[发明专利]基于深度神经网络的微震信号到时和震相识别方法及系统

说明书

本发明公开了基于深度神经网络的微震信号到时和震相识别方法及系统，该方法包括：划分训练数据集、验证数据集和测试数据集；搭建一个深度为10层的卷积神经网络模型；计算网络的输入和输出标签的误差，以完成网络参数的更新；进行模型训练；设置迭代训练次数为N，当迭代训练N次后，停止网络训练；即用于微震信号到时和震相识别的深度卷积神经网络模型构建完成；把未经过处理的数据集输入到训练后的网络模型，识别出P波、S波和其他信号的概率。该方法通过构建微震震相识别的深度卷积神经网络模型，输入采集三分量数据，可更好地识别和区分P波、S波和其他信号，准确性较高。

技术领域

本发明涉及微地震监测技术领域，特别涉及基于深度神经网络的微震信号到时和震相识别方法及系统。

背景技术

水力压裂和二氧化碳捕获与封存(CCS)进程可能会导致诱发地震。对于检测地下小地震的目的来说微地震监测系统是一个很有用的工具。怎样从地表记录中快速并准确地拾取微地震事件里P波和S波到时是这个领域中一项有趣的研究。

在过去几年很多研究者们已经研究了初至自动拾取器。传统方法是一个短期均值比长期均值(STA/LTA)的方法，是一种基于信号和噪声能量的不同发展起来的检测算法。当记录中有噪声时，为了改进自动拾取器的精确度，Baer和Kradolfer(1987)在Allen的方法基础上改进了特征函数。Lomax等人(2012)提出了一个在离散时序信号上操作的滤波拾取器(FP)来实现不需要滤波或均值去除的宽带拾取。Grigoli等人(2013)引入了希尔伯特变换和三分量(3-C)数据来实现真实相位中初至拾取的P波STA/LTA和S波STA/LTA。这些传统方法的性能依赖于人工设计特性来探测记录中的变化。

对于微地震监测系统来讲，快速并准确地拾取P波和S波是很有必要的。同时，用传统的拾取方法自动识别出真实相位的到时并不容易。

随着机器学习的发展，监督和非监督技术被引入到微地震事件探测领域。监督技术更受欢迎些，因为非监督技术很难被应用到在真实地震相位中拾取高精确度的初至上。然而在深度神经网络(DNNs)被引入到这个领域之前，神经网络(NN)的应用更像是分类器而不是一个智能网络，因为神经网络的输入依然不是原始数据而是人工设计特性。随着“深度学习”的发展，怎样建立一个能自动在噪声中区分信号的深度神经模型，提高微震信号到时和震相识别的准确性，是同行从业人员亟待解决的问题。

发明内容

为了解决上述技术问题，本发明提供了基于深度神经网络的微震震相识别方法及系统，该方法可以实现在微地震记录中高准确度和精度的地震相位自动拾取。

本发明实施例提供基于深度神经网络的微震震相识别方法，包括以下步骤：

S1、获取预设维数的三分量数据；

S2、对用于网络模型训练的所述三分量数据进行到时拾取，作为对应样本数据的标签信息；

S3、将所述三分量数据数据和所述标签信息划分为训练数据集、验证数据集和测试数据集；

S4、搭建一个深度为10层的卷积神经网络模型；

S5、计算网络的输入和输出标签的误差，以完成网络参数的更新；

S6、将数据输入得到的网络结构进行模型训练；

S7、设置一个验证参数N，当迭代训练N次后，停止网络训练；即用于微震信号到时和震相识别的深度卷积神经网络模型构建完成；

S8、把未经过处理的数据集输入到训练好的网络模型中，网络输出为对应于输入数据维度的三个概率，对应识别出P波、S波其他信号；所述其他信号包括：噪声、反射波、多次波和转换波。

在一个实施例中，所述步骤S7还包括：

当未到达预设的准确率时，返回执行步骤S6，继续利用输入数据进行模型训练。