一种微地震P波极性识别方法、装置、存储介质及设备制造方法及图纸

本文提供一种微地震P波极性识别方法、装置、设备及存储介质，所述方法包括：获取检波器采集到的微地震待测P波数据；将所述待测P波数据输入到已训练完成的卷积神经网络，计算得到所述待测P波极性类型概率分布，所述已训练完成的卷积神经网络是基于所述检波器采集的训练样本数据训练得到，所述训练样本数据全部已知所述P波极性类型；将所述待测P波极性类型概率分布中最大概率对应的P波极性类型确定为所述待测P波极性，通过多道采集的数据结合卷积神经网络构架，训练出能准确识别出P波极性的训练模型，可以提高P波极性识别的准确性和训练模型的适应范围。练模型的适应范围。练模型的适应范围。

【技术实现步骤摘要】
一种微地震P波极性识别方法、装置、存储介质及设备


[0001]本专利技术属于微地震监测
，具体涉及一种微地震P波极性识别方法、装置、存储介质及设备。

技术介绍

[0002]水力压裂是页岩气、煤层气等非常规油气资源开采过程中的关键环节，而微地震监测技术是监测压裂过程以及评估压裂效果的重要手段。水力压裂过程中岩石破裂产生的地震波信号可以被放置在井中或地表的检波器接收，这些信号能够用来反演震源位置、震源机制解、震级等参数，从而监测裂缝的发育过程以及评估压裂效果。地面监测和井中监测是两种常用的监测方式。与井中监测相比，地面监测的检波器记录由于地震波衰减严重通常显示出较低的信噪比，但其不仅具有较高的覆盖次数和较宽的方位角，更易于反演震源机制解，而且具有简单、经济以及适应性强等优势，得到了越来越广泛的应用。
[0003]微地震监测的主要内容是反演震源位置和震源机制解。震源位置能够提供裂缝的位置和分布信息，而震源机制解可用于描述裂缝破裂类型、了解工区地应力状态。大量的压裂监测结果表明微地震事件主要是由剪切为主的裂缝破裂产生的，因此地面观测记录会本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种微地震P波极性识别方法，其特征在于，所述方法包括：获取检波器采集到的微地震待测P波数据；将所述待测P波数据输入到已训练完成的卷积神经网络，计算得到所述待测P波极性类型概率分布，所述已训练完成的卷积神经网络是基于所述检波器采集的训练样本数据训练得到，所述训练样本数据全部已知所述P波极性类型；将所述待测P波极性类型概率分布中最大概率对应的P波极性类型确定为所述待测P波极性。2.根据权利要求1所述的方法，其特征在于，所述卷积神经网络包括多个卷积层、多个池化层和全连接层；每个所述卷积层连接一个所述池化层；所述卷积层用于提取输入数据的特征向量，所述池化层用于降低输入数据的维度，所述全连接层用于连接输出所述卷积层和所述池化层的输出结果，并计算分布概率。3.根据权利要求1所述的方法，其特征在于，所述已训练完成的卷积神经网络是基于所述检波器采集的训练样本数据训练得到进一步包括：构建卷积神经网络；获取检波器采集的训练样本数据，所述训练样本数据包括多道P波数据和目标道的P波极性类型；根据所述训练样本数据，训练所述卷积神经网络，并得到损失函数；重复所述卷积神经网络的训练步骤，直到所述损失函数低于预设阈值，得到训练完成的卷积神经网络。4.根据权利要求3所述的方法，其特征在于，所述损失函数为交叉熵损失函数，所述损失函数的计算公式为：其中Loss为损失函数，k为P波不同的极性对应类别，N为样本数据中P波极性类型分布，p
k
为P波极性实际概率分布，q
k
为卷积神经网络输出的P波极性预测概率分布。5.根据权利要求3所述的方法，其特征在于，当所述多道P波数据为奇数道P波数据时，所述目标道的P波极性类型为所述奇数道...

【专利技术属性】
技术研发人员：田宵，汪明军，张雄，陈慧慧，李广，
申请(专利权)人：东华理工大学，
类型：发明
国别省市：