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技术

本发明专利技术提供一种基于深度学习的DAS同井监测实时微地震有效事件识别方法，包括：构建基于DAS的水平井微地震监测系统；构建训练数据集，训练数据集包括具有不同类型标签的微地震事件数据、管道波数据和背景噪音数据；构建信号识别模块；使用训练数据集训练信号识别模块；对实际监测数据进行预处理，将预处理后的数据输入信号识别模块，获得输出结果；对输出结果中识别到的微地震事件进行标记，并将标记的微地震事件更新到训练数据集中；以及对信号识别模块进行调整和更新。本发明专利技术的识别方法能够实时、高效地识别DAS同井监测数据中的微地震事件，识别的微地震事件可以补充训练数据集，进一步更新信号识别模块，提升模块的适应性。性。性。

【技术实现步骤摘要】
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


[0001]本专利技术涉及微地震监测和深度学习
，具体涉及一种基于深度学习的DAS同井监测实时微地震有效事件识别方法，包括使用训练数据集训练信号识别模块、对实际监测数据进行预处理、将预处理后的数据输入信号识别模块获得输出结果等，因此它属于地震勘探或探测中对地震数据的处理。

技术介绍

[0002]水力压裂技术是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的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。
[0003]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。微地震监测技术通过监测水力压裂过程中产生的微震信号来评估压裂效果，进而指导和优化工程参数。微地震监测主要包含有效事件拾取，有效事件信号增强，微地震震源定位，微地震震源分析，储层应力分析和储层裂缝计算等方面。
[0004]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一般由解调仪（包括了光学系统和信号采集系统）和用于传感的普通光纤或特种光纤两部分组成。DAS通过探测激光脉冲在光纤内部散射体产生的后向瑞利散射光信号的相位变化，实现沿光纤轴向应变信号的测量。
[0005]在DAS水力压裂监测中，DAS光纤一般沿水平井进行布设。相比常规检波器检测，DAS可以获得全井段测量数据，大幅度增加了数据的采集方位角；DAS已经实现1m的空间采样，显著提升了监测数据的采集密度和空间连续性。然而，微地震监测为一个长时间、连续的过程，其监测数据量非常大。例如，DAS采样为1毫秒，以单井2000m井深为例，按照1m空间采样，一天可以获得将近650GB数据。因此，人工进行数据拾取或者使用常规方法，无法达到微地震实时检测的需求。
[0006]DAS监测一般分为邻井监测和同井监测。同井监测中，监测井和压裂井为同一水平井。由于流体注入，压裂泵工作过程中会产生较强能量的管道波，超过有效微振动事件的振幅。该管道波沿监测井传播，具有较强的周期性，一方面，在频率域内两者频带存在部分重合，另一方面，在时间域内两者波形较为相似。因此，管道波与目标微地震事件较难分离，进而严重影响微地震有效事件的识别。而在邻井监测中，监测井和压裂井为不同水平井，这种沿压裂井传播的管道波在数据中并不存在。
[0007]目前还没有对DAS同井监测数据的拾取方法。与之相近的文献和专利包括：对常规检波器微地震数据的拾取；对邻井DAS数据的拾取。然而，检波器数据和DAS数据差异较大，不具有可比性；而对于邻井DAS数据的拾取，由于常规微地震数据中不包含管道波，其识别方法也不涉及管道波数据，因此，对邻井DAS数据的拾取方法相对简单。

技术实现思路

[0008]本专利技术的目的在于至少部分地克服现有技术的缺陷，提供一种基于深度学习的DAS同井监测实时微地震有效事件识别方法。
[0009]本专利技术的目的还在于提供一种针对DAS同井监测微地震事件的实时识别方法，以进一步使用微地震事件进行分析，进行压裂评估和施工指导。
[0010]本专利技术的目的还在于提供一种微地震事件识别方法，能够自动调整和更新信号识别模块，以提高模块的适应性。
[0011]本专利技术的目的还在于提供一种基于深度学习的DAS同井监测实时微地震有效事件识别方法，具有运算效率高、准确度高、算法结构复杂度低和计算成本低中的一个或多个优点。
[0012]为达到上述目的或目的之一，本专利技术的技术解决方案如下：一种基于深度学习的DAS同井监测实时微地震有效事件识别方法，所述识别方法包括：构建基于DAS的水平井微地震监测系统；构建训练数据集，所述训练数据集包括具有不同类型标签的微地震事件数据、管道波数据和背景噪音数据；信号识别模块由深度神经网络构成；所述网络包含卷积子网络和注意力机制子网络；信号识别模块的输入数据使用2个卷积层提取基本的特征，数据大小分别为256
×
256，卷积核为32
×3×
3；卷积子网络包含2个卷积层，数据大小分别为256
×
256，卷积核为32
×3×
3，其中，第一维为卷积个数，第二维和第三维为卷积尺寸；注意力机制子网络包含1个卷积层和2个池化层，卷积层的数据大小为256
×
256，卷积核为32
×3×
3；2个池化层为1个平均池化层和1个最大池化层，2个池化层通过连接层连接，然后使用卷积层，卷积层数据大小为128
×
128，卷积核为64
×3×
3；卷积子网络和注意力机制子网络通过连接层连接，然后使用2个卷积层，数据大小分别为128
×
128，卷积核为64
×3×
3；然后，使用2个全连接层，大小为1024
×
1；信号识别模块的输入为所述不同类型标签的微地震事件数据、管道波数据和背景噪音数据，输出为预测的标签值，用预测的标签值与准确标签的误差来更新网络参数；所述网络采用交叉熵作为损失函数计算神经网络的误差；使用训练数据集训练信号识别模块；对实际监测数据进行预处理，将预处理后的数据输入信号识别模块，获得输出结果；对输出结果中识别到的微地震事件进行标记，并将标记的微地震事件更新到所述训练数据集中；以及对信号识别模块进行调整和更新。
[0013]根据本专利技术的一个优选实施例，所述构建训练数据集包括：生成微地震事件数据、管道波数据和背景噪音数据的初始数据；对微地震事件数据、管道波数据和背景噪音数据的初始数据进行数据增广；对所有数据进行预处理。
[0014]根据本专利技术的一个优选实施例，微地震事件数据的初始数据包括第一部分数据和第二部分数据，所述第一部分数据为在人工模拟合成的不包含管道波和背景噪音的数据中添加实际采集到的管道波形成的数据；第二部分数据为实际监测得到的包含管道波和背景
噪音的微地震事件数据；管道波数据的初始数据为在压裂平台压裂初期实际监测获得的管道波数据；和/或背景噪音数据的初始数据为通过相邻压裂平台的同井监测获得的井口操作的机械噪音。
[0015]根据本专利技术的一个优选实施例，所述对微地震事件数据、管道波数据和背景噪音数据的初始数据进行数据增广包括：对微地震数据振幅、管道波数据振幅和背景噪音数据振幅按照随机比例进行缩放。
[0016]根据本专利技术的一个优选实施例，所述对所有数据进行预处理包括：对损坏通道数据通过相邻通道进行插值替换，去除均值，去除异常大值，使用插值对被去除的异常大值进行替换，数据归一化。
[0017]根据本专利技术的一个优选实施例，信号识别模块由深度神经网络构成；所述网络包含卷积子网络和注意力机制子网络；信号识别模块的输入数据使用2个卷积层提取基本的特征，数据大小分别为256
×
256；基于该特征信息，卷积子网络包含2个卷积层，数据大小分别为2本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的DAS同井监测实时微地震有效事件识别方法，其特征在于，所述识别方法包括：构建基于DAS的水平井微地震监测系统；构建训练数据集，所述训练数据集包括具有不同类型标签的微地震事件数据、管道波数据和背景噪音数据；构建信号识别模块：信号识别模块由深度神经网络构成；所述网络包含卷积子网络和注意力机制子网络；信号识别模块的输入数据使用2个卷积层提取基本的特征，数据大小分别为256
×
256，卷积核为32
×3×
3；卷积子网络包含2个卷积层，数据大小分别为256
×
256，卷积核为32
×3×
3，其中，第一维为卷积个数，第二维和第三维为卷积尺寸；注意力机制子网络包含1个卷积层和2个池化层，卷积层的数据大小为256
×
256，卷积核为32
×3×
3；2个池化层为1个平均池化层和1个最大池化层，2个池化层通过连接层连接，然后使用卷积层，卷积层数据大小为128
×
128，卷积核为64
×3×
3；卷积子网络和注意力机制子网络通过连接层连接，然后使用2个卷积层，数据大小分别为128
×
128，卷积核为64
×3×
3；然后，使用2个全连接层，大小为1024
×
1；信号识别模块的输入为所述不同类型标签的微地震事件数据、管道波数据和背景噪音数据，输出为预测的标签值，用预测的标签值与准确标签的误差来更新网络参数；所述网络采用交叉熵作为损失函数计算神经网络的误差；使用训练数据集训练信号识别模块；对实际监测数据进行预处理，将预处理后的数据输入信号识别模块，获得输出结果；对输出结果中识别到的微地震事件进行标记，并将标记的微地震事件更新到所述训练数据集中；以及对信号识别模块进行调整和更新。2.根据权利要求1所述的基于深度学习的DAS同井监测实时微地震有效事件识别方法，其特征在于，所述构建训练数据集包括：生成微地震事件数据、管道波数据和背景噪音数据的初始数据；对微地震事件数据、管道波数据和背景噪音数据的初始数据进行数据增广；对所有数据进行预处理。3.根据权利要求2所述的基于深度学习的DAS同井监测实时微地震有效事件识别方法，其特征在于：微地震事件数据的初始数据包括第一部分数据和第二部分数据，所述第一部分数据为在人工模拟合成的不包含管道波和背景噪音的数据中添加实际采集到的管道波形成的数据；第二部分数据为实际监测得到的包含管道波和背景噪音的微地震事件数据；管道波数据的初始数据为在压裂平台压裂初期实际监测获得的管道波数据；和/或背...

【专利技术属性】
技术研发人员：郑忆康，王一博，武绍江，姚艺，
申请(专利权)人：中国科学院地质与地球物理研究所，
类型：发明
国别省市：