[发明专利]一种基于多尺度卷积神经网络的微地震事件检测方法

说明书

本发明涉及的是一种基于多尺度卷积神经网络的微地震事件检测方法，它包括：训练数据集预处理，用不同频率的雷克子波正演得到的微地震资料添加上不同强度的高斯白噪声作为样本，进行数据增强；设计神经网络模型：预处理后的微地震资料通过卷积神经网络，得到多个尺度上的特征图，在每个尺度上对特征图进行检测，然后把每个尺度上的检测结果输入C‑F模型进行多尺度不确定性的信任度合成得到最终检测结果；训练并保存训练模型：设置输入层的两个超参数，确定学习率和迭代次数；将测试集加入不同强度的高斯白噪声，进行模型测试，验证其检测效果和初至拾取精度。本发明解决了微地震事件传统识别耗时长、准确率低的问题，提高微地震事件检测效率。

技术领域

本发明涉及的是计算机与地球科学技术的交叉领域，具体涉及的是一种基于多尺度卷积神经网络的微地震事件检测方法。

背景技术

近年来，微地震检测技术已经被应用于多个领域，如油气藏的动态检测、油田水力压裂监控以及油田生产中的流体驱动前沿追踪等。微地震事件识别作为微地震数据处理的基础，对后面的微地震事件的定位十分关键，微地震事件的识别精确度与油藏的发现有着密切的关系。此外微地震监测技术还能应用于山体滑坡、大型水库和桥梁的安全维护、隧道安全监测等。

目前微地震检测事件主要是借鉴传统地震勘探的检测方法有长短时窗比法(STA/LTA)、分形维法、自回归信息准则(AR-AIC)等。长短时窗比法以时窗内能量比值变化为判断依据，当时窗交界点处于微地震信号初至点时比值会明显增大。分形维法假定在微地震事件初至前后分形维数的变化表征着微地震数据时间序列的变化，分形维数突变的位置即是微地震事件的初至时刻。自回归信息准则假设微地震事件在传播过程中，地震波在自回归过程下分为两个局部统计阶段计算AIC函数值。事件到达前后是两种不同的稳态过程，利用噪声和微地震事件交界处两种信号拟合度差异，求得的AIC值最小时刻即为微地震初至到达时刻。

上述传统的微地震事件检测方法中，目前存在两方面较大的问题：一方面是算法往往含有一些特定的参数，这些参数值的选取不仅受专家先验知识的影响，还与对该地区地形、设备等因素相关。另一面微地震数据在压裂中产生数据巨大且微地震事件的发生时刻是不确定的，传统方法效率低下。需要研究从海量监测数据中自动识别有效微地震信号的算法，以提高数据处理效率。

针对海量数据的处理，深度学习中的一些算法框架额特性特别适合自动提取特征学习，从而实现自动识别。赵明等人用汶川地震余震事件建立数据集，应用深度学习卷积神经网络(CNN)方法进行训练，证明了CNN模型具有泛化能力，初步展示了CNN在发展兼具效率、精度、普适性算法，实时地震监测等应用上具有巨大潜力；丁建群等人选取U-Net模型作为深度学习的基础模型并以此改进，提升了深度学习在初至波识别中的算法稳定性，实际低信噪比数据拾取的精度与人工拾取效果相当，拾取效率能满足大规模运算需求，初步应用取得了较好效果。

发明内容

本发明的目的是提供一种基于多尺度卷积神经网络的微地震事件检测方法，这种基于多尺度卷积神经网络的微地震事件检测方法用于降低人工投入和先验知识对事件识别依赖的影响，提高传统微地震事件识别的精度与效率，解决传统的微地震事件检测方法对海量数据处理的精度低和泛化能力差的问题。

本发明解决其技术问题所采用的技术方案是：这种基于多尺度卷积神经网络的微地震事件检测方法包括如下步骤：

步骤一、训练数据集预处理：

数据集准备包括微地震资料的获取、滑动窗口大小和步长的设定、数据增强、数据集的归一化处理；用不同频率的雷克子波正演得到的微地震资料添加上不同强度的高斯白噪声作为样本，通过添加不同信噪比SNR的高斯白噪声来进行数据增强，通过数据增强的方法来提高数据集的覆盖程度，缩小训练集和测试集之间的差距，其中SNR定义如下：

式中：P_signal表示信号的平均能量；P_noise表示噪声的平均能量；