[发明专利]一种结合U-net网络和DenseNet网络的微地震有效信号检测方法

说明书

本发明提供了一种结合U‑net网络和DenseNet网络的微地震有效信号检测方法，包括：(1)生成原始数据集；(2)标定数据集；(3)构建MSNet网络；(4)调整网络参数；(5)信号学习后标定初至点。本发明还提供了一种结合U‑net网络和DenseNet网络的微地震有效信号检测系统，包括：原始数据集生成模块，数据集标定模块，MSNet网络构建模块，网络参数调整模块，学习后初至点标定模块。本发明基于U‑net网络对CNN网络在信号特征的学习和提取，结合所述DenseNet网络，达到进一步优化信号特征的学习和提取的目的。本发明在微地震监测中具有更深层次特征提取、更精细的信号分割的特点，可以广泛应用于地下状态监测领域。

技术领域

本发明涉及地下状态监测的地球物理技术，特别是涉及一种微地震监测技术。

技术背景

微地震资料有效信号能量较弱，信噪比较低，有效检测出信号较为困难，传统的信号检测技术包括通过快速傅里叶变换对信号进行频谱分析，小波，曲波以及剪切波变换进行时频转换等手段以达到去除噪音保留有效信号的目的。但是传统的方法若直接应用于微地震资料往往无法获取满意的效果，而这将直接影响微地震监测的质量和精度。

基于深度学习所做的信号监测技术近年来逐渐受到了人们的广泛关注，主要原因在于其具有参数多、容量大的特点，使得其网络对于海量数据拥有强大的处理能力。CNN网络具有的强学习能力的特征使其被广泛地应用于信号特征的学习和提取上，但由于传统的CNN网络进行特征提取时会导致部分重要特征丢失，U-net网络——一种基于FCN网络架构的新型神经网络，可以较为有效地恢复CNN在学习特征时丢失的一些重要细节特征，以至于不会丢失信号的时间和空间特征，但由于其网络层数较少，不能够提取出较为深层次的特征。

发明内容

本发明提供了一种结合U-net网络和DenseNet网络的微地震有效信号检测方法,能够更高效、更精确的提取微地震信号的特征。

在本发明实施例的第一方面，提供了一种结合U-net网络和DenseNet网络的微地震有效信号检测方法，该方法包括：

步骤1，利用有限差分正演生成不同地层模型下的模拟信号，与利用检波器实际采集到的实际地层资料共同构成原始数据集；

步骤2，用算法对所述原始数据集进行初至拾取，选区初至和非初至处的信号波形并分别进行标定；

步骤3，在原有的U-net网络中添加两个Denseblock；

步骤4，将标定后的信号数据集输入MSNet网络中进行学习，对学习后输出的信号作Softmax函数计算，将计算结果与标定后的数据集作交叉熵计算损失函数，最小化损失函数以调整网络参数。

步骤5，Softmax计算后的输出信号通过网络参数调整，所得概率峰值点所在的位置，即为输入信号通过MSNet学习后标定的初至点。

在本发明实施例的第二方面，提供了一种结合U-net网络和DenseNet网络的微地震有效信号检测系统，该系统包括：

原始数据集生成模块：用于结合有限差分正演生成的不同地层模型下的模拟信号与实际采集到的实际资料，共同构成原始数据集；

数据集标定模块：用于对所述原始数据集进行初至拾取，选区初至和非初至处的信号波形并分别进行标定；

MSNet网络构建模块：用于在原有的U-net网络中添加两个Denseblock；

网络参数调整模块：用于将标定后的信号数据集输入MSNet网络中进行学习，对学习后输出的信号作Softmax函数计算，将计算结果与标定后的数据集作交叉熵计算损失函数，最小化损失函数以调整网络参数。

学习后初至点标定模块：Softmax计算后的输出信号通过网络参数调整，所得概率峰值点所在的位置，即为输入信号通过MSNet学习后标定的初至点。