一种基于方差分形的深度学习微地震事件检测方法技术

本发明专利技术属于微地震检测领域，具体地而言为一种基于方差分形的深度学习微地震事件检测方法，包括：采用雷克子波合成地震记录中的有效信号；截取，构建一个包含噪声集和信号集的数据集；计算每个信号样本及噪声样本的方差分形维数，将计算过方差分形维数的噪声集及信号集输入到一个由卷积层、激励层、Dropout层、全连接层的一维卷积神经网络中进行训练，待训练完成后，保存模型，将待检测的数据计算整体的方差分形维数，通过在待检测的方差分形维数的数据上滑窗得到很多个样本，输入到保存的模型中得到检测结果。中得到检测结果。中得到检测结果。

【技术实现步骤摘要】
一种基于方差分形的深度学习微地震事件检测方法


[0001]本专利技术适用于微地震检测领域，是一种基于方差分形的深度学习微地震事件检测方法。

技术介绍

[0002]在石油勘探过程中，应用水力压裂技术会导致岩石破碎或原有裂缝增长，进而产生一系列可观测的微地震事件。通过在压裂井地表或是相邻监测井中合理布置检波器，便可记录微地震信号。水力压裂是从射孔位置向目标层注入高稠度压力液，使目标层中压力不断增加，导致岩石破碎或原有裂缝增长，从而诱发一系列微地震事件。由于射孔信号具有能量强、信噪比高的特性，容易准确拾取初至。而微地震震级能量小、信噪比较低，严重制约了微地震事件的识别和初至拾取。
[0003]因此快速、准确地检测微地震事件是后期微地震数据处理的基础，在对震源进行定位和机理分析之前，微地震事件的识别和检测尤其重要，所以，提出一种方法针对低信噪比的微地震事件检测是有必要的。传统的方法在信噪比较低的情况下对于微地震事件的检测效果不理想，尤其是在一些现场施工条件下，会导致信噪比很低，使得微地震检测存在难度。

技术实现思路

[0004]针对上述现有技术中存在的问题，本专利技术提供一种基于方差分形的深度学习微地震事件检测方法。
[0005]本专利技术是这样实现的，
[0006]一种基于方差分形的深度学习微地震事件检测方法，包括如下：
[0007]S1:采用雷克子波合成地震记录中的有效信号，得到4000道微地震信号，每道信号包含两个微地震事件；
[0008]S2：对合成的地震数据集进行预处理，获得4000个微地震信号样本及4000 个噪声，对每个信号样本及噪声样本分别计算方差分形维数，得到8000个包含信号分形维数样本及噪声分形维数样本的训练数据集；
[0009]S3：构造一个由卷积层、激励层、池化层、全连接层的一维卷积神经网络模型并开始采用步骤S2的地震信号训练集训练；
[0010]S4：待训练完成后，保存模型，将待检测数据计算分形维数，通过滑窗将待监测数据分成小样本输入到网络中，输出网络中每个样本预测为信号的概率值，得到微地震事件检测的结果。
[0011]进一步地，S1中具体包括：
[0012]由雷克子波合成的微地震数据，主频率在15Hz到30Hz之间，公式如下：
[0013][0014]其中，A表示振幅，t0表示起始时间，f0表示主频。
[0015]进一步地，S2中具体包括：
[0016]将S1中合成的4000个采样点为901个采样点的整个信号截取出来，并截取同样长度为901个采样点的4000个噪声，计算8000样本的方差分形维数，得到包含8000个计算过方差分形维数的样本集，计算这8000个样本的方差分形维数，得到包含8000个计算过方差分形维数的样本集，计算分形维数后的每个样本为571个数据点；
[0017]对于1维的能量包络信号E(t)，根据D
σ
＝1
‑
R得到D
σ
，D
σ
为方差分形维数数据，其中，R称之为Hurst指数，由以下式子获得：
[0018][0019]其中nΔt是时间间隔，Var((E(t1+nΔt)
‑
E(t1))
nΔt
)是对能量包络信号E(t) 在t1时刻nΔt间隔下的方差，然后求取极限对数获得Hurst指数。
[0020]进一步地，一维卷积神经网络模型包括卷积层、激励层、Dropout层以及全连接层，
[0021]其中，卷积层包含4层，分别为第1层、第2层、第3层、第4层的操作包括卷积、激活函数，其中，采用的激活函数为ReLU，卷积核的大小为2，数量依次为256、128、64、32。
[0022]全连接层包含3层，分别为第6层、第8层、第10层，第6层神经元为128 个，激活函数为Sigmoid激活函数，第8层神经元为64个，激活函数为Sigmoid 激活函数，第10层神经元为2个，激活函数为Softmax激活函数；
[0023]Dropout层包含2层，分别为第5层和第7层，dropout比率选择0.5；
[0024]设置交叉熵损失函数为上述卷积神经网络训练中的损失函数：
[0025]式中y
i
表示样本i的标签，信号为1，噪声为0，p
i
表示样本i预测为信号的概率。
[0026]进一步地，S4中具体包括：
[0027]将训练好的模型保存下来，将待检测的完整微地震数据计算方差分形维数，通过滑窗尺寸为571，滑动步长为1的滑窗截取计算分形维数后的数据，得到一系列的尺寸为571个数据点的待检测小样本；
[0028]将待检测小样本输入到模型中进行分类，将对每个样本识别为信号的概率进行输出来。
[0029]本专利技术与现有技术相比，有益效果在于：
[0030]本专利技术首先利用分形测量地震信号，有效地提取地震非线性特征。然后将这些分形特征输入卷积神经网络，以区分信号和噪声，本专利技术与传统方法相比，网络训练后无需手动调整参数及设置阈值。使用合成模拟数据及山西省水力压裂的监测数据验证了该专利技术。采用本专利技术在微震监测数据中具有较高的微震检测能力。
附图说明
[0031]图1为本专利技术基于方差分形的深度学习微地震事件检测方法流程图；
[0032]图2为将截取的原始信号及噪声提取分形特征得到分形样本图，图2(a) 为将原始地震样本计算分形维数得到的地震分形维数样本，图2(b)为将噪声样本计算分形维数得到
的噪声分形维数样本；
[0033]图3为本专利技术中卷积神经网络结构图；
[0034]图4为待检测信号(a)及计算分形维数图(b)；
[0035]图5为待检测的模拟微地震信号及实测微地震信号的最终检测结果图；信噪比为
‑
16dB的模拟数据进行检测结果如图5(a)所示，对山西西北部微地震事件监测中采集到的实测数据检测结果如图5(b)所示。
具体实施方式
[0036]为使本专利技术的目的、技术方案和优点更加清楚，下面将结合附图对本专利技术实施方式作进一步地描述。
[0037]请参考图1，本专利技术提供一种基于方差分形的深度学习微地震事件检测方法，包括：
[0038]S1:采用雷克子波合成微震记录中的有效信号,得到4000个采样点为901的微地震事件；
[0039]其中，由雷克子波合成有效的地震数据，主频率在15Hz到30Hz之间，公式如下：
[0040][0041]A表示振幅，t0表示起始时间，f0表示主频。
[0042]S2：对合成的地震数据集进行预处理，获得包含4000个信号样本及噪声样本的训练集。
[0043]S21、将S1中合成的4000个微地震事件截取出来并截取4000个噪声样本。
[0044]S22、对S21的8000个样本分别计算方差分形维数，得到的方差分形维数样本为最终的训练集，图2(本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于方差分形的深度学习微地震事件检测方法，其特征在于，包括如下：S1:采用雷克子波合成地震记录中的有效信号，得到4000道微地震信号，每道信号包含两个微地震事件；S2：对合成的地震数据集进行预处理，获得4000个微地震信号样本及4000个噪声，对每个信号样本及噪声样本分别计算方差分形维数，得到8000个包含信号分形维数样本及噪声分形维数样本的训练数据集；S3：构造一个由卷积层、激励层、池化层、全连接层的的一维卷积神经网络模型并开始采用步骤S2的地震信号训练集训练；S4：待训练完成后，保存模型，将待检测数据计算分形维数，通过滑窗将待监测数据分成小样本输入到网络中，输出网络中每个样本预测为信号的概率值，得到微地震事件检测的结果。2.按照权利要求1所述的方法，其特征在于，S1中具体包括：由雷克子波合成的微地震数据，主频率在15Hz到30Hz之间，公式如下：其中，A表示振幅，t0表示起始时间，f0表示主频。3.按照权利要求1所述的方法，其特征在于，S2中具体包括：将S1中合成的4000个采样点为901个采样点的整个信号截取出来，并截取同样长度为901个采样点的4000个噪声，计算8000样本的方差分形维数，得到包含8000个计算过方差分形维数的样本集，计算这8000个样本的方差分形维数，得到包含8000个计算过方差分形维数的样本集，计算分形维数后的每个样本为571个数据点；对于1维的能量包络信号E(t)，根据D
σ
＝1
‑
R得到D
σ
，D
σ
为方差分形维数...

【专利技术属性】
技术研发人员：龙云，韩国庆，闫爽，李善平，任华，陈泽杰，
申请(专利权)人：吉林大学，
类型：发明
国别省市：