基于集成深度学习的岩石断层摩擦微震检测方法和系统与流程

本发明涉及地震数据分析，更具体的说是涉及一种基于集成深度学习的岩石断层摩擦微震检测方法和系统。

背景技术：

1、能源勘探(深部矿产、地热)、环境保护(核废料封存)、地质灾害预警(岩质边坡)等地下工程的扰动会引起断层面周围局部应力场的变化，在一定条件下诱发断层活化，进一步引起断层滑动岩爆、矿震、地震以及其他相关的动力灾害。因此，揭示岩石断层摩擦的特征和机理对预测和预防断层活化及相关灾害具有重要意义。

2、岩石断层摩擦产生的声发射或微震事件是断层破裂或错动的表征，同时也是微观尺度上裂隙演化规律与宏观尺度上变形特征之间的联系；因此，从多通道连续声发射或微震记录系统的大量波形数据中检测及拾取其主要到达相位(p相位)是至关重要的。

3、相比于传统的相位拾取算法，如长短时窗对比法(sta/lta)、模板匹配技术(互相关算法)等，深度学习作为基础的数据处理方法因高精度和高效率，被广泛应用于地震数据的分析和解释中。

4、虽然基于深度学习的网络模型，在天然地震检测和震相拾取方面已展现出惊人的精度和效率，但其依赖于社区地震目录所积累的大量地震标注数据和深层网络架构强大的特征提取能力。然而，声发射或微震波形数据难以被众包或专业标注，缺乏足够的训练数据和相应的标签，因此在人工标注的声发射或微震数据有限的情况下，以完整的方式从多通道连续波形数据中检测及拾取p相仍是一项具有挑战性的任务。

5、目前，利用深度学习模型对声发射事件进行检测的研究较少，且现有模型具有单一类型、相对较浅的网络结构，存在精度低或模型泛化性能差的问题，因此相关方法并不成熟；缺少专门针对断层摩擦过程中声发射或微震事件检测而设计的深度学习模型，从而使得断层摩擦失稳过程中声发射或微震活动的时空演化精度低。

6、因此，有必要提供一种基于有限的人工标注数据进行建模的集成深度学习方法，以避免单个基模型出现过拟合现象而产生精度低、泛化性差的问题。

技术实现思路

1、有鉴于此，本发明提供了一种基于集成深度学习的岩石断层摩擦微震检测方法和系统，目的在于基于有限的人工标注数据，利用集成深度学习方法提高深度学习模型的检测精度和泛化性。

2、为了实现上述目的，本发明采用如下技术方案：

3、一种基于集成深度学习的岩石断层摩擦微震检测方法，包括如下步骤：

4、构建集成深度学习模型，所述集成深度学习模型包括：

5、第一骨干特征提取网络，用于提取波形数据中的局部p相特征；所述第一骨干特征提取网络依次包括第一下采样段、局部相位特征提取层和第一上采样段，

6、第二骨干特征提取网络，用于提取波形数据中的带有全局上下文信息的完整波形特征；所述第二骨干特征提取网络依次包括第二下采样段、全局波形特征提取层和第二上采样段，以及

7、集成学习层，通过对第一骨干特征提取网络和第二骨干特征提取网络的输出结果进行加权集成，构建p相集成预测器，用于获得p相概率序列；

8、获取断层摩擦过程中实时监测的连续波形数据，利用所述集成深度学习模型得到p相概率序列，根据所得p相概率序列对声发射相位进行检测与拾取。

9、优选的，所述第一下采样段和第二下采样段具有相同的结构，分别包括多层卷积网络，每层卷积网络包括一维卷积层和最大池化层。

10、其中，一维卷积层通过在输入数据的不同位置滑动卷积核，从而学习波形数据的高阶特征模式，最大池化层减少数据的维度，降低计算复杂性，以及增强网络对有用信息的提取。

11、此外，在卷积层中，卷积核的数量逐渐增多，卷积核的尺寸逐渐减小，这也提高神经网络对多尺度信息的感知能力。

12、集成深度学习模型的编码器是学习输入波形数据的信息特征。一维卷积层和最大池化层用于编码器的构建，主要是从原始数据中提取多尺度的有用信息并压缩到少量的神经单元中。

13、优选的，所述卷积网络有7层。

14、本技术将卷积网络设置为7层，有助于学习到多尺度的特征表示，同时具有较低的计算成本。

15、通常情况下，少于3～4层的卷积结构通常称为浅层网络，对于有限的数据集，浅层网络通常仅能够学习输入波形数据的低阶特征；而深层的网络又会增加特征学习过拟合的风险以及高的计算成本。

16、本发明考虑学习多尺度的特征表示，同时具有较低的计算成本，将卷积网络设置为7层。

17、优选的，所述第一上采样段和第二上采样段具有相同的结构，分别包括多层一维卷积层。

18、优选的，所述第一/二上采样段中一维卷积层有8层。

19、上采样结构设置与下采样结构近似对称，也为7层，

20、下采样结构通过卷积核和池化层可以有效地提取多尺度的有用信息，上采样结构可以利用卷积核大小更好地还原从波形序列中提取的局部和全局的信息。

21、本技术设置了第8层一维卷积层，用于将上述最后一层中多个卷积核变为1个卷积核，即目的为将多个通道的特征整合为一维序列信息，还原一维序列波形。

22、优选的，所述局部相位特征提取层依次包括

23、双向长短期记忆层，用于将下采样特征转换为具有时间依赖性的高阶表示；

24、transformer-全局注意力机制，用于将神经网络注意力引导至与声发射波形相关的部分；以及

25、transformer-局部注意力机制，通过对p相初至周围的窄窗口设置较大权重，将神经网络注意力引导到与波形相位相关的局部特征上。

26、优选的，所述transformer-全局注意力机制的前后设置有单向长短期记忆层，用于整合位置信息，使后面的编码器状态具有位置感知。

27、优选的，所述全局波形特征提取层包括多层双向长短期记忆层，用于将下采样特征转换为具有全局上下文信息的高阶时序特征。

28、优选的，双向长短期记忆层设置为4层，以保证模型集成具有较好的拾取效果。

29、优选的，所述第一上采样段后连接有softmax函数，用于将第一神经网络提取的局部p相特征点对点地映射为第一概率向量；

30、所述第二上采样段后连接有softmax函数，用于将第二神经网络提取的全局高阶时序特征点对点地映射为第二概率向量。

31、优选的，构建训练数据集，对所述集成深度学习模型进行训练，所述训练数据集包括：

32、构建有限的训练数据集，包含有完整的前震、主震和余震，震级分布遵循古登堡-里克特定律，并且训练集的统计特征分布与其余地震周期的特征分布一致。

33、另一方面，本技术公开了一种基于集成深度学习的岩石断层摩擦微震检测系统，该系统包括，

34、声发射监测装置，用于监测记录断层摩擦过程中的声发射波形数据；

35、微震事件检测装置，内部存储如上所述的基于集成深度学习的岩石断层摩擦微震检测方法中构建的集成深度学习模型，用于处理断层摩擦过程中实时记录的真实连续波形数据，利用所述集成深度学习模型得到p相概率序列，根据所得p相概率序列对声发射相位进行检测与拾取。

36、经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种基于集成深度学习的岩石断层摩擦微震检测方法和系统，通过构建集成深度学习模型，设置并联的深度神经网络，从有限的训练数据集中提取全局和局部的多样化特征，并利用集成学习层构建p相集成预测器进行声发射相位拾取；

37、本发明集成深度学习是加权集成策略与深度学习模型的协同作用，通过将异构的基模型进行融合得到集成深度学习模型，使其具有应对关键挑战(如小样本量，不平衡的类分布和异构数据等)的能力，能够有效解决训练数据不足所带来的基模型过拟合的问题以及应对多个断层摩擦周期所记录的异构连续波形数据。

38、同时本发明提供的检测方法，可有效减少对人工标注数据的需求，基于有限的数据，可充分发挥集成深度学习模型高精度、高准确性和强泛化性的优势，从而对声发射或微震事件进行自动化、高精度的检测及拾取。

39、此外，本发明可适用于1000hz～3mhz频率范围内连续波形数据中声发射或微震事件的检测及相位拾取，同时对于岩质边坡、地下水库等内部断层摩擦滑动的微震监测也具有广泛的应用潜力。

40、本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。

41、下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。