一种基于残差网络的干热岩微地震事件检测方法技术

本发明专利技术属于微地震事件检测领域，特别是涉及一种基于残差网络的干热岩微地震事件检测方法，包括:采用残差网络提取采集的微地震数据的依赖性特征，所述依赖性特征包括微地震事件的时序关系，地震波到达时数据发生的跳变特性；使用归一化指数函数对数据依赖性特征进行二分类，并输出噪声和微地震事件。本发明专利技术方法检测精度更高，检测到的结果更适用于实际的干热岩开发工程。热岩开发工程。热岩开发工程。

【技术实现步骤摘要】
一种基于残差网络的干热岩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残差网络的干热岩微地震事件检测方法。

技术介绍

[0002]能源是人类社会发展必不可少的条件，一直是人类赖以生存的源动力，由于当今社会化石能源日益告急，人类对于能源的探索从未停止。2015年在中国青海共和县发现大量干热岩，实现了中国干热岩勘察突破，在开发过程中，想要实现干热岩的热能开采，需要通过水力压裂技术将压裂井连通，而在水力压裂时，初始裂缝错动会激发出大量以地震波方式传播的能量，在传播过程中被检波器所接收，通过分析检波器数据中的微地震事件，确定水力压裂产生的裂缝位置和发展趋势。微地震事件的准确识别是微地震监测过程中最重要的一环。微地震事件拾取的准确与否，关系到能否正确的反馈出地下裂缝变化，给水力压裂一个正确的参考。
[0003]目前，微地震监测的研究主要集中在检测微地震事件上。传统方法就是短期平均到长期平均(STA/LTA)算法，但这种方法由于不同窗口中参数的计算成本，需要较长的时间来获取所需要的精度，当STA的时间窗越短时，对地震信号也就越敏感，这样就容易出现误拾取现象，LTA过长时，可能会把由弱变强的噪声误拾取为微地震事件。随着人工智能的快速发展，机器学习技术已被应用于微地震事件检测，例如模糊聚类算法、贝叶斯概率模型、多尺度排列熵和支持向量机结合的方法。但这些方法也并不适用于干热岩微地震事件检测，例如模糊聚类算法，最优分类的标准是样本与聚类中心的距离平方和最小，因为一个样本是按不同的隶属度属于各类的，所以应同时考虑它与每一类的聚类中心的距离，逐步聚类法需要反复迭代计算，计算工作量很大，在更低信噪比的情况下拾取效果并不理想。因此，寻找一种适用于干热岩微地震事件拾取的方法显得极为迫切。

技术实现思路

[0004]本专利技术所要解决的技术问题在于提供一种基于残差网络的干热岩微地震事件检测方法，直接将可以用来指导水力压裂的微地震事件拾取出来，不需要后期重新挑选数据。
[0005]本专利技术是这样实现的，
[0006]一种基于残差网络的干热岩微地震事件检测方法，包括:
[0007]采用残差网络提取采集的微地震数据的依赖性特征，所述依赖性特征包括微地震事件的时序关系，地震波到达时数据发生的跳变特性；
[0008]使用归一化指数函数(Softmax)对数据依赖性特征进行二分类，并输出噪声和微地震事件。
[0009]进一步地：数据依赖性特征提取前，对微地震信号进行归一化处理，将数据统一映射到[0,1]。根据干热岩数据的数值较大、计算复杂的特征，进行归一化处理，归一化后可以节省计算成本，提高运行效率。
[0010]进一步地：所述残差网络包括8个残差块形成的数据依赖性特征提取层，每个残差块包括两个3
×
3的卷积层，每一个卷积层后使用线性修正单元Relu激活函数。
[0011]进一步地：在ResNet网络的底层添加全连接层。
[0012]进一步地，所述残差块计算公式如下式：
[0013]H(x)＝F(x)+x
[0014]其中输入设为x，F(x)为上一层的输出,那么以x为输入的此层的输出将为H(x)。残差块的这种学习机制可以很好的将此时间点前后的干热岩数据特征联系起来，可以丰富学习到的数据特征信息，以免出现多个单一脉冲被误拾取的情况发生。
[0015]进一步地，每一个残差块输出尺寸计算公式为：
[0016][0017]其中，i为输入尺寸，o为输出尺寸，p为卷积填充，k为卷积核尺寸，s为步长。
[0018]进一步地，所述归一化指数函数采用Sofrmax函数和交叉熵损失函数联合：
[0019][0020]其中，t
i
表示真实值，y
i
表示求出的Softmax值，当预测第i个时，t
i
＝1，损失函数为：
[0021]Loss
i
＝
‑
lny
i
[0022]对Loss求导：
[0023][0024]基于上式的梯度形式，通过梯度反向传播的方法，完成整个残差网络权重的更新，通过整个网络权重计算后，干热岩的数据特征也就被记录在权重值中，在N次的迭代训练后，将权重值给到softmax函数，softmax函数通过权重值给出针对该段序列是否为微地震事件的概率值。
[0025]进一步地，在softmax函数给出概率值后，设定阈值，当概率值大于等于阈值时，判定为微地震事件。
[0026]本专利技术与现有技术相比，有益效果在于：
[0027]本专利技术依据微地震信号的时域稀疏性与数据间的依赖性，提出基于神经网络的干热岩微地震事件检测方法，首先使用残差(ResNet)网络来提取输入数据的时序特征，结合ResNet网络提取到的微地震信号的时序特点，使用归一化指数函数(softmax)来进行分类，以此高效、鲁棒地分类微地震事件和噪声。该方法检测精度更高，检测到的结果更适用于实际的干热岩开发工程，为后续的数据处理、裂缝分析简化了工作，同时提高了微地震事件对水力压裂指导的时效性，具有很大的应用潜力。
[0028]本专利技术基于ResNet的神经网络模型，在保证精度的同时，减少了训练过程中的参数和硬件条件对算法的制约。另外，由于干热岩微地震的波形振幅较大，后续震动较强，使
用softmax函数与交叉熵损失函数来做分类器，提高了分类的准确度。本专利技术数据采用根据干热岩微地震事件特点生成的模拟数据进行训练和测试，分别生成了四种不同噪声水平的训练和测试数据，分别为0dB，
‑
5dB，
‑
10dB，
‑
15dB。观察实验结果可得到该方法即使在噪声增强时也依然能够准确的拾取最大振幅的波形，提高了后续数据处理的工作效率，对水力压裂的指导更具时效性。通过测试，该方法可以获得95％左右的检测精度。
附图说明
[0029]图1为本专利技术的一种基于残差网络的干热岩微地震事件检测方法流程示意图；
[0030]图2为本专利技术的一种基于残差网络的干热岩微地震事件检测方法的GRU模型原理图；
[0031]图3为本专利技术的一种基于残差网络的干热岩微地震事件检测方法在测试数据信噪比为0dB时，(a)ResNet的检测结果，(b)STALTA检测结果；
[0032]图4为本专利技术的一种基于残差网络的干热岩微地震事件检测方法在测试数据信噪比为
‑
5dB时，(a)ResNet的检测结果，(b)STALTA检测结果；
[0033]图5为本专利技术的一种基于残差网络的干热岩微地震事件检测方法在测试数据信噪比为
‑
10dB时，(a)ResNet的检测结果，(b)STALTA检测结果；
[0034]图6为本专利技术的一种基于残差网络的干热岩微地震事件检测方法在测试数据信噪比为
‑
15dB时，(a)ResNe本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于残差网络的干热岩微地震事件检测方法，其特征在于，包括:采用残差网络提取采集的微地震数据的依赖性特征，所述依赖性特征包括微地震事件的时序关系，地震波到达时数据发生的跳变特性；使用归一化指数函数对数据依赖性特征进行二分类，并输出噪声和微地震事件。2.按照权利要求1所述的方法，其特征在于：数据依赖性特征提取前，对微地震信号进行归一化处理，将数据统一映射到[0,1]。3.按照权利要求1所述的方法，其特征在于：所述残差网络包括8个残差块形成的数据依赖性特征提取层，每个残差块包括两个3
×
3的卷积层，每一个卷积层后使用线性修正单元Relu激活函数。4.按照权利要求3所述的方法，其特征在于：在ResNet网络的底层添加全连接层。5.按照权利要求3所述的方法，其特征在于：所述残差块计算公式如下式：H(x)＝F(x)+x其中输入设为x，F(x)为上一层的输出,那么以x为输入的此层的输出将为H(x)。6.按照权利要求5所述的方法，其特征在于：每一个残差...

【专利技术属性】
技术研发人员：张登洪，赵发，
申请(专利权)人：浙江骄美精科技有限公司，
类型：发明
国别省市：