【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 ...
【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:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。