学习的微地震事件检测方法及系统,所述方法步骤为:采集水力压裂过程中不同地区油气井多个监测站点的微地震信号;根据微地震信号有无充足标记建立源域数据集、目标域数据集;将源域数据集和目标域训练集中的数据输入构建的深度迁移学习模型进行训练,使两域数据映射到相同特征空间中,减小两域数据特征分布差异,将测试集中的数据输入训练后的深度迁移学习模型进行性能评估;存储训练后深度迁移学习模型参数;将目标域其他数据集输入至训练后深度迁移学习模型获得分类结果,根据分类结果确定是否为微地震事件。本发明能够有效检测不同监测井的微地震事件,识别速度快,识别精度较高。
Description
技术领域
本发明属于油气勘探技术领域,涉及非常规油气勘探技术,具体地说,涉及一种基于深度迁移学习的微地震事件检测方法及系统。
背景技术
水力压裂微地震监测技术是近年来非常规油气资源勘探开发领域应用的一项重要技术。水力压裂是通过井筒向目标储层注入高粘度的高压流体,使地层岩石破裂而释放能量级别很低的微地震信号。通过在井中和地面布设检波器,记录产生的大量微地震事件。微地震数据处理是微地震监测技术的重要步骤,对大量微地震信号进行检测和处理,提取尽可能多的有用信息,对确定震源位置和描述压裂裂缝形态有着重要作用。深度学习技术是一种适合处理大量数据的有效方法,在微地震数据处理中已得到广泛应用。
实际压裂作业中,受地层岩石特性、岩石破裂方式、地表土壤层厚度等因素的影响,不同地区油气井采集到的微地震信号的波形特征是不同的。在微地震信号存在差异的背景下,当前用于事件检测的深度学习算法存在一些不足。首先,基于深度学习的事件检测方法在训练时需要大量的有标签数据,然而对每一口井的数据进行人工标注会耗费大量时间。其次,由于不同井的微地震信号数据分布不同,无法应用同一训练模型检识别井的微地震信号。因此发明一种快速、有效并适用于不同监测井的微地震事件检测方法及系统是当前的重要方向。
发明内容
本发明针对现有技术存在的等上述问题,提供一种基于深度迁移学习的微地震事件检测方法及系统,考虑了不同地区监测井微地震信号之间的特征差异,能够有效实现不同地区监测井的微地震事件检测,实现不同监测井之间的知识迁移,识别速度快,且识别精度较高。
本发明第一方面,提供了一种基于深度迁移学习的微地震事件检测方法,其具体步骤为:
S1、采集水力压裂过程中不同地区油气井多个监测站点的微地震信号,并分析各个监测站点微地震信号的数据分布差异;
S2、根据各个监测站点微地震信号有无充足标记建立源域数据集及目标域数据集,并将目标域数据集划分训练集、测试集及其他数据集;
S3、构建深度迁移学习模型,所述深度迁移学习模型的总体损失函数包括源域的分类损失和源域与目标域数据的域差异损失;
S4、将源域数据集和训练集中的数据输入所述深度迁移学习模型进行训练,使源域数据和目标域数据映射到相同的特征空间中,减小源域数据与目标域数据的特征分布差异,使所述总体损失函数趋于收敛,将测试集中的数据输入训练后的深度迁移学习模型进行性能评估;
S5、存储训练后的深度迁移学习模型参数;
S6、将所述其他数据集输入至训练后的深度迁移学习模型,获得各个监测站点的分类结果,根据分类结果确定是否为微地震事件。
在一些实施例中,在所述步骤S1中,所述油气井包括页岩气水平井、页岩气直井和大规模缝网压裂方式的常规油气井。
在一些实施例中,在所述步骤S2中,建立源域数据集和目标域数据集的具体步骤为:
有充足标记的微地震信号作为源域数据,无充足标记的微地震信号作为目标域数据;
截取每2000个采样点作为一个数据,按照不同的数据类型分别标注标签,含有效信号的数据标注为1,噪声数据标注为0,构建源域数据集和目标域数据集,并把目标域数据集划分为训练集、测试集和其他数据集;所述源域数据和目标域数据取微地震信号中的垂直分量波形数据。
在一些实施例中,在所述步骤S3中,所述总体损失函数表示为:
(1)
式中,L为总体损失函数;L s为源域的分类损失,n s为源域的样本个数,为源域的标签,/>为深度迁移学习模型预测的源域分类结果;L MMD为最大均值差异,即源域与目标域数据的域差异损失;λ为正则化程度的超参数;n t表示目标域的样本个数,ϕ(·)为特征映射函数,H为再生核希尔伯特空间,/>为核函数,/>和/>分别表示源域和目标域样本的原始特征。
在一些实施例中,在所述步骤S3中,所述深度迁移学习模型包括:
特征提取器,所述特征提取器为由两个卷积层、两个池化层、一个全连接层和输出层构成的卷积神经网络;
领域自适应模块,利用最大均值差异在新的特征空间中最小化域差异。
在一些实施例中,在所述步骤S4中,训练所述深度迁移学习模型的具体步骤为:
S41、从源域数据集和目标域训练集内随机抽取小批量样本输入到所述深度迁移学习模型中,经过所述特征提取器提取到源域与目标域的特征序列,计算所述总体损失函数;
S42、通过反向传播算法计算梯度,采用自适应矩估计算法更新所述深度迁移学习模型的参数,使所述总体损失函数趋于收敛;
S43、循环训练每个样本批次,当每次样本批次迭代完成后,计算源域数据的识别准确率及所述总体损失函数;当源域准确率达到90%以上且所述总体损失函数趋于不变时,将所述测试集输入至训练好的深度迁移学习模型中,当所述测试集的精度符合要求时,完成深度迁移学些模型训练,否则重复步骤S41至S43直至所述测试集的精度符合要求。
在一些实施例中,所述深度迁移学习模型参数包括每层网络层的权重参数和偏置项参数。
在一些实施例中,源域数据和目标域数据来自不同油气井,且所述训练集、测试集、其他数据集无重复数据。
本发明第二方面,提供了一种基于深度迁移学习的微地震事件检测系统,包括:
数据采集装置,用于采集水力压力过程中不同油气井多个监测站点的微地震信号;
数据集生成模块,根据有充足标记的微地震信号建立源域数据集,根据无充足标记的微地震信号建立目标域数据集,并将目标域数据集划分为训练集、测试集和其他数据集;
模型生成及模型训练模块,用于建立深度迁移学习模型,并根据源域数据集和训练集中的数据训练所述深度迁移学习模型,使源域数据和目标域数据映射到相同的特征空间中,减小源域数据与目标域数据的特征分布差异,使所述总体损失函数趋于收敛;
模型性能评估模块,根据所述测试集检验训练后的深度迁移学习模型的性能;
存储模块,存储训练后的深度迁移学习模型的参数;
判断模块,根据训练后的深度迁移学习模型对其它数据集进行微地震事件检测,获得各监测站点微地震信号的分类结果,根据分类结果判断是否存在为微地震事件。
在一些实施例中,还包括数据预处理模块,连接于所述数据集生成模块和所述模型生成及模型训练模块之间,用于对数据集生成模块建立的源域数据集和目标域数据集中的数据进行批量归一化处理。
与现有技术相比,本发明的优点和积极效果在于:
本发明提供的基于深度迁移学习的微地震事件检测方法及系统,根据不同井的微地震信号特征存在一定差异,基于迁移学习理论研究了不同监测井的事件检测问题。本发明提供的微地震事件检测方法及系统,利用卷积神经网络对源域井信号和目标井信号进行初步特征提取,然后基于多核适配和多层适配的最大均值差异进行域差异最小化。本发明有效解决了样本标签数量不足条件下的微地震事件检测问题,实现不同监测井的微地震事件检测,识别速度快,识别精度较高,避免了对多口井进行数据标注及训练一对一模型等繁琐流程,具有良好的实际应用效果。
附图说明
图1为本发明实施例所述基于深度迁移学习的微地震事件检测方法的流程图;
图2为本发明实施例所述深度迁移学习模型的结构框图;
图3为本发明实施例训练深度迁移学习模型的流程图;
图4为本发明实施例所述基于深度迁移学习的微地震事件检测系统的结构框图;
图5为本发明实施例不同权重对深度迁移学习模型准确率的变化示意图;
图6为本发明实施例页岩气水平井实际压裂过程中的波形数据示意图;
图7为本发明实施例页岩气直井实际压裂过程中的波形数据示意图;
图8为本发明实施例大规模缝网压裂方式的常规油气井实际压裂过程中的波形数据示意图;
图9a-9d为本发明实施例图7油气井实际压裂过程中几种典型的波形图;
图10a-10d为本发明实施例实际监测数据细化显示的检测结果图。
图中,1、数据采集装置,2、数据集生成模块,3、模型生成及模型训练模块,4、模型性能评估模块,5、存储模块,6、判断模块,7、数据预处理模块。
具体实施方式
下面,结合附图通过示例性的实施方式对本发明进行具体描述。然而应当理解,在没有进一步叙述的情况下,一个实施方式中的元件、结构和特征也可以有益地结合到其他实施方式中。
卷积神经网络是一种具有卷积结构的深度神经网络,其局部连接和权值共享的特性可以有效降低网络模型复杂度,提高模型的泛化能力。卷积神经网络模型主要包括卷积层、池化层和全连接层。卷积层中通过卷积核对输入数据进行卷积运算,从而进行特征提取。迁移学习中的特征迁移将源域和目标域样本的特征映射到相同的特征空间,使变换后源域和目标域样本的概率分布差异达到最小,此时提取到的特征认为是源域目标域之间的共同特征,从而实现模型更准确的预测。本发明提供的一种基于深度迁移学习的微地震事件检测方法及系统,通过对不同井采集所得的原始微地震信号的特征差异进行分析,建立源域数据集和目标域数据集,并构建深度迁移学习模型,通过建立的源域数据集和目标域训练集对深度迁移学习模型进行训练,并通过目标域测试集对训练后的深度迁移学习模型进行性能评估,经过训练后的深度迁移学习模型能够高效准确的识别目标域井信号,实现了不同油气井之间的微地震事件检测。
以下结合附图和实施例对本发明上述基于深度迁移学习的微地震事件检测方法及系统进行详细说明。
参见图1,本发明第一方面实施例提供了一种基于深度迁移学习的微地震事件检测方法,其具体步骤为:
S1、采集水力压裂过程中不同地区油气井多个监测站点的微地震信号,并分析各个监测站点微地震信号的数据分布差异。
具体地,所述油气井包括页岩气水平井、页岩气直井和大规模缝网压裂方式的常规油气井。
本实施例中,采集的微地震信号来源于W201井、N203井和LG172井,上述三口井的典型检测信号波形图参见图6-图8。W201井为页岩气水平井,其有效信号的幅值能量有两处明显的增强,持续时间约2s(参见图6);N203井为页岩气直井,初至幅度较弱,中间段幅值逐渐增强,持续时间约2~3s(参见图7);LG172井为大规模缝网压裂方式的常规油气井,初至较强,有效信号波动幅度大且呈指数衰减,持续时间不足1s(参见图8)。
S2、根据各个监测站点微地震信号有无充足标记建立源域数据集及目标域数据集,并将目标域数据集划分训练集、测试集及其他数据集。
具体地,建立源域数据集和目标域数据集的具体步骤为:
有充足标记的微地震信号作为源域数据,无充足标记的微地震信号作为目标域数据;
截取每2000个采样点作为一个数据,按照不同的数据类型分别标注标签,含有效信号的数据标注为1,噪声数据标注为0,构建源域数据集和目标域数据集,并把目标域数据集划分为训练集、测试集和其他数据集;所述源域数据和目标域数据选取微地震信号中的垂直分量波形数据。具体地,源域数据和目标域数据来自不同油气井,且所述训练集、测试集、其他数据集无重复数据。
需要说明的是,建立源域数据集和目标域数据集不仅可以选取微地震信号中的垂直分量波形数据,还可以选取微地震信号中的其他两个分量波形数据建立样本数据集,其波形数据的处理方法与上述对垂直分量波形数据的处理方法相同。
S3、构建深度迁移学习模型,所述深度迁移学习模型的总体损失函数包括源域的分类损失和源域与目标域数据的域差异损失。
具体地,参见图2,所述深度迁移学习模型包括特征提取器和领域自适应模块。所述特征提取器为由两个卷积层、两个池化层、一个全连接层和输出层构成的卷积神经网络;所述领域自适应模块利用最大均值差异在新的特征空间中最小化域差异。
具体地,通过卷积层对微地震信号进行更深层次地特征分析,由于源域和目标域的微地震信号均为一维信号,且类别仅有两类,选择一维卷积操作。特征提取器采用Softmax分类器作为输出层,对微地震信号进行二分类。领域自适应模块采用多核L MMD和多层概率分布适配,构建了全方面的领域特征概率分布适配器,缩小源域数据和目标数据的特征分布差异。所述深度迁移学习模型的参数设置参见表1。
表1
具体地,所述总体损失函数表示为:
(1)
式中,L为总体损失函数;L s为源域的分类损失,n s为源域的样本个数,为源域的标签,/>为深度迁移学习模型预测的源域分类结果;L MMD为最大均值差异,即源域与目标域数据的域差异损失;λ为正则化程度的超参数;n t表示目标域的样本个数,ϕ(·)为特征映射函数,H为再生核希尔伯特空间,/>为核函数,/>和/>分别表示源域和目标域样本的原始特征。
需要说明的是,由于源域数据集中的样本均为带充足标签的数据,故特征提取器在整个深度迁移学习模型中承担监督的分类任务,使用交叉熵函数衡量源域数据的分类损失L s。
还需要说明的是,在保证源域样本分类正确的基础上,也需要最小化源域特征与目标域特征之间的域差异,实现域对齐从而减小数据分布之间的距离。该距离由最大均值差异L MMD计算,最大均值差异L MMD定义为:
式中,sup(·)为输入聚合的上确界;H为再生核希尔伯特空间(简称:RKHS);ϕ(·)表示特征映射函数。
进一步得到:
式中,和/>分别表示源域和目标域样本的原始特征,n s为源域的样本个数,n t表示目标域的样本个数。
由于ϕ(·)形式是未知的,为方便计算,引入核函数机制,得到下式:
式中,表示特征核函数,一般取高斯核函数进行运算,形式如下:
将深度迁移学习模型的总体分类函数设计为包括源域的分离损失和最大均值差异两部分,从而实现深度迁移学习模型更精准的预测。
S4、将源域数据集和训练集中的数据输入所述深度迁移学习模型进行训练,使源域数据和目标域数据映射到相同的特征空间中,减小源域数据与目标域数据的特征分布差异,使所述总体损失函数趋于收敛,将测试集中的数据输入训练后的深度迁移学习模型进行性能评估。
具体地,参见图3,训练所述深度迁移学习模型的具体步骤为:
S41、从源域数据集和目标域训练集内随机抽取小批量样本输入到所述深度迁移学习模型中,经过所述特征提取器提取到源域与目标域的特征序列,计算所述总体损失函数。
S42、通过反向传播算法计算梯度,采用自适应矩估计算法更新所述深度迁移学习模型的参数,使所述总体损失函数趋于收敛。
S43、循环训练每个样本批次,当每次样本批次迭代完成后,计算源域数据的识别准确率及所述总体损失函数;当源域准确率达到90%以上且所述总体损失函数趋于不变时,将所述测试集输入至训练好的深度迁移学习模型中,当所述测试集的精度符合要求时,完成深度迁移学些模型训练,否则重复步骤S41至S43直至所述测试集的精度符合要求。
具体地,循环训练所有批次,将所有数据迭代计算一遍成为一个epoch,若epoch未达到设定值,则返回步骤S41,继续进行训练,若epoch达到设定值,则完成训练。
S5、存储训练后的深度迁移学习模型参数。具体地,所述深度迁移学习模型参数包括每层网络层的权重参数和偏置项参数。
S6、将所述其他数据集输入至训练后的深度迁移学习模型,获得各个监测站点的分类结果,根据分类结果确定是否为微地震事件。
本发明上述基于深度迁移学习的微地震事件检测方法,利用卷积神经网络对源域井信号和目标井信号进行初步特征提取,然后基于多核适配和多层适配的最大均值差异进行域差异最小化,有效解决了样本标签数量不足条件下的微地震事件检测问题,实现不同监测井的微地震事件检测,识别速度快,识别精度较高。
参见图4,本发明第二方面实施例提供了一种基于深度迁移学习的微地震事件检测系统,包括:
数据采集装置1,用于采集水力压力过程中不同油气井多个监测站点的微地震信号和背景噪声信号;
数据集生成模块2,根据有充足标记的微地震信号建立源域数据集,根据无充足标记的微地震信号建立目标域数据集,并将目标域数据集划分为训练集、测试集和其他数据集,为之后训练模型提供训练数据和测试数据;
模型生成及模型训练模块3,用于建立深度迁移学习模型,并根据源域数据集和训练集中的数据训练所述深度迁移学习模型,使源域数据和目标域数据映射到相同的特征空间中,减小源域数据与目标域数据的特征分布差异,使所述总体损失函数趋于收敛;
模型性能评估模块4,根据所述测试集检验训练后的深度迁移学习模型的检测性能;
存储模块5,存储训练后的深度迁移学习模型的参数;
判断模块6,根据训练后的深度迁移学习模型对其它数据集进行微地震事件检测,获得各监测站点微地震信号的分类结果,根据分类结果判断是否存在为微地震事件。
在一些实施例中,上述微地震事件检测系统还包括数据预处理模块7,连接于所述数据集生成模块2和所述模型生成及模型训练模块3之间,用于对数据集生成模块2建立的源域数据集和目标域数据集中的数据进行批量归一化处理。对波形数据进行归一化操作,可以消除原始波形幅值差异大带来的影响,有效提升模型的训练以及识别速度。
具体地,所述深度迁移学习模型的总体损失函数包括源域的分类损失和源域与目标域数据的域差异损失。
具体地,参见图2,所述深度迁移学习模型包括特征提取器和领域自适应模块。所述特征提取器为由两个卷积层、两个池化层、一个全连接层和输出层构成的卷积神经网络;所述领域自适应模块利用最大均值差异在新的特征空间中最小化域差异。
具体地,所述总体损失函数表示为:
(1)
式中,L为总体损失函数;L s为源域的分类损失,n s为源域的样本个数,为源域的标签,/>为深度迁移学习模型预测的源域分类结果;L MMD为最大均值差异,即源域与目标域数据的域差异损失;λ为正则化程度的超参数;n t表示目标域的样本个数,ϕ(·)为特征映射函数,H为再生核希尔伯特空间,/>为核函数,/>和/>分别表示源域和目标域样本的原始特征。
需要说明的是,由于源域数据集中的样本均为带充足标签的数据,故特征提取器在整个深度迁移学习模型中承担监督的分类任务,使用交叉熵函数衡量源域数据的分类损失L s。
还需要说明的是,在保证源域样本分类正确的基础上,也需要最小化源域特征与目标域特征之间的域差异,实现域对齐从而减小数据分布之间的距离。该距离由最大均值差异L MMD计算,最大均值差异L MMD定义为:
式中,sup(·)为输入聚合的上确界;H为再生核希尔伯特空间(简称:RKHS);ϕ(·)表示特征映射函数。进一步得到:
式中,和/>分别表示源域和目标域样本的原始特征,n s为源域的样本个数,n t表示目标域的样本个数。
由于ϕ(·)形式是未知的,为方便计算,引入核函数机制,得到下式:
式中,表示特征核函数,一般取高斯核函数进行运算,形式如下:
需要说明的是,数据采集装置1、数据集生成模块2共同完成上述微地震事件检测方法中的步骤S1和S2的操作,模型生成及模型训练模块3、模型性能评估模块4共同完成上述微地震事件检测方法中的步骤S3的操作,存储模块5执行上述微地震事件检测方法中的步骤S5的操作,模型生成及模型训练模块3及判断模块6执行上述微地震事件检测方法中的步骤S6的操作。
还需要说明的是,目标域测试数据集输入至模型生成及模型训练模块3,通过训练后获得的深度迁移学习模型进行检测,获得的各监测站点波形数据的样本分类结果输入至判断模块6,由判断模块6确定是否存在微地震事件。
本发明上述基于深度迁移学习的微地震事件检测系统,利用卷积神经网络对源域井信号和目标井信号进行初步特征提取,然后基于多核适配和多层适配的最大均值差异进行域差异最小化,有效解决了样本标签数量不足条件下的微地震事件检测问题,实现不同监测井的微地震事件检测,识别速度快,识别精度较高。
以下结合具体实施例对本发明上述基于深度迁移学习的微地震事件检测方法和系统对地面监测波形数据的的有效性进行说明。
实施例:采用川渝地区多口油气井微地震实际监测波形数据制作源域样本和目标域样本。数据样本分为两类,即包含微地震有效信号(即包含P波波动)的样本与只含背景噪声的样本。各个井的样本数量如表2所示。
表2
为了防止单一实验带来的偶然性,选择不同的源域井和目标井进行多次实验。以N203井到LG172井的迁移实施为例。
本实施例采用Python语言和Tensorflow架构作为编程环境,训练过程采用Adam梯度下降法,学习率为0.001。在输入样本的过程中,采用了小批量batch训练方式(训练中设置为20个样本)降低运算复杂度。同时引入随机失活(Dropout)策略,防止训练时出现过拟合问题,失活率设置为0.5。每次训练输入一个小批次样本,循环训练所有批次,将所有数据迭代一遍称为一个epoch。本实施例在配备器 Intel(R) Core(TM) I5处理器,4G运行内存的PC上训练。训练30个epoch之后,保存深度迁移学习模型参数,最后将目标域的样本输入训练好的深度迁移学习模型中进行测试。
为调节出识别效果最好的深度迁移学习模型,本实例对深度迁移学习模型中的参数进行优化,考虑正则化程度的超参数λ、多核适配、多层适配对模型性能的影响,并进行了多次实验。深度迁移学习模型的性能指标为目标域样本的识别准确率和损失函数值。为排除实验随机性,计算结果均取5次实验的平均值。
源域和目标域之间的差异度量是决定检测结果的关键因素,分布适配正则化程度的超参数λ在迁移学习中极其重要。固定其他参数,调整λ的取值大小,记录深度迁移学习模型对目标域的识别准确率。图5为不同λ取值对应的LG172井的信号识别准确率的变化,为0.7时,目标域样本的准确率最高,高达93.8%。
核函数的差异会直接影响L MMD的计算结果,并间接影响深度迁移学习模型的识别性能和迁移效果。为了更好的度量源域与目标域之间的域差异,本实施例中,固定为0.7,对比了基于单核函数和多核函数的最大均值差异对深度迁移学习模型性能的影响,结果如表3所示。
表3
深度迁移学习模型中不同深度的隐藏层包含着原始数据中不同的特征,本实例中计算了FC1和FC2单个全连接层的度量结果以及多个全连接层同时度量的检测结果,得到LG172井的信号识别准确率和深度迁移学习模型最终的总体损失函数值。结果如表4所示。
表4
按照上实例中的调参方式,对W201井到LG172井的迁移、W201井到N203井的迁移及N203井到W201井的迁移进行多次实验,验证该方法的有效性。结果如表5所示。
表5
由表5可以看出,当W201井和N203井作源域时,LG172井的识别率均达到90%以上。N203井到W201井的迁移结果为92.5%,而W201井到N203的识别准确率只有79.2%,源域和目标域的样本数量可能会影响深度迁移学习模型的迁移效果。由此可以得出,本发明的微地震事件检测方法及系统在面对大量无标签的样本情况下,依旧具有很高的识别准确率。
本实例中还增加了与非迁移学习方法的的对比,使用深度迁移学习模型依次训练三口监测井的数据,并分别计算测试集的识别准确率和总体损失函数。目标域的识别准确率和总体损失函数如表6所示。
表6
由表6可以看出,当训练数据与测试数据来源于同一口井时,基于CNN的微地震事件检测方法效果较好,识别准确率分别95.4%、96.7%、97.2%;而当训练数据与测试数据来源于不同井时,信号识别效果较差,平均准确率仅为70%左右,且损失值较大。
利用训练好的深度迁移学习模型对LG172井的测试数据进行微地震事件检测,图9a-图9d是该井几种比较典型的地面站点监测数据。表5中可以看出,N203井到LG72井的迁移效果最好,将目标域测试样本输入至该深度迁移学习模型中。其中对上述监测信号中其中8个站点部分区段波形数据的检测结果的细化显示如图10a-图10d所示。
上述实施例用来解释本发明,而不是对本发明进行限制,在本发明的精神和权利要求的保护范围内,对本发明做出的任何修改和改变,都落入本发明的保护范围。
Claims (10)
1.一种基于深度迁移学习的微地震事件检测方法,其特征在于,其具体步骤为:
S1、采集水力压裂过程中不同地区油气井多个监测站点的微地震信号,并分析各个监测站点微地震信号的数据分布差异;
S2、根据各个监测站点微地震信号有无充足标记建立源域数据集及目标域数据集,并将目标域数据集划分训练集、测试集及其他数据集;
S3、构建深度迁移学习模型,所述深度迁移学习模型的总体损失函数包括源域的分类损失和源域与目标域数据的域差异损失;
S4、将源域数据集和训练集中的数据输入所述深度迁移学习模型进行训练,使源域数据和目标域数据映射到相同的特征空间中,减小源域数据与目标域数据的特征分布差异,使所述总体损失函数趋于收敛,将测试集中的数据输入训练后的深度迁移学习模型进行性能评估;
S5、存储训练后的深度迁移学习模型参数;
S6、将所述其他数据集输入至训练后的深度迁移学习模型,获得各个监测站点的分类结果,根据分类结果确定是否为微地震事件。
2.如权利要求1所述的基于深度迁移学习的微地震事件检测方法,其特征在于,在所述步骤S1中,所述油气井包括页岩气水平井、页岩气直井和大规模缝网压裂方式的常规油气井。
3.如权利要求1所述的基于深度迁移学习的微地震事件检测方法,其特征在于,在所述步骤S2中,建立源域数据集和目标域数据集的具体步骤为:
有充足标记的微地震信号作为源域数据,无充足标记的微地震信号作为目标域数据;
截取每2000个采样点作为一个数据,按照不同的数据类型分别标注标签,含有效信号的数据标注为1,噪声数据标注为0,构建源域数据集和目标域数据集,并把目标域数据集划分为训练集、测试集和其他数据集;所述源域数据和目标域数据取微地震信号中的垂直分量波形数据。
4. 如权利要求1所述的基于深度迁移学习的微地震事件检测方法,其特征在于,在所述步骤S3中,所述总体损失函数表示为:
(1)
式中,L为总体损失函数;L s为源域的分类损失,n s为源域的样本个数,为源域的标签,为深度迁移学习模型预测的源域分类结果;L MMD为最大均值差异,即源域与目标域数据的域差异损失;λ为正则化程度的超参数;n t表示目标域的样本个数,ϕ(·)为特征映射函数,H为再生核希尔伯特空间,/>为核函数,/>和/>分别表示源域和目标域样本的原始特征。
5.如权利要求1所述的基于深度迁移学习的微地震事件检测方法,其特征在于,在所述步骤S3中,所述深度迁移学习模型包括:
特征提取器,所述特征提取器为由两个卷积层、两个池化层、一个全连接层和输出层构成的卷积神经网络;
领域自适应模块,利用最大均值差异在新的特征空间中最小化域差异。
6.如权利要求5所述的基于深度迁移学习的微地震事件检测方法,其特征在于,在所述步骤S4中,训练所述深度迁移学习模型的具体步骤为:
S41、从源域数据集和目标域训练集内随机抽取小批量样本输入到所述深度迁移学习模型中,经过所述特征提取器提取到源域与目标域的特征序列,计算所述总体损失函数;
S42、通过反向传播算法计算梯度,采用自适应矩估计算法更新所述深度迁移学习模型的参数,使所述总体损失函数趋于收敛;
S43、循环训练每个样本批次,当每次样本批次迭代完成后,计算源域数据的识别准确率及所述总体损失函数;当源域准确率达到90%以上且所述总体损失函数趋于不变时,将所述测试集输入至训练好的深度迁移学习模型中,当所述测试集的精度符合要求时,完成深度迁移学些模型训练,否则重复步骤S41至S43直至所述测试集的精度符合要求。
7.根据权利要求1至5任意一项所述的基于深度迁移学习的微地震事件检测方法,其特征在于,所述深度迁移学习模型参数包括每层网络层的权重参数和偏置项参数。
8.根据权利要求1至5任意一项所述的基于深度迁移学习的微地震事件检测方法,其特征在于,源域数据和目标域数据来自不同油气井,且所述训练集、测试集、其他数据集无重复数据。
9.一种基于深度迁移学习的微地震事件检测系统,其特征在于,包括:
数据采集装置,用于采集水力压力过程中不同油气井多个监测站点的微地震信号;
数据集生成模块,根据有充足标记的微地震信号建立源域数据集,根据无充足标记的微地震信号建立目标域数据集,并将目标域数据集划分为训练集、测试集和其他数据集;
模型生成及模型训练模块,用于建立深度迁移学习模型,并根据源域数据集和训练集中的数据训练所述深度迁移学习模型,使源域数据和目标域数据映射到相同的特征空间中,减小源域数据与目标域数据的特征分布差异,使所述总体损失函数趋于收敛;
模型性能评估模块,根据所述测试集检验训练后的深度迁移学习模型的性能;
存储模块,存储训练后的深度迁移学习模型的参数;
判断模块,根据训练后的深度迁移学习模型对其它数据集进行微地震事件检测,获得各监测站点微地震信号的分类结果,根据分类结果判断是否存在为微地震事件。
10.如权利要求9所述的基于深度迁移学习的微地震事件检测系统,其特征在于,还包括数据预处理模块,连接于所述数据集生成模块和所述模型生成及模型训练模块之间,用于对数据集生成模块建立的源域数据集和目标域数据集中的数据进行批量归一化处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311273845.3A CN116990865B (zh) | 2023-09-28 | 2023-09-28 | 基于深度迁移学习的微地震事件检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311273845.3A CN116990865B (zh) | 2023-09-28 | 2023-09-28 | 基于深度迁移学习的微地震事件检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116990865A true CN116990865A (zh) | 2023-11-03 |
CN116990865B CN116990865B (zh) | 2024-01-16 |
Family
ID=88534299
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311273845.3A Active CN116990865B (zh) | 2023-09-28 | 2023-09-28 | 基于深度迁移学习的微地震事件检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116990865B (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008033797A2 (en) * | 2006-09-15 | 2008-03-20 | Microseismic, Inc. | Method for passive seismic emission tomography |
US20190094397A1 (en) * | 2017-09-25 | 2019-03-28 | Real Time Geomechanics, Llc | Surface detection and location of microseismic events and earthquakes without the use of a velocity model |
CN110133714A (zh) * | 2019-06-05 | 2019-08-16 | 山东科技大学 | 一种基于深度学习的微震信号分类辨识方法 |
CN111126471A (zh) * | 2019-12-18 | 2020-05-08 | 中国石油大学(华东) | 微地震事件检测方法及系统 |
US20210117737A1 (en) * | 2019-10-18 | 2021-04-22 | Korea University Research And Business Foundation | Earthquake event classification method using attention-based convolutional neural network, recording medium and device for performing the method |
CN113158792A (zh) * | 2021-03-15 | 2021-07-23 | 辽宁大学 | 一种基于改进模型迁移学习的微震事件识别方法 |
CN113534240A (zh) * | 2021-07-07 | 2021-10-22 | 中国石油大学(华东) | 微地震事件检测与定位方法及系统 |
CN113837116A (zh) * | 2021-09-28 | 2021-12-24 | 大连理工大学 | 一种用于微震信号识别模型的迁移学习方法及系统 |
CN114035226A (zh) * | 2021-11-12 | 2022-02-11 | 东北石油大学 | 基于噪声语义相关性深度迁移去噪自编码网络的微地震资料噪声压制方法及系统 |
CN114994760A (zh) * | 2022-08-08 | 2022-09-02 | 煤炭科学研究总院有限公司 | 基于Transformer和自监督算法的微震事件危险性分析方法 |
CN115327616A (zh) * | 2022-08-24 | 2022-11-11 | 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 |
US11630227B1 (en) * | 2022-03-21 | 2023-04-18 | Liaoning University | Method and system for recognizing mine microseismic event |
CN116383628A (zh) * | 2023-03-23 | 2023-07-04 | 江西理工大学 | 一种落石灾害微震信号的检测分类方法及系统 |
-
2023
- 2023-09-28 CN CN202311273845.3A patent/CN116990865B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008033797A2 (en) * | 2006-09-15 | 2008-03-20 | Microseismic, Inc. | Method for passive seismic emission tomography |
US20190094397A1 (en) * | 2017-09-25 | 2019-03-28 | Real Time Geomechanics, Llc | Surface detection and location of microseismic events and earthquakes without the use of a velocity model |
CN110133714A (zh) * | 2019-06-05 | 2019-08-16 | 山东科技大学 | 一种基于深度学习的微震信号分类辨识方法 |
US20210117737A1 (en) * | 2019-10-18 | 2021-04-22 | Korea University Research And Business Foundation | Earthquake event classification method using attention-based convolutional neural network, recording medium and device for performing the method |
CN111126471A (zh) * | 2019-12-18 | 2020-05-08 | 中国石油大学(华东) | 微地震事件检测方法及系统 |
CN113158792A (zh) * | 2021-03-15 | 2021-07-23 | 辽宁大学 | 一种基于改进模型迁移学习的微震事件识别方法 |
CN113534240A (zh) * | 2021-07-07 | 2021-10-22 | 中国石油大学(华东) | 微地震事件检测与定位方法及系统 |
CN113837116A (zh) * | 2021-09-28 | 2021-12-24 | 大连理工大学 | 一种用于微震信号识别模型的迁移学习方法及系统 |
CN114035226A (zh) * | 2021-11-12 | 2022-02-11 | 东北石油大学 | 基于噪声语义相关性深度迁移去噪自编码网络的微地震资料噪声压制方法及系统 |
US11630227B1 (en) * | 2022-03-21 | 2023-04-18 | Liaoning University | Method and system for recognizing mine microseismic event |
CN114994760A (zh) * | 2022-08-08 | 2022-09-02 | 煤炭科学研究总院有限公司 | 基于Transformer和自监督算法的微震事件危险性分析方法 |
CN115327616A (zh) * | 2022-08-24 | 2022-11-11 | 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 |
CN116383628A (zh) * | 2023-03-23 | 2023-07-04 | 江西理工大学 | 一种落石灾害微震信号的检测分类方法及系统 |
Non-Patent Citations (2)
Title |
---|
王维波;徐西龙;盛立;高明;: "卷积神经网络微地震事件检测", 石油地球物理勘探, no. 05, pages 260 - 263 * |
程健;杨凌凯;王全魁;崔宁;郭一楠;: "基于半监督过采样非平衡学习的矿山微震信号识别", 煤炭科学技术, no. 02 * |
Also Published As
Publication number | Publication date |
---|---|
CN116990865B (zh) | 2024-01-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11320551B2 (en) | Training machine learning systems for seismic interpretation | |
Ross et al. | P wave arrival picking and first‐motion polarity determination with deep learning | |
Saad et al. | Earthquake detection and P-wave arrival time picking using capsule neural network | |
CN110609320B (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 | |
Liu et al. | Deep classified autoencoder for lithofacies identification | |
CN108897975A (zh) | 基于深度信念网络的煤层气测井含气量预测方法 | |
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 | |
CN113534240A (zh) | 微地震事件检测与定位方法及系统 | |
EP4147077A1 (en) | Structured representations of subsurface features for hydrocarbon system and geological reasoning | |
Liu et al. | Automatic fracture segmentation and detection from image logging using mask R-CNN | |
US20230176242A1 (en) | Framework for integration of geo-information extraction, geo-reasoning and geologist-responsive inquiries | |
CN111626377B (zh) | 一种岩相识别方法、装置、设备及存储介质 | |
CN116990865B (zh) | 基于深度迁移学习的微地震事件检测方法及系统 | |
CN117031566A (zh) | 一种地磁异常数据集的构建方法及系统 | |
CN117093922A (zh) | 一种基于改进svm的不平衡样本油藏复杂流体识别方法 | |
CN115639605B (zh) | 基于深度学习的高分辨率断层的自动识别方法和装置 | |
Hong et al. | A DTW distance-based seismic waveform clustering method for layers of varying thickness | |
CN113592028A (zh) | 多专家分类委员会机器测井流体识别的方法及系统 | |
CN114299330A (zh) | 一种地震相分类方法 | |
CN112987091A (zh) | 储层检测方法、装置、电子设备和存储介质 | |
Liu et al. | Machine learning assisted recovery of subsurface energy: a review | |
Hong et al. | A novel approach to the automatic classification of wireline log-predicted sedimentary microfacies based on object detection | |
US20230168410A1 (en) | Geological reasoning with graph networks for hydrocarbon identification | |
You et al. | Enhancing the automatic facies classification of Brazilian presalt acoustic image logs with SwinV2-Unet: Leveraging transfer learning and confident learning | |
Retnanto et al. | Automatic Recognition of Homogeneous and Heterogeneous Reservoirs Using Deep Learning Technique |
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 |