本发明涉及微地震监测技术领域,特别涉及一种基于深度卷积神经网络的微地震p波识别方法及系统。
背景技术
微地震监测技术是通过观测、分析由压裂产生的微小地震事件来监测地下状态的地球物理技术,对油田开发稳产、高产具有重要的意义。微地震资料有效信号能量较弱,信噪比较低,甚至完全淹没在噪音之中。常规地震资料处理方法虽然众多,但若直接应用于微地震资料,往往无法获取满意的效果,这将直接影响微地震监测的质量和精度。因此,寻找合适的方法识别微地震资料中较弱的有效信号是微地震资料处理与解释的关键。
如何准确、快速的识别p波对微地震震源定位、裂缝预测、震源破裂机制分析具有重要的意义。通常情况下,p波识别以信号和噪声的差异识别为基础,如振幅、频率、偏振等。目前常采用的方法是借鉴天然地震中的sta/lta(shorttermaveraging/longtermaveraging)(allen,r.v.,1978.automaticearthquakerecognitionandtimingfromsingletraces.bull.seismol.soc.am.68,1521–1532.)、aic(akaikeinformationcriterion)准则、相关检测等单一识别模式。但是由于微地震信号信噪比低,这些单一方法往往识别效果较差,甚至出现误判、错判,这无疑严重影响自动拾取的精确性。人工识别微地震初至虽然精度较高,但耗时较长,不能满足微地震实时处理的需要。因此,如何进行高精度的有效信号识别就显得尤其重要。
技术实现要素:
针对现有技术的不足,本发明提供一种基于深度卷积神经网络的微地震p波识别方法及系统,通过建立包含微地震有效信号和噪音的训练集完成深度卷积神经网络的训练,再利用已经训练好的网络识别微地震p波,为有效识别微地震有效信号提供实用可行的方法和技术。
为实现上述目的,本发明公开一种基于深度卷积神经网络的微地震p波识别方法,所述方法包括以下步骤:
s1、运用不同主频、不同信噪比的微地震正演信号和实际微地震记录制作训练卷积神经网络的数据集,并将数据集以有效p波和噪音的形式分为两类;
s2、运用卷积神经网络对数据集进行训练;
s3、运用relu激活函数增大信号的响应;
s4、通过由softmax函数转换的one-hot编码所对应的标签种类来识别信号,将信号分为p波和噪音信号。
在上述技术方案中,所述步骤s2中卷积神经网络包括输入层、卷积层、池化层以及全连接层;
所述输入层,用于网络数据的输入;
所述卷积层,用于将输入的数据进行特征提取;
所述池化层,用于将输入的特征图进行压缩,使特征图变小,简化网络计算复杂度,同时进行特征压缩,提取主要特征;
所述全连接层,用于连接所有的特征并输出。
在上述技术方案中,所述relu激活函数的计算公式为:f(x)=max(0,x)。
在上述技术方案中,所述步骤s2中卷积神经网络的训练方法如下:
s21、设定训练集中各个像素的序号,用xi,j表示所述训练集中第i行第j列元素;
s22、设定卷积核中权重的序号,用ym,n表示所述卷积核中第m行第n列权重,用yb表示卷积核中的偏置项,用ai,j表示所述卷积核中的第i行第j列元素;
s23、通过relu激活函数的计算公式得到
本发明公开一种基于深度卷积神经网络的微地震p波识别系统,所述系统包括记录模块、训练模块、计算模块、识别模块;
记录模块,用于运用不同主频、不同信噪比的微地震正演信号和实际微地震记录制作训练卷积神经网络的数据集,并将数据集以有效p波和噪音的形式分为两类;
训练模块,用于运用卷积神经网络对数据集进行训练;
计算模块,用于运用relu激活函数增大信号的响应;
识别模块,用于通过由softmax函数转换成的one-hot编码所对应的标签种类来识别信号,将信号分为p波和噪音信号。
本发明一种基于深度卷积神经网络的微地震p波识别方法及系统,具有以下有益效果:本方法为水力压裂微地震监测技术指出了一个重要的应用方向,促进该技术的应用和推广;并对微地震有效信号识别提供精确且快速的拾取方案,为后续微地震定位提供更精确的初始信息,与人工识别相比,本发明也提高了有效信号识别的效率和精度。
附图说明
图1为本发明一种基于深度卷积神经网络的微地震p波识别方法流程图;
图2为本发明卷积神经网络示意图;
图3为本发明relu函数示意图;
图4为本发明训练集与卷积核示意图;
图5为本发明一种基于深度卷积神经网络的微地震p波识别系统模块图;
图6为本发明实施例中实际的微地震信号;
图7为本发明实施例中基于深度卷积神经网络的微地震p波识别的有效信号。
具体实施方式
下面结合附图对本发明作进一步详细描述,本发明提供一种基于深度卷积神经网络的微地震p波识别方法,所述方法包括以下步骤,如图1所示:
s1、运用不同主频、不同信噪比的微地震正演信号和实际微地震记录制作训练卷积神经网络的数据集,并将数据集以有效p波和噪音的形式分为两类;
s2、运用卷积神经网络对数据集进行训练;
s3、运用relu激活函数增大信号的响应;
s4、通过由softmax函数转换的one-hot编码所对应的标签种类来识别信号,将信号分为p波和噪音信号。
其中,如图2所示,所述步骤s2中卷积神经网络包括输入层、卷积层、池化层以及全连接层;
所述输入层,用于网络数据的输入;
所述卷积层,用于将输入的数据进行特征提取;
所述池化层,用于将输入的特征图进行压缩,使特征图变小,简化网络计算复杂度,同时进行特征压缩,提取主要特征;
所述全连接层,用于连接所有的特征,将数据输出。
结构为:input->[[conv]*n->pool]*m->[fc]*k,所述结构input表示网络输入,n个convolution卷积层,添加一个pooling池化层,建构所述组合m次,最后叠加k个fullconnect全连接层。
其中,如图3所示,所述relu激活函数的计算公式为:f(x)=max(0,x)。
其中,如图4所示,所述步骤s2中卷积神经网络的训练方法如下:
s21、设定训练集中各个像素的序号,图中(a)用xi,j表示所述训练集中第i行第j列元素;
s22、设定卷积核(b)中权重的序号,用ym,n表示所述卷积核中第m行第n列权重,用yb表示卷积核中的偏置项,用ai,j表示所述卷积核中的第i行第j列元素;
s23、通过relu激活函数的计算公式得到
本发明还提供一种基于深度卷积神经网络的微地震p波识别系统,所述系统包括记录模块、训练模块、计算模块、识别模块,如图5所示;
记录模块,用于运用不同主频、不同信噪比的微地震正演信号和实际微地震记录制作训练卷积神经网络的数据集,并将数据集以有效p波和噪音的形式分为两类;
训练模块,用于运用卷积神经网络对数据集进行训练;
计算模块,用于运用relu激活函数增大信号的响应;
识别模块,用于通过由softmax函数转换成的one-hot编码所对应的标签种类来识别信号,将信号分为p波和噪音信号。
本发明实施例如图6所示为实际的微地震信号,采用1ms采样,采样时间2000ms。
如图7所示通过本发明得到的微地震识别的有效信号,通过对比图6和图7,由此可见本发明能精确识别微地震有效信号。
说明书中未阐述的部分均为现有技术或公知常识。本实施方式仅用于说明该发明,而不用于限制本发明的范围,本领域技术人员对于本发明所做的等价置换等修改均认为是落入该发明权利要求书所保护范围内。