[发明专利]基于胶囊神经网络的微地震P波初至拾取方法及系统

说明书

本发明涉及微地震数据处理技术领域，尤其涉及一种基于胶囊神经网络的微地震P波初至拾取方法及系统；所述方法包括准备原始数据集；制作数据训练集；选取所述原始数据集的一部分样本信号的初至点打上标签，作为有标签的部分，另一部分样本信号作为无标签的部分；将所述数据训练集输入到组合训练模型中，对微地震信号特征预测评估；对所述微地震信号特征进行目标检测，得到所述微地震信号的初至点；所述系统包括数据采集模块、数据训练集制作模块、数据训练模块和输出模块；本发明实施例通过胶囊神经网络和半监督学习结合，利用RPN网络进行微地震信号检测，实现微地震信号的初至点拾取，提高微地震信号特征提取准确率和P波初至点准确拾取。

技术领域

本发明涉及微地震数据处理技术领域，尤其涉及一种基于胶囊神经网络的微地震P波初至拾取方法及系统。

背景技术

对微地震信号的有效检测，对油田开发稳产、高产具有重要的意义。通常微地震有效信号能量较弱，信噪比较低，甚至完全淹没在噪音之中。常规地震资料处理方法虽然众多，但若直接应用于微地震资料，往往无法获取满意的效果，这将直接影响微地震监测的质量和精度。因此，寻找合适的方法识别微地震资料中较弱的有效信号是微地震资料处理与解释的关键。

2018年在“微地震P波处至拾取的方法”论文中提出的基于一种Allen算法和Bear算法结合的AB算法使用的微地震P波初至的提取方法。该方法在分析微地震信号的特征基础上，将原能量比法中的时窗平均参数和特征函数进行了部分修改，并将一些新的数学计算方法使用到能量比法中，一定程度上提高了算法对信噪比比较低的微地震信号的判断能力和拾取效果。

现有技术的不足之处在于，该方法虽然对信号识别率有一定程度上提高，但微地震信号特征的提取准确率不高，导致P波初至点拾取准确率仅有73.5％。

发明内容

为克服现有技术存在的不足，本发明实施例一种基于胶囊神经网络的微地震P波初至拾取方法及系统，进一步提高初至点拾取准确率。

一方面本发明实施例提供一种基于胶囊神经网络的微地震P波初至拾取方法，包括以下步骤：

S1，准备原始数据集；具体包括将全部所述原始数据集加入随机的高斯噪声以增强数据集处理；全部所述原始数据集包括不同主频、不同信噪比的微地震正演信号和实际的地震记录；

S2，制作数据训练集；选取所述原始数据集的一部分样本信号的初至点打上标签，作为有标签的部分，另一部分样本信号作为无标签的部分；

S3，将所述数据训练集输入到组合训练模型中，对微地震信号特征预测评估；所述组合训练模型由胶囊神经网络和半监督学习模型组成；将所述有标签的部分进行有监督训练，将所述无标签的部分进行无监督训练；

S4，对所述微地震信号特征进行目标检测，得到所述微地震信号的初至点；具体包括通过RPN网络规则设置不同尺度的锚点在卷积特征层提取候选框，进行端到端训练。

另一方面，本发明实施例提供一种基于胶囊神经网络的微地震P波初至拾取系统，包括：

数据采集模块，准备原始数据集；具体包括将全部所述原始数据集加入随机的高斯噪声以增强数据集处理；全部所述原始数据集包括不同主频、不同信噪比的微地震正演信号和实际的地震记录；

数据训练集制作模块，制作数据训练集；选取所述原始数据集的一部分样本信号的初至点打上标签，作为有标签的部分，另一部分样本信号作为无标签的部分；

数据训练模块，将所述数据训练集输入到组合训练模型中，对微地震信号特征预测评估；所述组合训练模型由胶囊神经网络和半监督学习模型组成；将所述有标签的部分进行有监督训练，将所述无标签的部分进行无监督训练；

输出模块，对所述微地震信号特征进行目标检测，得到所述微地震信号的初至点；具体包括通过RPN网络规则设置不同尺度的锚点在卷积特征层提取候选框，进行端到端训练。