[發(fā)明專利]一種基于多尺度卷積神經(jīng)網(wǎng)絡(luò)的微地震事件檢測方法

在審

• 申請?zhí)枺?/td>: 202111095596.4
• 申請日: 2021-09-17
• 公開（公告）號: CN113792685A
• 公開（公告）日: 2021-12-14
• 發(fā)明（設(shè)計）人: 聶永丹;劉小秋;張巖;董宏麗;宋利偉;田楓;張志祥;宋思宇
• 申請（專利權(quán)）人: 東北石油大學(xué)
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08;G01V1/28
• 代理公司: 哈爾濱東方專利事務(wù)所 23118
• 代理人: 曹愛華

1.一種基于多尺度卷積神經(jīng)網(wǎng)絡(luò)的微地震事件檢測方法，其特征在于包括如下步驟：

步驟一、訓(xùn)練數(shù)據(jù)集預(yù)處理：

數(shù)據(jù)集準(zhǔn)備包括微地震資料的獲取、滑動窗口大小和步長的設(shè)定、數(shù)據(jù)增強、數(shù)據(jù)集的歸一化處理；用不同頻率的雷克子波正演得到的微地震資料添加上不同強度的高斯白噪聲作為樣本，通過添加不同信噪比SNR的高斯白噪聲來進(jìn)行數(shù)據(jù)增強，通過數(shù)據(jù)增強的方法來提高數(shù)據(jù)集的覆蓋程度，縮小訓(xùn)練集和測試集之間的差距，其中SNR定義如下：

式中：P_signal表示信號的平均能量；P_noise表示噪聲的平均能量；

步驟二、設(shè)計神經(jīng)網(wǎng)絡(luò)模型：

1)學(xué)習(xí)特征選取

采用雷克子波完整波形和雷克子波半波波形作為學(xué)習(xí)特征，利用神經(jīng)網(wǎng)絡(luò)的強大非線性映射能力找到學(xué)習(xí)特征與微地震事件的映射關(guān)系；

2)網(wǎng)絡(luò)模型搭建

微地震資料通過卷積神經(jīng)網(wǎng)絡(luò)，得到多個尺度上的特征圖，并在每個尺度上對特征圖進(jìn)行特征檢測，然后把每個尺度上的檢測結(jié)果輸入C-F模型進(jìn)行多尺度不確定性的信任度合成，得到最終檢測結(jié)果；

搭建的多尺度卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的輸入層由A、C兩個超參數(shù)決定，A的取值由采樣頻率和雷克子波主頻和檢波器采樣周期決定，C決定訓(xùn)練一次輸入的數(shù)據(jù)量；網(wǎng)絡(luò)的隱含層由卷積層和全連接層組成，隱含層首先是6個卷積層做特征提取，加快網(wǎng)絡(luò)對微地震事件和背景噪聲的特征的學(xué)習(xí)，在減少卷積濾波器個數(shù)保證網(wǎng)絡(luò)運算量；卷積濾波器感受野逐漸減小，每一個卷積層輸出的特征圖在經(jīng)過BN層和ReLu層后送入下一個卷積層，同時用Flatten操作把多維特征圖一維化后送入檢測器，分類器由全連接組成，輸入大小由該尺度上的特征圖數(shù)量和大小決定；把每個尺度上的檢測結(jié)果同時送入C-F模型進(jìn)行最終的決策；

步驟三、訓(xùn)練并保存訓(xùn)練好的網(wǎng)絡(luò)模型：

設(shè)置輸入層的兩個超參數(shù)，確定學(xué)習(xí)率和迭代次數(shù)；用步驟一混合高斯白噪聲的微地震信號作為訓(xùn)練集輸入步驟二中搭建的多尺度卷積神經(jīng)網(wǎng)絡(luò)模型中，模型反向傳播調(diào)整網(wǎng)絡(luò)參數(shù)，前向傳遞做檢測，直到模型在驗證集上的表現(xiàn)達(dá)到要求或則迭代次數(shù)達(dá)到設(shè)定次數(shù)后保存模型；若模型迭代次數(shù)達(dá)到設(shè)定值后在驗證集上表現(xiàn)仍然達(dá)不到要求，則調(diào)整輸入層的超參數(shù)、學(xué)習(xí)率和迭代次數(shù)并相應(yīng)的改變數(shù)據(jù)集的長度來改善網(wǎng)絡(luò)效果，直至模型性能達(dá)到要求保存好網(wǎng)絡(luò)模型參數(shù)；

步驟四、性能驗證：

將步驟一中用于測試模型性能的數(shù)據(jù)集加入不同強度的高斯白噪聲，并用滑動窗口截取信號片段，其中長度和訓(xùn)練樣本相同；最大誤差為檢波器采樣周期和滑動步長之積，滑動步長越小微地震初至?xí)r間和實際時間的誤差就越小；將處理好的測試樣本輸入到步驟三訓(xùn)練好的網(wǎng)絡(luò)模型中，觀察其檢測效果和初至拾取精度。

2.根據(jù)權(quán)利要求1所述的基于多尺度卷積神經(jīng)網(wǎng)絡(luò)的微地震事件檢測方法，其特征在于：所述的C-F模型進(jìn)行最終的決策的方法；

經(jīng)過神經(jīng)子網(wǎng)得到的結(jié)果是介于0到1之間的概率值，分別表示在該尺度上檢測判斷該窗口包含有微地震事件的概率值；用結(jié)論不確定性的合成算法求出每個尺度對最終檢測結(jié)果的影響：

if E_i then H(CF(H,E_i))，i＝1,2,3…n.

式中：E_i表示在尺度i上檢測為微地震事件；H表示為微地震事件；CF(H,E_i)為可信度因子，反映前提條件E_i與結(jié)論H的聯(lián)系強度，即在尺度i上檢測為微地震事件時為微地震事件的可信度；

可信度因子通過驗證集得到，神經(jīng)網(wǎng)絡(luò)輸出概率值即為證據(jù)的不確定性CF(E)；C-F模型中的不確定性推理是從不確定的初始證據(jù)出發(fā)，通過運用相關(guān)的不確定性知識，最終推出結(jié)論并求出結(jié)論的可信度值；結(jié)論H的可信度由下式計算：

CF(H)＝CF(H,E)×MAX{0,CF(E)}

在本發(fā)明中分別對每一條證據(jù)的可信度，即求出在尺度i上檢測為微地震事件的可信度，然后通過結(jié)論不確定性算法求出多個證據(jù)對最終結(jié)論的綜合影響所形成的可信度，通過比較綜合可信度來判斷該窗口是否存在微地震事件；結(jié)論不確定性算法如下所示：

各個尺度上的檢測結(jié)果為證據(jù)的不確定性CF(E)，可信度因子CF(H,E)為驗證集的準(zhǔn)確度，經(jīng)過上述結(jié)論不確定性算法兩兩合成得到最終檢測結(jié)果。