[发明专利]微地震事件自动识别方法及装置

说明书

本发明提供了一种微地震事件自动识别方法及装置，该方法包括：构建不同信噪比下的微地震事件样本和非微地震事件样本；按照预先设定的标签对所述微地震事件样本和非微地震事件样本添加标签；采用添加标签后的微地震事件样本和非微地震事件样本，训练CNN卷积神经网络模型，获得训练好的CNN卷积神经网络模型，所述CNN卷积神经网络模型包括6层卷积核和2层全连接层，其中每层卷积核中至少包括一个批量标准化BN层；将实际三分量微地震数据进行预处理后，输入至训练好的CNN卷积神经网络模型，获得微地震事件识别结果。本发明可以自动识别微地震事件，低信噪比事件识别效果好，不需要人为干预。

技术领域

本发明涉及微地震事件自动识别技术，具体涉及基于深度学习卷积神经网络的微地震事件自动识别方法。

背景技术

目前，微地震事件识别方法主要有能量比法、AIC算法、多道相似法、多道相关法以及多道扫描叠加法等几种，其中应用最多的是能量比法、AIC算法和多道扫描叠加法。

能量比法微地震事件识别，利用的是微地震数据中有效事件出现前后振幅(或能量)上的差别，从而判断是否出现微地震事件。该方法最初由Allen于1987年提出，它利用短时窗振幅平均值与长时窗振幅平均值之比识别地震事件，原理简单，容易实现，能有效高信噪比微地震事件识别。但对低信噪比微地震事件识别无法取得令人满意的效果，且没有考虑微地震事件识别各道信息特征。Massa(2006)等利用能量比法自动检测微地震事件；Jubran(2012)等采用自适应阈值选取法检测微地震事件；段建华(2015)等提出了一种基于能量比法的微地震事件自动识别技术并对各类能量比法进行了分析研究。

AIC(Akaike information criterion，赤池信息准则)算法是一种基于自回归模型的假设算法，微地震事件识别当中假设噪音信号和微地震信号可以用不同的自回归模型表示，且模型阶数不一致。该方法最初由Akaike于1973年提出，方法实现简单便于计算，适合少量微地震数据事件识别，但对海量微地震数据处理效率有待提高。Zhang Haijing(2003)等在各个尺度的小波分频结果上进行AIC拾取，判断有效微地震事件有无；王洪超(2017)年提出了一种Fast-AIC算法的微地震事件自动识别。

还有一些学者在微地震事件识别提出了一些优良算法，如宋维琪(2013)等形成多级检波器微地震有效事件自动识别方法；钱建伟(2014)提出了基于能量比与多道时差约束的微地震事件识别方法；谭玉阳(2015)等提出基于多道相似系数的微地震事件自动识别方法；刘美丽(2015)等提出基于多道扫描叠加的微地震事件自动识别方法。

然而，实际水力压裂微地震资料复杂，低信噪比事件多，井筒波，仪器噪音等规则噪音常规方法往往难以拾取准确，且不能判断微地震事件单，多震相类型。因此，上述现有的微地震事件识别都存在低信噪比事件难以识别，最适阈值选取，事件单震相、多震相判断需要人为干预等问题。

发明内容

本发明实施例提出一种微地震事件自动识别方法，用以自动识别微地震事件，低信噪比事件识别效果好，不需要人为干预，该方法包括：

构建不同信噪比下的微地震事件样本和非微地震事件样本；

按照预先设定的标签对所述微地震事件样本和非微地震事件样本添加标签；

采用添加标签后的微地震事件样本和非微地震事件样本，训练CNN卷积神经网络模型，获得训练好的CNN卷积神经网络模型，所述CNN卷积神经网络模型包括6层卷积核和2层全连接层，其中每层卷积核中至少包括一个批量标准化BN层；

将实际三分量微地震数据进行预处理后，输入至训练好的CNN卷积神经网络模型，获得微地震事件识别结果。

本发明实施例提出一种微地震事件自动识别装置，用以自动识别微地震事件，低信噪比事件识别效果好，不需要人为干预，该装置包括：