基于深度学习的实时微地震震级计算方法及装置

摘要

本发明提供了一种基于深度学习的实时微地震震级计算方法及装置，包括：构建基于DAS的水平井微地震监测系统；构建训练数据集；构建震级计算模块：震级计算模块包括频率谱和时间波形两个输入分支，两个输入分支使用3层的卷积结构，分别提取微地震事件的频率特征和波形特征，然后进行模型融合，再通过2个全连接层，最后输出计算震级；震级计算模块的输入为单个DAS微地震应变数据，输出为计算震级，用计算震级与理论震级高斯分布的误差来更新网络参数；使用训练数据集训练震级计算模块；对实际数据进行分析处理。本发明的震级计算方法提高了对微地震震级的快速估算能力，无需将应变数据进行转换，改善了微地震震级估算准确性。

权利要求

1.一种基于深度学习的实时微地震震级计算方法，其特征在于，所述计算方法包括：构建基于DAS的水平井微地震监测系统；

构建训练数据集，所述训练数据集包括DAS微地震应变数据和理论震级高斯分布标签；

构建震级计算模块：震级计算模块包括频率谱和时间波形两个输入分支，两个输入分支使用3层的卷积结构，分别提取微地震事件的频率特征和波形特征，然后进行模型融合，再通过2个全连接层，最后输出计算震级；震级计算模块的输入为单个DAS微地震应变数据，输出为计算震级，用计算震级与理论震级高斯分布的误差来更新网络参数；网络采用均方误差作为损失函数计算神经网络的误差；

使用训练数据集训练震级计算模块；

对实际数据进行分析处理，包括：对实际数据进行预处理；将预处理后的数据输入到震级计算模块获得计算震级，其中，所述构建训练数据集包括：生成微地震初始数据；对微地震初始数据进行数据增广；以及对所有数据进行预处理；

其中，震级计算模块使用2D卷积层，卷积层组包含卷积层、最大池化层和Dropout层，其中卷积操作通过ReLu激活函数实现从输入数据中提取特征，在卷积层之后是最大池化层，在每个隐藏的卷积层中使用校正线性单元激活，卷积的核大小设置为64×3×3；最后输出层为1*61的矢量，分别对应‑3级到3级地震震级，取最大值为当前计算震级。

2.根据权利要求1所述的基于深度学习的实时微地震震级计算方法，其特征在于：所述训练数据集包括Nk个DAS微地震应变数据，每个DAS微地震应变数据包括Nt个通道，每个通道包括Ns个采样点，形成Nk*Nt*Ns的数据体，其中Nk、Nt和Ns均为1000。

3.根据权利要求2所述的基于深度学习的实时微地震震级计算方法，其特征在于，单个微地震初始数据的生成方式包括：根据实际微地震监测系统设置采集参数：设置震源参数，包括震源机制参数、震源机制范围和震源位置参数；

在均匀的速度模型下使用解析格林函数得到合成的DAS微地震应变数据，大小为Nt*Ns；

采集实际监测的背景噪音数据，将该背景噪音数据加入到上述合成的DAS微地震应变数据中，模拟实际采集数据的信噪比及特征，获得微地震初始数据。

4.根据权利要求3所述的基于深度学习的实时微地震震级计算方法，其特征在于，所述对微地震初始数据进行数据增广包括：对合成的DAS微地震应变数据按照不同振幅尺度缩放；

构建异常道；

对背景噪音数据按照不同振幅尺度缩放。

5.根据权利要求2所述的基于深度学习的实时微地震震级计算方法，其特征在于，所述对所有数据进行预处理包括：对损坏通道数据通过相邻通道进行插值替换，去除均值，去除异常大值，使用插值对被去除的异常大值进行替换。

6.根据权利要求1所述的基于深度学习的实时微地震震级计算方法，其特征在于，所述使用训练数据集训练震级计算模块包括：将数据集分为训练集与测试集，比例为8：2；

神经网络模型采用随机梯度下降优化方法；设置动态学习率，初始值设置为0.0001，每

50次降低一半；批处理量设置为40；迭代次数为200；

在GPU图像处理单元上进行神经网络模型训练。

7.根据权利要求1所述的基于深度学习的实时微地震震级计算方法，其特征在于：所述基于DAS的水平井微地震监测系统包括：金属套管；以及固定设置在金属套管外侧的铠装光缆，所述铠装光缆内有单模光纤；

所述构建基于DAS的水平井微地震监测系统包括：

将金属套管和铠装光缆同步下入完钻的井孔里；

从井底泵入水泥浆，使水泥浆从井底沿金属套管的外壁和井孔之间的环空区返回到井口，待水泥浆固结后，使金属套管、铠装光缆和地层岩石固定在一起；

提供DAS调制解调仪器，并在井口处把铠装光缆内的单模光纤连接到DAS调制解调仪器的DAS信号输入端。

8.一种基于深度学习的实时微地震震级计算装置，其特征在于，所述计算装置用于实施如权利要求1‑7中任一项所述的基于深度学习的实时微地震震级计算方法。

说明书

基于深度学习的实时微地震震级计算方法及装置

技术领域

[0001] 本发明涉及微地震监测和深度学习技术领域，具体涉及一种基于深度学习的实时微地震震级计算方法及装置，包括使用训练数据集训练震级计算模块、对实际数据进行分析处理、将预处理后的数据输入到震级计算模块获得计算震级等，因此它属于地震勘探或探测中的地震数据处理。

背景技术

[0002] 水力压裂技术是将高压流体注入页岩储层产生复杂的人工裂缝，可以增加储层的连通性并提高单井产量。对水力压裂储层改造的不同阶段进行监测和评估，是实现高效开发、安全生产的前提。微地震监测技术是非常规资源开发中进行水力压裂实时监测的重要手段之一。微地震监测技术通过监测水力压裂过程中产生的微震信号来评估压裂效果，进而指导和优化工程参数。

[0003] 快速、准确地估算微地震震级大小是微地震监测的重要内容，微地震的震级通常在‑3到3级左右。参考天然地震的研究方法，传统方法是从初始地震动信息中提取关键指标作为特征参数，然后利用特征参数与震级之间的经验公式来估算地震震级的大小。其中，特征参数有很多种选择，可以利用初始地震动的幅值类参数、周期（频率）类参数、能量类参数等信息来建立。尽管上述特征参数已经被证明与震级存在一定的线性关系，但是某一特征参数包含与震级相关的信息较单一，导致震级估算结果的误差较大，并且震级估算结果也存在一定程度的小震高估和大震低估问题。此外，可以尝试采用这三类参数中的双参数、多参数进行联合估计，来对震级进行估算，以提升震级估计的准确性。震级估算方法还包括基于周期的特征频率类参数的方法，如最大卓越周期Pd法、平均卓越周期 法等。另外，如果是多台数据，一般对所有单台震级进行估算，然后采用多台加权平均方法获得震级估计。

[0004] 由于地震震级测定是一个十分复杂的过程，需要综合考虑震源过程、传播介质、场地条件、仪器响应等多个方面因素的影响，单一的幅值或周期参数在一定程度上虽能够较好映射出地震的规模，但较难反映出地震的全部特征，从而导致地震震级测定的精度不足。近年来，随着深度学习技术的飞速发展，越来越多的研究者开始在地震波形数据研究的各个任务上应用机器学习与深度学习，人工智能已被引入到地震震级估算研究中。基于深度学习的技术一般可以分为两类。一类是将多个地震预警参数与机器学习方法相结合，进而对最终震级进行估算。已有研究者融合多种类型的12个P波初期特征参数（幅值类参数、周期类参数、能量类参数、衍生类参数）作为卷积神经网络的输入，构建了P波到达后3s时间窗下的DCNN‑M模型，进而用于地震预警震级估算，其结果优于传统的单参数方法。Ochoa（2018）基于支持向量机回归算法，在单台情况下，使用P波触发后5s的信号得到的25个参数（与方位角相关的参数、与震级相关的参数、与震中距相关的参数）作为输入，进而对里氏震级进行估算，对4.5以下的地震，震级估算有较小误差。另一类是直接将地震波形数据与机器学习方法相结合，改进震级估算，例如，近期提出的，使用强震动数据建立NN网络用于地震预警震级估算，将波形的频谱信息作为模型输入，并发现在3s时间窗内，该方法优于传统的单参数方法，同时也认为多特征组合输入的使用将会得到更优异的震级估算模型。
Mousavi&Beroza（2020）基于30s单台波形输入，构建了一个由卷积神经网络和循环神经网络组成的震级估算模型，有效改善了震级估算结果。再有，建立多全连接层卷积神经网络模型，选用P波在3‑9s不同时段的频域数据、对应地震事件的震源信息（震中距和震源深度）以及场地信息作为全数据集，对提出的模型进行训练并对估算效果予以评估。Lomax（2019）将单台站三分量加速度时程数据作为第一卷积层的输入数据，对三分量波段中的加速度峰值进行归一化处理，并将归一化值作为全连接层的辅助输入参数，利用上述两部分数据对模型进行迭代训练，以达到自动化检测并快速表征地震震级的目的。

[0005] 但目前并没有针对DAS邻井监测微地震应变数据的震级计算方法，经检索专利数据库，仅有针对常规检波器地震数据（一般为位移、速度或加速度数据，一般不使用应变数据）的震级计算方法和针对常规检波器微地震数据的震级计算方法。

发明内容

[0006] 本发明的目的在于至少部分地克服现有技术的缺陷，提供一种基于深度学习的实时微地震震级计算方法及装置。

[0007] 本发明的目的还在于提供一种基于深度学习的实时微地震震级计算方法，直接输入DAS系统采集的应变数据，无需对DAS应变数据进行转换，提高对微地震震级的快速估算能力。

[0008] 本发明的目的还在于提供一种基于深度学习的实时微地震震级计算方法，改善微地震震级估算准确性。

[0009] 本发明的目的还在于提供一种基于深度学习的实时微地震震级计算装置，用于实施前述基于深度学习的实时微地震震级计算方法。

[0010] 为达到上述目的或目的之一，本发明的技术解决方案如下：

[0011] 一种基于深度学习的实时微地震震级计算方法，所述计算方法包括：

[0012] 构建基于DAS的水平井微地震监测系统；

[0013] 构建训练数据集，所述训练数据集包括DAS微地震应变数据和理论震级高斯分布标签；

[0014] 构建震级计算模块：震级计算模块包括频率谱和时间波形两个输入分支，两个输入分支使用3层的卷积结构，分别提取微地震事件的频率特征和波形特征，然后进行模型融合，再通过2个全连接层，最后输出计算震级；震级计算模块的输入为单个DAS微地震应变数据，输出为计算震级，用计算震级与理论震级高斯分布的误差来更新网络参数；网络采用均方误差作为损失函数计算神经网络的误差；

[0015] 使用训练数据集训练震级计算模块；

[0016] 对实际数据进行分析处理，包括：对实际数据进行预处理；将预处理后的数据输入到震级计算模块获得计算震级。

[0017] 根据本发明的一个优选实施例，所述训练数据集包括Nk个DAS微地震应变数据，每个DAS微地震应变数据包括Nt个通道，每个通道包括Ns个采样点，形成Nk*Nt*Ns的数据体，其中Nk、Nt和Ns均为1000。

[0018] 根据本发明的一个优选实施例，理论震级高斯分布标签为以理论震级为中心的高斯分布，震级的大小范围为‑3级到3级，分辨率为0.1级，为61个值的向量。

[0019] 根据本发明的一个优选实施例，所述构建训练数据集包括：

[0020] 生成微地震初始数据；

[0021] 对微地震初始数据进行数据增广；

[0022] 对所有数据进行预处理。

[0023] 根据本发明的一个优选实施例，单个微地震初始数据的生成方式包括：

[0024] 根据实际微地震监测系统设置采集参数：设置震源参数，包括震源机制参数、震源机制范围和震源位置参数；

[0025] 在均匀的速度模型下使用解析格林函数得到合成的DAS微地震应变数据，大小为Nt*Ns；

[0026] 采集实际监测的背景噪音数据，将该背景噪音数据加入到上述合成的DAS微地震应变数据中，模拟实际采集数据的信噪比及特征，获得微地震初始数据。

[0027] 根据本发明的一个优选实施例，震级分布为当前微地震理论震级的高斯分布，分布计算方式为 ，其中 为理论震级，为高斯分布值；震级大小范围为‑3级到3级，分辨率为0.1级，类型标签包括61个，位移 对应于当前震级。

[0028] 根据本发明的一个优选实施例，所述对微地震初始数据进行数据增广包括：

[0029] 对合成的DAS微地震应变数据按照不同振幅尺度缩放；

[0030] 构建异常道；

[0031] 对背景噪音数据按照不同振幅尺度缩放。

[0032] 根据本发明的一个优选实施例，所述对所有数据进行预处理包括：

[0033] 对损坏通道数据通过相邻通道进行插值替换，去除均值，去除异常大值，使用插值对被去除的异常大值进行替换。

[0034] 根据本发明的一个优选实施例，震级计算模块使用2D卷积层，卷积层组包含卷积层、最大池化层和Dropout层，其中卷积操作通过ReLu激活函数实现从输入数据中提取特征，在卷积层之后是最大池化层，在每个隐藏的卷积层中使用校正线性单元激活，卷积的核大小设置为64×3×3；最后输出层为1*61的矢量，分别对应‑3级到3级地震震级，取最大值为当前计算震级。

[0035] 根据本发明的一个优选实施例，3层的卷积结构包括卷积层、池化层和全连接层。

[0036] 根据本发明的一个优选实施例，所述使用训练数据集训练震级计算模块包括：

[0037] 将数据集分为训练集与测试集，比例为8：2；

[0038] 神经网络模型采用随机梯度下降优化方法；设置动态学习率，初始值设置为0.0001，每50次降低一半；批处理量设置为40；迭代次数为200；

[0039] 在GPU图像处理单元上进行神经网络模型训练。

[0040] 根据本发明的一个优选实施例，所述基于DAS的水平井微地震监测系统包括：金属套管；以及固定设置在金属套管外侧的铠装光缆，所述铠装光缆内有单模光纤；

[0041] 所述构建基于DAS的水平井微地震监测系统包括：

[0042] 将金属套管和铠装光缆同步下入完钻的井孔里；

[0043] 从井底泵入水泥浆，使水泥浆从井底沿金属套管的外壁和井孔之间的环空区返回到井口，待水泥浆固结后，使金属套管、铠装光缆和地层岩石固定在一起；

[0044] 提供DAS调制解调仪器，并在井口处把铠装光缆内的单模光纤连接到DAS调制解调仪器的DAS信号输入端。

[0045] 根据本发明的一个优选实施例，所述对实际数据进行预处理包括：

[0046] 对损坏通道数据通过相邻通道进行插值替换，去除均值，去除异常大值，使用插值对被去除的异常大值进行替换。

[0047] 根据本发明的另一个方面，提供了一种基于深度学习的实时微地震震级计算装置，所述计算装置用于实施如前述实施例中任一项所述的基于深度学习的实时微地震震级计算方法。

[0048] 本发明提出了一种基于深度学习的实时微地震震级计算方法及装置，将波形和频谱特征与深度模型提取特征进行融合，通过大量地震监测台站的地面震动连续波形记录训练模型，无需对DAS应变数据进行转换，提高了对微地震震级的快速估算能力，改善了微地震震级估算准确性。

附图说明

[0049] 图1为根据本发明的实施例的基于深度学习的实时微地震震级计算方法的流程图；

[0050] 图2示出了根据本发明的基于深度学习的实时微地震震级计算方法的软件数据处理流程；以及

[0051] 图3为根据本发明的基于深度学习的实时微地震震级计算方法的网络结构示意图。

具体实施方式

[0052] 下面结合附图详细描述本发明的示例性的实施例，其中相同或相似的标号表示相同或相似的元件。另外，在下面的详细描述中，为便于解释，阐述了许多具体的细节以提供对本披露实施例的全面理解。然而明显地，一个或多个实施例在没有这些具体细节的情况下也可以被实施。在其他情况下，公知的结构和装置以图示的方式体现以简化附图。

[0053] 分布式光纤声波传感（Distributed Acoustic Sensing，DAS）是近年来快速发展的一项新兴数据采集技术。DAS一般由解调仪（包括了光学系统和信号采集系统）和用于传感的普通光纤或特种光纤两部分组成。DAS通过探测激光脉冲在光纤内部散射体产生的后向瑞利散射光信号的相位变化，实现沿光纤轴向应变信号的测量。

[0054] 在DAS水力压裂监测中，DAS光纤一般沿水平井进行布设。相比常规检波器检测，DAS可以获得全井段测量数据，大幅度增加了数据的采集方位角；DAS已经实现1m的空间采样，显著提升了监测数据的采集密度和空间连续性。

[0055] 深度学习方法是探索解决地震学领域难题、开展地球物理研究的一个好工具，深度学习在地震学领域中的应用不断扩大。例如，震相识别，初至拾取，震源定位等方面。

[0056] 本发明提出了一种基于深度学习特征融合的地震震级快速估算方法，将波形和频谱特征与深度模型提取特征进行融合，通过大量地震监测台站的地面震动连续波形记录训练模型，提高对地震震级的快速估算能力。根据本发明的具体实施例，提出了一种基于深度学习的实时微地震震级计算方法，所述计算方法包括（如图1所示）：

[0057] 首先，构建基于DAS的水平井微地震监测系统。基于DAS的水平井微地震监测系统包括：金属套管；以及固定设置在金属套管外侧的铠装光缆，所述铠装光缆内有特种单模光纤；DAS调制解调仪器放置于井口附近，DAS调制解调仪器的DAS信号端口与金属套管外的特种单模光纤相连接。

[0058] 具体地，所述构建基于DAS的水平井微地震监测系统包括：

[0059] 将金属套管和铠装光缆同步缓慢地下入完钻的井孔里；

[0060] 在井口把环形金属卡子安装在两根金属套管的连接处，固定并保护铠装光缆在下金属套管过程中不会移动和/或被损坏；

[0061] 用高压泵车从井底泵入水泥浆，使水泥浆从井底沿金属套管的外壁和井孔之间的环空区返回到井口，待水泥浆固结后，使金属套管、铠装光缆和地层岩石永久性地固定在一起；

[0062] 提供DAS调制解调仪器，并在井口处把铠装光缆内的套管外单模光纤连接到DAS调制解调仪器的DAS信号输入端；

[0063] 在水力压裂作业时，基于DAS的水平井微地震监测系统可以用金属套管外永久布设的铠装光缆进行水力压裂微地震监测。利用井下布设的金属套管外单模光纤采集数据，传输至井口附近的DAS调制解调仪器进行解调，获得连续记录的水力压裂作业导致邻井或同井的地下地层破裂时产生的微地震事件。结合前述步骤中获得的地下地层的纵波速度场，可以获得该微地震事件的相关信息，这些信息包括微地震事件的发生时间、三维空间位置和能量大小。

[0064] 进一步地，可根据记录到的微地震事件的纵波信号特征进行震源机制分析、震级分析，获得大部分微地震事件的破裂机理，分析水力压裂改造后裂缝的分布特征和规律。综合以上信息，对此水平井的储层水力压裂改造效果进行有效可靠的定性和定量评价。

[0065] 基于深度学习的实时微地震震级计算方法进一步包括：

[0066] 构建训练数据集：

[0067] 1.1、数据集概况：数据集结构为（微地震数据2D，理论震级高斯分布标签1D）。对于单个DAS微地震应变数据，共包含Nt（1000）个通道，每个通道包括Ns（1000）个采样点，训练数据集包括Nk（1000）个DAS微地震应变数据。理论震级高斯分布标签为以理论震级为中心的1D高斯分布，震级的大小范围为‑3级到3级，分辨率为0.1级，为61个值的向量。因此，数据体为Nk*Nt*Ns，类型标签为Nk*61。

[0068] 1.2、数据合成——生成微地震初始数据：单个微地震初始数据的生成方式为：

[0069] 根据实际微地震监测系统设置采集参数：设置震源参数，包括震源机制参数及范围（只考虑双力偶源的情况）：dip，rake，strike，该参数覆盖主要的震源机制范围；震源位置参数：sx，sy，sz，该位置不要位于压裂段附近，模拟可能发生的震源位置。在均匀的速度模型下（Nx*Ny*Nz），使用解析格林函数得到合成的DAS微地震应变数据，大小为Nt*Ns。采集实际监测的背景噪音数据，将该背景噪音数据加入到上述合成的DAS微地震应变数据中，模拟实际采集数据的信噪比及特征，获得微地震初始数据。

[0070] 震级分布为当前微地震理论震级的高斯分布，分布计算方式为 ，其中 为理论震级，为高斯分布值；震级大小范围为‑3级到3级，分辨率为0.1级，因此该网络的标签一共为61个量，位移 对应于当前震级。

[0071] 1.3、数据增广——对微地震初始数据进行数据增广：对合成的DAS微地震应变数据按照不同振幅尺度缩放；构建异常道（坏道，缺失道）；对背景噪音数据按照不同振幅尺度缩放。

[0072] 1.4、对所有数据进行预处理：损坏通道数据处理（通过相邻通道进行插值替换），去除均值，去除异常大值（使用插值对被去除的异常大值进行替换）。

[0073] 构建震级计算模块：

[0074] 2.1、模块架构：如图3所示，震级计算模块由两部分构成，包括频率谱和时间波形两个输入分支，两个输入分支使用3层的卷积结构（卷积层、池化层、激活函数、全连接层），分别提取微地震事件的频率特征和波形特征，然后进行模型融合，再通过2个全连接层，最后输出其计算震级。震级计算模块使用2D卷积层，卷积层组包含卷积层、最大池化层和Dropout层，其中卷积操作通过ReLu激活函数实现从输入数据中提取特征，在卷积层之后紧跟着是最大池化层，主要功能为降维、对特征进行压缩、简化网络复杂度等。Dropout层是指按照一定概率将神经元从网络中丢弃，从而降低模型的过拟合风险。在每个隐藏的卷积层中使用校正线性单元激活，卷积的核大小设置为（64×3×3）；padding和stride分别为1和2。最后输出层为1*61的矢量，分别对应‑3级到3级地震震级，取最大值为当前预测震级。

[0075] 2.2、模块IO：计算神经网络模型的输入为单个DAS微地震应变数据，输出为计算震级，用计算震级与理论震级高斯分布的误差来更新网络参数。该网络采用均方误差（MSE，mean squared error）作为损失函数计算神经网络的误差。

[0076] 图3示出了本发明的基于深度学习的实时微地震震级计算方法的网络结构。该网络包含2个子网络，分别输入2D数据的波形和对应的频率谱，输出为震级的1D高斯函数，峰值为对应的震级准确值。

[0077] 使用训练数据集训练震级计算模块：

[0078] 3.1、将数据集分为训练集与测试集，比例为8：2。

[0079] 3.2、神经网络模型采用随机梯度下降优化方法；设置动态学习率，初始值设置为0.0001，每50次降低一半。批处理量设置为40；迭代次数为200。

[0080] 3.3、在GPU图像处理单元上进行神经网络模型训练。

[0081] 对实际数据进行分析处理：

[0082] 4.1、对实际数据进行预处理。损坏通道数据处理（通过相邻通道进行插值替换），去除均值，去除异常大值（使用插值对被去除的异常大值进行替换）。

[0083] 4.2、将预处理后的数据输入到震级计算模块获得计算震级。

[0084] 根据本发明的另一个方面，提供了一种基于深度学习的实时微地震震级计算装置，所述计算装置用于实施如前述实施例中任一项所述的基于深度学习的实时微地震震级计算方法。

[0085] 本发明提出了一种基于深度学习的实时微地震震级计算方法及装置，将波形和频谱特征与深度模型提取特征进行融合，通过大量地震监测台站的地面震动连续波形记录训练模型，无需对应变数据进行转换，提高了对微地震震级的快速估算能力，改善了微地震震级估算准确性。

[0086] 尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行变化。本发明的适用范围由所附权利要求及其等同物限定。