一种基于神经网络的干热岩微地震事件检测方法

1.本发明属于微地震事件检测领域，特别是涉及一种基于神经网络的干热岩微地震事件检测方法。


背景技术：

2.能源是人类社会发展必不可少的条件，一直是人类赖以生存的源动力，由于当今社会化石能源日益告急，人类对于能源的探索从未停止。2015年在中国青海共和县发现大量干热岩，实现了中国干热岩勘察突破，在开发过程中，想要实现干热岩的热能开采，需要通过水力压裂技术将压裂井连通，而在水力压裂时，初始裂缝错动会激发出大量以地震波方式传播的能量，在传播过程中被检波器所接收，通过分析检波器数据中的微地震事件，确定水力压裂产生的裂缝位置和发展趋势。微地震事件的准确识别是微地震监测过程中最重要的一环。微地震事件拾取的准确与否，关系到能否正确的反馈出地下裂缝变化，给水力压裂一个正确的参考。
3.目前，微地震监测的研究主要集中在检测微地震事件上。传统方法就是短期平均到长期平均(sta/lta)算法，但这种方法由于不同窗口中参数的计算成本，需要较长的时间来获取所需要的精度，当sta的时间窗越短时，对地震信号也就越敏感，这样就容易出现误拾取现象，lta过长时，可能会把由弱变强的噪声误拾取为微地震事件。随着人工智能的快速发展，机器学习技术已被应用于微地震事件检测，例如模糊聚类算法、贝叶斯概率模型、多尺度排列熵和支持向量机结合的方法。但这些方法也并不适用于干热岩微地震事件检测，例如模糊聚类算法，最优分类的标准是样本与聚类中心的距离平方和最小，因为一个样本是按不同的隶属度属于各类的，所以应同时考虑它与每一类的聚类中心的距离，逐步聚类法需要反复迭代计算，计算工作量很大，在更低信噪比的情况下拾取效果并不理想。因此，寻找一种适用于干热岩微地震事件拾取的方法显得极为迫切。


技术实现要素：

4.本发明所要解决的技术问题在于提供一种基于神经网络的干热岩微地震事件检测方法，直接将可以用来指导水力压裂的微地震事件拾取出来，不需要后期重新挑选数据。
5.本发明是这样实现的，
6.一种基于神经网络的干热岩微地震事件检测方法，包括:
7.使用gru网络来提取采集的微地震信号的时序特征提取；
8.使用svm对时序特征进行二分类。
9.进一步地，在时序特征提取前，对微地震信号进行归一化处理，将数据统一映射到[0,1]。
[0010]
进一步地，所述gru网络包括16个gru形成的时序特征提取层，每个 gru仅包括一个重置门和一个更新门。
[0011]
进一步地，在gru网络的底层添加全连接层。
[0012]
进一步地，svm的输出函数为：
[0013]
pred＝|sign(mx+c)|
[0014]
其中m为最优化后的法向量，x为输入数据，c为最优化后的位移项。
[0015]
进一步地，svm的损失函数为:
[0016][0017]
其中w为法向量，yi为+1或者-1，为样本点在每一个维度上坐标点的值，b为位移项。
[0018]
本发明与现有技术相比，有益效果在于：
[0019]
本发明依据微地震信号的时域稀疏性，基于神经网络的干热岩微地震事件检测算法(gru_svm)首先使用gru网络来提取输入数据的时序特征，结合 gru网络提取到的微地震信号的时序特点，使用svm来进行分类，以此高效、鲁棒地分类微地震事件和噪声。该方法检测精度更高，检测到的结果更适用于实际的干热岩开发工程，为后续的数据处理、裂缝分析简化了工作，同时提高了微地震事件对水力压裂指导的时效性，具有很大的应用潜力。
[0020]
本发明基于gru_svm的循环神经网络模型，在保证精度的同时，减少了训练过程中的参数和硬件条件对算法的制约。另外，由于干热岩微地震的波形振幅较大，后续震动较强，使用svm来做分类器，提高了分类的准确度。通过和sta/lta方法的仿真实验结果和中国青海省共和县干热岩微地震数据实验结果对比，该方法即使在噪声增强时也依然能够准确的拾取，可以将较小的微地震事件忽略掉，提高了后续数据处理的工作效率，对水力压裂的指导更具时效性。通过实测，该方法可以获得95％左右的检测精度。
附图说明
[0021]
图1为本发明的一种基于神经网络的干热岩微地震事件检测方法流程示意图；
[0022]
图2为本发明的一种基于神经网络的干热岩微地震事件检测方法的gru 模型原理图；
[0023]
图3为本发明的一种基于神经网络的干热岩微地震事件检测方法在测试数据信噪比为0db时，(a)gru_svm的检测结果(b)sta/lta的检测结果；
[0024]
图4为本发明的一种基于神经网络的干热岩微地震事件检测方法在测试数据信噪比为-5db时，(a)gru_svm的检测结果(b)sta/lta的检测结果；
[0025]
图5为本发明的一种基于神经网络的干热岩微地震事件检测方法在测试数据信噪比为-10db时，(a)gru_svm的检测结果(b)sta/lta的检测结果；
[0026]
图6为本发明的一种基于神经网络的干热岩微地震事件检测方法在测试数据信噪比为-15db时sta/lta的检测结果；
[0027]
图7为本发明的一种基于神经网络的干热岩微地震事件检测方法干热岩微地震监测真实数据gru_svm的检测结果。
具体实施方式
[0028]
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于
限定本发明。
[0029]
如图1所示，一种基于神经网络的干热岩微地震事件检测方法,包括时序特征提取和微地震事件噪声分类的分类两个阶段，简称为gru_svm。在第一阶段之前首先根据在中国青海省某盆地开采干热岩期间采集到的地面数据特点进行归一化操作，将数据统一映射到[0,1]，在加入归一化操作后，采集到的地面数据数值过大，计算速度慢的缺点得到改善，提升了模型的收敛速度，同时减少了微地震事件发生时地面数据的幅值较大对分类器性能的影响。进而进行第一阶段，也就是时序特征提取阶段，采用gru网络，gru网络包括16个门控循环单元(gru)形成的时序特征提取层，每个gru仅有两个门，一个为重置门和一个更新门，从直观上来说，重置门决定了如何将新的输入信息与前面的记忆相结合，更新门定义了前面的记忆保存到当前时间步的量，这两个门对信息传递进行调控。gru的输入输出结构与普通的rnn是一样的，有一个当前的输入，和上一个节点传递下来的隐状态h
t-1
，这个隐状态包含了之前节点的相关信息，结合x
t
和h
t-1
，gru会得到当前隐藏节点的输出y
t
和传递给下一个节点的隐藏状态h
t
。使每个循环单元自适应地捕捉不同时间尺度的依赖性，与 lstm单元类似，gru也有门控单元来调节单元内部信息流，但没有单独的存储单元，相比于lstm，减少了计算成本。门控循环单元不会随时间而清除以前的信息，它会保留相关信息并传递到下一个单元，因此它利用全部信息而避免了梯度消失的问题。gru用门控机制控制输入、记忆等信息在当前时间步做出预测，计算表达式如下：
[0030]zt
＝σ(w
(z)
x
t
+u
(z)ht-1
)
[0031]rt
＝σ(w
(r)
x
t
+u
(r)ht-1
)
[0032]h′
t
＝tanh(wx
t
+r
t
⊙
uh
t-1
)
[0033]ht
＝z
t
⊙ht-1
+(1-z
t
)
⊙h′
t
[0034]
其中，z
t
为更新门，x
t
为第t个时间步的输入向量，和w
(z)
和u
(z)
为计算更新门时的权重矩阵，h
t-1
保存的是前一个时间步t-1的信息，σ为激活函数，r
t
为重置门，w
(r)
和u
(r)
为计算重置门时的权重矩阵，h
′
t
为当前记忆内容，h
t
为最终的输出结果。
[0035]
在gru提取时序特征后，添加全连接层，减少位置信息对分类结果的影响。
[0036]
第二阶段是微地震事件噪声分类阶段，采用支持向量机(svm)，svm是一个二类分类器，其目标是找到一个超平面，使两类数据离超平面越远越好，从而对新的数据分类更准确，分类器的鲁棒性更强。
[0037]
当微地震数据信噪比增加时，如-15db的模拟地震数据，个别尖锐的噪声已经超过了微地震事件的振幅，但是它却没有微地震事件的其它依赖关系，为了解决这个问题，引入svm的软间隔(soft margin)分类方法，即允许少量样本不满足约束：
[0038][0039]
ζi为松弛因子，w为法向量，yi为+1或者-1，为样本点在每一个维度上坐标点的值，b为位移项。为了使不满足上述条件的样本点尽可能少，需要在优化的目标函数为:
[0040][0041]
需要在这个目标函数里新增一个对这些点的惩罚项，最常用的是hinge损失：
[0042]
l
hinge
(z)＝max(0，1-z)
[0043]
即若样本点满足约束条件损失就是0，否则损失就是1-z，则优化目标就变成:
[0044][0045]
其中c称为惩罚参数，随着svm作为模型的最底层，模型的参数也是通过优化svm的目标函数来学习的，即gru-svm模型将使用svm的损失函数，然而上式是不可微的，于是使用上式的变体:
[0046][0047]
将上式作为gru+svm模型的损失函数。
[0048]
本发明期望得到一个由0和1组成的序列，通过得到的序列和手动制作的标签来对比检测是否准确，所以模型最后的预测结果使用下面的公式计算得出：
[0049]
pred＝|sign(mx+c)|
[0050]
其中m为最优化后的法向量，x为输入数据，c为最优化后的移项。
[0051]
gru仅有两个门，一个为重置门(reset gate)和一个更新门(update gate)。从直观上来说，重置门决定了如何将新的输入信息与前面的记忆相结合，更新门定义了前面的记忆保存到当前时间步的量，使用门控机制学习长期依赖关系的基本思想和lstm一致，但是，还是有一些关键区别：
[0052]
gru有两个门(重置门和更新门)，而lstm却有三个门(输入门，遗忘门，输出门)。因此gru相比lstm少了一个hidden state参数，训练速度更快。gru并不会控制并保留内部记忆，且没有lstm中的输出门。lstm中的输入门与遗忘门对应于gru的更新门，重置门直接作用于前面的隐藏状态。在计算输出时并不应用二阶非线性。gru使用的更新门和重置门决定了哪些信息最终能作为门控循环单元的输出，这两个门控机制的特殊之处在于它们能够长期保存序列中的信息，且不会随时间而清除或因为与预测不相关而移除。
[0053]
结合图2、图3、图4、图5，为本发明的一种基于神经网络的干热岩微地震事件检测方法在测试数据信噪比分别为为0db、-5db、-10db、-15db时，(a) gru_svm的检测结果(b)sta/lta的检测结果；基于仿真结果，本发明提出的检测算法优点已经清楚的看出来，与基于sta/lta的方法相比，对事件的检测精度更高，对事件的定位更准确，从图、3中看出来，当信噪比较低时，二者相差不大，但是从图4和图5中就可以看出，当信噪比增加到-10和-15db 时，虽然也能检测到微地震事件，但是其检测到的微地震事件起始点和结束点相比于标签已经有了较大误差，一些噪声也被误拾取为微地震事件。而本发明提出的gru_svm算法，从图中可以看出，其检测到的微地震事件的起始点和结束点与标签相差无几，当信噪比增加时，仍然可以保持较高的准确率，经过计算，该算法的平均拾取精度可以达到95％左右。
[0054]
结合图6和图7，为本发明的一种基于神经网络的干热岩微地震事件检测方法干热岩微地震监测真实数据gru_svm的检测结果和sta/lta的检测结果的对比。在实际工程中，微地震事件的后续震动、较小能量的微地震事件并不能作为微地震事件来指导水力压裂，二者由于能量较小，在聚类分析的过程中也会被忽略掉，同时，在通过微地震事件进行裂缝分析时，较小能量的微地震事件也不会影响到裂缝的走势，只会增加分析裂缝走势时的工作量，降低了工作效率。从图中可以看出，本发明提出的算法可以准确的拾取到微地震事
件，可以将微地震事件的后续震动忽略掉，并且可以将较小能量的微地震事件同样忽略掉，提高了后续处理数据时的工作效率，对于水力压裂的指导更加具有时效性。
[0055]
依然用sta/lta的微地震检测算法结果与本发明的算法结果做对比，为了能够从图中清晰的观察sta/lta的检测结果，把原始的干热岩数据幅值缩小，从图中箭头处可以看到，sta/lta算法检测到了较微弱的微地震事件，但是这些事件能量较弱，不能用于实际工程中来进行裂缝分析等工作。
[0056]
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。