[发明专利]基于NARX动态神经网络的微地震有效事件自动拾取方法

说明书

本发明属于微地震监测技术领域，公开了一种基于NARX动态神经网络的微地震有效事件自动拾取方法，包括以下步骤：1)对模拟与实测微地震监测数据进行振幅归一化预处理，建立训练和测试数据库；2)采用汉宁窗对原始微地震记录的有效信号进行序列标记；3)建立具有Series‑Parallel反馈结构的NARX动态神经网络模型；4)采用Levenberg‑Marquardt优化算法训练NARX动态神经网络模型；5)将原始微地震记录输入NARX动态神经网络模型，输出特征曲线；6)设置期望阈值，从特征曲线自动拾取出有效事件。本发明能够在计算资源和样本数据库有限的情况下，自适应地对微地震有效事件进行高效率、高精度的自动拾取，降低人机交互成本和人工拾取引入的误差，为后续微地震数据的处理提供有力的保障。

技术领域

本发明属于微地震监测技术领域，涉及一种微地震有效事件自动拾取方法，具体涉及一种基于NARX动态神经网络的微地震有效事件自动拾取方法。

背景技术

微地震监测技术近年来被广泛地应用于致密油气藏的水力压裂监测、矿山岩爆监测、二氧化碳地质封存监测和常规油气田注采诱发地震监测。尤其在致密油气藏的开发中，微地震水力压裂监测是唯一能够对诱导裂缝的几何形状进行成像的远场技术。通过实时微地震监测震源的时间和空间分布，可估算诱导裂缝的几何产状、地应力的变化以及裂缝网格的连通性，以此来估测压裂井的最优射孔区间和储层改造体积，从而达到优化压裂工程的目的。

有效事件自动拾取是微地震监测的核心技术。微地震监测过程中，微地震监测记录的数据量大且包含强幅度的背景噪声，急需建立高效率、高精度的微地震有效事件自动拾取系统，对有效信号进行实时提取，为后续的震源定位以及反演诱导裂缝的时域分布、空间展布等奠定基础。常规的微地震有效事件自动拾取方法根据有效事件和噪声在时域或频域不同的统计特性来构造特征函数，然后对特征函数进行寻优以实现有效事件的自动拾取。

然而，常规的微地震有效事件自动拾取算法难以提供准确、可靠的拾取结果，需要大量的人机交互对自动拾取结果进行校正，其主要存在以下两个问题：

1)由于实际的微地震监测记录含有强幅度的噪声，这些噪声在时域和频域与有效信号进行相互混叠，使得常规方法很难通过简单的时频域信息对微地震有效事件复杂的瞬态信号特征进行有效拾取，其拾取率和可靠性较低；

2)常规有效事件自动拾取算法的拾取结果受时窗、阈值等拾取参数的影响较大。不同地区、不同采集方案、不同震源机制的微地震监测数据使用的拾取参数差异较大，处理人员通常需要根据经验多次试验不同的参数组合以获得最优的拾取结果，容易引入人工拾取误差，降低了这类方法的效率和拾取精度。

近年来，随着机器学习的不断发展，基于人工神经网络(ANN)的微地震有效事件自动拾取成为当下研究的热点。人工神经网络从信息处理角度对人脑神经元网络进行抽象，建立神经网络模型，按不同的连接方式组成不同的网络。与常规的有效事件拾取方法相比，神经网络拾取法的“容错性”更强。该方法以监测数据和期望输出作为网络模型的输入和反馈，具有很强的非线性拟合能力和自适应性。经过训练之后无需人机交互，能够在强背景噪声中有效的拾取出微地震有效信号。

然而，现有的微地震人工神经网络自动拾取方法往往需要建立规模较大的深度神经网络结构并采用大量训练数据库对其进行训练以充分学习微地震有效信号的内部特征，因此这类方法对计算资源和数据库资源的要求较高，训练速度较慢，难以大规模推广应用，不适用于微地震有效事件实时监测的需求。

非线性自回归神经网络(NARX)是一种用于时间序列预测的非线性动态循环网络。NARX的输出信息在反馈下被作为输入信息再次进入模型，输出层的输出再次通过隐含层进入模型的运算流程，使模型对历史数据的敏感程度得到显著提升。与常规循环神经网络(RNN)相比，NARX最显著的特性是它的输出包含在其输入之中，学习效率高、具有很强的非线性拟合能力和自适应性，从而可以针对小样本训练数据库更高效地学习地震信号中时间序列的动态特征。

发明内容