[發明專利]基于深度學習的DAS同井監測實時微地震有效事件識別方法

有效

• 申請號: 202210807860.0
• 申請日: 2022-07-11
• 公開（公告）號: CN114879252B
• 公開（公告）日: 2022-09-13
• 發明（設計）人: 鄭憶康;王一博;武紹江;姚藝
• 申請（專利權）人: 中國科學院地質與地球物理研究所
• 主分類號: G01V1/28
• 分類號: G01V1/28;G01V1/40;G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京中先生知識產權代理事務所(普通合伙) 16063
• 代理人: 王慧忠

1.一種基于深度學習的DAS同井監測實時微地震有效事件識別方法，其特征在于，所述識別方法包括：

構建基于DAS的水平井微地震監測系統；

構建訓練數據集，所述訓練數據集包括具有不同類型標簽的微地震事件數據、管道波數據和背景噪音數據；

構建信號識別模塊：信號識別模塊由深度神經網絡構成；所述網絡包含卷積子網絡和注意力機制子網絡；信號識別模塊的輸入數據使用2個卷積層提取基本的特征，數據大小分別為256×256，卷積核為32×3×3；卷積子網絡包含2個卷積層，數據大小分別為256×256，卷積核為32×3×3，其中，第一維為卷積個數，第二維和第三維為卷積尺寸；注意力機制子網絡包含1個卷積層和2個池化層，卷積層的數據大小為256×256，卷積核為32×3×3；2個池化層為1個平均池化層和1個最大池化層，2個池化層通過連接層連接，然后使用卷積層，卷積層數據大小為128×128，卷積核為64×3×3；卷積子網絡和注意力機制子網絡通過連接層連接，然后使用2個卷積層，數據大小分別為128×128，卷積核為64×3×3；然后，使用2個全連接層，大小為1024×1；信號識別模塊的輸入為所述不同類型標簽的微地震事件數據、管道波數據和背景噪音數據，輸出為預測的標簽值，用預測的標簽值與準確標簽的誤差來更新網絡參數；所述網絡采用交叉熵作為損失函數計算神經網絡的誤差；

使用訓練數據集訓練信號識別模塊；

對實際監測數據進行預處理，將預處理后的數據輸入信號識別模塊，獲得輸出結果；對輸出結果中識別到的微地震事件進行標記，并將標記的微地震事件更新到所述訓練數據集中；以及

對信號識別模塊進行調整和更新。

2.根據權利要求1所述的基于深度學習的DAS同井監測實時微地震有效事件識別方法，其特征在于，所述構建訓練數據集包括：

生成微地震事件數據、管道波數據和背景噪音數據的初始數據；

對微地震事件數據、管道波數據和背景噪音數據的初始數據進行數據增廣；

對所有數據進行預處理。

3.根據權利要求2所述的基于深度學習的DAS同井監測實時微地震有效事件識別方法，其特征在于：

微地震事件數據的初始數據包括第一部分數據和第二部分數據，所述第一部分數據為在人工模擬合成的不包含管道波和背景噪音的數據中添加實際采集到的管道波形成的數據；第二部分數據為實際監測得到的包含管道波和背景噪音的微地震事件數據；

管道波數據的初始數據為在壓裂平臺壓裂初期實際監測獲得的管道波數據；和/或

背景噪音數據的初始數據為通過相鄰壓裂平臺的同井監測獲得的井口操作的機械噪音。

4.根據權利要求2所述的基于深度學習的DAS同井監測實時微地震有效事件識別方法，其特征在于，所述對微地震事件數據、管道波數據和背景噪音數據的初始數據進行數據增廣包括：

對微地震數據振幅、管道波數據振幅和背景噪音數據振幅按照隨機比例進行縮放。

5.根據權利要求2所述的基于深度學習的DAS同井監測實時微地震有效事件識別方法，其特征在于，所述對所有數據進行預處理包括：

對損壞通道數據通過相鄰通道進行插值替換，去除均值，去除異常大值，使用插值對被去除的異常大值進行替換，數據歸一化。

6.根據權利要求2所述的基于深度學習的DAS同井監測實時微地震有效事件識別方法，其特征在于，所述使用訓練數據集訓練信號識別模塊包括：

將數據集分為訓練集與測試集，比例為8：2；

神經網絡模型采用隨機梯度下降優化方法；設置動態學習率，初始值設置為0.0001，每50次降低一半；批處理量設置為40；迭代次數為200；

在GPU圖像處理單元上進行神經網絡模型訓練。

7.根據權利要求3所述的基于深度學習的DAS同井監測實時微地震有效事件識別方法，其特征在于：

將標記的微地震事件更新到所述訓練數據集中是將標記的微地震事件更新到微地震事件數據的初始數據中的第二部分數據中。