基于BiLSTM和注意力机制的微地震事件检测方法技术

本发明专利技术公开了一种基于BiLSTM和注意力机制的微地震事件检测方法，包括：获取微地震监测仪器采集的时间序列数据；将时间序列数据转换为频域数据，并以频谱图的形式保存，基于卷积神经网对频谱图进行浅层特征的提取；将浅层特征输入至BiLSTM网络，获取第一深层特征，将浅层特征输入至多头注意力机制网络中，获取第二深层特征；将第一深层特征与第二深层特征进行特征融合后输入多层感知机网络，获得检测结果。本发明专利技术的方法能够提高对微地震数据全局属性的关注，提高对微地震数据处理的能力，在频域有效的判定含有有效微地震事件的数据。域有效的判定含有有效微地震事件的数据。域有效的判定含有有效微地震事件的数据。

【技术实现步骤摘要】
基于BiLSTM和注意力机制的微地震事件检测方法


[0001]本专利技术属于微地震事件检测领域，特别是涉及一种基于BiLSTM和注意力机制的微地震事件检测方法。

技术介绍

[0002]水力压裂技术被广泛应用在油田增产和页岩气等新能源的开采的监测中。通过在井中和地面布设微地震监测设备，可记录到因水力压裂而产生的微地震事件。随着微地震监测规模的增大，现场采集的数据量也随之增多，数据处理和分析时需要能够从这些数据中提取尽可能多的有用信息。深度学习技术是一种广泛应用的有效方法，适合处理较大的数据量，这使得其适合应用在微地震数据的处理中。现有的基于深度学习的研究，大多致力于解决微地震数据处理的相关任务，微地震数据中的相似特征和特征之间的相关性并没有被很好的利用。
[0003]多头注意力机制最早应用在自然语言处理中，并得到了快速的发展。多头注意力机制可以更好地对输入数据的全局依赖性进行分析。在自然语言处理和图像领域，已经有多项研究，并在一些任务中已经超过循环神经网络和卷积神经网络的性能。地震数据可以被视为类似于音频(时间序列)数据或图像数据，因为它含有两者的一些属性。

技术实现思路

[0004]本专利技术的目的是提供一种基于BiLSTM和注意力机制的微地震事件检测方法，以解决上述现有技术存在的问题。
[0005]为实现上述目的，本专利技术提供了一种基于BiLSTM和注意力机制的微地震事件检测方法，包括：
[0006]获取微地震监测仪器采集的时间序列数据；将所述时间序列数据转换为频域数据，并以频谱图的形式保存，构建卷积神经网络，基于卷积神经网对所述频谱图进行浅层特征的提取；构建BiLSTM网络，将所述浅层特征输入至BiLSTM网络，获取第一深层特征，将所述浅层特征输入至多头注意力机制网络中，获取第二深层特征；将所述第一深层特征与所述第二深层特征进行特征融合后输入多层感知机网络，获得检测结果。
[0007]可选的，所述卷积神经网包括：多个二维卷积层、批标准化层和激活层。
[0008]可选的，所述多个二维卷积层包括：1个卷积核为9*9的二维卷积，3个卷积核为7*7的二维卷积，1个卷积核为5*5的二维卷积，2个卷积核为3*3的二维卷积，其中，不同的卷积核之间以残差的形式连接。
[0009]可选的，所述卷积神经网的构建包括：3个卷积核为7*7的二维卷积分别与批标准化层连接，依次堆叠，卷积核为9*9的二维卷积连接有与卷积核为7*7的二维卷积相连的批标准化层，以及1个卷积核为5*5的二维卷积，2个卷积核为3*3的二维卷积分别与批标准化层连接，依次堆叠，卷积核为5*5的二维卷积与第三个卷积核为7*7的二维卷积、以及与卷积核为3*3的二维卷积连接的批标准化层相连，其中，任一批标准化层均位于二维卷积之上。
[0010]可选的，所述第一深层特征的获取过程包括：将所述浅层特征重新分配到序列中，将所述序列输入至BiLSTM网络，所述BiLSTM网络从两个方向进行特征的提取，其中，所述BiLSTM网络包括两个BiLSTM层、三个批标准化层、一个单向LSTM层。
[0011]可选的，所述BiLSTM网络的构建包括：两个BiLSTM层分别与批标准化层相连，单向LSTM层连接有与第二个BiLSTM层连接的批标准化层以及第三个批标准化层。
[0012]可选的，所述第二深层特征的获取过程包括：对所述浅层特征进行线性变换，输入至多头注意力机制网络中，获取所述第二深层特征，其中，所述多头注意力机制网络包括N个多头注意力机制网络层和前馈神经网络。
[0013]可选的，所述多头注意力机制网络运行过程包括：经过多头注意力机制网络层处理后的经过线性变换的浅层特征与线性变换后的浅层特征进行求和与标准化，得到过程特征，经过前馈神经网络处理的所述过程特征与所述过程特征进行求和与标准化，获得所述第二深层特征。
[0014]可选的，所述多层感知机网络包括若干个全连接层和激活层。
[0015]本专利技术的技术效果为：
[0016]本专利技术通过应用多层卷积神经网络提取微地震数据的浅层特征，并行应用BiLSTM网络和多头注意力机制网络提取微地震数据的深层特征，并对两个网络并行提取的深度特征进行融合判定。本专利技术的方法能够提高对微地震数据全局属性的关注，提高对微地震数据处理的能力，在频域有效的判定含有有效微地震事件的数据。
附图说明
[0017]构成本申请的一部分的附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
[0018]图1是本专利技术实施例中的基于BiLSTM和注意力机制的微地震事件检测方法的构成框图；
[0019]图2是本专利技术实施例中的基于卷积神经网络的浅层特征提取框图；
[0020]图3是本专利技术实施例中的基于BiLSTM网络的深层特征提取框图；
[0021]图4是本专利技术实施例中的基于多头注意力机制的深层特征提取框图；
[0022]图5是本专利技术实施例中的并行网络特征融合和多层感知机检测框图。
具体实施方式
[0023]需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
[0024]需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
[0025]实施例一
[0026]如图1所示，本实施例中提供一种基于BiLSTM和注意力机制的微地震事件检测方法，包括：
[0027]频域变换，卷积神经网络层、BiLSTM网络层、多头注意力机制网络和多层感知机网
络。
[0028]其中，频域变换是应用快速傅里叶变换，短时傅里叶变换等频域变化方法将时域数据变换到频域。变换后的频域数据以频谱图的形式保存。
[0029]卷积神经网络层，对输入的频谱图进行浅层特征的提取。
[0030]BiLSTM网络层和多头注意力机制网络，并行对卷积神经网络的输出进行进一步的特征提取。两个层提取后的特征，经过融合后，送入多层感知机网络。
[0031]多层感知机网络，将融合后的特征进行分类判定。
[0032]卷积神经网络层的构成框图，如图2所示，由多个卷积层、批标准化层和激活层组成。
[0033]卷积神经网络由多个二维卷积层、批标准化层和激活层构成。不同大小的卷积核之间以残差的形势连接。批标准化层的应用，有助于防止网络的过度拟合，并能够加快训练的过程。
[0034]卷积神经网络层，由1个卷积核为9*9的二维卷积，3个卷积核为7*7的二维卷积，1个卷积核为5*5的二维卷积，2个卷积核为3*3的二维卷积，以及相对应的批标准化层、激活层构成。通过训练，这些网络层能够自动频谱图中进行浅层特征的提取。
[0035]BiLSTM网络层的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于BiLSTM和注意力机制的微地震事件检测方法，其特征在于，包括以下步骤：获取微地震监测仪器采集的时间序列数据；将所述时间序列数据转换为频域数据，并以频谱图的形式保存，构建卷积神经网络，基于卷积神经网对所述频谱图进行浅层特征的提取；构建BiLSTM网络，将所述浅层特征输入至BiLSTM网络，获取第一深层特征，将所述浅层特征输入至多头注意力机制网络中，获取第二深层特征；将所述第一深层特征与所述第二深层特征进行特征融合后输入多层感知机网络，获得检测结果。2.根据权利要求1所述的基于BiLSTM和注意力机制的微地震事件检测方法，其特征在于，所述卷积神经网包括：多个二维卷积层、批标准化层和激活层。3.根据权利要求2所述的基于BiLSTM和注意力机制的微地震事件检测方法，其特征在于，所述多个二维卷积层包括：1个卷积核为9*9的二维卷积，3个卷积核为7*7的二维卷积，1个卷积核为5*5的二维卷积，2个卷积核为3*3的二维卷积，其中，不同的卷积核之间以残差的形式连接。4.根据权利要求3所述的基于BiLSTM和注意力机制的微地震事件检测方法，其特征在于，所述卷积神经网的构建包括：3个卷积核为7*7的二维卷积分别与批标准化层连接，依次堆叠，卷积核为9*9的二维卷积连接有与卷积核为7*7的二维卷积相连的批标准化层，以及1个卷积核为5*5的二维卷积，2个卷积核为3*3的二维卷积分别与批标准化层连接，依次堆叠，卷积核为5*5的二维卷积与第三个卷积核为7*7的二维卷积、以及与卷积核为3*3的二维卷积连接的批标准化层相连，...

【专利技术属性】
技术研发人员：朱亚东洋，郭华煦，赵曙光，袁娟，郜建玺，蓝波，张晓燕，张路纲，
申请(专利权)人：北京石油化工学院，
类型：发明
国别省市：