基于時(shí)頻分析和卷積神經(jīng)網(wǎng)絡(luò)的微地震事件檢測(cè)

盛 立, 徐西龍, 王維波, 高 明

(中國(guó)石油大學(xué)(華東)控制科學(xué)與工程學(xué)院,山東青島 266580)

水力壓裂是非常規(guī)油氣資源勘探開發(fā)領(lǐng)域的一項(xiàng)重要技術(shù)[1-3]。水力壓裂過(guò)程中大量的高壓流體被注入目標(biāo)儲(chǔ)層,導(dǎo)致地層巖石破裂,產(chǎn)生微地震事件[4]。通過(guò)處理分析微地震事件監(jiān)測(cè)數(shù)據(jù),可以解釋壓裂區(qū)域和裂縫發(fā)育方向等信息,進(jìn)而評(píng)價(jià)壓裂效果[5]。微地震事件檢測(cè)的目的是剔除噪聲干擾信號(hào),因此快速、準(zhǔn)確地檢測(cè)微地震事件是后期數(shù)據(jù)處理的基礎(chǔ)。面對(duì)海量的微地震監(jiān)測(cè)數(shù)據(jù),人工識(shí)別微地震事件的方法難以滿足實(shí)際需求[6],而常規(guī)方法處理微地震數(shù)據(jù)的有效性依賴特征提取類型和閾值設(shè)定,如何建立高效的微地震數(shù)據(jù)分析模型,是解決事件檢測(cè)問(wèn)題的新思路。近幾年,卷積神經(jīng)網(wǎng)絡(luò)(CNN)憑借權(quán)重共享和稀疏連接的特性在語(yǔ)音識(shí)別、自然語(yǔ)言處理等領(lǐng)域廣泛應(yīng)用[7-8]。最近,卷積神經(jīng)網(wǎng)絡(luò)作為特征提取工具被用于地震數(shù)據(jù)處理領(lǐng)域中。Ross等[9]建立卷積神經(jīng)網(wǎng)絡(luò)分類器實(shí)現(xiàn)南加州地區(qū)地震事件的震相和噪聲識(shí)別。張國(guó)印等[10]將卷積神經(jīng)網(wǎng)絡(luò)與頻譜分解結(jié)合挖掘地震數(shù)據(jù)信息進(jìn)行巖性儲(chǔ)層預(yù)測(cè)。馮其紅等[11]用卷積神經(jīng)網(wǎng)絡(luò)建立對(duì)抗神經(jīng)網(wǎng)絡(luò)框架預(yù)測(cè)氣竄方向。筆者利用時(shí)頻分析方法能夠有效體現(xiàn)微地震信號(hào)時(shí)頻域綜合信息的優(yōu)勢(shì),利用S變換對(duì)微地震時(shí)域信號(hào)進(jìn)行處理,建立時(shí)頻譜樣本數(shù)據(jù)集,建立深度卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練測(cè)試,實(shí)現(xiàn)時(shí)頻譜中抽象特征的自動(dòng)提取。同時(shí),考慮陣列式地面微地震監(jiān)測(cè)的特性,提出根據(jù)波形相關(guān)性綜合模型的分類結(jié)果判別微地震事件。

1 原理介紹

1.1 S變換

微地震監(jiān)測(cè)數(shù)據(jù)大都屬于非平穩(wěn)信號(hào),而時(shí)頻分析方法在處理非平穩(wěn)信號(hào)時(shí)具有獨(dú)特的優(yōu)勢(shì)。S變換是由Stockwell等[12]提出的一種時(shí)頻分析方法,克服了一般方法中窗函數(shù)固定不變的問(wèn)題,可以反映信號(hào)真正的時(shí)間頻率譜,完整地描述信號(hào)特征[13]?？紤]到S變換優(yōu)越的時(shí)頻特性,利用該方法對(duì)微震數(shù)據(jù)進(jìn)行二維時(shí)頻譜提取,經(jīng)S變換后得到的時(shí)頻譜定義如下:

(1)

(2)

式中,x(t)為待轉(zhuǎn)換信號(hào);w(τ-t,f)為高斯窗口;t為時(shí)間;f為頻率;τ為控制高斯窗口在t軸位置的時(shí)移參數(shù)。

1.2 卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)是一種具有深度結(jié)構(gòu)的前饋神經(jīng)網(wǎng)絡(luò),其網(wǎng)絡(luò)特性顯著降低了模型的復(fù)雜度,減少了訓(xùn)練參數(shù)的數(shù)量[14-15]。典型的卷積神經(jīng)網(wǎng)絡(luò)通常由卷積層、池化層、全連接層和輸出層組成。

卷積神經(jīng)網(wǎng)絡(luò)可以處理不同維度的輸入信號(hào),其中卷積層通過(guò)使用卷積核遍歷輸入信號(hào),對(duì)輸入的局部區(qū)域進(jìn)行卷積運(yùn)算[16],計(jì)算公式為

(3)

池化層在卷積層之后,通過(guò)下采樣壓縮輸入的數(shù)據(jù)矩陣。經(jīng)過(guò)多個(gè)卷積層和池化層的交替疊加,全連接層將提取特征進(jìn)行非線性組合,之后傳遞給依據(jù)任務(wù)設(shè)定的輸出層。訓(xùn)練過(guò)程中,卷積神經(jīng)網(wǎng)絡(luò)采用梯度下降算法最小化損失函數(shù),以更新模型參數(shù)。本文中損失函數(shù)根據(jù)標(biāo)簽向量與模型預(yù)測(cè)的概率向量構(gòu)造,使用的是softmax交叉熵,定義為

(4)

2 事件檢測(cè)模型構(gòu)建

2.1 數(shù)據(jù)集構(gòu)建

本文中數(shù)據(jù)主要來(lái)自于川渝地區(qū)LG172油井水力壓裂地面微地震監(jiān)測(cè)數(shù)據(jù),這是一口常規(guī)儲(chǔ)層直井。觀測(cè)數(shù)據(jù)通過(guò)高靈敏度檢波器(采樣頻率1 000 Hz)采集所得,均使用垂直分量波形。由于有效微地震事件信號(hào)在整個(gè)監(jiān)測(cè)波形數(shù)據(jù)中占據(jù)比例非常小,直接使用會(huì)導(dǎo)致正負(fù)樣本分布不均勻,使得神經(jīng)網(wǎng)絡(luò)無(wú)法有效學(xué)習(xí)。因此截取有效波動(dòng)在內(nèi)的1 000個(gè)數(shù)據(jù)點(diǎn)(采樣時(shí)間1 s)為預(yù)備正樣本,只含背景噪聲的數(shù)據(jù)為預(yù)備負(fù)樣本。

原始微地震監(jiān)測(cè)數(shù)據(jù)均為時(shí)域波形信號(hào),并不包含頻域信息,直接輸入網(wǎng)絡(luò)可能影響模型的識(shí)別精度。因此需要對(duì)預(yù)備樣本進(jìn)行時(shí)頻變換,以充分展現(xiàn)信號(hào)的時(shí)頻特征。經(jīng)過(guò)S變換處理,一段時(shí)域信號(hào)的時(shí)頻譜正/負(fù)樣本如圖1所示。將正/負(fù)樣本標(biāo)注為1/0,為了使交叉熵?fù)p失函數(shù)計(jì)算更為合理,使用One-Hot編碼。樣本類型1和0編碼分別為01和10。

本文中數(shù)據(jù)集共包括40個(gè)微地震事件,共有950條微地震事件監(jiān)測(cè)波形數(shù)據(jù)。經(jīng)過(guò)上述處理后,得到含微震事件的時(shí)頻圖樣本850個(gè),含背景噪聲的時(shí)頻圖樣本900個(gè)。其中隨機(jī)抽取1 225個(gè)樣本作為訓(xùn)練集,525個(gè)樣本作為測(cè)試集。

圖1 時(shí)頻譜正/負(fù)樣本Fig.1 Positive/negative samples of spectrum

2.2 深度卷積神經(jīng)網(wǎng)絡(luò)模型構(gòu)建

建立如圖2所示的深度卷積神經(jīng)網(wǎng)絡(luò)模型,其中,輸入數(shù)據(jù)具體形式為RGB格式的時(shí)頻譜樣本,可用 100×100×3的張量表示。本文中將網(wǎng)絡(luò)輸入通道設(shè)為3,因此可用二維卷積處理。圖中C2層為利用32個(gè)大小為5×5×3、步長(zhǎng)為1的卷積核和2×2的池化區(qū)域?qū)斎雸D像進(jìn)行處理后的特征映射,C3層、C4層、C5層、C6層分別使用64、128、256、512個(gè)5×5×32、3×3×64、3×3×128、3×3×256卷積核以相同步長(zhǎng)和相同大小池化區(qū)域?qū)η耙粚拥奶卣饔成溥M(jìn)行處理,經(jīng)過(guò)10個(gè)交替排列的卷積層和池化層提取特征后,輸入至C7、C8全連接層進(jìn)行特征一維化處理,最后采用softmax分類器作為網(wǎng)絡(luò)的輸出層,將抽象特征輸出為對(duì)應(yīng)原始時(shí)頻譜樣本所屬分類的概率值,從而完成樣本分類。

圖2 深度卷積神經(jīng)網(wǎng)絡(luò)模型Fig.2 Model of deep convolutional neural network

2.3 相關(guān)性分析

水力壓裂過(guò)程中微地震事件發(fā)生時(shí),通常會(huì)觸發(fā)多個(gè)地面監(jiān)測(cè)站點(diǎn)的檢波器采集波形數(shù)據(jù),因此監(jiān)測(cè)數(shù)據(jù)存在有效信號(hào)被多站點(diǎn)接收且到時(shí)接近的波形相關(guān)性。對(duì)于由背景強(qiáng)噪聲造成的低信噪比信號(hào),利用單一站點(diǎn)的監(jiān)測(cè)波形數(shù)據(jù)來(lái)判別是否存在微地震事件容易誤判。因此可以利用卷積神經(jīng)網(wǎng)絡(luò)對(duì)各站點(diǎn)監(jiān)測(cè)數(shù)據(jù)進(jìn)行檢測(cè),在此基礎(chǔ)上根據(jù)波形相關(guān)性進(jìn)行微地震事件的自動(dòng)識(shí)別。同一事件各站點(diǎn)待檢測(cè)數(shù)據(jù)樣本可能被卷積神經(jīng)網(wǎng)絡(luò)分類識(shí)別為包含有效信號(hào),也可能被識(shí)別為背景噪聲,在此基礎(chǔ)上若有一定比例(該比例可根據(jù)實(shí)際信號(hào)質(zhì)量情況而定)以上的站點(diǎn)被分類識(shí)別為包含有效信號(hào),則可確定為微地震事件,否則為背景噪聲。

2.4 微地震事件檢測(cè)流程

基于時(shí)頻分析和卷積神經(jīng)網(wǎng)絡(luò)的微地震事件檢測(cè)方法主要分為數(shù)據(jù)處理、模型訓(xùn)練和事件檢測(cè)3部分。如圖3所示,原始數(shù)據(jù)經(jīng)過(guò)時(shí)頻變換等一系列預(yù)處理操作后分為訓(xùn)練集和測(cè)試集。將訓(xùn)練集樣本導(dǎo)入卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練,訓(xùn)練完成后將測(cè)試集樣本輸入到網(wǎng)絡(luò)中進(jìn)行模型性能評(píng)估。由于訓(xùn)練集樣本和測(cè)試集樣本沒(méi)有重復(fù),因此可以模擬模型實(shí)際部署之后的情況。如果模型性能良好,則保存模型參數(shù)。事件檢測(cè)時(shí)將待檢測(cè)數(shù)據(jù)經(jīng)過(guò)類似預(yù)處理后按批輸入至保存的模型中,然后對(duì)模型輸出各站點(diǎn)數(shù)據(jù)檢測(cè)結(jié)果進(jìn)行相關(guān)性分析,從而實(shí)現(xiàn)微地震事件的判別。

圖3 微地震事件檢測(cè)流程Fig.3 Flow chart of microseismic event detection

3 深度卷積神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練

實(shí)驗(yàn)在深度學(xué)習(xí)框架Tensorflow上進(jìn)行,計(jì)算機(jī)基本配置為CPU Intel Core i5-7400處理器、3.0 GHz主頻和8 GB運(yùn)行內(nèi)存。訓(xùn)練過(guò)程采用ADAM優(yōu)化算法,學(xué)習(xí)率為0.001,同時(shí)為了抑制過(guò)擬合加入Dropout調(diào)整策略。在訓(xùn)練過(guò)程中,卷積層層數(shù)以及卷積核的數(shù)目和尺寸、池化層層數(shù)和尺寸、失活率和迭代輸入批次等結(jié)構(gòu)參數(shù)都不同程度影響模型的檢測(cè)結(jié)果。因此為了優(yōu)化模型結(jié)構(gòu),以提高模型對(duì)事件的識(shí)別性能,本文中考慮準(zhǔn)確率和訓(xùn)練時(shí)間兩個(gè)指標(biāo),選取卷積層層數(shù)、池化區(qū)域、輸入批次和失活率4個(gè)關(guān)鍵參數(shù),進(jìn)行多次實(shí)驗(yàn)對(duì)比,結(jié)果見圖4。

圖4 模型參數(shù)選取Fig.4 Selection of model parameters

可以看出,不同參數(shù)的選取對(duì)于模型的訓(xùn)練結(jié)果有較大影響。通過(guò)分析對(duì)比,確定了4個(gè)參數(shù)的較優(yōu)值,分別選取卷積層數(shù)為13、池化區(qū)域?yàn)?×2、輸入批次為30、失活率為0.5,其余參數(shù)憑經(jīng)驗(yàn)設(shè)定。在確定模型的基本結(jié)構(gòu)后,分別將卷積神經(jīng)網(wǎng)絡(luò)結(jié)合S變換(CNN+ST)與直接輸入時(shí)域信號(hào)(CNN),卷積神經(jīng)網(wǎng)絡(luò)結(jié)合短時(shí)傅里葉變換(CNN+STFT),卷積神經(jīng)網(wǎng)絡(luò)結(jié)合小波變換(CNN+CWT)等方法進(jìn)行對(duì)比。通過(guò)選取不同形式的數(shù)據(jù)集輸入至同一模型中,分別為時(shí)域信號(hào)(1 750段),經(jīng)短時(shí)傅里葉變換后的時(shí)頻譜,經(jīng)連續(xù)小波變換后的時(shí)頻譜,經(jīng)S變換后的時(shí)頻譜(各1 750張)。

將不同數(shù)據(jù)集輸入模型中,在輸入樣本的過(guò)程中引入小批量mini-batch(訓(xùn)練設(shè)置為30個(gè)樣本)來(lái)加快網(wǎng)絡(luò)訓(xùn)練速度。每次訓(xùn)練輸入一個(gè)小批次樣本,循環(huán)訓(xùn)練所有批次,將所有數(shù)據(jù)遍歷一遍稱為一個(gè)迭代周期。經(jīng)過(guò)50個(gè)迭代周期(約2 000步迭代),各方法測(cè)試集準(zhǔn)確率如圖5所示,各方法在不同迭代周期數(shù)值下的測(cè)試集損失函數(shù)值如圖6所示,各方法訓(xùn)練所需時(shí)間以及識(shí)別單個(gè)樣本所需時(shí)間如表1所示。

圖5 4種方法的準(zhǔn)確率Fig.5 Accuracy of four methods

由圖5可以看出,CNN方法的效果不理想,測(cè)試集準(zhǔn)確率僅約為76.4%,這可能是由于數(shù)據(jù)集中包括許多低信噪比微地震事件,僅憑時(shí)域信息難以判別所致;CNN+STFT方法的效果有明顯改觀,測(cè)試集準(zhǔn)確率最后穩(wěn)定在約93%;CNN+CWT的效果較好,測(cè)試集準(zhǔn)確率約為96%;CNN+ST的效果最好,測(cè)試集準(zhǔn)確率最終約收斂于99%?？梢妼r(shí)域信號(hào)經(jīng)過(guò)處理轉(zhuǎn)換為時(shí)頻譜后的檢測(cè)結(jié)果要普遍優(yōu)于直接輸入時(shí)域信號(hào)。這說(shuō)明相比于時(shí)域信號(hào),時(shí)頻表達(dá)更能表現(xiàn)數(shù)據(jù)的變化特征,其中以S變換后得到的時(shí)頻譜為數(shù)據(jù)集效果最佳。

圖6 4種方法的損失函數(shù)Fig.6 Loss functions of four methods

表1 4種方法的時(shí)間效率

由圖6可以看出,隨著迭代周期的增加,各方法的測(cè)試集損失函數(shù)值不斷下降,最終趨于穩(wěn)定。其中CNN方法的收斂速度最快,在迭代周期為7時(shí)損失函數(shù)值就趨于穩(wěn)定,但相比于其他方法,損失函數(shù)值明顯較大。其余時(shí)頻特征圖結(jié)合卷積的方法收斂速度幾乎相同,均在迭代周期為13時(shí)才趨于穩(wěn)定。其中CNN+ST方法的損失函數(shù)值明顯小于其他方法。由表1可以看出,4種方法在訓(xùn)練時(shí)間上存在一定差異,其中以CNN+ST方法訓(xùn)練耗費(fèi)時(shí)間最長(zhǎng),而CNN+CWT和CNN+STFT訓(xùn)練時(shí)間略小,但都明顯大于CNN方法訓(xùn)練時(shí)間。這是由于時(shí)頻譜較時(shí)域信號(hào)包含信息更豐富,而且分辨率越高的時(shí)頻譜包含信息越詳細(xì),導(dǎo)致模型提取特征耗費(fèi)時(shí)間越久,收斂速度越慢。不過(guò)在模型訓(xùn)練完成以后,各種方法對(duì)單個(gè)樣本識(shí)別時(shí)間差距不大,時(shí)頻分析與卷積神經(jīng)網(wǎng)絡(luò)組合的方法識(shí)別速度甚至更快。

為了降低隨機(jī)因素的影響,每組實(shí)驗(yàn)重復(fù)5次,4種方法的比較結(jié)果如圖7所示。

圖7 重復(fù)實(shí)驗(yàn)下4種方法的準(zhǔn)確率Fig.7 Accuracy of four methods under repeated experiments

由圖7可以看出,無(wú)論是訓(xùn)練集或測(cè)試集,CNN、CNN+STFT、CNN+CWT和CNN+ST方法所得到的平均準(zhǔn)確率都是遞增的,與圖5分析類似。其中CNN+ST方法的平均測(cè)試準(zhǔn)確率比效果最差的CNN方法和效果較好的CNN+CWT方法分別高23.73%和2.51%。同時(shí),CNN+ST方法的訓(xùn)練集和測(cè)試集標(biāo)準(zhǔn)差明顯較小,這意味著該方法具有較高的穩(wěn)定性。

綜上,CNN方法具有較快的收斂速度和訓(xùn)練時(shí)間,但是其正確識(shí)別率及識(shí)別性能穩(wěn)定性較差。這是由于時(shí)域信號(hào)包含變化信息較少,特征提取不充分。相比之下,由于時(shí)頻譜包含時(shí)頻域的綜合信息,具有更加豐富的變化特征,所以CNN+STFT、CNN+CWT、CNN+ST的方法收斂較慢,訓(xùn)練時(shí)間長(zhǎng),但是也具有更好的識(shí)別準(zhǔn)確率和識(shí)別穩(wěn)定性。在3種卷積神經(jīng)網(wǎng)絡(luò)結(jié)合時(shí)頻譜方法中,CNN+ST方法最佳,不僅具有較優(yōu)的收斂速度,較高檢測(cè)效率和準(zhǔn)確率,而且識(shí)別性能穩(wěn)定性更好,因此選用該方法。

4 應(yīng)用結(jié)果

分別對(duì)微地震合成信號(hào)和實(shí)際的微地震監(jiān)測(cè)數(shù)據(jù)進(jìn)行事件檢測(cè)。其中模擬微地震的合成信號(hào)是通過(guò)假設(shè)LG172井某個(gè)震源點(diǎn)發(fā)生破裂釋放地震波,根據(jù)理論時(shí)差合成。實(shí)際數(shù)據(jù)則選用模型訓(xùn)練中未使用的LG172井部分時(shí)刻的典型監(jiān)測(cè)數(shù)據(jù)。

4.1 檢測(cè)低信噪比事件可行性分析

為了測(cè)試S變換應(yīng)用于低信噪比信號(hào)的有效性,分別對(duì)低信噪比的合成信號(hào)和實(shí)際監(jiān)測(cè)信號(hào)進(jìn)行時(shí)頻變換。選用一段初至清晰的微地震監(jiān)測(cè)數(shù)據(jù)為初始信號(hào),在此基礎(chǔ)上疊加高斯白噪聲,得到低信噪比的合成信號(hào),之后對(duì)初始信號(hào)和低信噪比合成信號(hào)進(jìn)行S變換,得到時(shí)頻譜如圖8所示。同時(shí)選取一段水力壓裂過(guò)程中的微地震監(jiān)測(cè)數(shù)據(jù)(圖9(a))進(jìn)行變換,得到時(shí)頻譜(圖9(b))。

由圖8可以看出,對(duì)于信噪比較高的初始信號(hào),無(wú)論是時(shí)域信號(hào)還是時(shí)頻譜,對(duì)于有效信號(hào)(波動(dòng)部分)均有很高的辨識(shí)度,而對(duì)于圖8(c)中疊加噪聲的合成信號(hào),其信號(hào)質(zhì)量較差,有效信號(hào)幾乎被噪聲淹沒(méi)。對(duì)于經(jīng)過(guò)S變換得到的時(shí)頻譜,雖然噪聲污染嚴(yán)重,但是有效信號(hào)的局部特征清晰,仍可確定該信號(hào)包含微地震事件。由圖9(a)可以看出,該段低信噪比數(shù)據(jù)有效信號(hào)部分(圖中標(biāo)識(shí)處)幾乎被淹沒(méi)在噪聲中,較難觀察。但是在經(jīng)S變換后的時(shí)頻譜中局部特征明顯,時(shí)域信息和頻域信息均能顯著反映。綜上,相比于時(shí)域信號(hào),低信噪比信號(hào)的有效信號(hào)部分在時(shí)頻譜中具有更高的可辨識(shí)度,因此利用卷積神經(jīng)網(wǎng)絡(luò)提取時(shí)頻譜的抽象特征以檢測(cè)低信噪比微地震事件具有可行性。

圖8 低信噪比合成信號(hào)可區(qū)分度對(duì)比Fig.8 Comparison of distinguish ability of synthetic signals with low signal-to-noise ratio

4.2 合成數(shù)據(jù)檢測(cè)結(jié)果

地面微地震監(jiān)測(cè)系統(tǒng)應(yīng)用于實(shí)際壓裂過(guò)程中時(shí),數(shù)據(jù)采集一般是埋設(shè)在地表淺層土壤的檢波器陣列完成的,不可避免地受到各種干擾的影響。為了便于量化分析,使用合成數(shù)據(jù)測(cè)試模型的抗噪能力。合成數(shù)據(jù)通過(guò)假設(shè)某震源點(diǎn),疊加雷克子波和高斯隨機(jī)噪聲生成。圖10為信噪比為-6 dB和-12 dB時(shí)的合成信號(hào),每個(gè)模擬站點(diǎn)的監(jiān)測(cè)數(shù)據(jù)長(zhǎng)度為3 s,圖中截取了20個(gè)站點(diǎn)顯示?？梢钥闯?信噪比為-6 dB時(shí)合成信號(hào)初至較清晰,一些局部位置被噪聲掩蓋,但通過(guò)有效信號(hào)的同相軸連續(xù)性仍可辨認(rèn)出微震事件,而當(dāng)波形數(shù)據(jù)信噪比為-12 dB時(shí),由于噪聲污染嚴(yán)重,幾乎所有的有效信號(hào)都被淹沒(méi)在噪聲中。對(duì)于這樣的低信噪比微震數(shù)據(jù),幾乎無(wú)法在時(shí)域采用人工方式或常規(guī)自動(dòng)識(shí)別方法判別微震事件是否存在。

圖9 低信噪比實(shí)際監(jiān)測(cè)信號(hào)可區(qū)分度對(duì)比Fig.9 Comparison of distinguish ability of actual monitoring signals with low signal-to-noise

圖10 不同信噪比的合成信號(hào)Fig.10 Composite signals with different sigal-to-noise ratios

合成信號(hào)中8個(gè)站點(diǎn)的檢測(cè)結(jié)果如圖11中紅線標(biāo)識(shí)所示(在圖中表示為1～8道),其中高位值表示檢測(cè)到了有效信號(hào)樣本,為便于觀察,圖中只截取包含有效信號(hào)在內(nèi)的3 000個(gè)數(shù)據(jù)點(diǎn)顯示(在模型訓(xùn)練中為3個(gè)樣本)。當(dāng)波形數(shù)據(jù)信噪比為-6 dB時(shí),8個(gè)站點(diǎn)均在1 000～2 000數(shù)據(jù)點(diǎn)處(第2個(gè)樣本)檢測(cè)到了有效事件信號(hào)(圖11(a)),且沒(méi)有出現(xiàn)誤判情況。當(dāng)波形數(shù)據(jù)降至-12 dB時(shí),8個(gè)站點(diǎn)中有7個(gè)站點(diǎn)在1 000～2 000數(shù)據(jù)點(diǎn)處檢測(cè)到了有效事件信號(hào)(圖11(b)),但是在第4道的0～1 000數(shù)據(jù)點(diǎn)(第1個(gè)樣本)處以及第6道的0～1 000數(shù)據(jù)點(diǎn)(第1個(gè)樣本)處均出現(xiàn)了背景噪聲樣本被誤判為包含有效信號(hào)樣本的情況,同時(shí)在第6道處1 000～2 000數(shù)據(jù)點(diǎn)(第2個(gè)樣本)被誤判為背景噪聲樣本。考慮到地面微地震監(jiān)測(cè)系統(tǒng)各站點(diǎn)監(jiān)測(cè)數(shù)據(jù)的相關(guān)性,這些被誤判的樣本只被個(gè)別的監(jiān)測(cè)站點(diǎn)包含,因此并不影響微地震事件的判別。圖11中綠線標(biāo)識(shí)為使用CNN方法進(jìn)行檢測(cè)的結(jié)果,可以看出,對(duì)于-6 dB和-12 dB的合成信號(hào),各道數(shù)據(jù)均出現(xiàn)大量的樣本誤判情況,若在此基礎(chǔ)上考慮各站點(diǎn)監(jiān)測(cè)數(shù)據(jù)的相關(guān)性,易造成微地震事件的誤判。

圖11 合成信號(hào)部分站點(diǎn)監(jiān)測(cè)波形數(shù)據(jù)檢測(cè)結(jié)果Fig.11 Detection results of waveform data monitored at some stations of synthetic signals

4.3 實(shí)際監(jiān)測(cè)數(shù)據(jù)檢測(cè)結(jié)果

油氣井壓裂地面微地震監(jiān)測(cè)信號(hào)的差異很大,這些差異主要由微地震事件對(duì)應(yīng)的震源破裂規(guī)模和破裂尺度所決定。另外,由于監(jiān)測(cè)站點(diǎn)距離井的距離、壓裂設(shè)備震動(dòng)強(qiáng)度不同,微地震波形數(shù)據(jù)受到的干擾程度也是不同的。圖12為4種典型的地面站點(diǎn)監(jiān)測(cè)數(shù)據(jù),每個(gè)站點(diǎn)監(jiān)測(cè)數(shù)據(jù)長(zhǎng)度為10 s?？梢钥闯?圖12(a)為一個(gè)33站點(diǎn)的微地震事件,其波形數(shù)據(jù)信噪比較高,信號(hào)明顯;圖12(b)顯示的微地震事件雖然幾乎沒(méi)有噪聲干擾,但是其信號(hào)微弱;圖12(c)中的微地震波形數(shù)據(jù)噪聲污染嚴(yán)重,信噪比較低;圖12(d)為夜間安靜環(huán)境下的背景信號(hào)。

圖12 LG172井地面監(jiān)測(cè)站點(diǎn)波形數(shù)據(jù)Fig.12 Waveform data of surface monitoring station of well LG172

利用CNN方法和CNN+ST方法對(duì)上述實(shí)際監(jiān)測(cè)數(shù)據(jù)進(jìn)行微地震事件檢測(cè),部分站點(diǎn)的檢測(cè)結(jié)果如圖13所示,其中紅綠線標(biāo)識(shí)意義同合成信號(hào)檢測(cè)結(jié)果。為便于顯示,圖中只截取包含有效信號(hào)波動(dòng)在內(nèi)的3 000個(gè)數(shù)據(jù)點(diǎn)。由圖13可以看出,對(duì)于信噪比較高的微地震事件(圖13(a)),CNN方法和CNN+ST方法檢測(cè)效果都很好,8個(gè)站點(diǎn)均能檢測(cè)到有效信號(hào)。對(duì)于微弱微地震事件(圖13(b)),CNN方法出現(xiàn)了多個(gè)站點(diǎn)未檢測(cè)到有效信號(hào)的情況,CNN+ST方法也出現(xiàn)了個(gè)別站點(diǎn)未能成功檢測(cè)的情況,這可能由于部分地面監(jiān)測(cè)站點(diǎn)所采集到的微地震波形太微弱,如第2道站點(diǎn)數(shù)據(jù),其有效信號(hào)波動(dòng)幾乎不存在。對(duì)于低信噪比微地震事件(圖13(c)),CNN方法在第1、2、6、7和8道數(shù)據(jù)均出現(xiàn)多個(gè)樣本誤判,而CNN+ST方法也存在將個(gè)別背景噪聲樣本誤判為有效信號(hào)的情況,如第2道數(shù)據(jù)中2 000～3 000數(shù)據(jù)點(diǎn)(第3個(gè)樣本)。但從第1道與第2道數(shù)據(jù)檢測(cè)中可以看出,所提方法均能檢測(cè)到幾乎被噪聲淹沒(méi)的有效信號(hào)。對(duì)于背景噪聲(圖13(d)),CNN方法在第1道1 000～2 000數(shù)據(jù)點(diǎn)處出現(xiàn)樣本誤判情況,而CNN+ST方法在8個(gè)站點(diǎn)均未檢測(cè)到有效事件信號(hào),且沒(méi)有出現(xiàn)樣本的誤判情況。

以上分別對(duì)低信噪比的合成信號(hào)和實(shí)際微地震監(jiān)測(cè)數(shù)據(jù)進(jìn)行事件檢測(cè),檢測(cè)結(jié)果表明CNN方法在檢測(cè)低信噪比事件和微弱事件時(shí)存在一定的局限性,而CNN+ST方法在各種情形下均能有效判別微地震事件,盡管出現(xiàn)部分樣本誤判情況,但在后續(xù)統(tǒng)計(jì)各站點(diǎn)波形分類結(jié)果時(shí)可根據(jù)地面微地震監(jiān)測(cè)數(shù)據(jù)的相關(guān)性排除誤判干擾,因此不會(huì)對(duì)微地震事件判別造成影響。

圖13 LG172井監(jiān)測(cè)信號(hào)部分站點(diǎn)的檢測(cè)結(jié)果Fig.13 Detection results of monitoring signal stations in well LG172

5 結(jié)束語(yǔ)

利用時(shí)頻分析方法中的S變換處理原始數(shù)據(jù),建立時(shí)頻譜樣本數(shù)據(jù)集,通過(guò)對(duì)建立的深度卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練和測(cè)試,實(shí)現(xiàn)樣本的特征提取和分類識(shí)別。相比于傳統(tǒng)的識(shí)別方法,所提方法無(wú)需根據(jù)特定條件設(shè)定閾值,在模型訓(xùn)練過(guò)程中可實(shí)現(xiàn)特征的自動(dòng)提取。通過(guò)對(duì)低信噪比的合成信號(hào)以及LG172井的典型監(jiān)測(cè)數(shù)據(jù)進(jìn)行事件檢測(cè),證明了所提方法具有較好的應(yīng)用效果。此外,單個(gè)卷積神經(jīng)網(wǎng)絡(luò)模型不可能對(duì)于所有地區(qū)、所有類型井的監(jiān)測(cè)數(shù)據(jù)的檢測(cè)都有效,在后續(xù)研究中將通過(guò)改進(jìn)S變換,擴(kuò)展數(shù)據(jù)集容量等方法來(lái)提高模型的識(shí)別精度和應(yīng)用范圍。