基于边缘智能的微地震数据压缩和事件检测方法

1.本发明属于微地震数据压缩和事件检测领域，特别是涉及一种基于边缘智能的微地震数据压缩和事件检测方法。


背景技术：

2.水力压裂技术被广泛应用在油田增产和页岩气等新能源的开采的监测中。通过在井中和地面布设微地震监测设备，可记录到因水力压裂而产生的微地震事件。通过对微地震事件的反演和推导可推测裂缝在地下的走向、密度、维度等信息，实现对生产过程的监测。传统的监测方法，在设备端仅进行微地震数据的采集，采集到的数据通过有线或无线的方式，上传至云端数据中心进行微地震事件的检测、拾取、反演定位等操作。该方法要求将采集到的所有数据均回传至云端数据中心，然而所传输的数据大部分都是无效的噪声数据，造成了监测现场网络通信资源和能耗的浪费。
3.压缩感知可以在远低于奈奎斯特速率的采样率下传输压缩信号，因此可将该技术应用到设备端采集数据的传输中。然而压缩感知算法需要在服务器端重构信号用于原始信号的处理，虽然减少了通信网络上的数据传输，但是所传输的数据中依然包含噪声信号，且服务器端用于恢复信号和分辨噪声依然需要消耗一定的时间和能耗。


技术实现要素：

4.本发明的目的是提供一种基于边缘智能的微地震数据压缩和事件检测方法，以解决上述现有技术存在的问题。
5.为实现上述目的，本发明提供了一种基于边缘智能的微地震数据压缩和事件检测方法，包括：
6.采集微地震监测数据，对所述微地震监测数据进行滤波、降噪处理获得目标监测数据；
7.构建数据压缩与事件检测模型，将所述目标监测数据传输到数据压缩与事件检测模型进行压缩和分类，将分类得到的微地震数据上传到云端进行，反演、定位处理。
8.优选地，所述数据压缩与事件检测模型包括压缩采样模块和事件检测模块；
9.所述压缩采样模块用于对滤波后的数据进行压缩采样；
10.所述事件检测模块用于对压缩域中的数据进行分类。
11.优选地，构建数据压缩与事件检测模型的过程包括，基于压缩采样模块和事件检测模块进行模型训练和模型推理，获取数据压缩与事件检测模型；
12.所述模型训练包括压缩采样训练和事件检测训练；
13.基于模型推理检验数据压缩与事件检测模型能否对微地震事件正确分类。
14.优选地，所述压缩采样训练的过程包括：
15.构建测量矩阵；基于所述微地震监测数据获得压缩数据集；对所述压缩数据集进行权重和偏移量的调整，获得调整后的权重和偏移量。
16.优选地，基于所述微地震监测数据获得压缩数据集的过程包括，基于所述微地震监测数据进行数据压缩，获得第一压缩域数据集，将所述微地震监测数据输入到经过初始化权重和偏移量的压缩采样模块中，获得第二压缩域数据集。
17.优选地，对所述压缩数据集进行权重和偏移量的调整的过程包括，
18.初始化压缩采样模块的权重和偏移量，基于判别器调整权重和偏移量，当第一压缩域数据集和第二压缩域数据集之间的相似度高于设定的阈值后停止训练，保存相似度高于设定的阈值时的权重和偏移量。
19.优选地，所述事件检测训练的过程包括，
20.锁定压缩采样模块的神经网络参数；对所述微地震监测数据进行分类，构建微地震事件分类数据集；将所述微地震事件分类数据集传输到压缩采样模块进行数据压缩，将压缩后数据传输到事件检测模块进行有效微地震事件特征提取并分类，获得分类结果。
21.优选地，所述事件检测模块进行有效微地震事件特征提取的过程包括，
22.微地震监测数据依次通过主干连接的两个lstm网络层、四个自注意力网络层和第一卷积网络层提取微地震事件特征；所述微地震监测数据通过残差连接的每一个lstm网络层和自注意力网络层均输出一个子微地震事件特征，将两个lstm网络层和四个自注意力网络层输出的子微地震事件特征直连到第一卷积网络层的输出；将所述微地震事件特征和所述子微地震事件特征进行融合得到微地震事件特征集，将所述微地震事件特征集输入第二卷积网络层，经第二卷积网络层特征提取输出有效微地震事件特征。
23.优选地，一种基于边缘智能的微地震数据压缩和事件检测系统，包括：
24.采集端设备，用于采集微地震监测数据，基于数据压缩与事件检测模型对所述微地震监测数据进行分类，获得分类后的微地震数据；
25.云端设备，用于根据分类后的微地震数据进行反演、定位的后续数据处理；
26.网络数据传输设备，分别与所述采集端设备和所述云端设备连接，用于将采集端设备分类后的微地震数据传输到云端设备。
27.优选地，所述采集端设备包括：
28.去噪及滤波模块，用于对采集到的数据进行噪声抑制和滤除干扰频率；
29.压缩采样模块，用于对滤波后的数据进行压缩采样，将时域的数据转换到压缩域；
30.事件检测模块，用于对压缩域中的数据进行分类，识别出包含有效微地震事件的数据。
31.本发明的技术效果为：
32.本发明提出了一种基于边缘智能的微地震数据压缩和事件检测方法，通过提出微地震数据压缩和事件检测模型，在采集端应用边缘智能芯片，进行数据的智能分析处理。模型中的压缩采样模块可对滤波后的数据进行压缩采样，将时域的数据转换到压缩域。模型中的数据分类模块可对压缩域中的数据进行分类，识别出包含有效微地震事件的数据。应用本发明的方法可在压缩域，对微地震监测数据进行分类，识别出包含有效微地震事件的数据，在保证压缩率的同时，减少噪声数据传输造成的能耗损失。
附图说明
33.构成本技术的一部分的附图用来提供对本技术的进一步理解，本技术的示意性实
施例及其说明用于解释本技术，并不构成对本技术的不当限定。在附图中：
34.图1为本发明实施例中的方法流程图；
35.图2为本发明实施例中的构成框图；
36.图3为本发明实施例中的事件检测模块中特征提取部分的构成框图；
37.图4为本发明实施例中的压缩采样模块的训练流程；
38.图5为本发明实施例中的数据分裂模块的训练流程。
具体实施方式
39.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
40.为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
41.实施例一
42.如图1所示，本实施例提供了一种基于边缘智能的微地震数据压缩和事件检测方法，包括，布设在微地震监测现场的多个采集端设备，进行微地震监测数据的采集。
43.采集端采集的数据，先经过硬件电路的降噪和滤波处理，之后送到边缘智能芯片(如fpga、nvidia jetson platform、asic等)中。
44.边缘智能芯片运行微地震数据压缩与事件检测模型，该模型基于深度神经网络构建，在结构上由两部分构成，分别是压缩采样模块a和事件检测模块b。
45.其中，压缩采样模块a的功能是对滤波后的数据进行压缩采样，将时域的数据转换到压缩域。
46.事件检测模块b的功能是对压缩域中的数据进行分类，识别出包含有效微地震事件的数据。
47.在模型训练阶段，压缩采样模块a和事件检测模块b分别采用不同的方法进行训练。
48.如图4所示，压缩采样模块a的训练流程为：
49.基于压缩感知理论，设计一个适合微地震数据压缩采样的测量矩阵φ。
50.应用采集数据构建输入数据集x，将数据集x中的数据分别输入到测量矩阵φ中进行数据压缩，压缩后的数据构成压缩域数据集z。
51.训练时，随机初始化压缩采样模块a的权重w和偏移量b，将数据集x中的数据批量送入到压缩采样模块中，压缩后的数据构成数据集y，判别器p通过不断调整w和b两个参数，使得数据集y和z间的相似程度逐渐提高，当高于设定的阈值后停止训练，保存模块当前的w和b，模块训练完成。
52.训练后的压缩采样模块，能够模拟测量矩阵φ的全部功能，能够将采集数据转换到压缩域。
53.如图5所示，事件检测模块b的训练流程为：
54.在进行事件检测模块的训练时，压缩采样模块和事件检测模块均参与训练。
55.压缩采样模块在该阶段时，模块中的深度神经网络参数如w，b等均保持锁定的状态，其作用是将采集数据转换到压缩域。
56.人工对采集的数据进行标注，将采集的数据分为噪声和微地震事件两类，构建微地震事件分类数据集f。
57.在进行训练时，先将数据集f中的数据送入到压缩采样模块a中，通过锁定的压缩采样模块a将数据转换到压缩域，再传输到事件检测模块b。事件检测模块b按结构可以分为特征提取和分类两个部分。特征提取部分由lstm(长短期记忆)网络s，自注意力网络m和卷积神经网络l串接构成，上述模块通过组合能够提取出压缩域数据中蕴含的有效微地震事件特征g。分类部分由多层感知机n构成，能够对特征g进行分类。经过多轮的训练，不断提升模块的特征提取和分类能力，使事件检测模块b能够有效的对含有微地震事件的数据进行判定。
58.训练后的事件检测模块，在推理阶段能够将转换到压缩域的数据进行分类，判定该段数据是否包含有效的微地震事件。
59.在模型推理阶段，滤波后的数据依次通过微地震数据压缩和事件检测模型的压缩采样模块和数据分类模块，最终输出推理后的结果，即判定该段数据是否包含有效的微地震事件。
60.如图3所示，事件检测模块中特征提取部分，分为主干连接和残差连接两个分支。主干连接分支，输入的数据先后经过2个lstm网络层(网络层分别为s1，s2)，4个自注意力网络层(网络层分别为m1、m2、m3、m4)，2个卷积网络层(网络层分别为l1，l2)。残差连接分支中，将s1、s2、m1、m2、m3、m4六个网络层的输出，都跨层直连到l1层的输出部分。主干网络的特征(l1)和残差网络的特征(s1、s2、m1、m2、m3、m4)在l2层前融合，融合后经l2层处理，输出有效微地震事件特征g。
61.模型的推理在边缘智能芯片上运行，因为深度神经网络模型主要进行并行计算，普通的cpu或arm很难进行高效的运算，因此本实施例的边缘智能芯片采用如fpga、asic、或nvidia jetson platform，等能够进行并行多核计算，适合深度神经网络运行的芯片。
62.在模型训练阶段，压缩采样模块和数据分类模块分别采用不同的方法进行训练。
63.在模型推理阶段，滤波后的数据依次通过压缩采样模块a和事件检测模块b，最终输出推理后的结果，即判定该段数据是否包含有效的微地震事件。
64.采集端仅将包含有效微地震事件的数据回传至云端数据中心进行后续处理，在保证压缩率的同时，减少噪声数据传输造成的能耗损失。
65.如图2所示，一种基于边缘智能的微地震数据压缩和事件检测系统，包括采集端设备、云端设备，以及从采集端到云端的网络数据传输设备。
66.其中，在采集端，应用压缩感知技术对数据进行压缩，应用深度神经网络技术在压缩域构建分类模型，分类出包含有效的微地震事件的数据。
67.经过压缩、分类后，将含有有效微地震事件的数据，通过通信网络传输至云端服务器，进行反演、定位等后续的数据处理。
68.采集端设备包括去噪及滤波模块、压缩采样模块、事件检测模块。其中压缩采样模块和事件检测模块基于深度神经网络搭建，运行在边缘智能芯片上。
69.去噪及滤波模块，由硬件电路构成，用于对采集到的数据进行噪声抑制和干扰频
率的滤除。
70.压缩采样模块和事件检测模块共同组成了微地震数据压缩与事件检测模型，均通过深度神经网络搭建而成。
71.压缩采样模块的功能是对滤波后的数据进行压缩采样，将时域的数据转换到压缩域。
72.事件检测模块的功能是对压缩域中的数据进行分类，识别出包含有效微地震事件的数据。
73.以上所述，仅为本技术较佳的具体实施方式，但本技术的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本技术揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本技术的保护范围之内。因此，本技术的保护范围应该以权利要求的保护范围为准。