一种基于卷积神经网络的微地震震源定位方法技术

本发明专利技术属于地球科学与人工智能交叉领域，具体涉及一种基于卷积神经网络的微地震震源定位方法，

【技术实现步骤摘要】
一种基于卷积神经网络的微地震震源定位方法


[0001]本专利技术属于地球科学技术与人工智能交叉领域，具体涉及一种基于卷积神经网络的微地震震源定位方法
。

技术介绍

[0002]随着世界油气工业从传统油气到非常规油气的发展，非常规油气的勘探与开发越来越引起人们的关注，目前开发非常规油气的主要技术是水力压裂法
。
岩石破裂产生微震，并以地震波的形式传播
。
通过微地震监测技术来对微震事件产生的地震波进行监测，然后对有效波形进行分析处理来求取震源位置等相关参数
。
其中，裂缝中每个位置都可视为震源，准确的震源位置是一切定量分析的基础，对检波器采集到的信息进行分析与处理，得到地下水力压裂裂缝形成的空间形态，有助于为压裂工程师及时调整注入优化策略提供数据参考
。
[0003]传统的定位方法根据其定位原理可分为基于走时特征的定位算法与基于波形特征的定位算法，受复杂地质条件与采集技术的影响，传统定位算法受到了诸多因素的挑战：其一为定位精度的挑战，微震信号能量较弱，在传播过程中易受噪声干扰，导致所得到的微震记录通常信噪比较低，初至拾取工作较为困难，此时走时类算法将不再适用；同时速度模型误差与观测系统的布置均会对微震数据的处理结果产生影响，使定位精度受限；其二是定位效率的挑战，基于波形特征的定位算法在一定精度的前提下，所需计算算力较大，震源位置坐标的求解过程较为耗时，无法满足微地震监测过程中实时分析的要求
。
因此，如何结合新的技术和手段对微地震震源定位的精度进一步优化，是使用微地震信息特征实现提高页岩气压裂产能的重要前提，具有重大的工程意义和研究价值
。
[0004]基于深度学习的震源定位算法将传统方法复杂反演问题的求解，转化为建立地震道集与震源位置间的映射关系，避免了复杂计算求解的同时使计算效率大幅度提升，是具有前景的研究方向，根据其实现机理可划分为两种，其中一种方式为通过深度学习的方式对微震数据进行识别后再定位；另一种定位思想是利用神经网络构造由地震波形直接到震源位置坐标的映射
。
基于深度学习的定位算法其优势在于定位效率快，不需要人工进行特征选择，从观测到的微震资料中自动进行特征选择与特征提取，解决了传统算法人工依赖与模型依赖的问题，然而在特征提取过程中未充分考虑到微震信号的特征，目前算法使用道集数据作为网络输入时，在映射至震源位置的过程中往往忽略噪声的影响，有限的支撑特征使模型存在较高的多解性，影响定位效果，模型的鲁棒性有待进一步提升
。
[0005]上述可知，将基于物理模型驱动的速度反演方法与基于数据驱动的深度学习方法结合起来，构成基于数据与模型双驱动的速度反演方法
。
基于深度学习方法解决速度反演中的问题，结合数据与模型双驱动的思想，通过地震勘探方法提供更多的特征工程信息，来降低深度神经网络模型学习难度以及提高泛化能力和结果的精度
。

技术实现思路

[0006]本专利技术的目的是提供一种基于深度学习数据驱动原理的微地震震源定位方法，建立由微震波形信息到震源位置概率分布的网络模型，在网络模型中融合注意力机制模块与空间空洞多尺度模块完成微震数据中有效特征提取工作，减少噪声的干扰及提高支撑特征的准确性，使神经网络可以充分学习到微震事件波形特征与震源位置间的映射关系
。
设置评价指标的定位误差为网络输出特征中最大值的位置与样本标签中最大值位置之间的距离，通过损失函数来评价网络模型的训练效果
。
[0007]本专利技术采用的技术方案为：一种基于卷积神经网络的微地震震源定位方法，微地震震源定位方法包括以下步骤：
[0008]步骤一
、
训练数据集准备
[0009]网络的输入是检波器采集到的观测数据，对于多道微震记录来说，每一道信号均为一个连续的时间函数，在二维微震数据中延时间方向按照一定的比例取样，采样点数为速度模型
z
方向网格点数，以保持输入输出数据具有相同的尺寸；为增强模型的鲁棒性与适用性，在构建数据集时考虑噪声干扰与速度模型误差对定位精度的影响，使用高斯平滑算子在原始速度模型的
x
方向与
z
方向进行平滑处理，使用平滑后的速度模型为初始速度模型生成训练数据集，使用原始速度模型生成测试数据集；在微震数据中添加等级为
r
的高斯噪声来模拟实际应用中微地震数据易受噪声干扰的情况，等级
r
为高斯噪声与地震数据的比值，得到若干受到不同程度噪声干扰的微震数据
y
；
[0010]步骤二：样本标签准备
[0011]标签为震源位置的概率分布图像，概率的峰值位置即为微震数据所对应的震源位置；为了减小网络输出大小，使网络更容易学习到输入数据与相应输出标签之间的关系，以监测区域中的网格点数来表示监测区域的大小，每一个像素代表震源在相应网格位置上的概率值；使用高斯分布来描述震源的概率分布，震源概率分布最大值点即为震源位置，将震源位置的概率分布图像设为
l
；
[0012]步骤三：网络输入与标签设定
[0013]以步骤一中得到的微震波形数据
y
作为输入，以步骤二中的相对应的震源位置概率分布图像
l
作为标签，训练定位网络模型
G
；
[0014]步骤四：深度学习网络模型
G
结构设定
[0015]深度学习网络模型
G
以
U
型网络为基础架构，结合注意力机制和空间空洞金字塔池化模块，加强由微震数据至震源分布图像的映射关系；网络输入为微震数据，在编码网络中微震数据通过卷积
、
池化操作降低特征维度；编码网络最终输出的特征传递给空间空洞多尺度池化模块，将经过信息挖掘与复用后的特征传至解码网络，注意力模块通过特征加权的方式在上采样过程中凸显有效特征，反卷积操作使得低分辨率震源映射图谱逐层恢复至与输入数据空间尺寸相同的高分辨率震源的位置概率分布图像；网络学习到微震波形与震源位置间的映射关系，利用训练好的网络预测未参与训练过程的微震震源位置；
[0016]网络模型设定为
[0017](1)、
微地震有效信号特征提取主干网络
[0018]特征提取主干网络的作用为完成由微震数据至震源位置概率分布的映射，网络模型设定为
n
层编
‑
解码结构，使用
ReLU
作为编码网络与解码网络的激活函数，并在网络各层
中应用批处理归一化模块对每层的输出特征进行归一化处理，以增加训练的稳定性；在网络的最后一层中使用
Sigmoid
激活函数将输出范围映射至0～1之间，用来表示震源位置的分布概率；由于定位模型的任务是将微震数据的时域信息映射至震源位置概率分布的空间域信息，数据在元素空间内存在弱对应关系，浅层卷积核提本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于卷积神经网络的微地震震源定位方法，其特征在于：微地震震源定位方法包括以下步骤：步骤一
、
训练数据集准备在二维微震数据中延时间方向按照一定的比例取样，采样点数为速度模型
z
方向网格点数，使用高斯平滑算子在原始速度模型的
x
方向与
z
方向进行平滑处理，使用平滑后的速度模型为初始速度模型生成训练数据集，使用原始速度模型生成测试数据集；在微震数据中添加等级为
r
的高斯噪声来模拟实际应用中微地震数据易受噪声干扰的情况，等级
r
为高斯噪声与地震数据的比值，得到若干受到不同程度噪声干扰的微震数据
y
；步骤二：样本标签准备标签为震源位置的概率分布图像，概率的峰值位置即为微震数据所对应的震源位置；以监测区域中的网格点数来表示监测区域的大小，每一个像素代表震源在相应网格位置上的概率值；使用高斯分布来描述震源的概率分布，震源概率分布最大值点即为震源位置，将震源位置的概率分布图像设为
l
；步骤三：网络输入与标签设定以步骤一中得到的微震波形数据
y
作为输入，以步骤二中的相对应的震源位置概率分布图像
l
作为标签，训练定位网络模型
G
；步骤四：深度学习网络模型
G
结构设定深度学习网络模型
G
以
U
型网络为基础架构，结合注意力机制和空间空洞金字塔池化模块，加强由微震数据至震源分布图像的映射关系；网络输入为微震数据，在编码网络中微震数据通过卷积
、
池化操作降低特征维度；编码网络最终输出的特征传递给空间空洞多尺度池化模块，将经过信息挖掘与复用后的特征传至解码网络，注意力模块通过特征加权的方式在上采样过程中凸显有效特征，反卷积操作使得低分辨率震源映射图谱逐层恢复至与输入数据空间尺寸相同的高分辨率震源的位置概率分布图像；网络学习到微震波形与震源位置间的映射关系，利用训练好的网络预测未参与训练过程的微震震源位置；网络模型设定为
(1)、
微地震有效信号特征提取主干网络特征提取主干网络的作用为完成由微震数据至震源位置概率分布的映射，网络模型设定为
n
层编
‑
...

【专利技术属性】
技术研发人员：张岩，崔淋淇，魏子心，张一鸣，张弛，孟德聪，
申请(专利权)人：东北石油大学，
类型：发明
国别省市：